Проблема персонализации стала темой обсуждения многих мероприятий, докладов и научных исследований. Появляются сотни технологических решений и сервисов, а соответствующие продукты уже сформировали свой отдельный рынок. Для директора по аналитике (или директора по данным) ключом к реализации возможностей персонализации, открывающихся благодаря доступности колоссальных объемов данных о клиентах, стало внедрение масштабируемых средств аналитики. Однако, несмотря на огромные инвестиции и широкий круг доступных технологий, предприятия по-прежнему испытывают сложности, когда дело касается персонализации взаимодействия с клиентами и сотрудниками. В ходе испытаний проекты иногда приносят убедительные результаты, но при запуске в промышленную эксплуатацию нередко оканчиваются провалом, так как требуется слишком большое участие человека на этапах разработки гипотезы, моделирования и подготовки данных, тестирования и оптимизации. Поддерживать сразу множество аналитических приложений оказывается непрактично и дорого, поскольку в большинстве случаев до момента получения полезных результатов проходит слишком много времени.

Новые подходы, основанные на использовании искусственного интеллекта и машинного обучения, позволяют ускорить процесс персонализации при меньших затратах ресурсов и получить на выходе более полезные с практической точки зрения сведения о клиентах, которые можно применять без чрезмерных трудозатрат на их добычу.

Слишком много данных, слишком мало знаний

Современные приложения обладают широкими функциональными возможностями, но в некоторых отношениях оказываются недостаточно развитыми, в частности, они не могут генерировать и автоматически проверять большое количество гипотез на всем объеме получаемых сегодня данных. Число гипотез и моделей ограничено возможностями человека, привлекаемого для их настройки, в связи с чем большая часть возможных процедур анализа упускается.

Пример — задача оптимизации запасов для авиакомпании с целью обеспечения максимальной выручки без ухудшения качества обслуживания пассажиров, влияющего на их лояльность. В рамках сценария персонализации можно учесть недавний опыт и историю покупок пассажира, чтобы предложить повышение класса обслуживания, однако применение традиционных аналитических процессов (составление, тестирование и оптимизация различных сценариев) здесь нецелесообразно, поскольку, чтобы получить оптимальный результат обработки и моделирования, требуется слишком большой объем ресурсов.

Нехватка времени и внимания

Покупательская активность в онлайн-магазинах, по всем прогнозам, будет расти. Кроме того, сегодня все больше бизнес-операций совершается с помощью мобильных устройств, а их пользователи все больше времени проводят на сайтах электронной коммерции. В связи с этим требуется постоянно повышать уровень персонального обслуживания, чтобы предлагать покупателям наиболее привлекательные для них варианты выбора на устройствах с ограниченным размером экрана. У интернет-магазинов появляется больше данных для анализа и персонализации, однако период времени, в течение которого эти знания можно применить, становится все меньше. По мере роста онлайн-активности потребителей и корпоративных покупателей необходимо повышать эффективность и скорость персонализации этих взаимодействий. Сегодня становится все сложнее успевать выполнить анализ до принятия покупателем решения, одновременно обрабатывая растущий объем данных по клиентам (рис. 1).

Искусственный интеллект для масштабируемой персонализации
Это не вся статья. Полная версия доступна только подписчикам журнала. Пожалуйста, авторизуйтесь либо оформите подписку.

Поделитесь материалом с коллегами и друзьями

Купить номер с этой статьей в PDF