Предикт: как предсказания служат бизнесу

Автор Максим Пушкарёв

На чтение 7 минут

• Что такое предикт простыми словами
• Сферы использования предиктивной аналитики
• Цели использования предикта
• Данные для предиктивной аналитики
• Методы предиктивной аналитики

Что такое предикт простыми словами

Наверняка многие слышали такое слово, но не понимали, что значит предикт. Между тем под этим понимают технологию речевой аналитики, с помощью которой можно в автоматическом режиме определить качество и итог разговора. Проще говоря, можно узнать о речи все, даже не прослушивая ее. Данный инструмент очень актуален для кол-центров или работников сферы продаж, поскольку появляется возможность получения расшифровок всех телефонных звонков, благодаря которым можно осуществлять контроль деятельности каждого сотрудника. Ниже представлен пример предикта.

Ситуация: вы работник интернет-магазина, подключенного к кол-центру. Каждый день его операторам приходится отвечать на тысячи вопросов, регистрировать и оформлять сделки, а также решать задачи логистики. Поскольку все люди разные, то и манера работы у всех неодинаковая: кто-то может легко сгладить и погасить конфликт на стадии его зарождения, а у кого-то не выдерживают нервы, и он начинает хамить. Так как отслеживать деятельность каждого сотрудника во время рабочего дня невозможно, руководителю остается только прослушивать их разговоры по телефону.

Приходится вникать в каждую беседу, а иногда и гадать – была ли оформлена сделка или нет, была ли высказана клиентом претензия в отношении качества продукта или же он просто недоволен длительным сроком доставки. Ответы на такие и аналогичные вопросы требуют большого количества времени и сил, поскольку их очень много. Если для решения этой ситуации нанимать специалистов со стороны, то просто не выдержит бюджет.

Что значит предикт, если на ситуацию посмотреть с позиции начальника маркетинговой службы или директора по продажам? Поскольку они не в состоянии контролировать все разговоры сотрудников, то есть не могут проверить, работает ли менеджер в соответствии с утвержденным скриптом продаж, то это их шанс узнать, насколько эффективна деятельность работников.

Конечно, можно открыть несколько каточек наугад и проанализировать беседы, но в этом случае у руководителя будет частичное представление о работе подчиненных. У него не будет понимания полной картины предпочтений клиентов, того, какие вопросы они хотят решить при обращении в компанию. Также нужно иметь в виду, что не все телефонные звонки являются целевыми.

Именно речевая аналитика может помочь в подобных ситуациях. Благодаря данной системе в автоматическом режиме произойдет определение типа обращения и расшифровка всех разговоров, поступающих в организацию. Таким образом, руководитель сэкономит много времени на прослушивании. Вся информация о телефонном звонке и разговоре трансформируется в регулярно обновляемый отчет, который доступен в круглосуточном режиме.

Цель предикта и ручного анализа одна и та же и заключается она в том, чтобы узнать, какое количество звонков имело целевой характер и сколько из них закончились продажами. Автоматическая система делает это более эффективно, и ниже речь пойдет именно о том, почему так происходит.

Сферы использования предиктивной аналитики

Применение предиктивной аналитики характерно для таких областей бизнеса, как здравоохранение, кредитование, страхование. Даже государственный сектор практикует ее использование. Она помогает принимать важные решения стратегического характера на разных этапах бизнеса.

Ниже перечислены задачи, которые решаются с помощью предиктивной аналитики:

• проводится рыночный и конкурентный анализы;
• выявляются продукты, которые имеют наибольшее значение для покупателей;
• устанавливаются оптимальные цены на продукцию;
• осуществляются расчеты по поставкам и оборотам;
• проводится сегментация клиентов в зависимости от их характеристик;
• происходит тестирование потенциала продуктов до момента их выхода на массовые рынки.

Если говорить о сфере инвестиций, то здесь предикт способствует предугадыванию рисков, в политике он помогает моделировать схемы голосования, а в финансовом секторе – принимать решение о выдаче займов.

Поскольку внедрение технологий предиктивной аналитики относится к очень затратным мероприятиям, то использование такой методики может позволить себе только крупный бизнес. Но существуют предпосылки к тому, что в будущем этот инструмент станет массовым.

В области маркетинга благодаря данной системе происходит поиск перспективных каналов, способов лидогенерации, а также персонализация данных.

Маркетологи с помощью предиктивной аналитики решают задачи по:

• определению объема финансирования, который потребуется для привлечения конкретного количества клиентов;
• определению изменения поведенческой стратегии покупателей спустя определенный промежуток времени;
• прогнозированию, на какие продукты будет больший спрос;
• оптимизации бюджетов на проведение маркетинговых мероприятий и привлечение потребителей;
• определению эффективности стратегии продвижения.

Цели использования предикта

Что значит предикт и для чего он нужен? Суть данного термина была описана выше, а ключевыми целями прогнозной аналитики являются:

1. Увеличение продаж. В маркетинге с помощью предиктовой аналитики можно определить, какой товар лучше всего предложить потребителю, исходя из истории его активности. К примеру, на основе его предыдущих просмотров и заказов показывается аналогичный продукт лучшего качества. Товары можно демонстрировать либо на сайте, либо в персональной рассылке. Такой подход существенно сэкономит время, которое клиент потратил бы на поиск чего-либо нужного.
2. Увеличение среднего чека покупки. С помощью аналитики можно узнать, какие сопутствующие товары могут быть востребованы потребителем вместе с покупкой. Такое предсказание система делает на основе анализа чеков и товаров всех покупателей, в результате чего становится ясно, какая продукция покупается одновременно. К примеру, со смартфоном в комплекте приобретают чехол, наушники и защиту, а к туфлям чаще всего подбирается сумочка.
3. Сохранение маржинальности. Благодаря аналитике можно узнать, нужна ли потенциальному покупателю скидка или он в любом случае купит понравившийся товар. С помощью таких предсказаний можно раздавать скидки не всем клиентам подряд, а только выборочно. Особенно актуально это для тех товаров, маржинальность которых имеет невысокие значения.



Пример: аптечная сеть «Еаптека» с помощью предсказаний смогла определить сегмент активных покупателей, которые приобретают лекарства независимо от того, есть на них скидки или нет. Для подтверждения результатов компанией был проведен специальный АВ-тест, заключающийся в отправке одним клиентам писем с промокодом, а вторым – без него. Результат продаж для обеих групп был одинаковым, на основании чего можно было сделать вывод о ненужности скидок. Так, с помощью предиктивной аналитики компания смогла сэкономить маржу.

4. Оптимизация закупок. Путем анализа статистики продаж за предыдущие периоды можно предсказать востребованность тех или иных товаров в предстоящем сезоне. Благодаря этому появляется возможность реализации плохо продаваемой продукции с помощью акций и скидок, а также вовремя пополнить склады востребованным товаром.
5. Снижение рисков. Благодаря предиктивной аналитике появляется возможность составления портрета потенциально неблагонадежного потребителя. При этом учитывается пол, возраст, положение в социуме и иные характеристики таких клиентов. Особенно актуально это в сферах страхования и финансов. К примеру, стоимость страхового полиса для сотрудников промышленности выше по сравнению с офисными служащими.

Данные для предиктивной аналитики

Для предикта характерно использование внутренних и внешних данных.

К внутренним относится информация из CRM-систем и иных корпоративных сервисов, а также обработанные результаты опросов потребителей.

Внешние данные представляют собой результаты исследований глобального характера и публикации из открытых источников.

Анализ и расчеты производятся на основе:

• количественных показателей, к которым относятся количество клиентов, продаж, заявок, поставок и так далее;
• экономических результатов – денежного оборота, чистой прибыли, маржинальности;
• качественных показателей, которые выражаются процентом успешных сделок;
• маркетинговых метрик – кликов, конверсий, заявок;
• данных целевой аудитории – пола, возраста, дохода, наличия детей, социального положения;
• пути клиента – каналов трафика и этапов сделки.

Методы предиктивной аналитики

Все методы предиктивной аналитики условно подразделяются на:

• классические статистические методы;
• методы машинного обучения;
• большие языковые модели.

Ниже дано краткое описание каждого метода:

1. Классические статистические методы. Возникновение данных методик произошло в 90-е годы прошлого века. Наибольшую известность получили регрессионный анализ, анализ временных рядов, теория обработки данных. Все они представляют собой сложные математические формулы, описание которых можно часто найти во многих учебниках. Конкретная задача требовала использования разных формул, легко понимаемых широким кругом специалистов.
2. Методы машинного обучения. Их появление произошло параллельно предыдущим методам. Ключевое отличие методов машинного обучения от классических статистических заключается в умении решать практически все задачи. К примеру, возможности всем известного алгоритма ML «решающего дерева» позволяют предсказывать не только скорость доставки, но и лучшее время отправки электронной почты клиенту. Причем все это происходит без ручной настройки. В основе автоматического предсказания лежат исторические данные, наиболее подходящие для такого расчета.



Методы машинного обучения – это «решающие деревья», методы градиентного бустинга, «решающих ансамблей», нейронные сети и так далее. По сравнению с классической статистикой, здесь аналитики не вникают в суть алгоритмов, от них требуется только протестировать готовый результат.

Время появления машинного обучения характеризуется возникновением разрыва между наукой и индустрией. Разработка универсальных алгоритмов учеными велась без знания индустрии, где планировалось их применение. А индустриальные аналитики не могли полноценно разбираться в сложных универсальных алгоритмах, но в то же время их знаний хватало для настройки и применения в конкретных сферах бизнеса.

3. Большие языковые модели. К большим языковым моделям относятся Chat GPT, нейросеть глубокого обучения и тому подобные. Иными словами, это сверхсложные алгоритмы, обучение которых происходит на основе всех данных Интернета.



Принято считать, что Chat GPT 4 может дать ответ на любой вопрос — от устройства IT-систем до ухода за хомячками. Эту нейросеть рекомендуется использовать как вспомогательную систему, дающую подсказки, или обучить на собственных данных для дальнейшего применения в своей сфере. При этом не требуется понимания процессов, происходящих внутри нее.

Увидеть наглядную разницу в работе классического и продвинутого алгоритма можно на примере расчета вероятности просрочки по кредиту.

Если говорить о классической модели, то здесь берется три параметра – возраст человека, его средняя заработная плата и склонность к употреблению алкоголя. Причем первые два параметра берутся с определенным коэффициентом. После их суммирования получают вероятность просрочки. Итог: предсказание основано на базе трех параметров.

Если же говорить о нейросети, то здесь предсказание основывается на более чем 800 миллиардах параметров, и никто не в состоянии понять, как именно подбирается ответ.

Что значит предикт в современном мире? Это необходимый инструмент, без которого сложно осуществлять деятельность в некоторых областях бизнеса. Важно понимать, что точность прогнозирования любого метода не может составлять 100 %. Конечно, если проводить постоянное обучение модели предиктивной аналитики, то качество расчетов будет повышаться. Тем более, что сейчас происходит стремительное развитие самообучающихся систем, что открывает огромные возможности для бизнеса.