fb
IT Systems 9/2019 CRM systémy AI a Business Intelligence 25. 10. 2019 8:45

Evoluce péče o zákazníka

Od popisné analytiky k prediktivní

Analytics Data FactoryPro úspěšné budování vztahů se zákazníky nestačí mít otevřené komunikační kanály 24 hodin denně, 7 dní v týdnu a neustále je bombardovat plošnou nabídkou. Únava z irelevantních oslovení může končit odvoláním marketingového souhlasu nebo odchodem ke konkurenci. Účinná komunikace musí přinášet pozitivní zákaznickou zkušenost.

Napříč všemi obory dnes významně roste podíl zákazníků, kteří jsou zvyklí komunikovat výhradně digitálně (pokud je jim toto umožněno), nerozlišují rozdíly mezi jednotlivými kanály a chtějí konzistentní úroveň a kvalitu zákaznické péče.

Pro splnění těchto očekávání musí společnosti změnit vlastní strategii a protlačit zákazníka až na první místo v seznamu odpovědí na základní otázku: „Proč to vlastně děláme?“ S tím jde ruku v ruce schopnost tuto strategii naplňovat a následně implementovat procesy a systémy, které jsou schopny analyzovat zkušenosti a potřeby zákazníků optimálně v reálném čase a tyto informace dále využívat pro zlepšování zákaznického zážitku. S tím je spojena validní, kreativní, uvěřitelná a personalizovaná komunikace s každým zákazníkem, která vede k prodlužování času, kdy je zákazník stále zákazníkem. Po tento čas mají firmy možnost pracovat na tom, aby to byl jejich byznys optikou opravdu hodnotný zákazník.

Nestačí si myslet, je potřeba vědět. I to, co teprve bude

Aby mohla firma oslovit zákazníky tou nejlepší nabídkou v nejpřijatelnější formě a v ten pravý čas, musí mít správné informace. Dříve stačilo zjistit, co se stalo, nebo se děje a proč tomu tak je. Dnes je potřeba vědět, co se může stát v blízké budoucnosti a být na to připraven. Důvodem jsou rostoucí objemy a typy dat a větší možnosti, jak z nich získat cenné informace, které mohou napomáhat dívat se směrem dopředu. K dispozici je potřebná infrastruktura co do výkonu, tak i dostupné řešení, které umožňují data zpracovávat a vyhodnocovat. Důležitým faktorem pro rozvoj prediktivní analytiky je také ohromná konkurence, která vytváří tlak na efektivnější správu a využití dat. Vliv má také zpřísňující se regulace bránící zneužívat osobní data. Aby firmy dosáhly na stejné nebo lepší výsledky, musí neustále hledat nové cesty, jak získávat potřebné informace z toho, co je k dispozici. Prostě vytěžit z minima maximum.

Například prediktivní analýza vychází z předpokladu, že historické a současné pozorování lze použít k předpovědi budoucích událostí, a že vzorce skryté v datech mohou předpovídat výsledek s danou mírou pravděpodobnosti. Pro modelování využívá matematiku, statistiku, a nyní se již hodně mluví i o technikách strojového učení, umělé inteligence – to vše vede k nalezení smysluplných vzorců a dále využitelných informací.



V praxi se tyto metody používají k pochopení chování zákazníků a možnosti jeho predikování či směřování, nebo chcete-li usměrňování. Další samostatnou kapitolou je odhalování hrozeb kriminálního chování souvisejícího s neoprávněným využíváním produktů a služeb, on-line fraudu a rostoucí kyberkriminalitou.

Obecně umožňuje v jakémkoli odvětví organizacím fungovat efektivněji, předcházet rizikům, snižovat náklady a zvyšovat výnosy. Aerolinky používají prediktivní analýzu pro stanovení cen letenek. Hotely se snaží předpovídat počet hostů na danou noc, aby maximalizovaly svoji obsazenost. Pravděpodobnostní modely se používají také k předpovídání zásob a správu zdrojů.

Prediktivní analýzy v reálném čase využívané pro řízení vztahů se zákazníky lze aplikovat na řadu scénářů, které jim přinášejí vyšší užitnou hodnotu. Největší potenciál nabízí správa nabídek v reálném čase, kde firmy mohou ihned zareagovat na aktuální chování zákazníka a zajistit mu ten nejlepší možný zákaznický zážitek. Proces začíná analýzou on-line událostí a off-line dat v reálném čase. Na jejich základě systém postaví individualizovanou nabídku a zvolí optimální formu a nástroje komunikace. Následuje jejich provedení, obsloužení vzniklých interakcí a poté sběr s vyhodnocení výsledků. Tím ovšem analýza nekončí. Jakmile se údaje o zákaznících z více kanálů analyzují v reálném čase, mohou zákazníky opakovaně hodnotit, upřesňovat jejich segmentaci a přehodnocovat ziskovost, aby obchodníci mohli následně reagovat relevantními kroky. Jde o kontinuální proces bez jasně stanoveného konce.

CRM v reálném čase nikdy nespí

Pokud například u mobilního operátora požaduje zákazník zrušení smlouvy, lze pomocí analýzy v reálném čase vypočítat jeho ziskovost a náklady, které budou potřebné k jeho udržení. Obchodník pak může předložit nabídky nebo podniknout analýzou navržené kroky a přimět zákazníka, aby dále využíval služby, nebo v ideálním případě svoji objednávku rozšířil o nové služby a spotřebu ještě navýšil.

Obchodníci mohou například v reálném čase určit způsobilost zákazníka a pravděpodobnost jeho odpovědi, a poté vytvořit řadu relevantních nabídek. Například v rámci real-time vyhodnocování transakční historie a pohybu plateb od zákazníka banka zachytí tyto události – několik plateb jednou kartou na téměř stejném místě v krátkém časovém intervalu. Spojením s dalšími daty systém událost vyhodnotí jako „výlet do nákupního centra.“ Podle typů a výše nákupů určí profil nakupujícího a pozná, že „má chuť nakupovat.“ A pokud současně na účtu nemá dostatek prostředků, nabídne nakupujícímu odpovídající produkt v relevantní formě. Samozřejmě až poté, co si ověří jeho kreditní rizika, tzn. nabídka je personalizovaná. Konkrétní bankou realizovaná kampaň na kreditní karty díky prediktivní analýze zvýšila úspěšnost o 40 procent. Stejná banka při retenčním procesu poskytovala individuální nabídky vygenerované na základě prediktivní analýzy a míra jejich přijetí se zvýšila z 1 na 14 procent.

Dalším typickým příkladem použití predikce je reakce a podpora zákazníků v reálném čase. Díky analytice dostupných zdrojů v reálném čase mohou společnosti sledovat dění a reagovat na zpětnou vazbu zákazníků téměř okamžitě, třeba na sociálních sítích.

Bez predikce to nepůjde

Popisná i prediktivní analytika nejen velkých dat nám pomáhá pochopit okolní svět a připravit se na to, co se teprve stane, respektive na to, co by se mohlo stát. Od základního vědeckého výzkumu, přes praktické aplikace v modelování konstrukcí a strojů, vývoji nových léků, hledání účinnějších způsobů fungování produktů a služeb, odhalování počítačových hrozeb a prevenci podvodům, nebo udržení nejcennějších zákazníků. Bez ní už to zkrátka nepůjde.

Kamil Mahdal Kamil Mahdal
Autor článku je ředitelem společnosti Analytics Data Factory.

Kalendář akcí
Konference - Semináře - Školení
Časopis IT Systems/Speciál
Aktuální číslo časopisu IT Systems Aktuální číslo časopisu příloha #1
Archív časopisu IT Systems
IT Systems 12 IT Systems 11 IT Systems 10 IT Systems 9
Archív časopisu IT Systems Special
Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1