Який штучний інтелект потрібен бізнесу?

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.

Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365