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).

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 💩).

• історія покупок клієнтів містить багато аномалій;
• інформація про перегляди товарів відсутня;
• характеристики товарів заповнені не повністю;
• в базі клієнтів є велика кількість дублів.

Метрики якості даних: як оцінити те, що не можна побачити

1. Точність даних

2. Повнота даних

3. Своєчасність

4. Консистентність

5. Інтегрованість

Як вимірювати якість даних

Команда та процеси: хто і як забезпечує якість даних

Ключові ролі у керуванні якістю даних

Взаємодія між ролями

Ключові процеси

Масштабування ролей та процесів

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.

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.

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.

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.

У цифрову епоху, що стрімко розвивається, дані стали життєдайною силою сучасного бізнесу. Тому належне управління ними є не просто технологічною необхідністю, а стратегічним викликом. У міру того, як компанії намагаютться привести до ладу величезні обсяги інформації, питання про те, хто має очолити управління даними, стає все більш актуальним.

Чи повинен генеральний директор з його комплексним баченням взяти на себе таку відповідальність? Або ж це завдання більше підходить CIO (Chief Information Officer) чи CDO (Chief Data Officer) з їхніми технічними знаннями та досвідом? Заглибимося в цю дискусію, досліджуючи ролі, виклики та потенціал кожної позиції в управлінні даними.

Впорядкування даних, за своєю суттю, передбачає організацію та контроль активів даних з метою забезпечення їх доступності, якості та безпеки. Це стратегічне завдання, яке впливає на всі аспекти діяльності організації, від дотримання нормативних вимог, до прийняття рішень. Однак цей шлях пов'язаний з певними викликами, серед яких підтримка якості даних, забезпечення конфіденційності та навігація в складному ландшафті нормативно-правових актів, пов'язаних з даними.

Стратегічне лідерство в управлінні даними

На вершині кожної організації стоїть генеральний директор, який є втіленням лідерства та бачення її розвитку. У контексті управління даними його роль є ключовою. Йдеться не лише про нагляд, а й про інтеграцію управління даними в ширшу бізнес-стратегію.

Потенціал генерального директора керувати стратегією управління даними випливає з його всебічного бачення цілей та викликів організації. Ця унікальна позиція дозволяє йому узгодити управління даними із загальними бізнес-цілями, гарантуючи, що воно сприятиме, а не перешкоджатиме зростанню компанії.

Переваги того, що генеральний директор очолює управління даними, включають підхід «зверху вниз» до впровадження політик, що гарантує, що цей процес буде не ізольованим, а інтегрованим в усі відділи. Це також сигналізує працівникам і зовнішнім зацікавленим сторонам про серйозність, з якою компанія ставиться до своїх даних.

Однак є й негативні сторони у цьому підході. Генеральному директору може не вистачати детального технічного розуміння управління даними, яким володіє ІТ-директор або CDO. Брак технічної експертизи може призвести до труднощів у тлумаченні нюансів управління даними та його реалізації. Мало того, з огляду на широке коло обов'язків генерального директора, управлінню даними не завжди приділяється належна увага.

По суті, хоча бачення та повноваження СЕО можуть значно підвищити важливість управління даними, його широкі повноваження та потенційний брак технічної глибини мають бути збалансовані підтримкою з боку більш технічно орієнтованих ролей в організації.

Поєднання управління технологіями та управління даними

ІТ-директор відіграє вирішальну роль у врядуванні даних. Оскільки він зосереджується на інформаційних технологіях та щоденних операціях з даними, його погляд на процеси управління даними за своєю суттю є технічним і прагматичним.

СІО у першу чергу відповідає за стратегію та ІТ-системи компанії. Це включає нагляд за створенням, зберіганням і безпекою даних, що робить їх невіддільною частиною будь-якої дискусії про управління даними. Їх роль полягає не лише в управлінні технологіями, але й в узгодженні ІТ-стратегій з бізнес-цілями.

Завдяки своєму досвіду в галузі технологій та систем обробки даних, ІТ-директори добре підготовлені до вирішення складних завдань управління даними. Вони розуміють технічні вимоги до ефективного управління даними, такі як якість даних, їх інтеграція та безпека. СІО може гарантувати, що ІТ-інфраструктура підтримує систему управління даними, від збору та зберігання даних, до аналізу та звітності.

Однією з головних переваг того, що ІТ-директор очолює управління даними, є його технічний досвід. Вони добре орієнтуються в технологічних аспектах цього процесу, забезпечуючи наявність ІТ-інфраструктури та інструментів, необхідних для досягнення цілей управління. Крім того, СІО можуть інтегрувати управління даними в загальну ІТ-стратегію, сприяючи підвищенню ефективності та узгодженості.

Однак, технічна спрямованість ІТ-директора може також бути й обмеженням. Він може надавати пріоритет ефективності ІТ над ширшими бізнес-цілями, що потенційно може призвести до розбіжностей зі стратегічними цілями компанії. Крім того, заглибленість у технічні аспекти може віддалити їх від ширшої організаційної перспективи, яку може мати генеральний директор або CDO.

Використання даних як цінного активу

Директор з управління даними (CDO) – це відносно нова роль, але дедалі вона стає все більш важливішою, у багатьох організаціях, особливо у сфері врядування даних.

Роль CDO є унікальною, оскільки вона зосереджена, в першу чергу, на управлінні даними та стратегії.

Завданням CDO є нагляд за стратегіями та політикою управління даними. Його обов'язки включають якість даних, їх аналітику та використання в організації. На відміну від ІТ-директора, роль якого більше зосереджена на технологіях, CDO зосереджується на використанні даних як стратегічного активу. Це передбачає не лише управління даними, але й отримання інформації та цінності з них.

Підхід CDO до управління даними є цілісним і стратегічним. Вони працюють над тим, щоб забезпечити не лише належне управління даними, але й ефективне їх використання для підтримки прийняття рішень та зростання бізнесу. Їх роль часто полягає в подоланні розриву між ІТ та бізнес-підрозділами, забезпечуючи відповідність стратегій управління даними бізнес-цілям.

Однією з головних переваг того, що CDO очолює управління даними, є їхня профільна орієнтація на дані. Вони мають досвід, щоб розуміти й орієнтуватися в складнощах управління даними, і часто краще розуміють, як дані можуть підвищити цінність бізнесу. Ця спеціалізація дає їм змогу відстоювати та впроваджувати ефективні практики управління даними.
Однак існують і виклики. Враховуючи, що роль CDO є відносно новою, вона може не мати такого ж впливу на організацію, як більш усталені ролі, такі як генеральний директор або ІТ-директор. Крім того, зосередженість CDO на даних може призвести до надмірно вузького погляду, що може призвести до ігнорування ширших бізнес-міркувань.

Насамкінець, перспектива CDO пропонує підхід до управління, орієнтований на дані, з акцентом на стратегічному використанні даних для досягнення успіху в бізнесі. Їх роль в управлінні даними має вирішальне значення, особливо в організаціях, де дані є центральним активом.

У прагненні створити ефективне управління даними в організації ролі генерального директора, ІТ-директора та директора з управління даними пропонують різні перспективи та можливості.

Як ми вже з'ясували, управління даними – це багатогранна сфера, яка вимагає стратегічного підходу, технічної експертизи та глибокого розуміння ролі даних в успіху організації.

Вибір того, хто має очолити управління даними в компанії, не є універсальним. Він залежить від структури організації, культури та стратегічної важливості даних.

Найефективнішим часто виявляється спільний підхід, коли генеральний директор, ІТ-директор та директор з управління даними працюють злагоджено. Використовуючи стратегічне бачення генерального директора, технічну компетентність ІТ-директора та досвід директора з управління даними, компанії можуть створити комплексну та ефективну стратегію управління даними, яка узгоджується з їхніми загальними бізнес-цілями.

Саме тому під час розробки стратегії управління даними ми приділяємо цьому аспекту велику увагу, щоб розробити оптимальну для кожної компанії рольову модель управління даними та план організаційних змін для втілення її в життя. В тому числі детально моделюємо ситуацію із необхідністю створення позиції CDO і його організаційної вертикалі.

Підсумовуючи ключові моменти

Генеральний директор має стратегічне бачення та повноваження, життєво важливі для визначення пріоритетів в управлінні даними на рівні організації.

ІТ-директор пропонує необхідний технічний досвід, що має вирішальне значення для успішного впровадження та управління інфраструктурою управління.

CDO, зосереджуючись на стратегії та політиці управління даними, може ефективно використовувати дані як стратегічний актив.

Правильний підхід до лідерства в управлінні даними може каталізувати зростання та інновації компанії, спрямовуючи її до прийняття рішень на основі даних та операційної ефективності. Лідер, незалежно від його посади, повинен бути тим, хто може подолати розрив між технологіями, стратегією та бізнес-операціями, гарантуючи, що управління даними є не просто політикою, а основною бізнес-функцією.

Зрештою, мета лідера полягає в тому, щоб забезпечити не лише формальне керування даними, але й зробити їх рушійною силою для прийняття стратегічних рішень і досягнення успіху в бізнесі.

Нещодавно натрапив на лекцію «Демістифікація бозона Хіггса з Леонардом Сасскіндом» на каналі Stanford University і ще більше впевнився - ніякого штучного інтелекту не існує. А коли він і з’явиться, то йому знадобляться роки чи десятиліття, щоб дорости хоча б до людського рівня.

Та якщо бути більш коректним у визначеннях, то можна сказати, що не створений ще «Загальний» або «сильний АІ», який передбачає системи з інтелектом та когнітивними здібностями людини. Ці системи можуть вирішувати будь-які загальні інтелектуальні завдання, які під силу людині.

Але точно можна стверджувати, що люди створили «Вузький» або «слабкий АІ» – системи, які розроблені та навчені для виконання конкретного завдання. Останнім часом набули популярності рішення на основі великих мовних моделей накшталт ChatGPT, Bard та інших. Останні зробили майже прорив не тільки в спілкуванні з клієнтами за допомогою інтелектуальних чат-ботів, але і в інших областях бізнесу та науки. Також росте кількість користувачів генеративних нейронних мереж (Midjourney, DALL-E і т.д.), що з легкістю створюють зображення за текстовим описом. Вони показують просто шалений прогрес в якості зображень від версії до версії.

Результати роботи нейромережі різних версій

Можна було б називати це все моделями машинного навчання, чи нейронними мережами, щоб було більш точно і формально, але для простоти будемо оперувати назвою штучний інтелект. Багато людей все ще називають копіювальні апарати ксероксами й всі розуміють про що мова.

Насправді бізнес використовував АІ ще задовго до яскравого злету ChatGPT чи Midjourney. Це були простіші задачі автоматизації та аналізу даних в основі яких лежали статистичні моделі. Однак з розвитком машинного навчання, обробки природної мови та зображень, ростом кількості і якості рішень на базі предиктивної аналітики сфера застосування штучного інтелекту значно розширилася. Сьогодні ці інструменти стали вже рутинними й допомагають змінювати те, як компанії взаємодіють з клієнтами та керують своїми внутрішніми операціями. Зупинимося поки що на цих двох напрямках.

Ця тенденція відповідає ширшому контексту цифрової трансформації – концепції, яка наголошує на інтеграції цифрових технологій у всі сегменти бізнесу. Штучний інтелект, як наріжний камінь цієї цифрової революції, пропонує безпрецедентні можливості для інновацій та ефективності.

Штучний інтелект у сфері обслуговування клієнтів

У сфері обслуговування клієнтів вплив штучного інтелекту багатогранний. Його застосування варіюється від персоналізованих маркетингових ініціатив до складної сегментації клієнтів і генерації персональних пропозицій. Однією з ключових мотивацій впровадження штучного інтелекту в обслуговування клієнтів є покращення клієнтського досвіду. Це досягається за допомогою багатьох інструментів, використання деяких описані тут.

Але зараз я пропоную сконцентруватися на інструментах, які найчастіше використовуються в нашій практиці: персоналізованому маркетингу, сегментації та прогнозуванні відтоку.

Персоналізований маркетинг

Алгоритми штучного інтелекту аналізують дані про клієнтів, щоб адаптувати маркетингові кампанії, забезпечуючи їхню релевантність і залученість.

У нашої компанії вже є багато різних кейсів. Про те як ми будуємо рекомендаційні системи й до яких результатів в бізнесі вони призводять ми регулярно розповідаємо на вебінарах.

Окрім звичайних рекомендаційних моделей, які ми будуємо на базі алгоритмів колаборативної фільтрації й нейронних мереж, що працюють з послідовностями для прогнозування наступних покупок на базі попередніх, часто доводиться розв'язувати нетипові задачі.

Один з таких кейсів - це розробка моделі, яка допомагає визначити через який канал комунікацій краще надіслати клієнту промо-пропозицію. Бо повідомлення у Viber відкривало менш як 10% отримувачів. Тому ми зробили нескладну модель, яка прогнозувала рейтинг вайберу для конкретного клієнта і давала можливість відібрати тільки тих клієнтів, які з більшою ймовірністю прочитають промо-повідомлення. Це дало змогу покращити відкриття повідомлень більше ніж у 2,5 раза. Таким чином до звичайної системи рекомендацій додали ще компонент з вподобаннями каналів комунікацій.

Ще один кейс – прогнозування рейтингу книги (точніше її циркуляції – те як часто книгу будуть брати з полиці), в тому числі тих, що тільки готуються до публікації, для кожного відділення великих бібліотечних систем. Для цього ми використовували не тільки формальні атрибути книг: формат, тематика, серія, видавець і т.п., але і результати текстового аналізу анонсів, відгуків, ключових слів, деталізованих топіків. Додатково ми враховували зміну рівня зацікавленості з часом і будували графіки, щоб наочно це показати клієнту. Це дає кожному бібліотекарю, який формує замовлення книг, з точністю понад 80% розуміти потенціал книги саме для його відділення, а значить і краще використовувати бюджетні кошти на поповнення бібліотечного фонду.

І ще один кейс про персоналізацію, але з протилежного боку. Тобто, коли стоїть задача не кожному клієнту підібрати максимально релевантний продукт, а навпаки – для якогось окремого продукту (це може бути звичайне промо) знайти найбільш релевантну ЦА серед наявної клієнтської бази. Так виглядає звичайна задача крос-продажів, та коли кількість клієнтів десятки й сотні тисяч, то навіть раз на місяць пропонувати їм додаткові продукти буде досить дорого і надокучливо. Моделі й сервіси, які ми розробили дозволяють формувати списки найбільш релевантних потенційних клієнтів під такі промо-активності чи крос-продажі буквально за 3-5 хвилин, збільшуючи конверсію в декілька разів і знижуючи затрати на 65-85%.

Слайд з презентації Smart Cross Sales.

Сегментація клієнтів

Розподіляючи клієнтів за категоріями на основі їхньої поведінки та вподобань, штучний інтелект допомагає надавати цільові послуги та пропозиції.

Коли ми говоримо про сегментацію, то на думку відразу спадають демографічні фактори за якими компанії розділяють свою клієнтську базу, сподіваючись що, наприклад, всі чоловіки 50+ років поводяться однаково. Ні, я розумію, що чоловіка зі списком товарів в супермаркеті ніякий АІ не переконає щось змінити в кошику з покупками. Але, щоб отримати цінні результати, треба збільшувати кількість факторів для сегментації. Що значно ускладнює задачу аналізу. Бо кількість сегментів росте в геометричній прогресії.

І тут математики допомогли бізнесу з розробкою спеціальних методів машинного навчання – «навчання без вчителя», які виявились потужною зброєю для сегментації. Якраз ці методи дозволяють використовувати десятки й сотні характеристик одночасно, щоб зібрати всіх ваших клієнтів в «групи за інтересами» на основі їх схожості між собою. Це якраз той випадок, коли задачу краще перекласти на плечі АІ, бо він з нею впорається краще людини.

Пам’ятаєте загадку Ейнштейна про сусідів і зебру? Не гугліть, я наведу її нижче, а ви можете написати в коментарях за який час вам вдалося її розв’язати без використання олівця чи ручки (говорять, що тільки 2% людей можуть таке зробити), або з їх допомогою.
Умови загадки:

• На вулиці розташовані 5 будинків.
• Англієць живе у червоному будинку.
• Іспанець має собаку.
• Каву п'ють у зеленому будинку.
• Чай п'є українець.
• Праворуч від білого стоїть зелений будинок.
• Равликів розводить той, хто курить Old Gold.
• У жовтому будинку живе той, хто курить Kool.
• Молоко п'ють у будинку, який стоїть у центрі.
• У першому будинку мешкає норвежець.
• Лисицю має сусід того, хто курить Chesterfield.
• Kool курять у сусідньому будинку з тим, де тримають коня.
• Апельсиновий сік п'є той, хто курить Lucky Strike.
• Японець курить Parliament.
• Норвежець живе поруч із синім будинком.

На які питання треба дати відповідь:

• Хто п'є воду?
• Хто тримає зебру?

Що треба врахувати під час пошуку відповіді:

• Усі 5 будинків – різних кольорів.
• Усі їхні мешканці – різної національності, мають різних домашніх тварин, п'ють різні напої й курять різні сигарети.

Правда ж це схоже на сегментацію клієнтів і пошук цільового сегмента для нашого продукту чи послуги? Та ми взяли тільки п’ять факторів: колір будинків, національність, сигарети, напої, тварини. А коли таких факторів буде 10, а 100? В нашій практиці число таких параметрів було і 140, і 173.

«Загадку Ейнштейна» важко розв'язати пересічній людині, тому що вона пов'язана з кількома когнітивними викликами.

• Обмеження робочої пам'яті: Головоломка вимагає утримувати та маніпулювати кількома частинами інформації одночасно. Обсяг робочої пам'яті людини обмежений, зазвичай вона здатна утримувати лише 7±2 елементи одночасно. Складність головоломки часто перевищує цю межу, що ускладнює відстеження всієї інформації та взаємозв'язків без зовнішніх допоміжних засобів, таких як нотатки або використання сітки.
• Складні логічні міркування: Головоломка вимагає високого рівня логічного мислення, включаючи здатність розуміти непряму інформацію (те, що не сказано, так само важливо, як і те, що сказано), робити висновки з обмежених даних і бачити зв'язки між різними підказками. Цей рівень абстрактного мислення може бути складним для багатьох.
• Увага до деталей: Розв'язання головоломки вимагає прискіпливої уваги до деталей. Упущення навіть однієї частини інформації може призвести до неправильних висновків. Завдання полягає в тому, щоб послідовно звертати увагу на всі підказки та їхні наслідки.
• Когнітивне перевантаження: Кількість змінних (будинки, кольори, національності, напої, сигарети, домашні тварини) та їхні можливі комбінації можуть призвести до когнітивного перевантаження, коли кількість інформації, яку потрібно обробити за один раз, перевантажує когнітивні ресурси мозку.
• Вимога системного підходу: Головоломка вимагає системного підходу до організації та просіювання інформації. Йдеться не лише про розуміння кожної підказки окремо, але й про те, як кожна підказка пов'язана з іншими. Така систематична обробка інформації – це навичка, яка варіюється від людини до людини.

Штучний інтелект (а саме спеціальні методи кластеризації), зазвичай, справляється з такими викликами набагато краще і швидше, бо немає таких обмежень як людина. Наприклад, йому треба близько 15 хвилин, щоб згрупувати в 5-7 кластерів більш як 500 тис. клієнтів.

Щобільше, ви можете використати дані про клієнтські кластери, щоб попросити ChatGPT описати їх ключові характеристики й відмінності в поведінкових патернах. Та навіть описати ключові елементи маркетингових стратегій для кожного кластеру з врахуванням його специфіки. Це працює, та на жаль я не можу показати приклади таких документів через NDA і велику кількість деталей про бізнес в цих документах.

Чим цікаве застосування АІ до сегментації? Бо дозволяє знаходити корисні інсайти, які непросто, чи навіть, неможливо знайти за допомогою класичного аналізу. Наприклад, виконавши кластеризацію клієнтів для однієї мережі супермаркетів, ми автоматично отримали декілька кластерів. В одному з них зібралося трохи понад 50% від усіх клієнтів. Та, як виявилося, вони приносили тільки 12,8% виручки й ще менше маржі. Бо доля акційних товарів в їхньому кошику, як і середня знижка, були найбільшими. Чи потрібно на них витрачати маркетинговий бюджет в такому ж розмірі, як і на іншу половину клієнтів?

Ще один цікавий кейс – використання АІ для сегментації клієнтів на основі їх шляху в універмазі. Тобто у компанії є неперсоналізовані дані про те, в які відділи та в якому порядку заходить клієнт і скільки часу він проводить в цих відділах. Потрібно зрозуміти чи є якісь «якорні» відділи? Чи є типові шляхи? Наскільки той чи інший шлях впливає на виручку магазину? Типова задача для універмагів. Та й для сайтів електронної комерції вона має сенс, якщо під відділом мати на увазі розділ сайту чи сторінку.

Кластеризація клієнтів на основі шляху дозволила виділити «любителів бренду», тобто людей які віддають перевагу одному із багатьох брендів. При чому якщо міряти середній час усіх відвідувачів, що проходили через відділ якогось бренду, то він складав десь близько 20 хв. Та коли поміряли середній час окремо для «любителів бренду», та усіх інших, то виявилось, що «інші» проводять у відділі не більше 5-7 хвилин, а «любителі» близько 50 хвилин. Тобто, коли людина проводить в відділі близько 10 хвилин, то ймовірність покупки різко виростає. Знаючи такого роду інформацію універмаг може значно оптимізувати ресурси й покращити обслуговування. Також були знайдені послідовності відділів на шляху клієнта, які призводили до збільшення середнього чека до 10%.

Використовуючи такі підходи ви досить легко знайдете групи людей, схожих між собою поведінкою. Наприклад, для банку це може бути сегмент «пенсіонерів» чи «потенційних преміум-клієнтів», для страхової компанії легко знайдеться сегмент «автотуристів», а для магазинів одягу – сегмент «столичних модниць» чи «сімейних клієнтів». І вже задача бізнесу запропонувати кожному такому сегменту найбільш правильні товари чи послуги, найбільш релевантні послання і картинки в рекламних повідомленнях, найбільш зручні процеси взаємодії. Чи може і з цим допомогти АІ? Так.

Прогнозування відтоку клієнтів

Прогностичні моделі визначають потенційний відтік клієнтів, що дає змогу вживати проактивних заходів для їхнього утримання.

Втрата клієнтів – це кошмарний сценарій для будь-якого бізнесу, особливо якщо це відбувається регулярно. Уявіть собі, що ви вкладаєте час, гроші та зусилля в залучення клієнтів, а вони безслідно йдуть. Це схоже на спробу наповнити діряве відро, і що більше клієнтів іде, то складніше стає йти в ногу з конкурентами.

Це явище називається відтоком, і воно є серйозною проблемою для багатьох компаній у різних галузях. Відтік відбувається, коли клієнт вирішує припинити свої стосунки з компанією, і це може статися з різних причин, як-от погане обслуговування клієнтів, незадоволеність продукцією або навіть вигідніші пропозиції від конкурентів.

Оскільки компанії прагнуть надавати своїм клієнтам найкращі продукти та послуги, дуже важливо глибоко розуміти їхні потреби та вподобання. Без такого розуміння стає важко відповідати мінливим вимогам клієнтів, і компанії ризикують втратити клієнтів через конкурентів. Саме тут на допомогу приходить зворотний зв'язок із клієнтами – традиційно компанії покладалися на опитування, фокус-групи та інші подібні методи для збору інформації про задоволеність і лояльність клієнтів.

Однак ці традиційні методи мають свої обмеження. Опитування і фокус-групи дають змогу отримати лише миттєвий знімок думок клієнтів і часто упереджено ставляться до людей, які більш відкрито говорять про свій досвід. Вони також можуть бути схильні до зміщення відповідей, коли клієнти можуть не давати точних відгуків через упередження про соціальну бажаність або інші чинники.

Щоб більш точно та об’єктивно зрозуміти які саме клієнти схильні залишити вашу компанію і прийняти рішення, що з ними робити далі – чи утримувати, чи «відпустити» використовують бінарні класифікаційні моделі. Ці моделі оперують двома класами: позитивним – клієнт пішов з компанії; негативним – клієнт залишився в компанії. Насправді це умовний розподіл на класи й він може змінитися залежно від того, що саме ви прогнозуєте – що клієнт піде з компанії, чи що він залишиться.

Такі моделі використовують різні методи (від простої логістичної регресії до нейронних мереж зі складною архітектурою – це все методи АІ) і потребують, щоб кожному клієнту була присвоєна мітка позитивного чи негативного класу. Після навчання на історичних даних модель буде здатна зробити прогноз мітки (піде чи залишиться) для кожного клієнта, а також ймовірності події. Наприклад «Клієнт А піде з компанії з ймовірністю 87%», або «Клієнт Б залишиться в компанії з ймовірністю 65%».

Щобільше, ви можете знати ще і те, які саме характеристики клієнта і з якою силою впливають на рішення моделі присвоїти ту чи іншу мітку (піде, чи залишиться) для кожного клієнта. І чим більше різноманітних характеристик клієнта ви маєте, тим точніше ви зможете розуміти поведінку клієнта і його схильність покинути вашу компанію. А маючи під рукою такі детальні й точні дані, вже можна не тільки розробляти персоналізовані стратегії утримання клієнтів, а і змінювати процеси, продукти, та покращувати клієнтський досвід.

Щоб детально не описувати тут багато кейсів, я пропоную вам використати наш сервіс з прогнозування відтоку, де можна безкоштовно досліджувати вплив різних параметрів клієнтів на їх відтік для банків, страхових компаній, бізнесу електронної комерції, телекому. А також ви можете завантажити туди свої дані, і, знову ж таки, безплатно отримати інформацію про точність прогнозування відтоку та факторах які впливають на рішення клієнтів піти чи залишитися в вашій компанії.

Слайд з презентації Customer Departure Insight

Якщо ви подумали, що було б непогано спробувати поєднати дані про відтік клієнтів і ChatGPT, щоб спробувати написати декілька персоналізованих стратегій утримання, то наші думки збігаються. Читайте що з цього вийшло за посиланням.  Як ви вважаєте, це гарний приклад використання АІ для утримання клієнтів? Має право на життя в вашому бізнесі?

І на завершення ще один короткий кейс. В доковідний рік ми розробили модель прогнозування відтоку для одного заміського клубу в США. Коли показали список клієнтів, що схильні покинути клуб, то здивуванню менеджменту не було меж, бо вони побачили там усіх клієнтів, стосовно яких у них були підозри, що вони не лояльні до клубу. Та в нашому списку були й інші клієнти, про яких менеджмент навіть не задумувався. І тоді постало питання, а чи можна прогнозувати не тільки, хто із клієнтів схильний покинути клуб, а і коли приблизно це може статися, через скільки місяців? Ми підтвердили, що це можливо і в наступній версії показали для кожного клієнта, як саме з часом буде збільшуватися ймовірність його відтоку. Далі все досить легко. Якщо ймовірність менше порогу в 50%, то це зелена зона, якщо менше ніж 70% – жовта, і потім червона. Це дало можливість працювати з кожним клієнтом індивідуально, щоб зелена та жовта зони були якнайдовшими.

Ці стратегії на основі штучного інтелекту не лише підвищують рівень задоволеності клієнтів, але й сприяють ефективнішому розподілу маркетингових ресурсів.

На операційному фронті штучний інтелект революціонізує те, як компанії прогнозують попит, оптимізують ціноутворення та керують робочою силою. Серед ключових застосувань можна виділити наступні:

• Прогнозування попиту: Алгоритми штучного інтелекту прогнозують майбутній попит на продукцію, дозволяючи компаніям оптимізувати управління запасами і ланцюжками поставок.
• Прогнозування рекламних продажів: Аналізуючи минулі дані про продажі та ринкові тенденції, ШІ допомагає планувати ефективні рекламні стратегії.
• Оптимізація цін: ШІ-моделі оцінюють динаміку ринку, щоб встановити ціни, які максимізують прибуток, залишаючись при цьому конкурентоспроможними.
• Оптимізація персоналу: ШІ прогнозує попит на обслуговування клієнтів, допомагаючи ефективно планувати роботу персоналу та зменшувати витрати на оплату праці.

Але про це детально і з кейсами вже у наступному блозі.