:

Szerző: HIRDETÉS

2019. december 2. 09:00

Az egyedi vásárlói döntések nyomában

A Magyar Telekom már számos területén alkalmaz gépi tanulásos megoldásokat, egyre nagyobb sikerrel. Az évek óta futó projektnek hála a díjcsomagok tervezésénél, a lefedettség és a kapacitástervezésnél, a hálózati hibakeresésnél, illetve az infrastruktúra üzemeltetésében is hatékony segítséget nyújt az ML. Ennek keretében a Telekom gőzerővel fejleszti webshopos ajánlórendszerét, amely a valós idejű perszonalizáció mellett több más módszerrel segíti a vásárlás minél gyorsabb és kényelmesebb lebonyolítását.

Mi a cél?

A teljesen házon belül fejlesztett rendszer egyik főbb célja az elégedettség maximalizálása, ez ugyanis a legkézenfekvőbb módja egy ügyfél hosszútávú megtartásának. A Telekom szerint a vásárlók szeretnének a lehető leggyorsabban eljutni a döntési ponthoz, amelyet releváns információk közérthető átadásával lehet a leginkább segíteni. A szolgáltató saját statisztikái szerint átlagosan tíz okostelefont néz meg egy vásárló, amelyből 2-3 modell marad a virtuális kasszába lépés előtti lépcsőre. A kiválasztási folyamat pedig sok, az online pénztárnál töltött perceknél jellemzően nyolcszor több időt is igénybe vehet.

A másik a fontos célkitűzést a Telekom értékesítési igényeinek jobb kiszolgálása jelenti. Célorientált policykkal a vállalat számára hatékonyabb döntések felé lehet vezetni az ügyfeleket. Régi, lezárt csomagokkal rendelkező előfizetőket könnyebben lehet újabb tarifák felé terelni, amely mind az ügyfél, mind pedig a szolgáltató számára kedvezőbb végeredményt nyújthat. Ugyanez állhat a készülékekre is. Például egy erősen elavult, a 4G-t még nem támogató készülék cseréjére lehet ösztönözni az ügyfelet. Azzal, hogy az új készülék már a mobilhálózat összes modern fejlesztését (pl. VoLTE) képes kihasználni, alacsonyabb terhelést róhat az infrastruktúrára, amely a Telekom számára értelemszerűen kedvező.

Ismerd meg jól az ügyfelet

Első körben az ügyfelek preferenciáit kell megismerni - mondja Erdélyi Balázs, a Telekom data scientistje. Ez az alapja, hogy számukra az igényeiknek és ízlésüknek a leginkább megfelelő, releváns terméket vagy szolgáltatást ajánlja a webshop. Legelőször tehát ki kell deríteni, hogy az ügyfél mit, mikor, hol, nem utolsó sorban pedig milyen szándékkal szeretne. A Telekom ehhez már jó ideje direkt információkat alkalmaz, miközben a konkurensek egy része még mindig csak a havi számlainformációk alapján próbálja megtippelni, hogy a félmilliós iPhone vagy az 50 000-es Xiaomi lesz-e az ügyfél következő telefonja.

A felsorolt változók közül kiemelkedően fontos a "mikor", vagyis az, hogy az ügyfél melyik pillanatban szánja rá magát egy vásárlásra (point of purchase), vagy egy új szolgáltatás megrendelésére. Amennyiben sikerül relatíve pontosan prediktálni, hogy mikor jön el ez a pont, a rendszer releváns információk megjelenítésével, az ügyfelet szinte kézen fogva mutatja meg a helyes irányt, amely mind a vásárló, mind pedig a szolgáltató számára előnyös. Mindez azonban korántsem ilyen egyszerű, hisz rendszeresen előfordul, hogy az ügyfél elakad, valamilyen okból nem érkezik meg az utolsó lépcsőhöz.

15:35
 

Az egyedi vásárlói döntések nyomában - Erdélyi Balázs (Magyar Telekom)

Még több videó

Amennyiben a folyamat cél előtt megreked, a konverzió esélye, vagyis a vásárlás befejezése nagy mértékben csökken, az ügyfél pedig jó eséllyel eltűnik a radarról. Ilyen esetekben a Telekom webshopja a humán erőforrást hívja segítségül. Az első lépcsőben az élő chat ugrik fel, melynek másik oldalán egy ügyfélszolgálatos ül, a második, kvázi utolsó pontot pedig a telefonhívás jelenti. A vásárlót a már részletesen felmért igényeinek megfelelő ajánlattal keresi meg az ügyfélszolgálat, amely így már pontosan tudja, hogy mit és hogyan kommunikáljon.

Az ügyfélszolgálatos kijelzőjén megjelenő információkat algoritmikus, analitikai módszerrel építi fel a Telekom, három alapvető forrásból. A legfontosabb összetevőt az ügyfél viselkedése jelenti, amely a különféle tevékenységek mellett a dinamikát is számításba veszi, mindezen változókat pedig pontszámozza. Ezt egészíti ki egy nem ellenőrzött (unsupervised) gépi tanulásos rendszer, amely különféle, például szinguláris érték felbontásos (SVD) algoritmusokkal dolgozik. A harmadik, klasszikus lábat a klasszikus CRM adja, amely dióhéjban az ügyfél mindenkori díjcsomagját és szolgáltatás-használati szokásait takarja.

De sikerült?

Erdélyi Balázs, a Telekom data scientistje szerint megoldásuk abszolút felülmúlta a várakozásokat, amelyet az is alátámaszt, hogy a budapesti irodában készült fejlesztéssel egy amerikai beszállító analitikus chat platformját is sikerült kiváltani, jelentős kiadást megtakarítva. Erdélyi szerint a munkálatok során komoly kérdést vetett fel, hogy teljesen személyre szabott megoldásuk nem borítja-e fel a vásárlói szokások ritmusát. A végeredmény azonban azt mutatta, hogy az értékesítések nagyjából 60 százaléka kiegészítő jellegű, tehát nem egyszerűen csupán előrehozták a későbbi vásárlásokat.

Ezzel azonban még koránt sincs vége a fejlesztőmunkának, hisz mind a Telekom, mind pedig az ügyfél oldalát tekintve lehet még növelni a hatékonyságot. Az vásárlási kedv pontosabb felmérésével jobb döntésre sarkallható a vásárló, a komplett folyamat gördülékenységének javításával pedig növelhető az esélye, hogy a folyamatot nagyobb eséllyel sikerül végigvinni.

Érdekelne mindez belülről? Nézd át a Magyar Telekom állásajánlatait!

[A Magyar Telekom megbízásából készített anyag]

Milyen technológiai és munkaerőpiaci hatások érhetik a backendes szakmát? Május 8-án végre elindul az idei kraftie! meetup-sorozat is (helyszíni vagy online részvétellel).

a címlapról

Hirdetés

Security témákkal folyatódik az AWS hazai online meetup-sorozata!

2024. április 25. 20:49

A sorozat május 28-i, harmadik állomásán az AWS-ben biztonsági megoldásait vesszük nagyító alá. Átnézzük a teljes AWS security portfóliót a konténerbiztonságtól a gépi tanulásos alkalmazások védelmén át, egészen az incidenskezelésig.