Vjerojatno ne puno. U većini je tvrtki upravljanje podacima o klijentima ostatak iz nekog drugog vremena, kada je CRM uglavnom prikupljao i upravljao zero-party podacima, kada su se oglašivači oslanjali na te podatke o kupcima za targetiranje oglasa, i kada su sustavi za upravljanje aktivnostima upravljali svojom bazom podataka o klijentima. Organizacije koje nemaju jedinstven pogled na kupca u stvarnom vremenu daleko su od mogućnosti korištenja prediktivnih modela za upravljanje personalizacijom i procesima za razvoj angažmana i poticanje prodaje.
Zašto fragmentacija podataka nije učinkovita?
Zamislite ovo:
David je vaš vjerni kupac koji voli vaš proizvod. Pretplaćen je na vaš newsletter, prati vaše kanale na društvenim mrežama i preporučuje vaš proizvod svojim prijateljima.
Ali u vašoj organizaciji tretirate ga kao tri različite osobe jer su vaši podaci o njemu odvojeni u tri različite baze podataka. U jednom sustavu on je pretplatnik na vijesti, u drugom je pratitelj na društvenim mrežama, a u trećem je vjeran kupac. Ovaj fragmentirani pogled na Davida ne samo da je neučinkovit, već također sprječava vašu sposobnost da istinski razumijete i zadovoljite njegove potrebe.
Razlika između generativne AI i AI za upravljanje kupcima
Prije nekoliko dana moji kolege i ja raspravljali smo o tome koji je glavni razlog za nevjerojatno uspješno lansiranje Chat GPT-a na tržište i stvaranje općeg oduševljenja AI-jem. Došli smo do zaključka da je, uz revolucionarno korisničko sučelje koje ljudima omogućuje da prvi put s računalom razgovaraju na svom, a ne njegovom jeziku, vjerojatno glavni magnet za korisnike činjenica da je ChatGPT već "spreman" za nas. Bez ikakvog našeg inputa, svi smo više-manje ubrzo shvatili koliko može biti koristan za hrpu zadataka.
S druge strane, modeli za preporuke proizvoda, koji su temelj personalizacije, te modeli predviđanja događaja, koji su sve više temelj automatizirane segmentacije i višekanalne komunikacije, puno su tvrđi orah sa stajališta uključivanja u pojedinu organizaciju.
Zamislite, Open AI je proveo godine podučavajući Chat GPT tekstovima koje su napisali ljudi, kako bi od prvog dana ostavio dojam opće inteligencije i bio spreman biti pomoćnik koji će obavljati zadatke u kojima smo mi ljudi lošiji. U usporedbi s njim i prespori.
AI koji treba zadovoljiti vaše kupce još nije spreman za njih. Prvog dana ne zna ništa o njima. On zna kako treba postupati s kupcima u vašem poslu i razumije vaš posao, ali još ne zna ništa o vašim kupcima. Za razliku od generativne umjetne inteligencije kao što je Chat GPT, umjetna inteligencija u platformama za povećanje angažmana kupaca (i nekim CDP-ovima) treba jedinstveni pristup podacima o kupcima, proizvodima, prodaji i aktivnostima na webu, u mobilnim aplikacijama i u fizičkom svijetu. Na današnjoj razini digitalizacije postoji ogromna količina podataka o aktivnostima kupaca, a to znači da su predviđanja o namjerama pojedinih kupaca sve korisnija. No trebaju im podaci za najmanje šest mjeseci poslovanja.
Učinkovitost kontinuiranog učenja AI
Ipak, ne morate čekati šest mjeseci da se sustav "skuha", i prije toga može biti koristan.... Nakon samo nekoliko poslanih e-mailova, SMS-ova ili Viber kampanja, sustav će moći odrediti za svakog pojedinca koji mu komunikacijski kanal najviše odgovara i kada je najbolje vrijeme za slanje poruke. Poboljšane performanse kampanje u prvih nekoliko tjedana uglavnom se temelje na činjenici da je sustav naučio kome poslati poruku, gdje i kada.
Kako bi mogla početi prepoznavati obrasce pomoću kojih će napraviti preporuke proizvoda, AI treba vremena i dodatne realizirane kampanje. Ako nam na početku preporučuje aktualne trendove, uz nekoliko obavljenih kupnji i drugih aktivnosti u kojima kupac „dotakne“ proizvod, stupanj relevantnosti preporuke proizvoda za većinu aktivnih kupaca penje se na zapanjujuću razinu.
Osobno se često pitam donosi li oblikovanje i konstantno „sužavanje mjehurića“ (završetak narudžbe obično znači usmjeravanje fokusa kupca na jedan cilj) stvarno dugoročno povećanje prodaje. Ako ovaj sustav odredi popis proizvoda za koje postoji veća vjerojatnost kupnje, sasvim je logično da je sva komunikacija s kupcem usmjerena na proizvode s te liste.
Kako AI prepoznaje namjere vaših kupaca i skraćuje vrijeme između dvije kupnje
Ne brinite... Kada umjetna inteligencija prepozna ritam vašeg poslovanja i vaših kupaca – recimo da nam je za to potrebno šest mjeseci poslovanja – sustav počinje poprilično dobro predviđati namjere svakog pojedinog kupca. Zna prepoznati kupce kod kojih je npr. velika vjerojatnost kupnje u sljedećih 30 dana. Pri tome se personalizirane poruke fokusiraju na dovršetak kupnje za proizvode koji su kupcu najbliži na "radaru". U sklopu iste kampanje kod svih ostalih kupaca s malom vjerojatnošću kupnje kratkoročno ističe proizvode kojima nastoji izazvati novi interes.
Moglo bi se reći da s vremenom AI prilično dobro zna kod koga treba pobuditi interes, a kod koga ubrati plodove stvorene želje. To je zapravo srž igre za skraćivanje vremena između dvije kupnje, što je osim povećanja vrijednosti prosječne košarice ključni element u povećanju životne vrijednosti kupca (CLV).
Mogao bih još dugo kroz primjere iz prakse objašnjavati kako se odvija implementacija i razvoj AI-ja za bolje upravljanje vašim kupcima, ali to nije svrha ovog teksta. Prije svega želio sam prenijeti kojim se podacima hrani AI kako biste znali kako što bolje raditi s kupcima. I zašto umjetnoj inteligenciji treba vremena da iz podataka prepozna obrasce za koje ima odgovor u svojim prediktivnim modelima.
Zanima li vas kako pripremiti poslovni plan i ROI analizu uvođenja AI za učinkovitiji rad s kupcima? Ukoliko ste zainteresirani, javite nam se putem ove poveznice.
