Najverjetneje ne kaj dosti. V večini podjetij je upravljanje podatkov o strankah ostalo še v neki drugi dobi, ko je CRM povečini zbiral in upravljal le zero-party podatke, ko so se oglaševalci zanašali na podatke o strankah oglasnih razmerij in so sistemi, povezani z upravljanjem dejavnosti, vodili svojo bazo o strankah. Organizacije, ki jim manjka poenoten pogled na stranko v realnem času, so zelo daleč od tega, da bi napovedni modeli lahko upravljali personalizacijo ter procese za razvoj zavzetosti in pospeševanje prodaje.
Zakaj razdrobljenost podatkov ni učinkovita
Zamislite si tole:
David je vaša zvesta stranka, ki ima rada vaš produkt. Naroči se na vaše novice, sledi vašim kanalom v družbenih medijih in priporoča vaš produkt svojim prijateljem.
Toda v vaši organizaciji ga obravnavate kot tri različne ljudi, ker so vaši podatki o njem ločeni v treh različnih podatkovnih silosih. V enem sistemu je naročnik na novice, v drugem je sledilec na družbenih omrežjih in v tretjem je zvesta stranka. Ta razdrobljen pogled na Davida ni le neučinkovit, ampak tudi ovira vašo sposobnost resničnega razumevanja in zadovoljevanja njegovih potreb.
Razlika med generativno umetno inteligenco in umetno inteligenco za upravljanje strank
Pred dnevi smo s sodelavci mleli, kaj je glavni razlog za tako neverjetno uspešen prihod ChatGPT-ja na trg, da je ustvaril splošno navdušenje za AI. Prišli smo zaključka, da je poleg revolucionarnega uporabniškega vmesnika, ki omogoča, da se ljudje prvič doslej z računalnikom lahko pogovarjamo v svojem jeziku in ne njegovem, glavni magnet za uporabnike verjetno kljub vsemu ta, da je ChatGPT že “pripravljen” na nas. Brez kakršnega koli našega vložka smo več ali manj vsi kmalu spoznali, kako koristen je lahko za kopico opravil.
Na drugi strani so modeli za priporočanje produktov, ki so temelj personalizacije, in modeli za napoved dogodkov, ki so vse pogosteje temelj avtomatizirane segmentacije in vsekanalne komunikacije, precej trši oreh s stališča vključevanja v posamezno organizacijo.
Predstavljajte si – OpenAI je leta učil ChatGPT z besedili, ki jih je ustvarilo človeštvo, da bi že s prvim dnem s svojimi aktivnostmi dajal vtis splošne inteligence in bil pripraven asistent za naloge, kjer smo ljudje slabi. No, v primerjavi z njim prepočasni.
AI, ki mora zadovoljevati vaše stranke, nanje še ni pripravljen. Prvega dne še ničesar ne ve o njih. Ve, kako je s strankami v vaši dejavnosti, in razume dejavnost, a o vaših strankah še nima pojma. Za razliko od generativne umetne inteligence, kot je ChatGPT, umetna inteligenca v platformah za razvoj zavzetosti strank (in nekaterih CDP-jih) potrebuje enovit dostop do podatkov o stranki, izdelku, prodaji in aktivnostih na spletu, v mobilnih aplikacijah in v fizičnem svetu. Prav podatkov o aktivnosti strank je pri današnji stopnji digitalizacije res ogromno, posledično pa to pomeni, da so napovedi o namenu posamezne stranke vedno bolj uporabne. A rabijo za vsaj šest mesecev poslovanja podatkov.
Učinkovitost nenehnega učenja AI
Ni pa vse tako zelo dolgotrajno. Ne čakaš šest mesecev, da se sistem “skuha”, prej pa je neuporaben … Že po nekaj poslanih e-mail, SMS ali Viber kampanjah bo sistem za vsakega posameznika znal opredeliti, na katerem komunikacijskem kanalu je najbolj odziven in kdaj je najboljši čas za pošiljanje sporočila. Izboljšane performance kampanje v prvih nekaj tednih temeljijo predvsem na tem, da se je sistem naučil, komu poslati sporočilo kam in kdaj.
Da lahko začne prepoznavati vzorce za ustvarjanje produktnih priporočil, AI potrebuje nekaj več časa in dodatno realiziranih kampanj. Če nam na začetku kot priporočila podaja trenutne trende, se z nekaj opravljanimi nakupi in tudi drugimi aktivnostmi, kjer se stranka “dotika” produkta, stopnja ustreznosti priporočila produkta pri večini aktivnih strank dvigne na osupljivo raven.
Osebno se ob tem pogosto sprašujem, ali je oblikovanje in konstantno oženje mehurčka (zaključevanje naročila običajno pomeni, da fokus stranke usmerjaš v en sam cilj) res maksimiranje prodaje na dolgi rok. Če ti sistem določi seznam najbolj verjetnih produktov, ki imajo večjo verjetnost nakupa pri posamezni stranki, je precej logično, da je vsa komunikacija s stranko usmerjena v produkte s tega seznama.
Kako AI prepozna namene vaših strank in skrajša čas med dvema nakupoma
A brez skrbi … Ko AI prepozna ritem vašega poslovanja in vaših strank – recimo, da potrebujemo za to šest mesecev poslovanja – sistem začne precej dobro predvidevati namen vsake posamezne stranke. Zna prepoznati stranke, ki imajo npr. visoko verjetnost nakupa v prihodnjih 30 dneh. Pri teh se personalizirana sporočila osredotočajo na zaključevanje nakupa za produkte, ki jih ima stranka najbližje na “radarju”. V okviru iste kampanja pri vseh ostalih strankah z nizko verjetnostjo nakupa v kratkem izpostavi produkte, s katerimi poskusi na novo ustvariti zanimanje. Lahko bi rekli, da AI sčasoma precej dobro ve, pri kom mora sejati zanimanje in pri kom žeti ustvarjeno željo. To je pravzaprav temelj igre za skrajševanje časa med dvema nakupoma, kar je poleg rasti vrednosti povprečne košarice ključni element za povečevanje življenjske vrednosti stranke (CLV).
Lahko bi še na dolgo s primeri opisoval, kako poteka implementacija in dozorevanje AI za boljše upravljanje vaših strank, pa to ni namen tega zapisa. Želel sem predvsem povedati, s katerimi podatki se hrani AI, da bi znali bolje delati s strankami, kot znate peš. In zakaj AI rabi svoj čas, da v teh podatkih prepozna vzorce, za katere ima odgovor v svojih napovednih modelih.
Vas zanima, kako se lotiti priprave poslovnega načrta in ROI-analize uvajanja AI za učinkovitejše delo s strankami? O tem napišem nekaj prihodnjič. Če pa vas zanima tovrstna vsebina na kratkem polurnem webinarju, mi to prosim sporočite preko te povezave ali pa kar s sporočilom na [email protected]. Če je dovolj interesentov, brez zadržkov pokažem, kako se v FrodXu tega lotevamo.