Охота алгоритмов
Несмотря на то что многие люди не любят искусственный интеллект (ИИ), называя его примитивным или даже «полным интеллектом», они все равно будут его тренировать, поскольку он предназначен для усиления человеческой изобретательности. На пути инсайтов и поиска корреляций есть только одна проблема – найти достаточное количество данных, которые для ИИ равняются золоту или нефти.
В качестве примера поиска инсайтов возьмем самую конкурентную среду – клиентский опыт. В ритейле ИИ может работать в трех измерениях. Первое – цифровые каналы, усиливающиеся такими вещами, как адаптивная страница. То есть максимально персонализированным целевым появлением перед глазами клиента чего бы то ни было. Второе измерение – физическое, сам магазин. Здесь задействуются такие технологии, как дополненная реальность и распознание эмоций клиентов. И третье – где-то уже на задворках всего процесса – это механизмы, которые двигают бизнес-экспертов и маркетинговые команды.
Нюх на корреляции
В цифровом канале ИИ помогает выудить максимальный объем информации, которая влияет на клиентов. Можно найти параметры, влияющие на время пребывания клиента на интернет-странице ритейлера. Модель строится на базе алгоритма, работающего с массивом данных. Обучаемая машина в этом случае отличается от программирования тем, что ее можно, условно говоря, «натравить» на весь объем данных, и алгоритм сам попробует найти зависимости и корреляции. В результате выясняется, к примеру, что чем больше динамических криптов, которые переводят пользователя с одной страницы на другую и выдают какие-то подсказки, тем дольше человек остается с ритейлером в сети. Положительно влияет также уменьшение количества картинок и времени загрузки страниц.
Алгоритмы упрощают анализ адаптивных страниц. Можно попробовать несколько вариантов, посмотреть, где пользователи находятся долго, а откуда уходят. Проанализировать количество и объемы различных шрифтов, форм подачи информации и даже то, как падает свет на определенные места страниц, а потом увязать все эти показатели с количеством времени, которое люди там проводят. Инсайты можно найти, даже проанализировав влияние форматов подписки пользователей на их активность.
Глядя на полку
Алгоритмы глубокого обучения, использующиеся нейронной сетью, подобной человеческому мозгу, помогают дополнить как опыт клиента в самом магазине, так и его образ для ритейлера. Шлем виртуальной реальности – пока инструмент неприменимый в рознице, но вот смартфон – легко. Все помнят историю с ловлей покемонов на улицах, но технологию можно использовать и более практично. К примеру, узнать свою персональную скидку в магазине прямо возле полки с товаром.
Интересно использование технологии распознавания лиц и эмоций, в основании которой лежит алгоритм глубокого обучения, но за ее широким применением – серьезная дилемма. Во-первых, насколько легально использовать такого рода распознавание, а во-вторых – как это повлияет на лояльность клиентов. По последнему пункту ведутся жаркие дискуссии «за» и «против». Несмотря на это, некоторые наши заказчики уже экспериментируют с технологиями распознавания того, кто зашел в магазин. Используются простые параметры пола, возраста и т. д. Дальше, задействовав алгоритмы, формируются персонализированные подсказки, строится взаимодействие. Распознав эмоцию, технологии могут рекомендовать человеку различные товары. Спокойному клиенту одно, улыбающемуся – другое. Раньше на это способен был только персональный консультант в магазине, но сегодня ситуация изменилась.
Прогноз клиента
Потребители приходят и уходят. В том, почему случается отток, способен разобраться опять-таки ИИ. Причин может быть множество. Чтобы запустить алгоритм поиска корреляций, нужны данные. Очень много данных: география, наличие и отсутствие промоуслуги или продукта, цена и ее колебания и проч. Все это сводится в одну систему, после чего происходит моделирование поведения клиентов в зависимости от разных параметров. Другими словами, можно понять, почему кто-то уже ушел, и предугадать, уйдет ли кто-то еще.
Пример использования этого алгоритма – анализ поведения клиентов Uklon. Для начала мы попробовали классическую сегментацию по модели RFM (Recency Frequency Monetary), сформировали несколько гипотез о том, кто и с какой частотой пользуется услугами компании, когда можно считать клиента ушедшим, а затем пошли дальше – в область оттока. Подвергли анализу паттерны поведения пассажиров, географию передвижения, кто какие машины предпочитает, на какие расстояния ездит. Инсайтов о влиянии разных факторов было много. К примеру, предсказать уход клиента оказалось возможным в зависимости от времени суток, когда он пользовался Uklon. Для удобства, разбили день на интервалы по 3 часа и выяснили, что чаще всего уходят клиенты, которые ездят на такси с 00:00 до 3:00. Эти непостоянные ночные товарищи – всего лишь небольшой пример конкретных результатов работы алгоритмов с данными. Возможностей ИИ гораздо больше.
Дмитрий Солопов, менеджер по развитию бизнеса SMART Business