Streszczenie: Ludzie często kłamią, ale dane zawsze mówią prawdę. Seth Stephens-Davidowitz, były analityk danych w Google, podkreśla, że dane stają się cyfrowym "serum prawdy", które rewolucjonizuje marketing i sprzedaż. W przeszłości firmy segmentowały swoich klientów na podstawie danych historycznych i osobistych doświadczeń, lecz teraz dzięki sztucznej inteligencji, która analizuje rzeczywiste zachowania klientów, możliwe jest tworzenie bardziej trafnych prognoz i ofert. Używając zaawansowanej analityki, takie narzędzia jak Behaviolytics pomagają przewidywać potrzeby klientów, a także optymalizować decyzje biznesowe w czasie rzeczywistym. Dzięki temu, można skuteczniej dopasować oferty do rzeczywistych zachowań i preferencji klientów, eliminując błędy wynikające z ich deklaracji.
Fani serialu Dr House znają zasadę „wszyscy kłamią”. To kredo głównego bohatera – kierował się nim zarówno w leczeniu pacjentów, jak i w życiu prywatnym. O ile ludzie rzeczywiście mogą okłamywać swoich znajomych, członków rodziny, a nawet siebie, to dane zawsze powiedzą prawdę.
1https://www.itmagination.com/pl/home#main
Seth Stephens‑Davidowitz, były analityk danych w Google’u i autor bestsellera Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are, stwierdza, że dane są rodzajem cyfrowego serum prawdy, które zrewolucjonizuje marketing i sprzedaż dzięki możliwości zaoferowania dokładnie tego, czego klient potrzebuje.
Dotychczas działy sprzedaży segmentowały klientów, tworząc ich profile (tzw. persony) na podstawie danych historycznych, własnego doświadczenia i myślenia życzeniowego. Obecnie sztuczna inteligencja wykorzystująca technologię machine learning nie potrzebuje profilowania. Zamiast tego jest w stanie analizować dane prawdziwych klientów, ucząc się, które zachowania prowadzą do największej liczby konwersji, a następnie szukać potencjalnych klientów zachowujących się analogicznie.
W ITMAGINATION stworzyliśmy koncepcję Behaviolytics, której celem jest pomoc firmom w wyszukiwaniu ukrytych potrzeb klientów. Opiera się ona na czterech filarach:
eksploracja danych (data mining) – analiza historycznych danych klientów, tj.: produkty, transakcje, dane demograficzne i geograficzne;
modele analityczne – różnego rodzaju modele, zależne od profilu biznesowego, oparte na przykład na wyodrębnianiu grup klientów o podobnych cechach;
silnik decyzyjny – narzędzie wykorzystujące kalendarz i dostarczające klientowi next best offer, next best action, zapewniające segmentację online i dynamiczną kalkulację cen;
uczenie maszynowe (machine learning) – ciągła optymalizacja zastosowanych rozwiązań w oparciu o zmiany w zachowaniu klientów.
W odniesieniu do branży finansowej Behaviolytics pozwala na przykład na dopasowanie oferty banków do potrzeb istniejących klientów, przewidywanie ich przyszłych potrzeb, ale też i zdobywanie nowych odbiorców. Używa zaawansowanej analityki do proponowania działań klientom, które są powiązane z ich codziennymi decyzjami i wydatkami. Behaviolytics może zaproponować wykonanie przelewu między kontami, aby nie wpaść w debet. Może w odpowiednim momencie zaproponować kartę walutową lub skorzystanie z kantoru internetowego. Może wreszcie zaproponować wizytę w restauracji, zgodnie z przyzwyczajeniami i oczekiwaniami klienta w odwiedzanej właśnie miejscowości.
Behaviolytics będzie też nieocenionym źródłem dla algorytmów scoringowych w instytucjach finansowych. Im więcej danych o kliencie będziemy mieli, tym dokładniej będziemy mogli określić ryzyko związane z podjęciem danej akcji (takiej jak udzielenie kredytu czy podpisanie umowy leasingowej) w danym momencie dla tego właśnie klienta. Scoring zostanie oparty na danych, a nie na deklaracjach klientów, co przełoży się na bardziej adekwatny wynik obliczeń.
I o to właśnie chodzi – w ITMAGINATION mamy właściwych ludzi i odpowiednie technologie, by pomóc ci odkryć, czego naprawdę potrzebują twoi klienci, zamiast polegać na tym, o czym mówią. Ludzie mogą kłamać, ale dane? Nigdy.
PRZECZYTAJ TAKŻE: Recepta na innowacyjność »
Jak pobudzać innowacyjność organizacji?
Daniel Arak PL
Jak wytwarzać innowacje w sytuacji, gdy pracownicy koncentrują się głównie na codziennej pracy?
