CNews: Борьба за клиента — актуальная задача для любой компании. Один из способов — проведение целевых маркетинговых кампаний. Однако эффективность их не всегда высока. Каков средний показатель CI для компаний?

Александр Миронов: Средний показатель эффективности сильно разнится в зависимости от индустрии, предложения и продукта. Например, в банковской сфере при продвижении кредитных карт отклик может составлять от 0,1% до 5%. То есть диапазон очень большой — цифры отличаются в несколько десятков раз. Очень редко, например, когда речь идет о распродаже в магазине, на приглашение могут отреагировать до 25% потребителей из целевого сегмента.

CNews: Но если все-таки взять однотипные маркетинговые акции, то от чего зависит, на какой границе диапазона будет ее результат?

Александр Миронов: Во многом это зависит от того, насколько точно вы отобрали свою аудиторию. Как это происходит? Существует несколько подходов. Первый — экспертное мнение. В компании, которая продвигает свои услуги, маркетолог или продакт-менеджер знает свою аудиторию и может составить ее «портрет». Например, банк создал кредитную карту для студентов или пенсионеров, для людей, которые часто ездят за границу, или, наоборот, для тех, кто часто путешествует по России. Какие-то свойства самого продукта обуславливают те характеристики, которыми должен обладать его целевой пользователь. Такое экспертное мнение, сформированное в виде набора правил, описывающих аудиторию, — это хорошая основа для того, чтобы отобрать сегмент.

Второй вариант — аналитический. Строится прогнозная модель, рассчитывающая вероятность того, что клиент откликнется на предложение. Прогнозная модель — это математический инструмент, который, обучившись на исторических данных, сможет сказать, что клиент А с вероятностью 74% заинтересуется одним предложением, а клиент Б с вероятностью 61% — другим предложением. Таким образом мы можем довольно точно отобрать аудиторию и не тратить лишние деньги на продвижение.

CNews: Для управления маркетинговыми акциями используются специальные платформы, с помощью которых можно хранить и анализировать данные, формировать отчеты и пр. Однако наличие такой платформы — не всегда гарантия высокого качества. В чем, по вашему мнению, причина?

Александр Миронов: Да, для того, чтобы делать персональные предложения, нужно получить данные, проанализировать их, использовать автоматизированные инструменты для проведения кампаний, которые обеспечат удобство, скорость, как сейчас модно говорить, бесшовность общения с клиентами в различных каналах.

Но просто наличие этих инструментов еще не гарантирует успех — важно уметь правильно ими пользоваться. Например, собрав много данных, нужно, в зависимости от того, что вы хотите получить — спрогнозировать лучший отклик, отобрать правильную аудиторию, определить лучший микс каналов — настроить аналитические инструменты так, чтобы качественно ответить на эти вопросы. Упомянутые ранее прогнозные модели позволяют сделать это не интуитивно, не экспертно, а основываясь на данных.

После того, как сформировалось понимание, что и кому надо предложить, наступает этап коммуникации. И цепочки взаимодействия тоже надо уметь настраивать. Для получения своевременного отклика, инструменты должны быть правильно интегрированы со всеми необходимыми каналами. Каждое последующее действие должно происходить после анализа того, как клиент отреагировал на предыдущее действие. То есть, надо пытаться выявлять индивидуальные особенности клиента и максимально их учитывать.

CNews: Понятно, что делать это экспертным путем, то есть фактически вручную, невозможно. Можно поручить процесс искусственному интеллекту?

Александр Миронов: Да, чтобы понять персональные особенности, собираются все доступные внутренние данные: чем владеет клиент, какими продуктами он пользуется, как он отреагировал на предыдущее предложение, какие каналы работали с ним более эффективно. Можно попытаться привлечь и внешние источники данных: проанализировать, что клиент делает в соцсетях, как часто он путешествует и так далее. Конечно, персональные данные получить не удастся, но какие-то показатели в терминах «часто путешествующий» — «редко путешествующий», «часто звонящий» — «редко звонящий» можно получить, например, у телеком-компаний. Классический подход к обработке этих данных предполагает, что потом аналитические инструменты помогут сегментировать клиентов по схожим характеристикам.

Но, просегментировав базу, мы теряем в точности. Объединив клиентов в сегменты, мы делаем предположение, что они похожи. Это действительно так, если сегмент построен корректно. Но все равно в жизни люди разные, и, подобрав предложение для сегмента, мы всегда немножко отстаем. Например, клиент заходит на сайт, и мы показываем ему баннер, подобранный вчера ночью для всего сегмента. Но именно для этого клиента предложение уже устарело. У него есть другая потребность, о которой вчера ночью мы еще не знали.

Сейчас компании пытаются переходить к модели, когда предложение не формируется для сегмента заранее, а рассчитываются в тот момент, когда начинается взаимодействие с клиентом. То есть, он зашел на сайт, мы анализируем, какую страничку он читает, что делал за несколько минут до захода на сайт: может быть, звонил и задал какой-то вопрос, и быстро определяем для него лучшее предложение. Анализируя поведение «в моменте», его реакцию на текущее предложение, мы можем адаптировать предложение на следующее, более релевантное. Такая парадигма подразумевает переход к настоящему индивидуальному подходу.

CNews: Значит ли это, что компания уже не станет заниматься сегментным анализом, а будет ждать, пока клиент сам зайдет на сайт, чтобы сделать ему индивидуальное предложение?

Александр Миронов: Самый первый контакт с клиентом может основываться на заранее рассчитанном предложении для сегмента. Но потом, в ходе взаимодействия, мы должны иметь инструменты, способные учитывать все имеющиеся о нем данные, применить аналитические модели в режиме реального времени для того, чтобы сделать индивидуальное предложение.

CNew: Как эти идеи реализованы в вашем решении SAS Customer Intelligence?

Александр Миронов: Мы называем SAS Customer Intelligence платформой омниканального маркетинга. Она позволяет собирать данные о клиенте в единое хранилище, обогащать их, используя не только внутренние, но и внешние источники. Например, интегрироваться с различными поставщиками данных и получить от рекламной сети данные о том, как клиент реагировал на рекламу, сайтами какой тематики он интересуется и так далее.

Платформа поможет выстраивать цепочки взаимодействий, то есть определять, какие каналы коммуникаций будут задействованы в ходе клиентского путешествия: как собственные – вебсайт, контактный центр, СМС, электронная почта, так и не принадлежащие заказчику — например, рекламные сети.

Платформа позволяет реализовать и сегментный, и индивидуальный подходы. Кроме того, при использовании прочих модулей SAS можно построить самообучающуюся систему — она будет анализировать, как клиенты отреагировали на предложения, и учитывать это при подготовке последующих. То есть при сегментном подходе после первого предложения собираются отклики и, исходя из того, кто и как на него отреагировал, система самопереобучится и для следующей коммуникации подготовит уточненный список. Если мы говорим о предложении, подбираемом в режиме реального времени, то искусственный интеллект переобучается прямо в ходе общения с клиентом и выдает оператору новые рекомендации.

CNews: Существуют ли ограничения по интеграции SAS Customer Intelligence с другими информационными системами?

Александр Миронов: Теоретически ограничений нет. Существуют различные способы интеграции через API, через базу данных, через файлы. У наших партнеров есть опыт интеграции со всеми известными на российском рынке системами и каналами.

CNews: На какие компании ориентировано решение (крупный бизнес, СМБ и пр.)? Насколько сложно его внедрить? Что для этого необходимо?

Александр Миронов: У нас есть и облачная версия, и версия, которая разворачивается у заказчика. Облачная версия соответствует всем требованиям информационной безопасности и уже используется российскими заказчиками, но некоторым компаниям это не подходит, и они выбирают версию on-premise. Стоимость решения зависит от размеров бизнеса: количества клиентов, событий, поступающих для обработки в систему принятия решения, так что среди наших клиентов есть не только крупные компании, но и средние.

CNews: Как оно учитывает отраслевую, региональную и прочую специфику?

Александр Миронов: Мы не используем стандартные модели, а обучаем искусственный интеллект на конкретных данных бизнеса. То есть он обнаруживает только те зависимости, которые есть у конкретного заказчика.

CNews: Потребности крупных компаний существенно отличаются от потребностей среднего бизнеса. Возможно ли использовать не все решение, а отдельные его модули? Как в этом случае будет происходить постепенное наращивание функциональности?

Александр Миронов: Да, наша платформа модульная. Каждый модуль содержит логический законченный функционал. И каждый из них можно приобрести отдельно, например, внедрить модули, которые позволяют отбирать сегменты и выстраивать цепочки взаимодействия, основываясь только на экспертном мнении, и не брать аналитические модули, которые дают возможность подбирать предложения на основе искусственного интеллекта.

Бывает и обратная ситуация. У заказчика уже может быть какая-то система от конкурента, но ему не хватает аналитики. Он хочет перейти от предложений, основанных на интуиции, к предложениям, основанным на решениях искусственного интеллекта. В этом случае можно купить модуль по обучению моделей и использовать его результаты при реализации компании в своей системе.

CNews: Приведите примеры конкретных кейсов. Как оценивалась эффективность внедрения SAS CI?

Александр Миронов: Приведу пример проекта для платежной системы «Мир». Платформа SAS используется для формирования персональных предложений участникам программы лояльности: специалисты CRM определяют логику подбора индивидуальных предложений для участников программы, учитывая профиль использования карты, реакцию на предыдущие предложения и прочие параметры. О самих предложениях клиент узнаёт различными способами: ему могут быть отправлены SMS, e-mail, push в мобильное приложение, на сайте ему может быть показан соответствующий баннер. С помощью платформы SAS проводятся A/B тесты, позволяющие определять лучшие предложения и автоматически присваивать таким коммуникациям больший вес.

Настроена интересная событийная механика: если клиент будет находится рядом с торговой точкой, в которой сейчас проходит акция, релевантная для клиента, то такому клиенту придет рекомендация посетить эту акцию в виде push сообщения в мобильное приложение в режиме реального времени. В среднем, сообщения в мобильном приложении открывают 16% получателей, а сообщения, основанные на текущей гео-позиции пользователя, ─ в 3 раза чаще!

CNews: Планируется ли расширение возможностей SAS CI? Если да, то в каком направлении?

Александр Миронов: Мы планируем и дальше настраивать платформу под российские реалии, например, предлагать «из коробки» интеграцию с рекламными сетями и алгоритмы рекомендательных систем, адаптированные под распространенные в России решения в области электронной коммерции.

В конечном итоге, идея SAS CI состоит в том, чтобы перейти от навязчивой коммуникации к индивидуальным предложениям в режиме реального времени: идеальное взаимодействие клиента и компании должно напоминать диалог между двумя людьми. То есть общаться с клиентом только тогда, когда он в этом заинтересован, и сообщать только нужную ему информацию. Ведь опыт говорит о том, что самые хорошие отклики у компаний, которые не занимаются спамом, а очень аккуратно подходят к вопросу, кому и что предложить.