מה הייתם נותנים כדי לחזות את העתיד? כדי לדעת, למשל, איך לגרום ללקוח לפתוח אימייל שיווקי או למסור לכם את פרטי כרטיס האשראי שלו? מה הייתם נותנים כדי לזהות מי מהלקוחות שלכם עלולים, בסבירות גבוהה מאחרים, לוותר עליכם ולהעביר את העסק למקום אחר? אז זהו, שכל זה אפשרי.
רוצים לדעת עוד על מוצרי סיילספורס ולקבל דמו מותאם אישית? לחצו כאן >>
נעים להכיר: חיזוי אנליטי, או בשמו הלועזי: Predictive Analytics. תת-תחום זה של ניתוח מידע, שהולך וצובר תאוצה בעולמות השיווק, מאפשר לעסקים לחזות מה סביר שיקרה על סמך זיהוי תבניות בנתוני העבר הקיימים. הרעיון הוא לעשות שימוש בכלים סטטיסטיים, באלגוריתמי בינה מלאכותית, בכריית מידע ובלמידת מכונה (machine learning) כדי לבנות מודלים הסתברותיים לחיזוי.
חברות וארגונים אוספים ממילא כמויות אדירות של דאטה - מפרטים אישיים של לקוחות, הרגלי גלישה שלהם והיסטוריית רכישות, ועד לנתונים קשיחים על מכירות, רווחים והכנסות. החיזוי האנליטי מאפשר להפוך את הדאטה העשיר הזה לתובנות, שאיתן אפשר לקבל החלטות טובות יותר ולשפר את ההצלחה בעסק.
עד לא מזמן היה החיזוי האנליטי עניין לחוקרים ומנתחי מערכות "כבדים", הרחק מהישג ידם של רוב הארגונים. אולם התפתחויות טכנולוגיות בתחום הבינה המלאכותית הפכו את המתודה הזאת לנגישה בהרבה. מחקרי עומק שנערכו בקרב פירמות אמריקאיות גילו כי הרוב המכריע מגדיר אותה כ"קריטית" או "קריטית במיוחד", עד כדי כך שעד 2020 צפוי השוק העולמי שלה לטפס ל-11 מיליארד דולר - זינוק של פי שלושה בתוך שמונה שנים.
איך מתחילים
נקודת מוצא טובה לעולם החדשני הזה יכול לספק לנו ממשק היחסים, שכבר קיים ממילא בין החברה ללקוח. מערכת ה-CRM שלנו מאפשרת לבצע הערכות על התנהגות הלקוחות בערוצי המכירות, השיווק והשירות. הניתוח יתבצע על פי התנהגויות עבר, כמו השימוש במוצר וההוצאה שהושקעה בו, במטרה לחזות הזדמנויות עסקיות או לבצע אופטימיזציה של המסרים, ההצעות והדילים המוצעים ללקוח. מוצרים מתקדמים, כגון "איינשטיין" של ספקית פתרונות הענן סיילספורס, מספקים כלי ניתוח וחיזוי ראשון במעלה למידע שהצטבר, ושמוסיף להצטבר בזמן אמת, על אודות הלקוחות שלנו.
דוגמה טובה היא המלצות הצפייה של נטפליקס, המותאמות אישית ללקוח בהסתמך על היסטוריית הצפייה שלו. דוגמה נוספת היא מערך שירות הלקוחות ושימור הלקוחות, אשר יכול לזהות, בזכות החיזוי האנליטי, את הלקוחות שבסיכון גבוה יותר לנטישה - ולשנות את החלטתם עוד בטרם התקבלה. באופן דומה יכול בנק לזהות מבעוד מועד מי מלווי הכספים, בשקלול נתוני התעסוקה, ההכנסה וחובות עבר, עלול להימצא בסיכון. להחלטה שכזאת יש משמעות אדירה בכל הנוגע לגובה ההלוואה והריבית שהיא נושאת. זה לא נגמר שם: בנקים ומוסדות פיננסיים משתמשים כיום ב-machine learning גם כדי לזהות דפוסים של הונאה.
טכניקה דומה משמשת קופות חולים באיתור חולים כרוניים בעלי סיכון גבוה יותר לסיבוכים מסוכנים, וזאת על סמך משתנים סוציולוגיים ופסיכולוגיים. מודלים כאלה כבר הוכחו כמפחיתי סיכון, ולפיכך גם עלויות. ההקבלה לעולמות השיווק מתבקשת מאליה: בטכניקה דומה ניתן לזהות בעיות מראש ולנקוט צעדים כדי להפחית את השפעותיהן העתידיות על המוצר ועל צריכתו.
מכרה זהב
ניבוי העתיד באופן שתיארנו כאן הוא מכרה זהב לממשלות, לארגונים ולעסקים, שיכולים בזכותו לשפר את חוויית הלקוח, לטייב את קבלת ההחלטות ולייצר יתרונות תחרותיים. אבל כמו כל זהב, גם המידע הגולמי זקוק לעיבוד, מירוק וליטוש כדי שנוכל להשתמש בו.
העיבוד יכול להיות דרך ניתוח תיאורי (descriptive): מה קרה בעבר - ולמה. ניתוח שכזה הוא אידיאלי לדו"חות כספיים, ניהול מלאים, בחינת פרודוקטיביות של כוח העבודה או בדיקת ביצועים ברשתות החברתיות (עד כמה הפוסטים שלנו שותפו, הציוצים רוטווטו וכדומה). אבל ניתוח שגם חוזה מגמות (predictive), ולא רק מסביר אותן בדיעבד, הוא מוחשי יותר ונותן מענה טוב לשאלות היפותטיות - אבל מאוד מעשיות - של "מה אם" ו"מה הלאה". לכן ניתוח שכזה הוא יעיל במיוחד במערכות בריאות בבואן לתמחר שירות, בחברות תעופה שרוצות לכלול תרחישים שונים בעלות כרטיס הטיסה, ובאופן כללי בעסקים שמחפשים קשר בין סיבה לתוצאה.
את הניתוח צופה פני העתיד ניתן לשקף בכמה אופנים: מעץ החלטות, הממחיש כיצד כל ענף - כל החלטה - עשוי להוביל לכמה תוצאות אפשריות; דרך קו מגמה - רגרסיה, העושה שימוש בכלי הסטטיסטי כדי להציג קשר בין משתנים שונים; ועד רשתות מורכבות יותר, המתארות אלגוריתם לא ליניארי בחיזוי מידע. מערכות בינה מלאכותית תומכות החלטה, כמו "איינשטיין" של סיילספורס, מבצעות עבורנו את האנליזה באופן אוטומטי. כך, כשכבה נוספת על גבי הדאטה, הן מספקות כלי יעיל לניבוי התוצאה הצפויה במגוון מצבים ולכלכול הצעדים הבאים.
כמובן, אין כאן תחזית מדויקת במאת האחוזים, ואף מודל אינו חף מטעויות. אבל השיפור ביכולת קבלת ההחלטות על סמך כלי הניתוח הללו הוא דרמטי: 86% מהחברות שעשו בהם שימוש לצרכים שיווקיים בארה"ב במשך שנתיים רצופות דיווחו על שיפור ממשי בביצועים בכל השלבים - והחזר הולך וגדל להשקעה.
אז מה עושים מחר בבוקר
תהא אשר תהא שיטת הניתוח והצגת הנתונים שנבחר, ל-predictive analytics יש שני יישומים יעילים, מועילים ואפילו מרגשים לעסק: היכולת לשלב את המודל בהחלטות בזמן אמת, והאפשרות לאוטומציה בזרם העבודה - השיווק, המכירה, התמיכה ושירות הלקוחות - בהסתמך על המודל. בעוד שהשלמת התהליך כולו יכולה להיות עניין לפיתוח עתידי, יש כמה פעולות שמומלץ לנקוט כבר עכשיו:
לרכז את הדאטה, שלא אחת מפוצלת בין כמה מערכות, במקום אחד.
להכין את הדאטה - לזקק אותה ליחידות מידע בסיסיות ושמישות.
לבנות את מודל החיזוי באמצעות טכנולוגיה קיימת - תוכנות ניתוח, שמאפשרות כיום לעסקים לפתח, להריץ טסטים וליישם מודל גם בלי להחזיק צוות זמין של מנתחי מערכות מידע.
להשתמש בתובנות - לא להשאיר אותן "על הנייר" אלא לשתף בהן, כבר מההתחלה, את אנשי השיווק והמכירות או את מפתחי האפליקציה הסלולרית.
"אם לפשט את זה", מסכם אוליבייה אלבז, סגן נשיא בכיר לאזור EMEA וראש מערך המכירות בסיילספורס ישראל, "ההצלחה העסקית של חברה לרוב תהיה תלויה בשני גורמים עיקריים: הרחבת בסיס הלקוחות ומכירה ברווח של מוצרים או שירותים. יכולת החיזוי חיונית לשניהם, ובמקרים רבים היא יכולה להשפיע באופן ישיר על ביצועי החברה בכל הרבדים".
באמצעות אימוץ מודלים לחיזוי, ארגונים ועסקים יכולים להפיק ערך רב מהמידע הגולמי שכבר מצוי בידיהם, ובעצם לחזות את העתיד. וזה, כבר אמרנו, זהב טהור.
רוצים לדעת עוד על מוצרי סיילספורס ולקבל דמו מותאם אישית? לחצו כאן >>
לקריאת כתבות נוספות >> בחזרה למדור
