Облачные технологии позволяют прогнозировать поведение клиентов

Опубликовано
Эксперты по IT и бизнес-аналитике рассказали об опыте и перспективах применения современных облачных когнитивных сервисов

В Алматы прошла первая в Казахстане конференция IDC and Microsoft Business Solutions Day, на которой было представлено новое поколение интеллектуальных бизнес-приложений Dynamics 365. Эксперты по IT и бизнес-аналитике рассказали об опыте и перспективах применения современных облачных когнитивных сервисов. Так, системы машинного обучения уже позволяют с минимальными затратами работать с большими клиентскими базами и выдавать персонализированные поведенческие результаты.

Постановка задачи

Консультант проектов внедрения Microsoft Dynamics CRM в компании SMART Business (Россия) Евгений Белобров рассказал о «наступившем будущем» бизнес-процессов.

«Мы сегодня много говорим о внедрении ERP, CRM-систем и других продуктов. Но я бы хотел поговорить о будущем, ожидаемом через несколько лет. И оно уже наступает. Те проекты, которые мы сейчас осуществляем, — это будущее, которое практически уже наступило», — сказал он.

По его словам, каждая компания проходит определенные этапы эволюционного развития. Все начинается с внедрения какой-то системы. Начиная ее внедрять, компания аккумулирует определенный набор данных. С ним надо что-то делать.

«В какой-то момент времени мы понимаем, что что-то произошло – в компании или на рынке. И мы понимаем, что, имея систему, можем что-то прогнозировать и принять какое-то управленческое решение. Мы можем анализировать закономерности, которые есть в системе, и прогнозировать продажи, то или иное поведение клиентов, и что лучше предложить клиенту.

Следующим большим шагом становится реализация прогнозирования при наличии продвинутой аналитики. На сегодня топовым уровнем, который, возможно, поменяется через несколько лет, стала автоматическая поддержка и автоматическое принятие решения системой, когда она выдает клиенту лучшее для него предложение. Не лучшее предложение для всех в этой категории клиентов, а лучшее конкретно для него», — пояснил спикер.

Что это дает компании? Как говорит Евгений Белобров, в какой-то момент времени развития бизнес-процессов компании ушли от необходимости контактировать с каждым клиентом персонально. Произошло масштабирование бизнеса, количество клиентов увеличилось, и технически невозможно стало коммуницировать с каждым, узнавать, что он любит, какие у него предпочтения.

«Ценность машинного обучения позволяет нам взаимодействовать с неограниченно большим объемом баз клиентов. Мы можем делать персональные предложения вне зависимости от того, какой объем базы клиентов у нас существует. И для этого не нужны тысячи менеджеров, которые бы все это обрабатывали», — говорит он.

В качестве примера использования такого анализа данных он привел автопроизводителей, которые добавляют в автомобили устройства, передающие телеметрическую информацию на серверы производителей. Она анализируется, передается в страховую компанию, и автопроизводитель узнает о стиле вождения клиента. Машина становится частью «интернет-вещей». Она подключена к интернету, она передает данные.

Также работают различные гаджеты, носимые на руках. Они передают информацию о состоянии здоровья потребителя – это может быть частота сердечных сокращений, или какие-то другие параметры.

«Все эти датчики, передавая информацию в реальном времени, вместе с моделями машинного обучения, во-первых, способны прогнозировать ухудшение состояния здоровья, какие-то заболевания и т. д. В финансовой сфере это прогнозирование продаж и тому подобное.

Сейчас все делают аналитику поведения клиента на сайте, но она не привязана к личной карточке клиента. Вы не связываете эту информацию с той базой клиентов, которая у вас есть», — добавил спикер.

Синергия аналитических ресурсов позволяет понять клиента

На текущий момент правильный сценарий использования этой информации – это полная связка всех возможных данных: Google Analitics, Google Adwords поставляют сведения, как себя ведет клиент в едином пространстве, чтобы спрогнозировать поведение и более адекватно понимать, чего он хочет.

Какова была ситуация с подобного рода решениями ранее? Почему мы о них не слышали, или если слышали, то о каких-то очень больших кейсах очень крупных компаний?

Естественно, ключевой являлась стоимость реализации подобного проекта. Ранее она составляла колоссальную сумму. Необходимо было серверное оборудование, программное обеспечение, его настройка, настройка хранилища и так далее. Разворачивание такого проекта ранее растягивалось в сроки от полугода до года. И мы должны были инвестировать колоссальные финансовые ресурсы для того, чтобы добиться в какой-то мере сомнительных результатов. Потому что все машинное обучение построено на гипотезах. Вы каждый раз проверяете какую-то гипотезу. Она или может подтвердиться, или нет.

Облако сейчас изменило этот ландшафт, поскольку развернуть подобный сервис позволяет пошаговый «мастер». С помощью сервиса можно подключить внешние источники данных, в онлайн-режиме передавать информацию, синхронизироваться с другими системами, выдавать персональные предложения, делать записи наблюдения, работать с моделью машинного обучения и в результате строить целостную систему. Это все внедряется в считанные дни.

Облака сделали прогнозирование доступным для небольших компаний

Облако кардинально изменило подход к этому. Теперь даже небольшие компании могут позволить себе проекты подобного рода и подобного уровня.

У Microsoft тоже имеется история внедрения похожих решений. Все начиналось с команды ресерчеров, внедрения в Hotmail клиента, который определял, являются ли письма спамом и так далее. Это было некое итерационное развитие сервисов, в 2015 году преобразовавшееся в продукт Azure machine learning, а в 2016 году — в портал Analytics suite. Туда вошло больше сервисов.

Что такое Azure machine learning сейчас? Это платформа или среда, где вы можете построить модель машинного обучения и обучить ее на выборке ваших данных. Как это происходит?

«Например, мы хотим спрогнозировать продажи. Берем историю продаж предыдущих периодов, желательно с максимальным количеством данных, разбиваем эту информацию на две выборки. Одна — для машинного обучения, а другая – для тестового опыта. В зависимости от задач, количества коэффициентов и прочих факторов модели машинного обучения могут использоваться по-разному. Мы применяем модель обучения для первой выборки и подставляем коэффициент вероятности наступления какого-то события, или подставляем сумму продаж, которую мы спрогнозировали. Затем мы сравниваем эту информацию со второй, так называемой тестовой выборкой. На базе этой информации у нас формируются сводные данные, насколько точна наша модель. Если неточна, она подлежит уточнению, детализации и так далее. В итоге мы получаем модель, у которой может быть вероятность 80–90%. Это очень хороший показатель. То есть, введя в систему набор параметров, вы с вероятность 80% сможете прогнозировать продажи, определить, уйдет ли клиент от вашей компании, и какой продукт ему лучше предложить», — поясняет Евгений Белобров.

Azure machine learning — это гибкая платформа, в которую вы можете имплементировать текущие данные, изменять параметры, интегрировать ее в любую систему. На выходе получите интегрированный веб-сервис Azure ML/Excel, при помощи которого, имея на компьютере только Excel, можно ввести свои данные по сделке и в интерактивном режиме получить прогноз, выиграете ли вы ее или нет и с какой вероятностью.

Читайте также