W poprzednim artykule wspominałem, że niezbędnym elementem koncepcji hiper-personalizacji komunikacji z klientami jest analityka. Gdy umiemy już zbierać i identyfikować kluczowe wydarzenia w życiu klienta, a także mamy gotowe repozytorium reakcji na te sygnały, potrzebujemy mechanizmu, który podejmie decyzję komu, kiedy i jaką ofertę zakomunikować, w jaki sposób i w jakim kanale.

Obecnie w większości przypadków takie zadanie jest realizowane za pomocą reguł eksperckich tworzonych przez osoby przygotowujące kampanie marketingowe. Jednak gdy myślimy o prawdziwej hiper-personalizacji z uwzględnieniem jej skali, różnorodności klientów i sytuacji, w których mogą się znaleźć i tym samym szerokiemu zakresowi reakcji na te sytuacje, bardzo trudno będzie opisać te wszystkie przypadki za pomocą zwykłych reguł zbudowanych przez ekspertów. Konieczne jest zastosowanie analityki, która może z sukcesem przejąć tę rolę lub co najmniej mocno ją wesprzeć.

Modele analityczne

Na pojęcie analityki składa się wiele narzędzi i metod, które mogą wskazywać odpowiednią ofertę lub akcję do zakomunikowania, wybrać najbardziej odpowiednią kreację komunikatu, ocenić istotność zdarzenia klienckiego czy dobrać optymalną porę kontaktu z klientem. Jednym z tych elementów są modele analityczne, które szacują prawdopodobieństwo wystąpienia pewnych zjawisk.  Na przykład powszechnie znane modele opisujące prawdopodobieństwo odejścia (churn) klienta albo zakupu danego produktu. Na podstawie odpowiednio przygotowanych danych historycznych, analityk jest w stanie zbudować model, który oszacuje skłonność do wystąpienia w przyszłości wybranego zdarzenia końcowego.

Ilustracją takiego zastosowania może być silnik decyzyjny korzystający jednocześnie z modeli churnowych opisujących skłonność do rezygnacji klientów osobno z powodu ceny oferty, doświadczenia z jakością sieci, czy obsługą klienta, a także modeli opisujących wrażliwość cenową danego klienta. Na ofertę składałoby się kilka poziomów rabatu cenowego nakładanego na miesięczny abonament. Najwyższy rabat oferowany byłby klientowi z dużym prawdopodobieństwem odejścia z uwagi na cenę oraz dużą wrażliwością cenową.

Kolejnym elementem analityki, który wspiera podejmowanie decyzji jest wykrywanie sekwencji zdarzeń, które prowadzą do wystąpienia z określonym prawdopodobieństwem zdarzenia końcowego. Przykładem takiej sekwencji może być kombinacja faktów pozostawania przez klienta w okresie retencyjnym, przedstawienia mu oferty utrzymaniowej i opuszczenia kanału sprzedaży bez jej akceptacji. Taka sekwencja zdarzeń bardzo mocno podbija prawdopodobieństwo wystąpienia churnu.

Analityka oprócz opisania konkretnego zachowania klienta może być również zastosowana do wyboru odpowiedniej kreacji komunikatu. Poprzez kreację rozumiem tutaj zarówno formę graficzną jak i treść. Kreację – elementy formy graficznej, rodzaj komunikatu na grafice, umiejscowienie przycisków, itp. można opisać za pomocą zbioru metadanych, które potem można poddać mechanizmowi A/B testingu i stworzyć modele opisujące optymalne kreacje.

Zarządzanie modelami

Powyższe aspekty sugerują istnienie wielu równocześnie funkcjonujących modeli – mówimy tutaj o dziesiątkach, jak nie setkach modeli. Z tym aspektem wiążą się kolejne potrzeby, czyli stworzenie „fabryki modeli” oraz mechanizmu, który by zarządzał całym cyklem życia i ich operacjonalizacją. To oznacza konieczność rozbudowania istniejących struktur data science u operatorów i implementację oprogramowania, które pomoże im w sprawowaniu kontroli nad tym środowiskiem. Modele muszą podlegać ciągłemu procesowi wyboru, testowania, retrenowania w celu zapewnienia optymalnego ich działania.

Analityka real-time

Oczywiście bardzo istotnym aspektem działania analityki jest konieczność funkcjonowania w trybie real-time. Bardzo duża część interakcji na linii klient-operator wymaga natychmiastowej reakcji operatora na zdarzenie klienckie, a skoro analityka ma stanowić integralny element w procesie podejmowania decyzji, to wymusza na niej funkcjonowanie w czasie rzeczywistym. Każdy istotny sygnał, zdarzenie klienckie mogące mieć wpływ na zmianę decyzji a jednocześnie będące wsadem do analityki powinno zostać uwzględnione, przeliczone i zoperacjonalizowane w trybie real-time.

Na koniec chciałem zaznaczyć, że istotnym elementem tej układanki, o którym rzadko się wspomina, jest obecność mechanizmu sterowania za pomocą reguł wyznaczających strategię działania w taki sposób, aby połączyć cele analityki z ambicjami biznesowymi. Stawiam tezę, że funkcją celu operatora jest ukierunkowanie na maksymalizację zysku/marży w długim okresie. Natomiast istnieją sytuacje, gdy zarządzający operatorem rezygnują z realizacji długookresowych celów na rzecz krótkookresowych – zobrazowaniem takiej sytuacji może być chęć podniesienia przychodów w danym roku finansowym. Można tego dokonać poprzez „pożyczenie” z przyszłości pewnej liczby aneksów z urządzeniem, czyli umożliwienie podpisania aneksów wcześniej, niż wynikałoby to z reguł maksymalizujących zysk długookresowy. „Przyspieszone” podpisanie aneksów w danym roku finansowym owocuje dodatkowymi przychodami ze sprzedaży urządzeń w bieżącym roku finansowym, czyli realizuje krótkookresowy cel zarządzających operatorem.