Umělá inteligence a predikce jako součást kontextuální personalizace
AI/ML obecně
Oblast tzv. umělé inteligence je velmi široká a ne zcela jasně vymezená. V současné době, mluví-li se o umělé inteligenci (AI), resp. o řešeních na bázi AI, myslí se tím typicky využívání metod a nástrojů strojového učení (machine learing, ML). To je jedna z podoblastí AI. Možná jste slyšeli další pojmy jako deep learning, reinforcement learning, umělé neuronové sítě apod. To vše jsou zase podoblasti machine learningu, určité skupiny algoritmů z té širší ML rodiny.
Václav Novák, System Analyst & Consultant
Když to hodně zjednoduším, v případě možná většiny AI/ML algoritmů jde o to „něco rozpoznávat“. To v podstatě znamená určení, že nějaký objekt obsažený ve zpracovávaných datech má nebo nemá nějakou vlastnost/i (což v důsledku znamená i rozpoznání o jaký objekt se jedná). V případě obrázku může jít o rozpoznání, že je na něm (nejspíš) koťátko, v případě úplně jiného typu vstupních dat např. rozpoznání, že Vám právě někdo možná krade peníze z účtu. Podstata je pořád stejná - zachytit v datech rysy indikující, že jde o daný případ, přičemž jaké rysy to jsou nedefinuje nějaký chytrý expert, ale příslušné algoritmy se je „naučí sami“ z dat. To, co se také můžeme snažit rozpoznat, jsou nějaké signály toho, že se něco (potenciálně, s nějakou mírou pravděpodobnosti) stane v budoucnu, např. že někdo něco udělá (bude/nebude splácet úvěr, něco si ne/koupí apod.) – pak mluvíme o predikci.
AI/ML v Lundegaardu
V Lundegaardu tyto algoritmy využíváme např. v rámci produktu Zoe.ai, o které si můžete přečíst např. zde
V tomto článku se nebudeme omezovat na kontext Zoe.ai, ale povíme si něco o tom, čemu se v této oblasti Lundegaard obecně věnuje, resp. v jakých oblastech Lundegaard AI/ML mechanismy využívá pro dodání „business value“.
Lundegaard se historicky zabýval (a stále zabývá) především vývojem řešení pro dvě hlavní oblasti:
onboarding klientů online (sjednání nějaké služby či nákup produktu online)
různé „zóny“, jako klientská, partnerská apod. – tj. online interakce se stávajícími klienty případně jinými externími subjekty
A přesně na to se zaměřujeme i v případě AI/ML – problematika získání klienta, udržení (a obsluha) klienta a s tím úzce souvisejících lepších zákaznických cest a automatizace.
To demonstruje následující obrázek, zachycující hlavní oblasti AI/ML řešení v Lundegaardu, které přispívají do konceptu kontextuální personalizace.
Společným jmenovatelem je zde snaha získat a s pomocí AI/ML postupů a nástrojů vyhodnotit data o klientech a jejich chování (v mnoha různých smyslech toho slova). A to ne (jen) o „klientech jako celku“ nebo nějakých segmentech, ale (i) o jednom konkrétním klientovi či potenciálním klientovi a jeho chování tak, aby bylo možné lépe řídit, optimalizovat a automatizovat procesy spadající do uvedených oblastí, kterými daná osoba prochází.
Co konkrétněji to může znamenat v jednotlivých oblastech?
Akvizice klientů / prodej
V rámci akvizice klientů jde především o případy hyper-personalizace (=personalizace na úrovni jedné osoby, nikoliv segmentu) nákupního procesu nebo samotného produktu. To se týká především nákupu složitějších (parametrizovatelných) produktů, typicky nějakých služeb. V případě e-commerce pak můžeme analogicky mluvit o hyper-rekomendaci produktů (vysoce personalizované doporučování).
Dalšími příklady pak můžou být chytré vyhledávání na základě automatické kategorizace („podobnosti produktů“) odvozené z dat a zákaznického chování, nebo prioritizace leadů na základě intent scoringu (odhadnutí toho, o co uživateli jde, jak velký má ve skutečnosti zájem si něco a co koupit, a nebo se „jen tak dívá“, zkouší si kalkulaci apod.)
Retence klientů
Problematika retence klientů zahrnuje řadu oblastí a činností. V kontextu AI/ML se zabýváme tzv. prediktivní (proaktivní) retencí.
To zahrnuje:
predikci toho, že nějaký stávající klient může v brzké době chtít odejít (churn prediction), a to ještě před tím, než o úmyslu informuje (či vůbec učiní dané rozhodnutí)
reakci na toto zjištění, která odchodu ideálně zabrání
Cross/up-sell stávajících klientů
Další oblastí využití AI/ML, které se věnujeme, je problematika „optimalizace pomocí hyper-personalizace“ toho, co, komu, kdy a jakým způsobem nabízet v kontextu stávajících klientů.
Identifikace a předcházení rizik
Riziko, to je opět velmi široká a různorodá oblast. My se omezujeme na relativně malý výsek, a sice odhad rizikovosti klienta (v různých možných významech), především v kontextu jeho chování v online aplikacích. To zahrnuje především detekci anomálií v uživatelském chování a scoringové modely, oboje založené ne na sadě pravidel ale strojovém učení.
