Осознанные решения с технологиями ML/Big Data для управления клиентским опытом

Как бы то ни было, любой бизнес стремится к тому, чтобы поддерживать максимально высокое качество предоставляемых услуг и при этом сохранять контроль за издержками на привлечение и удержание клиентов.

Можно выделить три области применения данных технологий, которые могут помочь в управлении клиентским опытом на основе данных:

• подход Data Driven, который служит методологической основой использования Big Data;
• клиентский путь и омниканальные коммуникации — область применения, в которой преимущества технологий ML / Big Data могут быть использованы с максимальной эффективностью;
• рекомендательные системы — один из самых технологичных примеров использования ML для построения автоматизированного канала онлайн-продаж.

Руководитель направления Data Science RAMAX Group Александр Борисов
Фото: RAMAX Group

Какие есть основные шаги при внедрении Data Driven Decision Making?

Всего существует несколько главных этапов внедрения. Первый из них — это правильная формулировка бизнес-задачи. Совместно с руководителем аналитик данных определяет ключевые бизнес-метрики, от которых зависит решение, а также их пороговые и нормальные значения. Таким образом определяются основные вводные для дальнейшей работы с данными.

Второй шаг — это работа с исходными данными. На данном этапе формируются источники, определяется их качество, определяется путь преобразования данных в нужный формат. Кроме того, выявляется периодичность обновления данных и в результате формируется логическая схема данных.

Далее необходимо создать аналитическую модель принятия решений. Для этого аналитик должен определить взаимосвязи между принятыми в данном периоде решениями. В случае, если они неявные или данных слишком много, дата-сайентист строит модель принятия решения на основе машинного обучения. В обоих случаях тестирование проводится на базе исторических данных.

И, наконец, создается специальная инфраструктура, в которую включаются различные модули (дашборды, отчеты). Если же инфраструктура уже была создана ранее, то встраивание в нее модулей для управления качеством данных становится главным процессом.

Насколько можно доверять рекомендациям, полученным таким способом?

В целом, многое зависит от того, какого качества были исходные данные. Также важно учитывать, были ли допущены ошибки во время преобразования и вычисления метрик. То есть, другими словами, это вопрос доверия именно к системе управления данными (Data Governance) и корректности тестирования функционала аналитической системы. Если исходные данные были высокого качества и не было допущено ошибок в дальнейших процессах, вы можете полностью доверять конечным рекомендациям.

Для каких отраслей важны подобные процессы?

Конечно, в первую очередь речь идет о регулируемых отраслях. Это, например, финансы и страхование. Ведь именно в этих отраслях можно не только упустить выгоду, но и получить штраф от регулятора.

В качестве примера могут служить методики оценки надежности заемщика при кредитовании или формирование страховых тарифов, а также формирование резервов на возможные потери.

Как технологии BigData используются для развития омниканальных коммуникаций с клиентом?

Объем данных о клиенте и взаимодействии с ним часто бывает просто огромным. Однако проблема нередко заключается в неспособности бизнеса эффективно собрать, а потом использовать эту информацию. В целом, это происходит оттого, что данные хранятся разрозненно и имеют разную периодичность обновления. В результате компания не способна не только корректно взаимодействовать с клиентом, но и отслеживать в целом уровень эффективности взаимодействия.

Одним из решений может стать Data Lake, ключ к которому — это Единый профиль клиента. В самом профиле собирается и хранится вся информация о клиенте, включая идентификаторы. А вот в «озере данных» — только идентификатор. Таким образом обеспечивается безопасность информации о клиенте и в то же время все его данные связываются с клиентским профилем (история покупок, записи разговоров с колл-центром и многое другое).

Далее имеющиеся данные пополняются из внешних источников, а для их выгрузки используются настроенные ETL-процедуры.

Полученный объем данных о клиентах может использоваться, например:

• для построения аналитических моделей;
• для принятия маркетинговых решений;
• для поведенческой аналитики в онлайн-режиме;
• для отслеживания эффективности каналов продаж.

Что можно привести в качестве примера эффективного использования технологии Big Data?

Например, можно рассмотреть модель для анализа клиентского пути. Говоря простым языком, она помогает понять и проанализировать поведение клиента во всех точках взаимодействия. И на основе полученных данных бизнес сможет прогнозировать дальнейшее развитие событий. Например, рассчитать вероятность продажи продукта или услуги.

К слову, такой подход является самым ценным именно для бизнеса с низкой частотностью и высоким чеком разовой покупки. Это, например, девелоперы и автобизнес.

Если говорить еще конкретнее, то, например, RAMAX Group успешно реализовала ряд масштабных проектов, которые позволили построить и анализировать клиентский путь для одной из самых крупных авиакомпаний, а также для ряда крупных девелоперов. При этом, нужно понимать, что данные технологии будут не менее эффективны и для других индустрий. В том числе, для тех, кто работает в сфере B2C.

Как рекомендательные системы могут помочь компаниям из B2C перейти к интенсивным методам развития?

В целом, вопрос перехода от экстенсивного к интенсивному развитию рано или поздно возникает у каждого бизнеса в этой сфере. И в этом случае внедрение рекомендательной системы может стать действительно верным решением, способным помочь в этом вопросе.

С одной стороны, бизнес будет использовать уже существующие каналы продаж и ассортимент. А с другой — компания будет находить новых клиентов, предлагая им новые релевантные товары/услуги. При этом подбираться они будут, например, на базе истории покупок со сходными параметрами.

В качестве источников данных рекомендательная система будет использовать данные о продажах, историю взаимодействия с компанией и динамические сегменты. Главные задачи в процессе внедрения — это сбор данных, их хранение, контроль качества и объединение вокруг клиента. Для реализации этих задач первым этапом часто становится внедрение Единого профиля, а вторым — разработка и пилотные запуски нескольких рекомендательных алгоритмов, основанных на машинном обучении.

Эффективность внедрения можно измерить уже на самых первых этапах. Например, проанализировав дополнительную выручку от кросс-продаж. Если система работает корректно, то бизнес существенно увеличивает продажи. При этом экономический эффект растет в зависимости от роста охвата аудитории.

Есть ли какие-либо ограничения в процессе внедрения и использования рекомендательных систем?

Конечно, такие ограничения есть. В целом, можно отметить то, что процесс настройки и вывода на максимальную эффективность может быть достаточно долгим. Кроме того, надо понимать, что система требует постоянного контроля качества рекомендаций.

Именно поэтому так важно обращаться к профессионалам, которые уже имеют богатый опыт успешного внедрения рекомендательных систем.

Так, например, RAMAX Group разработала и внедрила систему рекомендаций перелетов для пассажиров во время сотрудничества с одной из крупнейших авиакомпаний. Кроме того, был разработан ряд дополнительных постпродажных услуг для данной авиакомпании. Эта система эффективно функционирует и развивается уже в течении многих лет, и благодаря ей миллионы клиентов получают только самые интересные для них предложения. А компания, тем временем, экономит маркетинговый бюджет на рассылки за счет повышения конверсии и получает дополнительный доход от cross-sell-услуг.

Таким образом, вы видите успешно реализованный RAMAX Group подход win-win. При этом, наглядно видно, что каждая из сторон получает максимальную выгоду от сотрудничества.

Автор: Александр Борисов, руководитель направления Data Science RAMAX Group