W praktyce nie wyobrażam sobie manualnej pracy na takiej ilości danych.
Jak to więc wyglądało przed wdrożeniem analityki opartej na machine learning?
Brak mi danych żeby generalizować, ale gdyby spojrzeć na poszczególne kampanie, to dzięki wsparciu narzędziami ML skuteczność sprzedaży (w skali roku) potrafi skoczyć od 20-40 proc. do 100 proc. w zależności od linii produktowej.
A przekładając to na twarde parametry finansowe?
Można szacować, że staranne dopasowanie oferty daje nam korzyści idące w setki milionów złotych w ciągu kilku lat.
Brzmi nieźle, ale czy koszty narzędzi analitycznych tego nie „zjadają”?
Oczywiście, koszty są poważne, ale amortyzujemy je w czasie i inwestycja się broni. Trzeba pamiętać, że dochodzą koszty utrzymania i optymalizacji systemów. Okresowo należy weryfikować zestaw zmiennych w algorytmach. Na tle korzyści wszystkie te koszty wyglądają jednak bardzo dobrze.
W obszarze których usług ‒ komórki, szerokopasmowy dostęp, telewizja ‒ narzędzia AI/ML sprawdzają się najlepiej?
Przede wszystkim tam, gdzie można liczyć na dużą skalę zdarzeń. Można szacować zainteresowanie klientów najnowszym iPhonem 17 Pro, ale realnie grupa zainteresowanych nim osób jest na tyle specyficzna (i mała), że lepsze niż modelowanie AI/ML będzie zidentyfikowanie klientów regularnie zainteresowanych wymianą aparatu. Dla odmiany szacowanie ryzyka CHURN w bazie klientów postpaid jest efektywne ‒ bardzo wielu takich klientów jest w okresie wygasania kontraktu albo już nawet po tym terminie, a więc można i trzeba ich uwzględnić. Danych (zdarzeń) do analizy jest to bardzo dużo.
Innymi słowy w oczach analityka, takiego jak ja, tradycyjny segment usług nie stanowi wyznacznika. Istotna jest liczba i powtarzalność cechy, którą chcemy mierzyć, a potem ‒ na jej podstawie ‒ kształtować ofertę. A taka powtarzalność może być wysoka lub niska w każdym segmencie usług.
Rozmawiamy na razie o narzędziach machine learning. Czy sztuczna inteligencja w aktualnym rozumieniu tego słowa, czyli generatywna AI [GenAI] podnosi efektywność tych systemów?
Jeżeli chodzi o GenAI, to pewne rzeczy z jej wykorzystaniem już robimy, a do niektórych się przymierzamy. To, co już robimy, to personalizacja komunikacji z klientem.
Jak to działa?
W opisany wcześniej sposób przygotowujemy ofertę dla klienta, a na podstawie tego, co o nim wiemy, dobieramy odpowiednie środki komunikacji. Tutaj GenAI ma kapitalne zastosowanie, ponieważ każdy z nas ma tendencję do komunikowania się w sobie właściwy, niekoniecznie optymalny sposób w relacji z każdą inną osobą. AI oszczędza dużo pracy, ponieważ automatycznie rozpoznaje profil klienta i dobiera środki komunikacji. Inne pod względem językowym dla seniora, a inne dla studenta.
“Wielce szanowny panie” do seniora i “Elo, ziomeczku” do maturzysty?
Nie wiem czy dokładnie tak, ale na pewno możliwe jest automatyczne zróżnicowanie środków dla dwóch takich typów klienta. Kolejny asystent AI sprawdza, czy ten pierwszy mechanizm właściwie dobrał komunikację, następny zaś weryfikuje jej zgodność ze standardami Orange.
