Creatio с ML-алгоритмами НОРБИТ — ЛАНИТ Омни

Creatio с ML-алгоритмами НОРБИТ

БЛОГ КОМПАНИИ ЛАНИТ ОМНИ

Технологии машинного обучения и искусственного интеллекта на протяжении последних лет входят в число наиболее перспективных. Существенных выгод от применения ML удается достичь и в сферах повышения операционной эффективности, роста удовлетворенности клиентов и генерации знаний.

Внедрение машинного обучения приносит не только дополнительный PR, но и действительно способно увеличивать прибыль компании. По различным оценкам, эффективность бизнеса от применения машинного обучения возрастает на 2-3%.

Среди факторов, сдерживающих применение этих технологий, эксперты называют не только нехватку и высокую стоимость специалистов с необходимыми компетенциями, но общее недоверие к возможностям и потенциалу применения искусственного интеллекта.

Опыт консультантов «Норбит» показывает, что начинать использование технологий машинного обучения стоит не с глобальных лозунгов об «интеллектуальном предприятии», а с встраивания ML-моделей в существующие процессы и системы, чтобы получить максимально быструю отдачу. Рассмотрим на примере CRM-системы Creatio, разработанной в компании «Террасофт».

Ранжирование клиентов по степени лояльности к маркетинговой рассылке

Сегодняшний мир характеризуется переизбытком информации: каждый человек потенциально сталкивается с 4000+ рекламных сообщений в день. Ежедневно во всем мире отправляется более 300 миллиардов одних только email-сообщений – примерно по 75 писем на каждого пользователя электронной почты (данные statista.com). Поэтому повышение конверсии от прямых маркетинговых коммуникаций в условиях «информационного шума» является одной из ключевых задач всех маркетологов, работающих на массовых рынках. Для этого важно определить, кому именно стоит направить то или иное предложение.

Алгоритмы машинного обучения от «Норбит» позволяют определить группу клиентов, которые с максимальной вероятностью откликнутся на ваше предложение, и снизить риски «каннибализации» продаж.

На первом этапе модель обучается на исторических данных, доступных в CRM и смежных системах: история покупок и коммуникаций, отклики на предыдущие рассылки, состав продуктовой корзины и др. Возможно передавать для анализа любые данные: модель самостоятельно определит, какие из них являются важными, и установит закономерности.

На втором этапе система выделяет целевую группу «убеждаемых» потребителей и ранжирует их по вероятности совершения покупки.

Далее в CRM-системе формируются динамические группы (списки) клиентов и осуществляется необходимая коммуникация (email, SMS, push, звонок оператора КЦ и др.). CRM-система Creatio содержит встроенные механизмы рассылок, а также позволяет интегрироваться со сторонними сервисами.

Наконец, алгоритмы ML анализируют результаты проведенных активностей и обновляют модель для повышения ее эффективности.

Как и для любой ML-модели, эффективность данного решения зависит от качества и полноты исходных данных. Однако при наличии актуальной базы клиентов, истории покупок и коммуникаций с ними за достаточно длительный период (несколько средних циклов продаж) решение «Норбит» позволяет добиться хороших результатов:

  • Сохранение актуальности базы контактов

Предложения отправляются тем клиентам, которые в нем потенциально заинтересованы. Таким образом, сокращается количество отписок и внесения контактов в «черные списки».

  • Сокращение стоимости целевого контакта на 15-30%

Не тратятся деньги на коммуникации с теми клиентами, которые точно не отреагируют на предложения.

  • Рост конверсии маркетинговых рассылок с 0,5-1% до 25%

Общение происходит с теми клиентами, для которых предложение наиболее актуально в данное время.

Оставьте свой email и получайте интересные статьи, кейсы и новости RightWay
Подпишитесь на рассылку:


Спасибо, что подписались
на рассылку от omnichannel.ru

Наш Дайджест выходит ежемесячно. В нем вы найдёте новые статьи и кейсы из нашего Блога, Новости компании, а так же обновления платформы RightWay и планы его развития.
Команда ЛАНИТ Омни

Прогнозирование оттока клиентов

Большинство потребительских рынков (банковские и страховые услуги, ритейл, телекоммуникации и др.) достигли своего насыщения: клиентов становится все меньше, а стоимость их «переманивания» от конкурентов – все выше. В этих условиях на первый план в маркетинговых стратегиях выходит управление клиентской базой, а именно – сокращение оттока текущих клиентов.

Маркетологи выдвигают и прорабатывают разнообразные стратегии удержания для понижения коэффициента оттока клиентов. Предиктивная аналитика по ранжированию клиентов по степени лояльности помогает принимать превентивные меры по удержанию. Это выражается, например, в автоматическом генерировании персональных рекомендаций и запуске процессов по повышению лояльности клиентов, таких как формирование e-mail рассылки со специальным предложением. Такие точные прогнозы по количественному изменению клиентской базы также используются B2C компаниями для точного расчета годовой прибыли.

Стек технологий машинного обучения позволяет не только собрать нужную информацию в сжатые сроки, но и обработать ее, а именно – устранять выбросы, дубликаты, некорректные данные и заполнить пропуски. Одним из преимуществ обработки данных является возможность проведения кластеризации клиентской базы.

Данные, которые требуются для создания так называемого «Цифрового профиля клиента» — это большой набор признаков, характеризующих персональные признаки каждого клиента. Обычно в такой набор факторов входят соц. демографические признаки, такие как возраст и пол – все то, что можно получить, например, из заполненной анкеты при регистрации карты лояльности или регистрации на портале интернет-магазина.

Для маркетологов тот факт, что «старый клиент прибыльнее нового» – это прописная истина.

На отток каждого отдельного клиента оказывает влияние множество различных факторов, «ручной» анализ которых часто не представляется возможным, но для моделей машинного обучения это довольно простая задача. Алгоритмы способны с высокой степенью точности определить, какие клиенты или группы клиентов уйдут в ближайшее время, и рекомендовать наиболее подходящие инструменты для их удержания.

Алгоритмы машинного обучения от «Норбит» помогают проранжировать существующую базу клиентов по вероятности оттока. В общем случае принцип работы аналогичен модели по определению степени лояльности клиента к рассылкам.

  • Модель «обучается» на исторических данных, доступных в CRM-системе (данные о продажах, частоте покупок, среднем чеке, количестве обращений в службу поддержки, динамике NPS, отклике на маркетинговые рассылки, активность в социальных сетях и др.).
  • На основе анализа выявляются критерии, по которым можно судить о желании или нежелании клиента продолжать сотрудничество. Модель способна анализировать сотни параметров и определять вклад каждого в итоговый результат прогнозирования.
  • Формируется список из наиболее склонных к оттоку клиентов для проведения с ними работы по удержанию.
  • Наконец, на последнем этапе собираются доступные инструменты для удержания клиентов – CRM-система содержит большое количество инструментов для проведения коммуникаций с клиентами (email, SMS, push, звонок клиенту, таргетированная реклама и др.).

Качество прогноза в первую очередь зависит от качества и полноты исходных данных для анализа.

  • Высокая точность

При достаточном количестве данных достигается 90% точность в определении клиентской лояльности.

  • Сокращение издержек

Вы тратите время и бюджеты на работу по удержанию только тех клиентов, которые находятся в группе потенциально уходящих.

  • Рост прибыли

Как показывают исследования, удержание клиента приносит больше денег, чем поиск нового.

Прогнозирование продаж

Правильное планирование продаж до уровня отдельного SKU является одним из главных факторов управления рентабельностью торговых организаций. Излишки товара приводят к замораживанию оборотных средств в ненужных запасах, а отсутствие товара на полках приводит к снижению продаж и упущенной выгоде.

Задача прогнозирования продаж традиционно считается одной из наиболее сложных, поскольку на результат влияет большое количество факторов – от истории потребления данного товара до температуры, дней выдачи заработной платы, действий конкурентов, акций как на сам товар, так и на сопутствующие товары и товары-заменители, и многое другое.

Применение технологий машинного обучения позволяет с высокой точностью предсказывать величину дневных/недельных продаж отдельных товаров в будущем с учетом большого количества факторов (внутренних и внешних) и рассчитывать оптимальный уровень запасов и периодичность их пополнения.

Модель машинного обучения «Норбит» позволяет прогнозировать точное количество необходимых складских запасов и объема отгрузок поставщиками с детализацией до 1 часа.

На первом этапе происходит анализ исторических данных о продажах и сопоставление их с изменением различных внутренних и внешних факторов. На этом этапе модель выявляет значимые для прогнозирования факторы и взаимосвязи между ними.

Далее модель формирует прогноз спроса на отдельные виды товаров и расчет потребности с учетом активных и планируемых товарных промоакций, календарных событий и иных факторов.

Наконец, производится автоматизированный расчет пополнения товарных запасов с учетом минимального, максимального и страхового запаса, открытых позиций, условий упаковки, маршрутов доставки, доступности торгового оборудования.

Точность модели зависит от качества и полноты исходных данных. В целом, модель позволяет значительно усовершенствовать процессы управления ассортиментом, планирования запасов и ценообразования.

  • Высокая точность

При наличии достаточного количества данных средняя точность суточного прогноза составляет 85-90%.

  • Сокращение запасов

За счет повышения точности планирования спроса уровень запасов сокращается на 15-20%.

  • Снижение out-of-stock

Несмотря на сокращение уровня запасов, применение ML-решения «Норбит» позволяет сократить случаи отсутствия товаров на полках на 30-40%.

Источник Tadviser

Заказать персональную
демонстрацию RightWay

Нажимая на кнопку, вы даёте согласие на обработку персональных данных и принимаете нашу политику конфиденциальности.