Data Interpretation و Data Collection چه تفاوت‌هایی با هم دارند؟

Data Collection به معنای جمع آوری دیتاهای خام است. مواردی مانند شماره تماس، اطلاعات پایه مشتری، ایمیل‌ها و شبکه‌های اجتماعی به همراه ثبت تاریخچه خرید مشتری که یک دیتاسنتر عظیم را برای CRM‌ فراهم می‌کند. در این مدل‌های مبتنی بر AI‌ با افزایش حجم اطلاعات، عملکرد سیستم کاهش پیدا نمی‌کند زیرا جمع‌آوری و آنالیز توسط هوش مصنوعی صورت می‌گیرد.

Data Interpretation به هرگونه تحلیل و آنالیز اطلاعات گفته می‌شود. به عنوان مثال یک مشتری در حال حاضر در کدام مرحله از قیف فروش قرار دارد. چقدر احتمال دارد که قبل از پایان این ماه، مشتری دوباره دست به خرید بزند. انجام چنین تحلیل‌هایی بدون حضور AI و توسط نیروی انسانی سخت، زمان‌بر و به همراه خطا است. این در حالی بوده که هوش مصنوعی بدون خطا این فرآیندها را انجام می‌دهد.

تحلیل رفتار مشتری با استفاده از ماشین لرنینگ

احتمالا در چند سال اخیر شنیده باشید که از مزایای ماشین لرنینگ یا همان یادگیری ماشین بسیار صحبت می‌شود. از این ویژگی در سیستم‌های CRM برای تحلیل رفتار مشتری استفاده شده و الگوهای مشخصی به دست می‌آید.
با ماشین لرنینگ می‌توان تشخیص داد که هر مشتری چند بار وارد سایت می‌شود، چند بار خرید می‌کند و چند بار اصلا به سراغ خرید نمی‌رود. همچنین هر مشتری در کدام بازه‌های زمانی از سال بیشترین خرید را داشته و چه محصولاتی بیشتر تهیه می‌کند.

نگاهی به چند مثال از Predictive Models در فروش و بازاریابی

همان‌طور که  از نام Predictive Models مشخص است، کار آن پیش‌بینی یک سری رفتارها است و این را از طریق مدل‌های مختلف انجام مي‌دهد. چند نمونه از مدل‌های پیش‌بینی را در زیر مشاده می‌کنید:

• Next Best Offer: این مدل در حقیقت محصول یا خدماتی را معرفی می‌کند که مشتری به احتمال بسیار زیاد خریداری می‌کند. به عنوان مثال اگر با Microsoft Dynamics 365 کار کرده باشید با توجه به سابقه خرید مشتری، سیستم پیشنهاد می‌دهد که احتمال خرید محصول ایکس از سوی مشتری بسیار زیاد است. بنابراین مدیر فروش تصمیم می‌گیرد تا با ارسال پیام‌های ترغیبی این امکان را بیشتر کند.
• Lead Scoring: امتیازبندی لید‌ها به احتمالاتی گفته می‌شود که یا یک نفر را به مشتری واقعی تبدیل می‌کند یا احتمال خرید مشتری را افزایش می‌دهد. پس کارشناس فروش متوجه می‌شود که کدام مخاطبان ارزش وقت گذاشتن بیشتری دارند.

• بررسی مهم‌ترین شاخص‌های CRM مبتنی بر هوش مصنوعی

  همه تحلیل‌هایی که در سیستم‌های CRM مبتنی بر AI‌ صورت می‌گیرد باید بر اساس شاخص‌هایی قابل سنجش باشند. در غیر این صورت، تحلیل فقط احساسی بوده و مبتنی بر واقعیت نیست. یکی از این شاخص‌ها CLV یا ارزش طول عمر مشتری است. به معنای این‌که هر مشتری در کل چقدر با کسب وکار ما در ارتباط بوده و چقدر در این طول عمر، درآمد ایجاد می‌کند.
  به عنوان مثال یک فروشگاه لوازم تحریر را در نظر بگیرید که یک مادر از آن خرید می‌کند. این مادر یک کودک 7 ساله دارد که لوازم تحریر سالانه او را از این سایت خریداری می‌کند. با فرض اینکه سبد خرید این مشتری فقط شامل لوازم تحریر بچگانه باشد، احتمالا طول عمر این مشتری تا پایان دوران تحصیل فرزندش باشد. این در حالی است که باید در نظر بگیرید از یک سنی به بعد، دیگر مادر خرید نمی‌کند و فرزند به تنهایی لوازم تحریر را خریداری خواهد کرد. علاوه بر این شاخص‌های دیگری هم وجود دارند:

  • احتمال خرید
  • پیش‌بینی ریزش
  • امتیاز تعامل مشتری
  • رضایت مشتری
  • تمایل به توصیه برند

  چالش‌های پیاده‌سازی AI در CRM

  تا این‌جا به شکل‌های مختلفی درباره مزایای استفاده از AI در سیستم‌های CRM صحبت کردیم اما این همگام‌سازی معایبی هم دارد. همان‌طور که گفتیم برای استفاده کاربردی و صحیح از AI حتما باید نیروهای متخصص آموزش ببینند. در غیر این صورت، خروجی سازمان رضایت‌بخش نخواهد بود.

  نیاز به داده تمیز و ساختارمند

  هوش مصنوعی یک دستیار حرفه‌ای است اما نیاز به اطلاعات کامل دارد. هرچه داده‌های ورودی به AI کامل‌تر باشند، نتیجه بهتری به دست می‌آید. پس در سیستم CRM باید همه فرم‌های قدیمی، اطلاعات مشتریان و به طور کلی هر فایلی که به فهم بیشتر AI‌ کمک می‌کند را در سیستم بارگذاری کنید.

  آموزش نیروها برای تعامل با ابزارهای Copilot

  بعد از ارائه دیتای دقیق، نیروهای شما باید بتوانند به خوبی با ابزارهای Copilot ارتباط برقرار کنند. سیستم‌های هوش مصنوعی بدون تعامل مناسب و درست از سوی انسان، کمترین کاربرد را دارند. نیروهای فروش و پشتیبانی باید با ابزارهای مایکروسافت به طور کامل آشنایی داشته باشند و بتوانند از هوش مصنوعی به عنوان یک دستیار هوشمند استفاده کنند.

  ملاحظات امنیت و حریم داده (Data Privacy)

  این روزها بیشتر از همیشه درباره امنیت داده در هوش مصنوعی صحبت می‌شود زیرا بدون یک چارچوب معین، دیتای داده شده به سیستم می‌تواند در سطح عمیق‌تری مورد پردازش قرار بگیرد. این به معنای استفاده از اطلاعات خصوصی مشتریان در سطوح گسترده است. پس کنترل سطح دسترسی و رمزگذاری روی دیتا نباید کم اهمیت گرفته شود.

  خطای تفسیری مدل‌های زبان در محیط فارسی

  یک چالش دیگر تلفیق AI با سیستم CRM تفسیر مدل‌های زبانی است. بیشتر مدل‌های زبانی بر اساس زبان انگلیسی توسعه پیدا کرده‌اند. بنابراین در زبان فارسی شاید به درستی از مفهوم و معنای هر کلمه مطلع نشوند و همین نتیجه را با خطا مواجه کند.

  حرکت ازPredictive  به Prescriptive CRM

  گفتیم که همگام‌سازی CRM با هوش مصنوعی باعث می‌شود تا سیستم‌ها به جای Rule-based به سمت Predictive پیش بروند؛ یعنی رفتار مشتری را پیش‌بینی کنند. این در حالی است که آینده CRM با حضور هوش مصنوعی قرار است از این هم جلوتر رفته و تبدیل به Prescriptive CRM شود. Prescriptive یا تجویز کردن یعنی این سیستم‌ها نه تنها رفتارهای مشتری را پیش‌بینی می‌کنند که اقدامات لازم را هم ارائه می‌دهند.

  نقش AI در اتوماسیون تصمیم‌گیری و Hyper-Personalization

  پیش‌بینی می‌شود که در آینده، هوش مصنوعی مدل‌های با قابلیت «اندیشیدن» داشته باشد. شاید این انتظار در حال حاضر از AI بسیار دور از ذهن باشد اما با پیشرفت یادگیری عمیق (Deep Learning) می‌توان از هوش مصنوعی در تلفیق با CRM چنین انتظاری را داشت.
  با شخصی‌سازی بیش از حد (Hyper- Personalization) پیشنهادات منحصربه‌فرد برای هر مشتری طراحی و اجرا می‌شود. در این حالت دیگر مشتریان زیرمجموعه یک گروه قرار نمی‌گیرند بلکه هر کدام یک واحد جداگانه خواهند بود.