Омниканальная забота о клиентах на основе ИИ. Опыт «Филип Моррис Сэйлз энд Маркетинг»
Ключевым трендом в современных коммуникациях с потребителем является омниканальность – бесшовное взаимодействие с пользователем через несколько «точек касания». Для улучшения клиентского опыта в этой сфере все шире используются технологии искусственного интеллекта. О том, как повысить качество сервиса в офлайн-каналах продаж с помощью технологий, рассказывает IT-аналитик «Филип Моррис Сэйлз энд Маркетинг» Юлия Кобыжская.
Искусственный интеллект и анализ данных
Чтобы персонализировать наш подход к клиенту, мы используем самые современные инструменты, включая решения на основе ИИ. Вместо разработки собственной ИИ-платформы мы остановились на использовании CRM-системы SalesForce корпоративного уровня, которую применяем в России.
Как выглядит картина в целом? Сначала мы проводим анализ рынка и исследуем потребительские предпочтения – собираем данные. Затем эти данные обрабатываем с помощью Einstein Analytics – инструмента расширенной аналитики на базе ИИ от SalesForce. Этот сервис строит прогнозные модели и проставляет «оценки» уровня удовлетворенности клиентов. На основании этих выводов мы помогаем клиентам решить их проблемы, а также определяем, кому направить персонализированные предложения в точках продаж и онлайн. В процессе работы мы используем единую корпоративную предметно-ориентированную базу данных DWH (Data Warehouse).
Прогнозные данные
В процессе работы инструмент Einstein Analytics создает самообучающиеся предиктивные модели. Наша версия аналитической системы позволяет учитывать более 20 параметров включая: модель мобильного устройства клиента, уровень вовлечения в коммуникацию, социально-демографические особенности и другие факторы.
Так мы получаем возможность улучшить клиентский сервис и, среди прочего, выявлять недовольных клиентов, которые не спешат сообщить о проблеме в центр поддержки. И все это без создания сложных моделей данных и написания кода под каждую новую модель анализа данных. Так нам проще:
- Строить прогнозы и бизнес-стратегии, опираясь на исторические данные поведения клиентов.
- Создавать индивидуальные предложения для клиентов, чтобы максимально соответствовать их ожиданиям.
- Автоматизировать рутинные задачи, чтобы сосредоточиться на улучшении клиентского опыта.
Модель Low code vs Data Science
Перед широкомасштабным внедрением Einstein Analytics мы изучили его эффективность и провели тестирование. Его целью было определить уровень удовлетворенности клиентским сервисом с помощью предиктивной модели. В целевую аудиторию вошли только совершеннолетние пользователи.
В ходе тестов мы хотели определить, точность и надежность прогнозов, которые делает программа. Параллельно, для чистоты эксперимента, наши специалисты по обработке и анализу данных написали на Python отдельную конкурирующую прогнозную модель. Сравнение результатов показало, что использование Enterprise-технологий SalesForce дает достоверные результаты.
Следующим этапом стало создание прототипа самообучающейся модели предиктивного анализа. Для повышения точности прогнозов мы определили пороговые значения (baseline) в рамках которых модель можно было признать эффективной. Результаты работы модели мы связали с карточками клиентов в виде оценочных значений. Сейчас данные в модели обновляются ежедневно, а мы получили возможность оперативно узнавать о том, что кто-то из наших потребителей может быть недоволен сервисом.
Коммуникации «точно в цель»
Мы разобрались с тем, как оценивать уровень удовлетворенности клиента. Но как его повысить? Недостаточно иметь огромные объемы данных, важно использовать их, чтобы искать точки развития. Для этого мы используем два инструмента.
Полученные оценки удовлетворенности мы передаем еще в один инструмент SalesForce – Marketing Cloud. Универсальная коммуникационная облачная платформа для общения с клиентами автоматически отправляет «недовольным» потребителям сообщение, которое помогает выявить и устранить причину негативного опыта.
Особенно важно, что система сама выбирает канал для связи (электронное письмо, мессенджер или SMS), в зависимости от того, что удобнее для клиента. Если после этого команда не видит от клиента подтверждения, что проблема решена, в CRM срабатывает определенный триггер автоматизации и потребителя переводят в колл-центр для адресного устранения возникших сложностей. На помощь приходит наша группа решения проблем.
Такой подход помогает улучшать потребительский опыт клиента посредством взаимодействия в удобных для него каналов общения, а в случае, если затруднения не устранены, мы не бросаем пользователя, а помогаем ему решить проблему.
Улучшение клиентского опыта в оффлайне
Важно, что мы научились использовать инструменты адресной персонализированной коммуникации не только онлайн, но и в «реальном» мире. Когда к работникам в точках продаж обращается клиент, им помогает маркетинговый инструмент Next-Best-Action. Технически это информационная система, которая мгновенно находит и отображает карточку потребителя, позволяя работнику понять, каков текущий уровень удовлетворенности этого клиента и что ему можно предложить для того, чтобы этот уровень повысить.
Вместо выводов
Забота о потребителях «оцифрована», автоматизирована и работает бесперебойно. Даже если половина менеджеров компании уйдет в отпуск, клиенты не останутся без внимания. Инструменты SalesForce помогли нам обеспечить комплексный подход к заботе о клиентах и улучшить их пользовательский опыт. Для себя как для бизнеса мы видим важное преимущество такого подхода: у нас больше нет необходимости тратить огромные суммы на ежедневный обзвон всех клиентов в попытках понять, насколько они довольны.
Это далеко не единственный пример индивидуального подхода к клиенту. Предиктивные модели, взаимосвязь с CRM и Marketing Cloud, подсказки для работников в точках продаж формируют омниканальную коммуникационную среду, в которой любой клиент получает адаптированные для него сообщения по интересующим его программам и сервисам.
