Big Data в 3 шага: как научить искусственный интеллект продавать

Роботы (пока) не научились поведению человека даже в текстовых чатах, хоть и вовсю пытаются. Но ниша для применения искусственного интеллекта давно есть. Машины не умеют красиво вести беседу, зато на основе больших данных уже облегчают жизнь бизнесу, автоматически подбирая конкретный продукт для конкретного клиента. Контакт-центру остается только связаться с последним и с большой (или как минимум бОльшей) вероятностью завершить продажу. Причем — при гораздо меньших предварительных усилиях со стороны людей.

Как же соединить продукты бизнеса с клиентами?

1. Выбираем инструмент ИИ.

Чему искусственный интеллект еще не научился — так это продавать без клиентов. Нужен некий список потенциальных покупателей, по которому он будет работать.

Допустим, такой список у нас есть. Как понять, кому и что предложить?

Задачу предсказания и решает искусственный интеллект — на основе исторических данных. Берем тех, кто в прошлом покупал какой-то продукт, и строим по ним модель. Затем берем список клиентов, которые этот продукт еще не покупали, размещаем его в модели, модель обучается и учится предсказывать тех, кто бы купил.

Недостаток подхода в том, что для каждого продукта нужно проанализировать, купят его или не купят. То есть для каждого продукта строится своя модель. Если мы — банк, то продуктов у нас не так уж много: например, несколько вариантов пластиковых карт, конечное число кредитов и депозитов — суммарно 15–20 продуктов для продажи.

Но что, если мы — интернет-магазин с 1000 артикулов? Или интернет-кинотеатр с тысячами фильмов? Для каждого из них строить отдельную модель, мягко говоря, накладно. На помощь приходит такая вещь, как рекомендательная система.

Рекомендательные системы появились как раз из онлайн-кинотеатров. Вместо сотен моделей строится матрица «клиенты-продукты». Пересечение показывает, кто из клиентов какой продукт приобрел. Дальше клиенты сопоставляются, между ними ищутся схожести и различия, в результате в матрице заполняются пустоты. Допустим, два пользователя посмотрели 3 каких-то фильма. И вот один из пользователей посмотрел еще и 4-й, а второй — нет. Так как они похожи по предыдущим просмотрам, система предложит 4-й фильм и второму пользователю.

Преимущество рекомендательной системы в том, что для каждого клиента автоматически считается продукт, который тот с наибольшей вероятностью купит. Не нужно сажать штат дейта-сайентистов, которые будут строить модель под каждый из сотен или тысяч продуктов. У нас появляется рекомендованный продукт для всех. То есть мы автоматизировали сам процесс построения модели.

Особенно хороша рекомендательная система в следующем случае. Как у компании, у нас есть активные каналы и пассивные. Активные — там, где мы коммуницируем с клиентом по собственной инициативе (звонок, SMS, e-mail). Пассивные — где клиент приходит к нам сам (сайт, приложение, банкомат). Если строить модель под каждый продукт, она постоянно сужает список клиентов для предложения, потому что оптимизирует усилия и выбирает только тех, кому этот продукт стоит предлагать. Но у нас возможна ситуация, когда есть клиенты вообще без единого предложения. Просто потому, что каждая модель выбирала своих — и остались пустоты. То есть человек приходит по пассивному каналу, а нам нечего ему показать. А рекомендательная система считает предложение для каждого клиента. Причем — оптимальное предложение.

Но и здесь остается небольшая проблема. Допустим, мы запускаем новый продукт и нам кровь из носа нужно его продать — на этот месяц уже выставлен план продаж. Рекомендательная система не поможет — она честно работает и рекомендует каждому именно то, что ему наиболее релевантно. Она никак не считается с нашей потребностью напродавать как можно больше конкретного продукта и выполнить по нему план продаж. Получается, что в таком случае рекомендательная система неэффективна.

Поэтому в продажах на основе big data используют сочетание методов: модель — для ограниченного набора продуктов, рекомендательную систему — для общего.

2. Применяем бизнес-правило.

Мы научили ИИ подбирать предложение для каждого клиента. Но не каждый оптимальный продукт имеет смысл предлагать. Фильтрация результатов называется бизнес-правилом.

Представим, что я пользуюсь премиальной банковской картой, обслуживание которой обходится мне в 5000 грн в месяц. Модель, построенная банком, посчитала, что мне оптимально предложить другую карту, непремиальную с обслуживанием 1000 грн в месяц. Конечно, у меня есть склонность ее взять и сэкономить. Но банку нет смысла предлагать мне такой продукт, потому что он потеряет в выручке. Такие случаи нужно отсекать еще до предложения. Похожая ситуация у интернет-провайдеров и операторов связи.

Поэтому на рекомендации машинного обучения накладывается бизнес-правило. Так клиент получает релевантное предложение, а мы не роняем выручку.

3. Выбираем канал предложения.

Итак, есть клиент и отфильтрованные, оптимальные для него и нас продукты. Нужно посчитать, во сколько нам обойдется предложить клиенту этот продукт. И стоит ли оно того.

Например, звонок — один из самых дорогих вариантов. Если продукт высокомаржинальный и вероятность его покупки высокая, можем звонить без колебаний. Если же продукт низкомаржинальный или вероятность покупки очень низкая, мы потратим больше времени и денег на оповещение клиента, чем заработаем на продаже. Тогда уж лучше написать e-mail или SMS.

Некоторые предложения вообще нет смысла гнать через активный канал — выгоднее ничего не делать и дождаться, пока клиент сам придет. Например, вывесить продукты в банкомате или на сайте. Денег это особых не стоит, но какая-то конверсия с них будет.

Касательно базы потенциальных покупателей. В самом начале мы исходили из того, что список клиентов у нас есть. Он может быть собственным и внешним. Например, мы можем транслировать предложения новых продуктов уже существующим клиентам, делая так называемые кросс-продажи. Со своей базой мы работаем свободно: строим модели, распределяем клиентов по сегментам, увеличиваем средний чек.

В случае внешней базы все упомянутые шаги ложатся на стороннего партнера. Ведь, во-первых, никто из внешних источников не отдаст данные в чистом виде. Во-вторых, в большинстве стран это юридически запрещено. Поэтому в работе со сторонними базами часто используется такой способ, как look alike — «найди похожих». А именно: берется небольшая выборка собственных существующих клиентов, которым подходит наше предложение, и передается их список в обезличенном виде владельцу внешней базы. Тот строит свою модель, выбирает нужных нам клиентов и показывает им рекламу.

Итого, если рассмотреть цикл целиком:

• берется рекомендательная система и модели;
• все они замыкаются в так называемый business rules engines — среду, где применяются бизнес-правила;
• результаты замыкаются в систему, которая оптимизирует распределение по каналам.

На выходе мы получаем интегрированную коммуникацию с клиентом с точки зрения продаж, где для каждого из них определяется оптимальный продукт и оптимальный канал доставки.

Да, в самом начале в построение процесса нужно вложиться. Но дальше затраты со стороны людей минимальны. В отличие от стандартного CRM, где люди постоянно придумывают кампании, строят под них модели, делают ручные выборки, загружают каналы и так далее.

И нужно не забывать, что никакие продвинутые методы машинного обучения не помогут, если бизнес не готов перестраивать бизнес-процессы. От «последней мили» — контакт-центра, который работает с результатами машинного обучения и дотягивается до клиентов — зависит очень многое. Big data — не панацея, а хорошее подспорье — если его грамотно использовать.

Статья подготовлена Школой Данных на основе публикации основателя Школы в Business HUB ПАО «Киевстар»