Dla przykładu: „ile reklamacji klient złożył w danym odcinku czasu”, „ile było kontaktów z call center w poprzednim miesiącu”, „jaka jest przeciętna jakość sieci mobilnej na nadajniku, do którego jego telefon loguje się najczęściej” itp. Na tej podstawie staramy się przygotować optymalną ofertę. Jest około 1200 takich mikrosegmentów, w których staramy się ją zmieścić.
To znaczy, że macie w portfolio 1200 ofert?
Tak, ale z punktu widzenia klienta to tak nie wygląda. Jemu przedstawia się konkretnie: (dla przykładu) ofertę na szerokopasmowy internet o pewnej przepływności z aktywacją komórkową, określonym pakietem danych i z dostępem do Netfliksa za określoną cenę. Dla mnie wszystkie składowe takiej oferty, w tym usługi, różne stawki na urządzenia, liczne progi cenowe, możliwe opusty itp., składają się na portfolio. To jest trochę kwestia optyki.
Czyli ile możliwości widzi klient?
Powiedzmy, że jeżeli kupuje tylko aktywację komórkową, to widzi cztery pakiety. I jeżeli jest to oferta utrzymaniowa, to zobaczy jeszcze zniżkę dla każdego z tych pakietu. Razem jakieś 10 możliwości.
I jest w stanie się w tym rozeznać?
Proszę pamiętać, że w pierwszym kroku podsuwamy jedną ofertę ‒ wedle naszej analizy optymalną. Dopiero w toku dalszej komunikacji z klientem przesuwamy się dalej, a konsultant przedstawia kolejne możliwości. Nie wygląda to tak, że klient dostaje na raz dziesięć „pudełek” ‒ z prośbą, żeby sobie jedno wybrał.
Chciałbym jeszcze powiedzieć, jak te modele ML działają. One szeregują wszystkich klientów pod względem danej cechy lub może, dla uproszczenia, powiedzmy: pod względem prawdopodobieństwa ‒ od najmniejszego do najwyższego ‒ że dane zdarzenie zajdzie. To ma bardzo konkretne przełożenie na działania sprzedażowe. Uprośćmy, że chodzi o prawdopodobieństwo zakupu usługi. Dla końca szeregu szansa na to jest znikoma, ale dla czoła szeregu ‒ wysoka. Można więc przekazać działowi sprzedaży, kogo ofertować z najwyższą szansą na efekt.
Podkreślam, że nie mamy magicznej kuli, która by nam dawała pewność działań sprzedażowych. Skuteczność wynosi 5-10 proc. w przypadku nowych klientów i do 20 proc. w przypadku przedłużania umów.
To jest miara skuteczności hiperpersonalizacji ofert?
To jest miara skuteczności działań sprzedażowych.
A gdyby rozmawiać o skuteczności profilowania klientów przez narzędzia ML?
Co 2 tygodnie przeliczamy dane a system generuje około 12 mln ofert. To się przekłada na realną sprzedaż liczoną w dziesiątkach tysięcy transakcji. Wobec wolumenu ofert ten odsetek może nie wygląda imponująco. Narzędzia ML generują jednak również rekomendacje ofertowe, zwykle po trzy dla każdej spodziewanej transakcji. Tutaj skuteczność jest dużo wyższa: 80-90 proc. transakcji finalizuje się w ramach jednej z takich automatycznych rekomendacji.
Czy oparta na takim modelu personalizacja ofert byłaby możliwa bez zastosowania narzędzi IT?
Teoretycznie te wszystkie kalkulacje mógłby robić zespół ludzi. Nowe oferty pojawiałyby się co pół roku niż co dwa tygodnie.
