Чему искусственный интеллект еще не научился — так это продавать без клиентов. Нужен некий список потенциальных покупателей, по которому он будет работать.
Допустим, такой список у нас есть. Как понять, кому и что предложить?
Задачу предсказания и решает искусственный интеллект — на основе исторических данных. Берем тех, кто в прошлом покупал какой-то продукт, и строим по ним модель. Затем берем список клиентов, которые этот продукт еще не покупали, размещаем его в модели, модель обучается и учится предсказывать тех, кто бы купил.
Недостаток подхода в том, что для каждого продукта нужно проанализировать, купят его или не купят. То есть для каждого продукта строится своя модель. Если мы — банк, то продуктов у нас не так уж много: например, несколько вариантов пластиковых карт, конечное число кредитов и депозитов — суммарно 15-20 продуктов для продажи.
Но что если мы — интернет-магазин с 1000 артикулов? Или интернет-кинотеатр с тысячами фильмов? Для каждого из них строить отдельную модель, мягко говоря, накладно. На помощь приходит такая вещь, как рекомендательная система.
Рекомендательные системы появились как раз из онлайн-кинотеатров. Вместо сотен моделей строится матрица "клиенты-продукты". Пересечение показывает, кто из клиентов какой продукт приобрел. Дальше клиенты сопоставляются, между ними ищутся схожести и различия, в результате в матрице заполняются пустоты. Допустим, два пользователя посмотрели 3 каких-то фильма. И вот один из пользователей посмотрел еще и 4-й, а второй — нет. Так как они похожи по предыдущим просмотрам, система предложит 4-й фильм и второму пользователю.
Преимущество рекомендательной системы в том, что для каждого клиента автоматически считается продукт, который тот с наибольшей вероятностью купит. Не нужно сажать штат дейта-сайентистов, которые будут строить модель под каждый из сотен или тысяч продуктов. У нас появляется рекомендованный продукт для всех. То есть мы автоматизировали сам процесс построения модели.
Особенно хороша рекомендательная система в следующем случае. Как у компании, у нас есть активные каналы и пассивные. Активные — там, где мы коммуницируем с клиентом по собственной инициативе (звонок, SMS, e-mail). Пассивные — где клиент приходит к нам сам (сайт, приложение, банкомат). Если строить модель под каждый продукт, она постоянно сужает список клиентов для предложения, потому что оптимизирует усилия и выбирает только тех, кому этот продукт стоит предлагать. Но у нас возможна ситуация, когда есть клиенты вообще без единого предложения. Просто потому что каждая модель выбирала своих — и остались пустоты. То есть человек приходит по пассивному каналу, а нам нечего ему показать. А рекомендательная система считает предложение для каждого клиента. Причем — оптимальное предложение.
Но и здесь остается небольшая проблема. Допустим, мы запускаем новый продукт и нам кровь из носа нужно его продать — на этот месяц уже выставлен план продаж. Рекомендательная система не поможет — она честно работает и рекомендует каждому именно то, что ему наиболее релевантно. Она никак не считается с нашей потребностью напродавать как можно больше конкретного продукта и выполнить по нему план продаж. Получается, что в таком случае рекомендательная система неэффективна.
Поэтому в продажах на основе big data используют сочетание методов: модель для ограниченного набора продуктов, рекомендательную систему — для общего.