Автор Джонатан Причард

В наши дни существует чертовски много компаний, которые чувствуют себя в затруднительном положении. И хотя будущие торговые перспективы кажутся более позитивными, как могут предприятия лучше выдержать неожиданный шторм?

Мы много думали об этом с клиентами, с которыми работаем. И если, как и мы, вы заметили, что ни дня не проходит без упоминания машинного обучения, искусственного интеллекта и прогнозной аналитики, мы изучили, как эта новая технология может помочь лучше прогнозировать активность клиентов, проведя собственный внутренний эксперимент.

Прогнозирование - это очень сложная задача с какой-либо степенью уверенности, но она имеет решающее значение для всего вашего бизнеса. Любой, кто лучше понимает, что должно произойти, всегда будет впереди всех, будь то на уровне организации, на функциональном уровне или на уровне клиента.

Итак, наш эксперимент начался с одного вопроса: какие клиенты будут торговать в следующем месяце?

План

Мы использовали данные за 2 календарных года. Для начала мы использовали только агрегированные ежемесячные данные о продажах и проигнорировали транзакции на уровне строк или любую информацию о категориях - хотя мы над этим и работаем.

Мы обучили «машину» на 99% данных, оставив 1% для сравнения. Первоначальный результат был 94% точности по сравнению с эталоном.

Что это значит?

Я думаю, что 94% - это неплохо для начала. Если принять во внимание другие переменные, которые могут повлиять на ежемесячные показатели и торговлю, отклонение в 6% не будет слишком плохим. Непосредственные вопросы касаются того, что находится в этих 6% и как мы можем подтвердить 94%?

Итак, давайте посмотрим на пример клиента ниже (который по понятным причинам был анонимным):

На приведенной выше диаграмме боковая ось представляет продажи, а нижняя ось - месяцы с января 2016 года по ноябрь 2017 года. Зеленая полоса показывает продажи клиентов; они потратили 11 000 фунтов стерлингов в январе 2016 года и 10 000 фунтов стерлингов через месяц.

Синяя полоса - это прогнозируемый показатель продаж, который мы рассчитали за месяц до этого. В январе 2016 года мы прогнозировали падение продаж до чуть более 10 000 фунтов стерлингов. Затем в феврале мы прогнозировали падение продаж до чуть более 6000 фунтов стерлингов… а фактические расходы в марте составили чуть менее 6000 фунтов стерлингов.

Модель работает с разрешением 500 фунтов стерлингов, поэтому мы допускаем +/- 500 фунтов стерлингов в месяц. В отношении клиента, который потратит в среднем 6000 фунтов стерлингов, это дает довольно комфортный уровень прогноза. Что удивительно и где это действительно воплощается в жизнь, так это то, что мы прогнозируем торговлю на уровне клиента. Это значительно приближает мир аналитики к транзакции, но также и к реальной торговой реальности клиентов.

Мы надеемся, что это прогнозное моделирование поможет нам ответить на важные для бизнеса вопросы, такие как:

  • Собирается ли этот клиент торговать в следующем месяце?
  • Когда они, вероятно, будут торговать?
  • Сколько они собираются потратить?
  • Это столько, сколько нам хотелось бы?

Идея состоит в том, что, если мы можем предсказать это на уровне клиента, мы сможем быстро согласовать то, что на самом деле происходит, и вмешаться, если этого не произойдет. Возможность ежедневно сообщать об этом на простой панели инструментов позволяет нашим коллегам, работающим с клиентами, немедленно предпринимать действия или собирать отзывы. Возможность отслеживать это через CRM (посредством ручного вмешательства или автоматической связи) оптимизирует отношения с клиентами, что должно привести к повышению их удовлетворенности и увеличению наших рычагов влияния на долю кошелька и прибыльность. То, что нам всем нужно прямо сейчас.