|
СПЕЦІАЛЬНІ
ПАРТНЕРИ
ПРОЕКТУ
Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях
Кто внес наибольший вклад в развитие украинского ИТ-рынка.
Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары
|
|
29 мая 2025 г., 21:56
Можна довго дискутувати чи потрібен компаніям ШІ - директор, або як краще приймати рішення - на основі аналізу, чи використовуючи інтуїцію. Але якщо бізнес не опікується наявністю необхідних даних, не займається покращенням якості даних, їх доступністю і підвищенням рівня data literacy, то і цінність навіть тих даних, що вже є, буде мінімальною.
Часто менеджмент компанії усвідомлює що проблеми з даними стають вже бар'єром для розвитку бізнесу, але не знає що і як треба зробити, щоб його прибрати. І в першу чергу намагаються впровадити нові технології. Немає в компанії єдиного джерела достовірних даних - давай впровадимо сховище даних. Немає нормальної аналітики - давай намалюємо красиві дашборди в BI-системі. Співробітники не дружать з даними - давай використаємо "ChatGPT".
І таких "давай" десятки. Але серед них мало , або взагалі немає "давай опишемо процес внесення змін в довідниках", "давай визначимо людей, які будуть опікуватись якістю даних", "давай зрозуміємо чому наші люди не аналізують дані", "давай...".
Чому немає цих "давай"? Або немає розуміння навіщо такі складнощі, або немає достатніх компетенцій, щоб детально розписати всі ініціативи і вкласти їх в дорожню карту розвитку аналітики. Але і в першому і в другому випадках ми можемо допомогти. Було б бажання.
15 апреля 2025 г., 19:04
На вихідних фейсбук нагадав, що рік тому я опублікував другу статтю «Чи замінить ChatGPT маркетологів?» про використання АІ для розробки стратегії утримання клієнтів.
За цей рік змінилося багато чого: вийшли оновлення ChatGPT і з’явилися нові гравці; піднялась хвиля новомодних "AI-агентів"; я повністю переїхав на Claude :) Але, що залишається базою - це дані. Бо без них не зробити ML - модель для прогнозування відтоку клієнтів, а значить нічого буде обробляти і "чатам".
No data - no AI.
У нас багато даних - говорить бізнес. Так. Але яка їх якість? Чи можна довіряти результатам які отримали на їх основі? Чи то розрахунку окремого показника на гарному дашборді, чи відсотку ймовірності відтоку конкретного клієнта, чи прогнозу продажу молока в супермаркеті.
Використання даних - це вже фінальний етап. Для цього треба, щоб дані були створені за визначеними правилами і стандартами, перевірена їх якість і виправлені допущені помилки. Це і буде елементарне впорядкування даних (Data Governance). Тобто потрібна система не тільки створення чи використання даних, але і керування даними.
Часто бізнес в своїй любові до технологічних інновацій забуває про всі складові системи роботи з даними - люди, процеси, технології і концентрується тільки на технологіях. Звичайно розробка гарного дашборду чи навіть побудова сховища даних значно простіші, ніж впровадження процесів керування майстер - даними. Але зміна культури роботи з даними – задача з «зірочкою».
На одному з проектів по розробці бачення розвитку архітектури даних і аналітики ми аналізували історію проекту побудови сховища. Виявилось, що недостатнє залучення користувачів і виключення з рамок проекту ініціатив, пов’язаних з керуванням якістю даних і майстер даними було однією з причин невдачі проекту.
Отже, якщо хочете отримати не разовий ефект від даних і аналітики почніть з простих кроків.
1️⃣ Визначте хто відповідає конкретні елементи даних. Наприклад, хто головний в питаннях клієнтських даних. Хто опікується додаванням параметрів клієнта в CRM, хто формулює вимоги до наявності чи формату внесення номеру телефона. Хто затверджує визначення поняття «клієнт» чи ініціативи, пов’язані з пошуком «двійників» в базі. Це і буде власник даних.
2️⃣ Опишіть базові процеси для ведення довідників (клієнти, продукти, території, тощо) та визначте основні KPI для оцінки якості даних. І ви отримаєте не тільки миттєвий ефект в якості аналітики, але і довгострокові вигоди від можливості використання даних для різноманітних інновацій, наприклад впровадження чат ботів чи автоматичної сегментації клієнтів з допомогою кластерного аналізу.
3️⃣ Попросіть відповідальних за розвиток персоналу із HR-департаменту включити в програму навчання курси для підвищення data literacy (недавно був вебінар по цій темі і з радістю поділюсь з вами записом).
А далі вже можна переходити до наступного етапу зрілості в роботі з даними…
(для збільшення картинки клацніть по ній мишою)
3 апреля 2025 г., 17:35
Коли зі всіх каналів сипляться пости про те, як AI скоро замінить усіх працівників аж до CEO, час для здорової дози реальності.
Майже кожен вендор обіцяє вам AI, що самостійно вирішить усі проблеми компанії, автоматизує всі процеси і, можливо, навіть організує корпоратив. Реальність трохи прозаїчніша.
Декілька думок з щоденної практики AI-трансформацій:
1. Почніть з малого. Краще успішний пілот на одному процесі, ніж презентація про «тотальну AI-трансформацію», яка ніколи не вийде за межі PowerPoint. Так, автоматизована сегментація клієнтської бази за допомогою алгоритмів ML- це теж AI-проєкт. І дуже корисний!
2. «Ми впровадили AI» - це не метрика. «Ми збільшили конверсію розсилок на 40%» - метрика. «Олена з CRM-відділу нарешті встигає на йогу по вівторках» - безцінно.
3. Найскладніша частина AI-проєкту - це не алгоритми. Це пояснити Олені, що AI не забере її роботу з проведення розсилок, а звільнить час для креативу та особистого життя.
І наостанок - коли вендор показує ідеальну демку на «гарних» даних - запитайте, як воно працюватиме з реальною клієнтською базою, де в іменах пропуски, телефони записані в різних форматах, а в історії покупок половина товарів без категорій і з описом «акція».
P.S. Якщо ваш перший AI-проєкт виглядає як бургер з нижньої картинки - ви на правильному шляху. Принаймні він існує в реальності, а не лише в презентації для керівництва.
Розкажіть про свій досвід "бургера з нижньої картинки" - це безцінно.
19 февраля 2025 г., 19:50
Майже рік тому ми отримали, здавалося б, просту задачу від партнера – мережі супермаркетів. «А можете спрогнозувати, скільки в середньому буде покупців на місяць в магазині, який ми плануємо відкрити за цими координатами?».
Так почалася наша подорож у світ геоаналітики та AI. Спочатку все здавалося простим – API Google Maps та кілька формул. На одному з брейнштормів ми навіть «винайшли» формулу оцінки привабливості магазину, засновану на законі гравітації… і з подивом дізналися, що Вільям Рейлі випередив нас на 90 років!
Наш перший AI-прототип дав точність 75%, навіть не враховуючи такі важливі перешкоди як річки чи залізничні колії. Потім були ізохрони та діаграми Вороного і ще багато цікавих речей, які ми колись вивчали на парах в університеті. Зараз, після майже року досліджень та розробки, наші моделі аналізують понад 100 факторів, пов’язаних з конкурентним оточенням, забудовою та громадською інфраструктурою і прогнозують успішність нової точки зі значно кращою точністю.
Взагалі тема вибору локації досить стара. Ще 2000 років тому – давньоримський архітектор Вітрувій у своїй праці «The Ten Books On Architecture» радив будувати ринки на перетині головних вулиць. Але з того часу підходи до вибору локацій суттєво змінилися. Я чув багато цікавих історій про видатних ритейлерів та їх підходи.
А нещодавно я провів опитування серед своєї аудиторії в Linkedin – 59% вважають, що локація залишається найважливішим фактором успіху магазину у 2025 році. Але як же швидко і правильно її обрати? (До речі, 17% опитаних вважають критично важливою операційну ефективність, і ще 17% кажуть, що все залежить від формату).
14 января 2025 г., 18:41
Нещодавно в моїй стрічці з'явився мем, який змусив мене посміхнутися, а потім серйозно замислитися. На ньому зображено, як різні технології штучного інтелекту працюють з неякісними даними (представленими у вигляді емодзі купки лайна 💩).
Прості алгоритми машинного навчання повертають те саме, що отримали на вході. Просунутіший АІ додає до результату «блиск» та «зірочки». Далі генеративний АІ перетворює їх на веселкового «єдинорога». І нарешті, агентний АІ створює цілу колекцію різноманітних варіацій. Але суть залишається незмінною – всі ці результати, незалежно від технологій їх отримання, все одно походять від неякісних даних і в результаті на виході те саме лайно, тільки з «прикрасами».
Цей мем добре ілюструє один з фундаментальних принципів роботи з даними – «garbage in, garbage out» (сміття на вході – сміття на виході). Цей принцип з'явився ще на зорі комп'ютерної ери та залишається актуальним досі. Як би не розвивалися технології обробки даних, які б складні алгоритми ми не використовували, якість результату завжди буде обмежена якістю вхідних даних.
Саме тому деякі наші проєкти бувають такими довгими, бо ми разом з клієнтами намагаємося максимально покращити якість даних перед їх використанням. Часто клієнти не розуміють, чому не можна «просто взяти дані й навчити нейронну мережу». Але наш досвід показує, що інвестиції в якість даних на початковому етапі економлять значно більше часу та ресурсів у майбутньому.
Наприклад, в одному з проєктів клієнт хотів швидко впровадити систему персональних рекомендацій для інтернет-магазину. Але коли ми почали досліджувати дані, виявилося, що:
- історія покупок клієнтів містить багато аномалій;
- інформація про перегляди товарів відсутня;
- характеристики товарів заповнені не повністю;
- в базі клієнтів є велика кількість дублів.
Замість того, щоб одразу навчати рекомендаційну систему на неякісних даних, ми спочатку: впровадили систему відстеження поведінки користувачів; розробили процес збагачення карток товарів; створили єдиний профіль клієнта; налаштували процеси перевірки даних.
В результаті проєкт зайняв більше часу, ніж планувалося спочатку, але клієнт отримав рекомендаційну систему, яка дійсно підвищує продажі, а не просто показує випадкові товари.
На іншому проєкті з прогнозування продажів для мережі магазинів ми зіткнулися з типовою ситуацією – клієнт хотів одразу отримати точні прогнози, але виявилося, що:
- дані про продажі містять некоректні значення;
- промоакції та маркетингові активності не ведуться коректно в системах;
- відсутня інформація про Out-of-Stock і планові поповнення складів;
- не фіксуються зовнішні фактори впливу (погода, події).
Тож довелося спочатку налагодити процеси збору якісних даних, створити систему фіксації всіх важливих подій та факторів, і лише потім переходити до навчання моделей прогнозування. Зараз система дає точність прогнозу понад 90%, але цього б не вдалося досягти без якісних вхідних даних.
Ці приклади підтверджують: до неякісних даних немає сенсу застосовувати навіть найсучасніші алгоритми машинного навчання. Краще витратити час на побудову правильних процесів роботи з даними – це інвестиція, яка завжди окупається в точності та надійності прогнозів.
У сучасному світі, де штучний інтелект стає все більш поширеним, багато компаній захоплюються новими технологіями та забувають про цей базовий принцип. Вони інвестують величезні кошти в найновіші AI-рішення, але отримують розчарування замість очікуваних результатів. Це як намагатися приготувати вишукану страву з зіпсованих продуктів – навіть найкращий шеф-кухар не зможе зробити її смачною.
Тому, перш ніж говорити про використання передових технологій штучного інтелекту, варто задати собі просте запитання: «А чи достатньо якісні мої дані для цього?»
Метрики якості даних: як оцінити те, що не можна побачити
Пʼять вимірів якості даних
Коли я почав глибше вивчати тему якості даних, я зрозумів, що це як діагностика здоров'я – потрібно перевірити багато параметрів, щоб зрозуміти загальний стан. Ось ключові метрики, які я виділив:
1. Точність даних
«Чи відповідають дані реальності?» – це перше питання, яке ми маємо поставити. Наприклад, якщо в базі даних вказано, що клієнту 253 роки – це явно помилка. А що якщо вказано 53 роки? Це виглядає правдоподібно, але чи відповідає дійсності? Точність даних – це міра відповідності даних реальному світу.
2. Повнота даних
Уявіть, що ви збираєте пазл, але частина елементів загублена. Так само з даними – відсутність важливої інформації може зробити весь набір даних марним. Якщо у вас є база клієнтів, але у половини записів відсутні контактні дані, наскільки ефективною буде ваша маркетингова кампанія?
3. Своєчасність
Дані, як і новини, мають термін придатності. Торішній прогноз погоди вже нікому не цікавий, так само як і застарілі дані про ринкові ціни або складські запаси. Своєчасність – це міра актуальності даних на момент їх використання.
4. Консистентність
Це як координація між відділами в компанії – всі мають говорити однією мовою. Якщо в одній системі температура зберігається в Цельсіях, а в іншій – у Фаренгейтах, без належної обробки це призведе до плутанини. Консистентність забезпечує узгодженість даних між різними системами та процесами.
5. Інтегрованість
Сучасний бізнес – це складний механізм, де дані мають вільно переміщуватися між різними системами. Інтегрованість показує, наскільки добре ваші дані можуть «спілкуватися» з різними системами та процесами.
Як вимірювати якість даних
Для кожної метрики існують свої методи вимірювання:
Точність: порівняння з еталонними джерелами, перевірка на відповідність бізнес-правилам (наприклад, вік не може бути від'ємним);
Повнота: відсоток заповнених полів, аналіз пропущених значень;
Своєчасність: час від останнього оновлення, відповідність графіку оновлень;
Консистентність: порівняння даних між різними системами, пошук суперечностей;
Інтегрованість: успішність обміну даними між системами, кількість помилок при інтеграції.
І пам'ятайте, якість даних – це не одноразова акція, а постійний процес. Як і у випадку з нашим мемом, навіть найсучасніші технології не допоможуть, якщо базові метрики якості даних не відповідають необхідному рівню.
Як ви оцінюєте якість даних у своїх проєктах? Можливо, є ще метрики, які варто додати до цього списку?
Команда та процеси: хто і як забезпечує якість даних
Ключові ролі у керуванні якістю даних
Я часто бачу, як компанії намагаються розв'язувати проблеми з якістю даних технічними засобами, забуваючи про людський фактор. Але без правильної організації процесів та розподілу відповідальності навіть найкращі інструменти не допоможуть. Ось ключові ролі, які мають бути в компанії:
Data Steward (Куратор даних) – відповідає за якість даних у конкретній предметній області; визначає та контролює дотримання стандартів; виступає «містком» між бізнесом та технічними спеціалістами; знає «життєвий цикл» даних від створення до архівації.
Data Engineer (Інженер даних) – розробляє та підтримує процеси обробки даних; впроваджує технічні рішення для контролю якості; автоматизує процеси перевірки та очищення даних; забезпечує технічну інтеграцію різних джерел даних.
Business Analyst (Бізнес-аналітик) – визначає бізнес-вимоги до якості даних; оцінює вплив проблем з якістю на бізнес-процеси; розраховує бізнес-ефект від покращення якості даних; формує KPI для оцінки якості даних.
Data Quality Manager (Менеджер з якості даних) – розробляє стратегію управління якістю даних; координує роботу всіх залучених спеціалістів; відстежує прогрес та звітує керівництву; ініціює проєкти з покращення якості даних.
Взаємодія між ролями
Успішне управління якістю даних базується на ефективній взаємодії між усіма ролями. Data Owner приймає стратегічні рішення та виділяє ресурси. Data Steward втілює ці рішення на практичному рівні. Data Quality Manager координує процеси. Data Engineer забезпечує технічну реалізацію. Business Analyst оцінює результати та формує вимоги.
Наприклад, у великих компаніях розподіл власників даних часто виглядає так: Дані про клієнтів → Директор з продажів або маркетингу; Фінансові дані → Фінансовий директор; Дані про персонал → HR-директор.
Ключові процеси
Для забезпечення якості даних потрібно налагодити такі процеси:
1. Профілювання даних (Регулярний аналіз стану даних, виявлення аномалій та відхилень, оцінка відповідності бізнес-правилам, моніторинг трендів якості даних).
2. Стандартизація (Розробка єдиних форматів даних, визначення правил введення даних, створення довідників та класифікаторів, документування вимог до якості).
3. Очищення даних (Виправлення помилок, видалення дублікатів, обробка відсутніх значень, узгодження суперечливих даних).
4. Контроль змін (Відстеження джерел змін у даних, перевірка якості нових даних, оцінка впливу змін на пов'язані системи, документування історії змін, інструменти та автоматизація).
Важливо розуміти, що управління якістю даних – це не ручний процес. Необхідно використовувати спеціалізовані інструменти – системи профілювання даних, інструменти очищення та стандартизації, платформи управління метаданими та системи моніторингу якості даних.
Масштабування ролей та процесів
Важливо розуміти, що реалізація ролей та процесів управління якістю даних може суттєво відрізнятися залежно від розміру організації та специфіки її даних.
Малий бізнес (до 50 співробітників). Одна людина може поєднувати декілька ролей. Data Owner часто є власник бізнесу або CEO. Функції Data Steward можуть виконувати керівники відділів. Технічні функції (Data Engineer) можуть бути на аутсорсі. Базові процеси якості даних вбудовані в щоденні операції. Фокус на простих, але ефективних інструментах.
Середній бізнес (50-250 співробітників). З'являються виділені ролі для управління даними. Data Owner-и на рівні керівників департаментів. Можлива поява окремої позиції Data Steward. Є внутрішній технічний персонал. Впроваджені базові процеси управління якістю. Використання спеціалізованих інструментів.
Великий бізнес (250+ співробітників). Повноцінна реалізація всіх ролей. Можлива наявність кількох кураторів даних для різних доменів. Окремий підрозділ для управління даними. Складна система процесів та контролю. Інвестиції в комплексні платформи управління даними. Розвинена система метрик та звітності.
Корпорації та холдинги. Складна ієрархія власників даних. Команди Data Steward-ів для кожного значного домену даних. Центр компетенцій з управління даними. Глобальні політики та стандарти якості даних. Крос-функціональні команди для управління якістю. Enterprise-рішення для управління даними.
При цьому обсяг та різноманітність даних також впливають на організацію процесів. Великі обсяги однотипних даних потребують автоматизації та оптимізації процесів. Різноманітні дані вимагають більше експертизи та спеціалізованих інструментів. Критичність даних для бізнесу визначає рівень контролю та інвестицій. Швидкість оновлення даних впливає на організацію процесів моніторингу.
Головне правило – структура управління якістю даних має відповідати реальним потребам організації та масштабуватися разом з її ростом. Не варто впроваджувати занадто складні процеси в малому бізнесі, але також небезпечно нехтувати якістю даних при збільшенні їх обсягів та важливості для бізнесу.
**
Повертаючись до нашого мему – якість даних не виникає сама по собі. Це результат злагодженої роботи команди професіоналів та правильно налаштованих процесів. Без активної участі всіх ролей, особливо власників даних, складно забезпечити належний рівень якості даних. Якщо ви хочете, щоб ваші інвестиції в AI та аналітику принесли результат, починайте з побудови міцного фундаменту у вигляді процесів забезпечення якості даних та правильного розподілу відповідальності в команді.
21 ноября 2024 г., 18:09
Днями мав честь виступити на конференції Всеукраїнської асоціації Контактних Центрів, присвяченій використанню штучного інтелекту в процесах трансформації КЦ. Хочу поділитися враженнями та цікавими спостереженнями.
Організатори створили чудові умови для професійного нетворкінгу та обміну досвідом. Особливо цінним було живе спілкування з колегами та можливість обговорити практичні кейси впровадження AI-рішень.
Багато доповідей були зосереджені на практичному використанні великих мовних моделей в КЦ, зокрема для чат-ботів і підтримки операторів. Це підтверджує загальний тренд на автоматизацію першої лінії підтримки.
Наше рішення з прогнозування навантаження та оптимізації графіків роботи операторів використовує машинне навчання для точного передбачення вхідного трафіку з урахуванням історичних даних, сезонності та зовнішніх факторів. Система автоматично створює оптимальні графіки роботи операторів, враховуючи прогнозоване навантаження, правила трудового законодавства та індивідуальні побажання співробітників. Це дозволяє значно підвищити точність планування та скоротити витрати на персонал при збереженні високої якості обслуговування.
Система прогнозування вигорання та відтоку персоналу аналізує великий масив даних про роботу операторів - від показників ефективності до патернів поведінки та комунікації. На основі цих даних ML-моделі визначають ранні ознаки професійного вигорання та ризику звільнення, що дозволяє HR-менеджерам вчасно втручатися та проводити превентивні заходи. Рішення також надає рекомендації щодо індивідуальних стратегій утримання цінних співробітників, базуючись на їх профілі та виявлених факторах ризику.
Але мій прогноз щодо зацікавленості тематиками трохи не справдився. Презентуючи наші рішення з ML-моделями для прогнозування вигорання персоналу та планування навантаження, я очікував більшого інтересу до першої теми. Проте аудиторію значно більше зацікавили питання прогнозування навантаження та оптимізації графіків роботи операторів.
Можливо, це пов'язано з тим, що:
- Планування навантаження - це щоденна операційна задача з прямим впливом на бізнес-показники
- Оптимізація графіків дає швидкий та вимірюваний економічний ефект
- Існує гостра потреба в автоматизації процесів планування.
А можливо тому, що людям здається чимось фантастичним прогнозування поведінки людей на основі даних, які накопичені в КЦ.
Можливо, були якісь інші причини, не знаю. Якщо у вас є думки щодо того, чому саме питання планування навантаження викликали більший інтерес - буду радий почути ваші коментарі.
14 августа 2024 г., 16:45
Self-Service Business Intelligence (BI) – це технологія, яка дозволяє бізнес-користувачам та аналітикам самостійно працювати з даними, створювати звіти та отримувати інсайти без постійної підтримки ІТ-відділу. Ця інновація змінює правила гри, надаючи організаціям безпрецедентну гнучкість та швидкість у прийнятті рішень.
Self-Service BI відноситься до третього етапу розвитку бізнес-аналітики відкриває нові горизонти для бізнесу. Замість того, щоб чекати днями або навіть тижнями на звіти від ІТ-відділу, менеджери можуть миттєво отримувати необхідну інформацію. Це значно прискорює процес прийняття рішень та дозволяє компаніям швидше реагувати на зміни ринку. Наприклад, маркетинговий відділ може в режимі реального часу аналізувати ефективність рекламних кампаній та вносити корективи, не чекаючи на щотижневі звіти.
Для ІТ-відділів впровадження Self-Service BI означає зменшення рутинних завдань з генерації звітів та можливість зосередитися на більш стратегічних проектах. Замість того, щоб витрачати години на створення стандартних звітів, ІТ-спеціалісти можуть займатися розробкою нових інноваційних рішень, які приносять більшу цінність бізнесу. Це не тільки підвищує ефективність ІТ-відділу, але й сприяє кращому використанню навичок та експертизи ІТ-фахівців.
Self-Service BI також сприяє розвитку культури даних в організації. Коли співробітники мають прямий доступ до даних та інструментів аналізу, вони починають більше цікавитися аналітикою та шукати нові способи використання даних для покращення своєї роботи. Це створює середовище, де інновації та ідеї можуть виникати на всіх рівнях організації, а не лише в ІТ-відділі чи відділі аналітики.
Однак, впровадження Self-Service BI не позбавлене викликів. Однією з головних проблем є забезпечення якості та узгодженості даних. Коли багато користувачів мають доступ до даних та можливість їх аналізувати, існує ризик різночитань та неправильних інтерпретацій. Це може призвести до прийняття рішень на основі неточних або некоректних даних.
Інший виклик – це забезпечення безпеки даних. З розширенням доступу до даних зростає ризик витоку конфіденційної інформації. Організаціям необхідно впроваджувати надійні системи контролю доступу та шифрування даних, щоб захистити чутливу інформацію.
Навчання користувачів також може стати серйозним бар'єром. Не всі співробітники мають навички роботи з даними та аналітичними інструментами. Без належного навчання Self-Service BI може стати джерелом фрустрації, а не підвищення продуктивності.
Ще одним викликом є зміна корпоративної культури. Перехід від централізованої моделі BI до Self-Service вимагає зміни мислення як керівництва, так і співробітників. Необхідно подолати опір змінам та переконати людей у цінності нового підходу.
Незважаючи на ці виклики, існують конкретні кроки, які організації можуть зробити для успішного впровадження Self-Service BI. Перш за все, важливо розробити чітку стратегію управління даними. Це включає створення єдиного джерела істини – центрального сховища даних, яке забезпечує узгодженість та достовірність інформації для всіх користувачів. А також впровадження корпоративного глосарію та каталогу даних.
Наступним кроком є впровадження надійної системи управління доступом до даних. Це дозволяє контролювати, хто має доступ до яких даних, забезпечуючи безпеку та відповідність нормативним вимогам. Важливо також впровадити системи моніторингу та аудиту, щоб відстежувати, хто і як використовує дані.
Інвестиції в навчання та розвиток навичок співробітників є критично важливими. Організації повинні розробити комплексні програми навчання, які охоплюють не лише технічні аспекти роботи з інструментами Self-Service BI, але й основи аналізу даних та візуалізації. Особливий акцент слід зробити на підвищенні рівня data literacy – здатності читати, розуміти, створювати та комунікувати дані як інформацію. Це допоможе співробітникам ефективно використовувати нові інструменти, уникати помилок в інтерпретації даних та приймати більш обґрунтовані рішення.
Створення центру передового досвіду (Center of Excellence) для Self-Service BI може значно полегшити процес впровадження. Цей центр може служити ресурсом для користувачів, надаючи підтримку, рекомендації щодо найкращих практик та забезпечуючи якість аналітики. Він також може відігравати роль посередника між бізнес-користувачами та ІТ-відділом, сприяючи кращому розумінню потреб бізнесу та можливостей технологій.
Важливо також поступово впроваджувати Self-Service BI, починаючи з пілотних проектів у окремих відділах або бізнес-процесах. Це дозволяє отримати швидкі перемоги, продемонструвати цінність нового підходу та вивчити уроки перед повномасштабним впровадженням.
Про KPI
Для оцінки прогресу та ефекту від впровадження Self-Service BI організації можуть використовувати ряд ключових показників ефективності (KPI):
1. Час до отримання інсайту: вимірює, скільки часу проходить від виникнення потреби в даних до отримання корисного інсайту.
2. Кількість активних користувачів BI: показує рівень залученості співробітників до використання інструментів аналізу даних.
3. Рівень data literacy в організації: може оцінюватися через регулярні тести та оцінки навичок співробітників.
4. Задоволеність користувачів: оцінюється через опитування та зворотний зв'язок.
Більш детальний перелік та пояснення KPI дивіться в нашому телеграм каналі «AI&Data Boardroom»
Регулярний збір зворотного зв'язку від користувачів та постійне вдосконалення процесів та інструментів є ключовими для успіху. Організації повинні бути готові адаптувати свій підхід на основі реального досвіду користувачів та мінливих потреб бізнесу.
Важливо створити культуру, орієнтовану на дані. Це означає не лише надання інструментів для аналізу, але й заохочення співробітників використовувати дані у своїй щоденній роботі. Лідери повинні подавати приклад, приймаючи рішення на основі даних та заохочуючи інших робити те саме.
Self-Service BI – це не просто технологія, це новий спосіб роботи з даними, який може трансформувати організацію. Для CEO та CIO це можливість зробити свої компанії більш гнучкими, інноваційними та конкурентоспроможними. Хоча шлях до повного впровадження може бути складним, потенційні переваги – від прискорення прийняття рішень до підвищення ефективності ІТ – роблять цей шлях вартим зусиль.
Для успішного впровадження Self-Service BI потрібен комплексний підхід, який охоплює технології, процеси та людей. CEO та CIO повинні взяти на себе лідерство у цьому процесі, забезпечуючи необхідні ресурси, підтримку та стратегічне бачення. З правильним підходом, Self-Service BI може стати каталізатором інновацій та зростання, дозволяючи організаціям не просто реагувати на зміни, а передбачати їх та формувати своє майбутнє.
26 июня 2024 г., 17:35
Історія цього допису почалася з запрошення від популярного подкасту Bits and Bytes of Data Insights поділитися думками на тему: «Внутрішня команда BI або зовнішній партнер?». Під час інтерв'ю, розмірковуючи над частими випадками незавершених чи невдалих проєктів впровадження сховищ даних і BI-систем, я вирішив глибше розкрити цю проблематику та її значення для бізнесу.
Вважаю, що краще розуміння аспектів здатне допомогти організаціям уникнути пасток у впровадженні BI-систем і забезпечити їхню успішну реалізацію. Тож моя публікація покликана допомогти компаніям вибрати правильний підхід до управління бізнес-аналітикою.
Внутрішня BI-команда або зовнішній партнер – коли й чому?
Вибір між створенням внутрішньої команди BI (Business Intelligence) і партнерством із зовнішнім постачальником є важливим стратегічним рішенням для будь-якої організації. Кожен підхід має свої унікальні переваги та підходить для різних бізнес-потреб та контекстів. Поглянемо коли й чому кожен варіант може бути найкращим вибором.
Коли обирати внутрішню команду BI? Якщо ваша організація є великою, з комплексними операціями та значними потребами в різноманітній аналітиці, яка потребує складних перетворень даних, внутрішня команда може забезпечити необхідну глибину та інтеграцію. Коли важливими є знання специфіки галузі та глибоке розуміння ваших бізнес-процесів, внутрішня команда може бути ефективнішою. Якщо ви розглядаєте дані та аналітику як довгостроковий стратегічний актив і готові інвестувати в необхідну інфраструктуру та розвиток талантів, щоб підтримувати конкурентні переваги, то краще створювати внутрішній центр компетенції. Коли конфіденційність і безпека даних мають першорядне значення, контроль над обробкою даних всередині організації може знизити ризики.
Чому обирати внутрішню команду BI? Глибока кастомізація – індивідуальні рішення, які точно відповідають потребам і процесам вашого бізнесу. Більший контроль над процесами BI, управління даними та гнучкість для швидких змін при необхідності. Безшовна інтеграція з іншими внутрішніми системами та відділами, що забезпечує узгоджену і скоординовану роботу в організації. Ефективність витрат у довгостроковій перспективі – хоча початкові витрати на створення і підтримку можуть бути високими, у довгостроковій перспективі це може бути більш економічно вигідно, оскільки не потрібно постійно сплачувати зовнішньому постачальнику.
Коли обирати зовнішнього партнера? Якщо в організації не вистачає необхідної експертизи або ресурсів для створення і підтримки ефективної команди BI. Коли необхідно швидко впровадити рішення BI й немає часу на створення внутрішньої команди. Якщо потреби в даних зростатимуть або значно змінюватимуться, зовнішній партнер може швидше надати необхідні ресурси для масштабування. Коли ви хочете використовувати новітні інструменти та технології BI без значних початкових інвестицій.
Чому обирати зовнішнього партнера? Зовнішні партнери приносять спеціалізовані знання і досвід, накопичений під час роботи з різними клієнтами в різних галузях. Це дозволяє уникнути фінансових витрат та витрат часу, пов'язаних із найманням, навчанням і утриманням співробітників BI, і сплата тільки за використані послуги. Дозволяє організації зосередитися на своїх основних компетенціях, тоді як зовнішній партнер займається складнощами BI. Отримання переваг від найкращих практик і інсайтів, які зовнішні постачальники накопичують від свого різноманітного клієнтського базису.
Таким чином вибір між внутрішньою командою BI та зовнішнім партнером має керуватися розмірами організації, наявними ресурсами, стратегічними пріоритетами та конкретними потребами. Існує також гібридний підхід, коли проєкт починає зовнішній постачальник, а внутрішня команда зростає і розвивається з ростом потреб або наявна внутрішня команда працює у співпраці з зовнішніми експертами, також є життєздатним рішенням для багатьох організацій. Ретельно оцініть поточні можливості, довгострокові цілі й конкретні переваги кожного варіанту, щоб прийняти найкраще рішення для вашого бізнесу.
Як визначити, чи є зовнішній партнер хорошим вибором під час найму?
Вибір відповідного зовнішнього партнера для ваших потреб в Business Intelligence (BI) є важливим кроком, який може значно вплинути на успіх проєктів. Перелічимо кілька ключових критеріїв, на які слід звернути увагу, щоб знайти хорошого партнера.
1. Експертиза та досвід
Це важливо, тому що партнер з глибокими знаннями та досвідом у вашій галузі зможе краще розуміти ваші потреби й пропонувати відповідні рішення.
Щоб перевірити це, оцініть портфоліо компанії та вивчіть кейси з аналогічних проєктів. Зверніться до попередніх клієнтів для отримання зворотного зв'язку про їхній досвід роботи з цим партнером. Перевірте наявність сертифікацій та галузевих нагород, які свідчать про експертність партнера. Запропонуйте потенційним партнерам виконати однакові контрольні завдання (PoC) на підготовлених наборах даних, об’єми й різноманіття яких будуть наближені до реальних.
2. Технологічні можливості
Зовнішній партнер повинен мати доступ до сучасних інструментів і технологій, які дозволять реалізувати ваші BI-проєкти на високому рівні.
Аби переконатися в цьому, запитайте про інструменти й технології, які використовує компанія. Дізнайтеся, наскільки компанія орієнтована на інновації та чи впроваджує нові рішення та сучасну функціональність наявних BI-інструментів.
3. Розуміння бізнесу
Партнер, який розуміє ваш бізнес і галузь, зможе надати більш релевантні й корисні рішення.
Поспілкуйтеся з консультантами компанії, яких вона планує залучати на ваші проєкти, щоб оцінити їхнє розуміння вашого бізнесу. Розгляньте можливість інвестицій в невеликі пілотні проєкти для оцінки здатності партнера розуміти ваші потреби, це знизить ризики та збереже інвестиції в масштабні проєкти.
4. Комунікація і співпраця
Ефективна комунікація і здатність до співпраці є ключовими факторами для успішної реалізації проєктів.
Дізнайтеся про процеси комунікації та управління проєктами в компанії. Оцініть, наскільки культура компанії-партнера відповідає культурі вашої організації.
5. Гнучкість і адаптивність
У сучасному швидко змінюваному світі бізнесу важливо мати партнера, який може швидко адаптуватися до змін.
Запитайте про приклади, де компанія демонструвала гнучкість та здатність швидко реагувати на зміни. Детально розберіть на прикладах як компанія буде реагувати на ситуації, що можуть потребувати гнучкості й швидких змін в організації роботи. Перевірте умови контракту щодо гнучкості й можливостей для адаптації.
6. Ціна та якість
Важливо знайти баланс між вартістю послуг і їх якістю, щоб отримати максимальну цінність за вкладені кошти.
Порівняйте кілька пропозицій від різних партнерів, створених для однакових завдань, враховуючи вартість і обсяг послуг. Перевірте відгуки клієнтів про співвідношення ціни та якості послуг при створенні повноцінного рішення.
Вибір зовнішнього партнера для BI є важливим рішенням, яке вимагає ретельного аналізу. Зважуючи потенційних партнерів за цими критеріями, ви зможете знайти того, хто найкраще відповідатиме вашим потребам і сприятиме успіху ваших BI-проєктів. Не забувайте при оцінюванні розставити пріоритети й вагу для кожного критерію.
Що робити, якщо розрив співпраці з зовнішнім партнером стає неминучим?
Розрив співпраці з зовнішнім партнером може бути складним і стресовим процесом, але правильні кроки можуть допомогти мінімізувати негативні наслідки для бізнесу. Думайте про можливий розрив ще на етапі вибору партнера та формування контракту, це суттєво зменшить ризики розриву. Але, якщо розрив співпраці стає неминучим, ось декілька ключових кроків, які слід вжити.
1. Оцінка ситуації
Розуміння причин розриву допоможе краще підготуватися й уникнути подібних ситуацій у майбутньому.
Проведіть аналіз причин, які призвели до розриву, включаючи проблеми в комунікації, невідповідність очікуванням або зміни в стратегії бізнесу. Критично оцінюйте не тільки постачальника, але і свою компанію. Поспілкуйтеся з усіма зацікавленими сторонами для отримання їхнього бачення ситуації та рекомендацій.
2. План дій
Наявність чіткого плану допоможе забезпечити плавний перехід і мінімізувати можливі перебої в бізнесі.
Розробіть детальний план дій, включаючи терміни, необхідні ресурси й відповідальних осіб. Визначте перехідні заходи, які допоможуть забезпечити безперервність бізнес-процесів під час зміни партнера.
3. Офіційне сповіщення
Формальне сповіщення забезпечує прозорість і дотримання договірних зобов'язань.
Офіційно повідомте партнера про рішення розірвати співпрацю відповідно до умов контракту. Зберіть всі необхідні документи та листування, щоб мати офіційне підтвердження процесу розриву.
4. Передача знань і даних
Забезпечення плавної передачі знань і даних допоможе уникнути втрати важливої інформації та збоїв у роботі.
Розробіть план передачі знань і даних, включаючи терміни й відповідальних осіб. Переконайтеся, що всі дані, які належать вашій компанії, збережені й передані належним чином. При необхідності напишіть офіційні листи постачальнику з вимогою належного знищення ваших даних.
5. Перегляд контрактів і зобов'язань
Оцінка контрактних зобов'язань допоможе уникнути юридичних проблем і фінансових втрат.
ретельно перегляньте всі умови контракту, включаючи зобов'язання щодо розірвання, штрафи та інші важливі положення. Зверніться до юридичного консультанта для отримання рекомендацій щодо дотримання всіх юридичних вимог.
6. Пошук нового партнера
Швидке знаходження нового партнера допоможе мінімізувати перебої в роботі та забезпечити безперервність бізнес-процесів.
Проведіть аналіз ринку, щоб знайти потенційних нових партнерів, які можуть відповідати вашим потребам. З урахуванням досвіду модифікуйте критерії та процеси оцінки, які ви застосовували при виборі попереднього партнера, щоб знайти найкращий варіант.
Розрив співпраці з зовнішнім партнером може бути викликом, але з правильним підходом і плануванням можна мінімізувати негативні наслідки й забезпечити плавний перехід до нового партнера або внутрішньої команди при її наявності. Ретельно оцінюйте ситуацію, дотримуйтесь офіційних процедур і будьте готові до швидкої адаптації, щоб підтримувати стабільність і ефективність вашого бізнесу.
24 апреля 2024 г., 15:09
Коли ми катаємося на хвилях технологічних інновацій, важливо пам'ятати, що не кожна хвиля перетворюється на високий приплив бізнес-успіху.
Пройдіться стежками минулого, і ви побачите засмічені залишки модних слів, які колись відлунювали в залах засідань рад директорів. Пам'ятаєте захоплення великими даними (Big Data)? Компанії вкладали в це цілі статки, очікуючи на панацею від усіх своїх бід, а потім виявляли, що без належного управління даними вони просто збирають цифровий бруд.
Hype cycle від Gartner вже давно став надійним барометром зрілості, впровадження та масового застосування конкретних технологій. Він навчив нас, що шлях від інноваційного імпульсу до плато продуктивності загрожує розчаруванням - фаза, коли багато інвестицій зупиняються і обростають павутинням.
Згадаймо системи ERP та CRM минулих років. Вони були обов'язковими для будь-якого бізнесу, який прагнув оптимізувати операції та відносини з клієнтами. Але без стратегії, узгодженої з основними процесами та потребами компанії, ці системи часто перетворювалися на дорогі цифрові електронні прес-пап'є.
Потім настала ера самообслуговування BI, яка обіцяла демократичність даних та інсайтів на кінчиках пальців кожного співробітника. Дійсно, благородне бачення, але воно вимагало певного рівня грамотності та культури роботи з даними, які присутні не в кожній організації. Без цього ці потужні інструменти не використовувалися належним чином, а їхній потенціал залишався невикористаним.
Отже, який урок з цього можна винести? Він простий: технологія сама по собі не є срібною кулею. Це допоміжний засіб, інструмент, який, за умови вмілого та стратегічного використання, може прокласти шлях до нових можливостей. Впроваджуючи сучасні новинки світу технологій - генеративний штучний інтелект і великі мовні моделі - давайте робити це з мудрістю досвіду.
Ось три висновки, які допоможуть захистити ваші інвестиції в технології на майбутнє: 1. «Управління даними - це не другорядний пріоритет»: Це основа. Переконайтеся, що ваші дані чисті, впорядковані та відповідають нормативним вимогам з самого початку. 2. «Люди важливіші за технології»: Інвестуйте в навчання вашої команди, розвиваючи культуру грамотності та обізнаності в питаннях роботи з даними. 3. «Стратегія - це король»: Узгоджуйте будь-яку нову технологію з вашими бізнес-цілями та процесами. Важливо не просто мати її, а ефективно використовувати.
Прокладаючи свій шлях у постійно мінливому технологічному ландшафті, давайте не дозволимо сяйву інновацій засліпити нас. Замість цього, давайте підходити до кожної нової тенденції з обережним оптимізмом і стратегічним плануванням.
Пам'ятайте, у світі технологій черепаха часто перемагає зайця. Повільність і стабільність, підкріплені надійною стратегією, виграють перегони.
2 апреля 2024 г., 18:17
Рік тому я робив аналіз стратегії утримання клієнтів, яку вдалося згенерувати за допомогою ChatGPT версії 3.5. Це був цікавий досвід, який відкрив нові перспективи використання ШІ для розуміння та задоволення потреб клієнтів. Але час не стоїть на місці, і за останній рік у світі штучного інтелекту сталося багато змін. https://bit.ly/CDI_and_ChatGPT
Зараз пропоную знову зануритися в цю тему, але з новим «двобоєм». Порівняємо «розумність» останньої ChatGPT – версії 4 – з попередньою версією 3.5 та з новим гравцем на арені, Google Gemini. Мета? Визначити, які оновлення та поліпшення були внесені у ці системи та як вони можуть вплинути на розробку стратегій маркетингу та утримання клієнтів.
Це не просто порівняння заради порівняння. Це спроба зрозуміти, як розвиток ШІ може допомогти нам стати кращими в тому, що ми робимо. Бо як я бачу, маркетологи завжди у пошуках інструментів, які можуть зробити кампанії ефективнішими, дозволяючи глибше зрозуміти клієнтів і їхні потреби.
Тож дослідимо, як ChatGPT і Google Gemini можуть змінити гру в аналізі відтоку клієнтів і розробці стратегій їх утримання. Чи стали ці системи ШІ справді «розумнішими»? І якщо так, то як маркетологи можуть використовувати ці нові можливості на свою користь?
Нагадаю, що з результатами роботи попередньої версії можна ознайомитися за цим посиланням. В цій статті я намагатимуся порівняти роботу ChatGPT 4 та Google Gemini Advanced, бо навіть з перших відповідей зрозуміло, що старіша версія програє «в суху».
Для економії місця я не буду повторювати в цій статті початковий запит до двох систем, бо для «чистоти експерименту» він залишився точно таким же, що і в торішній статті.
Нагадаю лише, що набір даних про клієнтів інтернет-магазину я взяв із відкритих джерел та скористався сервісом Customer Departure Insights, який дозволяє зробити прогноз відтоку клієнтів та об’єднує клієнтів в кластери зі схожими значеннями факторів, що пов’язані з ризиком відтоку клієнтів.
Почнемо з загальних рекомендацій і потім подивимось на порівняльну таблицю для кожного кластеру. Хочу зазначити, що обидві системи навчилися розуміти українську. ChatGPT майже без проблем спілкується українською, а Gemini інколи «переходить» на англійську.
Нижче наведені загальні рекомендації від ChatGPT та Gemini стосовно розробки стратегій утримання клієнтів.
ChatGPT
Загальний підхід:
Стратегія утримання має бути сегментована для кожного кластера, враховуючи унікальні характеристики та поведінкові моделі клієнтів у кожному. Основна мета – зменшити відтік, підвищити рівень задоволення та лояльності клієнтів.
Перехресні заходи для всіх кластерів:
- Розробіть універсальні програми лояльності, які пропонують заохочення за регулярні замовлення, використання додатка та позитивні відгуки.
- Інвестуйте в поліпшення користувацького досвіду, включаючи мобільний додаток та вебсайт, щоб збільшити час, проведений клієнтами в них.
- Оптимізуйте процес оплати та логістику доставки, знижуючи відстань від складу до дому, та пропонуючи зручніші способи оплати.
Технологічна інтеграція:
- Використовуйте дані про клієнтів для створення персоналізованих контрпропозицій за допомогою штучного інтелекту та машинного навчання.
- Впровадьте системи прогнозування, які можуть автоматично визначати клієнтів з високим ризиком відтоку та пропонувати заходи щодо їх утримання.
Ваша стратегія повинна бути гнучкою та адаптованою під зміни в даних та поведінці клієнтів. Регулярно аналізуйте ефективність пропозицій та коригуйте стратегію згідно з отриманими результатами. Пам'ятайте, що утримання клієнта завжди дешевше, ніж залучення нового, і лояльний клієнт часто стає вашим найкращим прихильником бренду.
Google Gemini Advanced
Детальна стратегія утримання клієнтів
Аналіз даних:
- Ключові фактори відтоку:
- DaySinceLastOrder (кількість днів з останнього замовлення)
- OrderCount (кількість замовлень за останній місяць)
- NumberOfDeviceRegistered (кількість зареєстрованих пристроїв)
- CityTier (рівень міста)
- Tenure (строк співпраці з компанією)
- Complain (наявність скарг за останній місяць)
- MaritalStatus (сімейний стан)
- PreferedOrderCat (улюблена категорія замовлень)
Кластеризація клієнтів:
6 кластерів, 3 з яких схильні до відтоку і 3 – лояльні.
Загальні рекомендації:
Персоналізація: Використання даних CRM-системи для персоналізації маркетингових комунікацій та пропозицій.
Покращення комунікації: Проактивна комунікація з клієнтами через різні канали (email, телефон, чат).
Підвищення якості обслуговування: Швидка та якісна служба підтримки; Зручні та доступні способи оплати та доставки.
Висновок:
Реалізація цієї стратегії утримання клієнтів допоможе зберегти лояльних клієнтів, повернути тих, хто відтокує, і, як наслідок, збільшити прибуток компанії.
Нижче наведена порівняльна таблиця з рекомендаціями по кожному кластеру. «Відтокові» кластери позначені «червоним» кольором. «Лояльні» – «зеленим». У попередній статті є опис та характеристики кожного кластеру, щоб можна було порівняти рекомендації з реальною клієнтською картиною кластера, з тим які саме фактори і як впливають на схильність до відтоку чи лояльності клієнтів.
Таблиця порівняння рекомендацій
Обидві системи зосереджені на персоналізації та використанні даних для підвищення ефективності стратегій утримання. Однак, ChatGPT здається більш сфокусованим на креативних та емоційних аспектах залучення клієнтів, тоді як Google Gemini наголошує на аналітиці та адаптації до поведінки споживачів. Обидві платформи радять впровадження програм лояльності, але підходи до їх реалізації варіюються залежно від акценту на аналітиці проти креативності.
ChatGPT:
- ChatGPT наголошує на важливості сегментації клієнтів та розробки персоналізованих стратегій утримання для кожного кластера.
- Велика увага приділяється персоналізованому підходу в комунікаціях, зокрема через електронні листи, соціальні мережі, та інші цифрові канали.
- Рекомендується активно використовувати дані про поведінку та переваги клієнтів для створення вмісту, який відповідає їхнім інтересам.
- ChatGPT радить впровадження програм лояльності, які нагороджують клієнтів за повторні покупки та взаємодію з брендом.
Google Gemini:
- Google Gemini теж підкреслює значення персоналізації, але з більш вираженим акцентом на використанні аналітичних інструментів для збору даних та їх аналізу.
- Загальні рекомендації включають розробку ефективних стратегій реагування на скарги та занепокоєння клієнтів для підвищення їх задоволеності.
- Gemini також звертає увагу на важливість адаптації маркетингових стратегій до змін у поведінці клієнтів і трендах ринку.
- Окремо наголошено на потребі створення унікальних та ціннісних пропозицій для залучення та утримання клієнтів.
Ситуація із загальними рекомендаціями більш-менш зрозуміла – вони доволі абстрактні та відображають ключові відмінності між кластерами, які були виявлені та опрацьовані обома системами. Але ускладнимо завдання і запитаємо про детальні плани дій та брифи для маркетингових агенцій.
Нижче представлено два приклади для «відтокових» кластерів, та два приклади для «лояльних» кластерів. Це дасть розуміння рівня «інтелекту» кожної системи.
Порівняльна таблиця з рекомендаціями для кластера №0
Порівняльна таблиця з рекомендаціями для кластера №2
Порівняльна таблиця з рекомендаціями для кластера №4
Порівняльна таблиця з рекомендаціями для кластера №5
Оцінюючи відповіді ChatGPT та Google Gemini на запити щодо розробки стратегії утримання клієнтів, можна сказати, що обидва підходи є цілісними та орієнтованими на дані, але вони мають деякі відмінності в стилі та деталізації.
ChatGPT зосереджується на креативних та емоційно насичених стратегіях, пропонуючи різноманітні маркетингові кампанії, що включають персоналізовані пропозиції, ретаргетинг, та акцент на обслуговуванні клієнтів. Відповіді зазвичай містять конкретні приклади та ідеї для креативів і акцій, які можуть використовувати рекламні агентства для залучення уваги та взаємодії з клієнтами. До речі, я відразу ж попросив зробити пару ілюстрацій до брифу. Не скажу, що в захваті від креативу, але і час не витрачав на уточнення підказок, просто написав «створи ілюстрацію для промо-пропозиції», і ось пара картинок.
Google Gemini здебільшого фокусується на аналітичних стратегіях, підкреслюючи важливість детального аналізу даних для розуміння причин відтоку і лояльності. Відповіді містять конкретні рекомендації щодо персоналізації комунікацій та кампаній, а також настійно рекомендують впровадження програм лояльності та персоналізованих пропозицій.
Якби я був суддею в цьому двобої, то перемогу з невеликою перевагою отримав би ChatGPT, а бали розподілилися б приблизно, як на малюнку.
Порівняння
Але це особисто моя думка, і мені дуже хочеться почути думки експертів – маркетологів про те, наскільки такий варіант використання прийнятний. Бо, коли б я, працюючи в страховій компанії, мав би таку детальну інформацію про клієнтів, що схильні до відтоку і ChatGPT, то розробляти стратегію утримання і детальні акції для її реалізації було б набагато легше.
І наостанок про час на цю роботу. Якщо не враховувати написання статті й підготовку порівняльних таблиць та діаграми, то для отримання відповідей від двох систем з їх «копіпастом» в документ в мене пішло менше години. А на обробку датасету з клієнтською інформацією для прогнозування відтоку з допомогою Customer Departure Insights менше трьох хвилин.
Як на мене, то комбінація Customers Profile + Customer Departure Insights + ChatGPT прекрасний інструмент в руках умілого маркетолога.
|
|
|
