Работа для предсказателей | Forbes.ru
$59.03
69.61
ММВБ2131.91
BRENT62.74
RTS1132.45
GOLD1292.57

Работа для предсказателей

читайте также
Цифровая Трансформация Бизнеса
подписаться

Работа для предсказателей

Компании, у которых сотни тысяч клиентов, умеют предвидеть будущее. И для этого им не приходится нанимать ясновидящих. Им помогают ИТ-специалисты, использующие с недавних пор машинное обучение для более точных предсказаний. Они определяют, кто из клиентов близок к тому, чтобы уйти к конкуренту; рассчитывают, сколько денег может принести каждый клиент за все время взаимодействия с компанией и какую сумму разумно было бы потратить на его привлечение, обслуживание и удержание. Поведение каждого клиента теперь можно предсказать, и для этого не нужен магический шар, нужны технологии.

Что это такое

Люди давно пытаются предсказывать то, что произойдет в будущем. Бизнес использует математический аппарат для этого по меньшей мере с десяток лет. Раньше прогнозы финансовых показателей рассчитывали на бумаге и в простых программах вроде MS Excel. Затем появились системы Business Intelligence: в них сотрудники компаний вручную вводили массивы данных, а системы строили прогнозные модели, использовали средние отраслевые показатели и предлагали общие рекомендации.

Сегодня, благодаря развитию технологий машинного обучения и особенно Deep Learning (глубокое обучение), предиктивные системы могут делать гораздо более точные прогнозы на базе анализа огромного количества данных, собранных из самых разных источников. Эти источники могут быть как внутренние: бухгалтерская отчетность, логистическая информация, биллинговые системы, CRM, так и внешние: данные партнеров, дистрибьюторов, компаний из других отраслей, открытая информация из социальных сетей и прочее. Причем собираются эти данные и анализируются в режиме реального времени: прогнозы строятся заранее, так, чтобы можно было повлиять на ситуацию до того, как она стала критической.

Такие инструменты успешно применяются для предсказания возможных неисправностей в сложном оборудовании, двигателях, различных механизмах. Позволяют экономить значительные средства множеству компаний по всему миру. Один из примеров, о котором можно прочитать на сайте, — компания Trenitalia, которая входит в холдинг «Итальянские государственные железные дороги».

Эти же методы можно применять для анализа поведения людей — для лучшего понимания того, чем живут собственные сотрудники и, конечно же, для налаживания более тесного взаимодействия с клиентами. Предиктивная аналитика помогает выявить, когда что-то может «сломаться» в отношениях между компанией и конкретным человеком, и вовремя принять меры; предсказать, когда клиенту может понадобиться определенный продукт или услуга.

Такие инструменты работают в компаниях с большим числом клиентов, от нескольких тысяч человек и более. На меньших объемах данных выявить корреляции в поведении сложнее. Зато компании, работающие на массовом рынке: банки, онлайн- и офлайн-ретейлеры, телекомы, транспортные компании и другие, — могут получить много пользы от применения таких инструментов. К примеру, использование системы предиктивного решения SAP Predictive Analytics помогло компании Belgacom — крупнейшему телеком-оператору Бельгии — снизить отток клиентов на 25 %. Это очень высокий показатель — ведь обычно операторы в этой отрасли борются за каждый процент. На данный момент не существует других методов, помимо предиктивной аналитики, которые могли бы улучшить показатель сразу на десятки процентов. Эти инструменты сократили время на моделирование, то есть выявление клиентов, склонных к оттоку, с нескольких месяцев до дней, а значит, повысилась оперативность реакции — отклик в мероприятиях по удержанию абонентов вырос в четыре раза.

Оператор в целом перешел на клиентоориентированный подход нового уровня. Belgacom совершает более десятка тысяч звонков в день, предлагая дополнительные услуги и новые продукты своим клиентам. Благодаря использованию SAP Predictive Analytics компания научилась делать правильное предложение правильному клиенту в правильное время. В итоге отклик на такие звонки вырос в три раза, и в 14 % случаев абоненты стали принимать предложение. Это высокий показатель, ведь обычно он находится на уровне единиц процентов.

Другой пример — mBank, который благодаря партнерству с SAP начал анализировать профили своих клиентов и совершаемые ими операции. В результате банк в четыре раза увеличил количество продаж неипотечных кредитов, в два раза — страховых продуктов, в два с половиной раза — услуг по накоплению капитала. А также сократил отток и увеличил выручку за счет запуска автоматических маркетинговых кампаний. Подробнее об истории успеха mBank можно прочитать в этой статье.

Как это работает

Предиктивная аналитика позволяет ответить на следующие вопросы: каким клиентам, когда и каким образом что конкретно предложить; какие потребители готовы уйти к конкуренту, кого из них можно удержать и как это лучше сделать?

Также, используя эти методы, компания может лучше понять связи между продуктами, типичные наборы продуктов и услуг, характерные для определенных потребительских сегментов, и выявить и четко обозначить клиентские группы, объединенные общим стилем поведения.

Каждый пользователь услуги или покупатель продукта рассматривается системой в динамике, в рамках так называемого жизненного цикла клиента. Рассчитывается Lifetime Value — количество денег, которые может принести клиент за все время взаимодействия с компанией. Жизненный цикл делится на четыре этапа: привлечение, период активных продаж дополнительных продуктов, удержание и win back — повторное завоевание клиента, который ушел в отток, то есть предпочел конкурентов. Понятно, что самую большую прибыль приносит второй этап, а три других связаны с расходами. Задача системы предиктивной аналитики — сделать так, чтобы потери были как можно ниже, а выручка как можно больше, то есть главная цель — увеличение Lifetime Value каждого потребителя.

На каждом этапе применяются различные методы работы с клиентами. Во время активации, то есть в самом начале истории отношений компании с потребителем, система относит его к определенному сегменту и подбирает предложения, подходящие именно для него. Это происходит на основании личных данных клиента: его возраста, социальной группы, профессии и других параметров. Во время активных продаж строится модель склонностей, которая помогает предлагать наиболее релевантные кросс-продукты и дополнительные услуги через самые эффективные каналы и в подходящее время. 

На этапе удержания строятся стратегии для предотвращения оттока, рассчитывается коэффициент социального влияния клиента, чтобы понять, может ли его уход привести к уходу других клиентов. В этом помогают инструменты Social Network Analysis — анализа социальных сетей. Речь идет не о том, что система анализирует его публичную информацию в фейсбуке. Рассчитывается сеть близких связей для конкретного клиента. Например, мобильный оператор знает, на какие номера и в какое время звонит абонент чаще всего, из каких локаций. Так можно определить круг близких связей человека и их силу. Можно предположить, что если глава семейства уйдет к другому оператору, то за ним последует его семья и родственники. А если он при этом еще и лидер в кругу друзей и коллег, его решение может повлиять и на них. На удержание людей с сильным социальным влиянием стоит потратить больше денег и усилий, чтобы не вызвать эффект домино, и лучше начать делать это как можно раньше, пока абонент еще не принял окончательного решения.

До эпохи предиктивной аналитики менеджеры вручную искали знаки того, что человек планирует сменить оператора. Как правило, сигналом служило то, что клиент снижал активность или полностью прекращал пользоваться услугой. В такой ситуации вернуть его расположение было уже весьма сложно.

Чтобы удержать самых ценных абонентов, компании старались делать привлекательные предложения сразу всему клиентскому сегменту на всякий случай, чтобы предотвратить даже мысли об уходе к конкуренту. Но такая стратегия ведет к высоким расходам для компании.

Система предиктивной аналитики позволяет управлять оттоком более эффективно и с меньшими затратами. Процесс укладывается в четыре шага. На первом выявляются те клиенты, которые с высокой вероятностью могут в ближайшее время уйти в отток. Это делается через анализ исторических данных — поведение нынешних клиентов сравнивается с действиями тех, кто ушел в отток в прошлом. Таким образом выявляются ранние сигналы, которые в большинстве случаев «вручную» обнаружить невозможно. 

На втором шаге строится модель дохода по клиенту — рассчитывается потенциальная возможность на нем заработать. Это делается, чтобы компания могла принять решение, кого стоит удерживать, а кого можно отпустить с легким сердцем. Затем проводится кластеризация клиентов, чтобы выявить возможные причины ухода. На основе этого, а также с учетом прошлого опыта создаются сценарии удержания, каждый из которых имеет свою вероятность успеха и уровень расходов. В результате компания может выбрать стратегию с наибольшим потенциальным доходом из набора вариантов того, какое предложение сделать клиенту, через какой канал и каким образом к нему обратиться. Возможности SAP Predictive Analytics позволяют построить отдельную модель для каждой комбинации «предложение–канал–обращение». В итоге создается полная картина по клиенту: ценность, потенциал, вероятность ухода, вероятность удержания и рекомендация лучшего действия по его удержанию.

Такие системы, как SAP Predictive Analytics, позволяют предсказать поведение потребителя еще до того, как он его поменял и даже вообще осознал, что захочет что-то изменить. Ясновидящим «кассандрам» прошлого такие возможности и не снились.

Закрыть
Уведомление в браузере
Будь в курсе самого главного.
Новости и идеи для бизнеса -
не чаще двух раз в день.
Подписаться