CC BY
10
УДК 004.415.53
Ильичёв А.Ю. студент магистратуры 2 курса факультет «Информационные системы и технологии» Пензенский государственный университет архитектуры и строительства научный руководитель: Рыжов А.Д.
старший преподаватель Россия, г. Пенза
ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ СИСТЕМ CRM
Аннотация
Статья посвящена применению нейронных сетей для улучшения работы систем crm.
Ключевые слова:
Система, искусственный интеллект, обработка естественного языка.
Ilichev A. U. student of magisterial 2course, faculty " Information systems and technologies" Penza State University of architecture and construction
Russian Federation, Penza Scientific adviser: Ryzhov A.D.
Senior teacher USING MACHINE TRAINING FOR CRM SYSTEMS
Summary
The article is devoted to the use of neural networks to improve the performance of CRM systems.
Keywords:
System, artificial intelligence, natural language processing.
Введение
Искусственный интеллект (ИИ) - это концепция, позволяющая машинам «мыслить, как люди», другими словами, выполнять такие задачи, как рассуждение, планирование, изучение и понимание языка. Хотя никто не ожидает паритета с человеческим интеллектом сегодня или в ближайшем будущем, ИИ имеет большое значение в том, как мы живем. Мозгом, стоящим за искусственным интеллектом, является технология, называемая машинным обучением, которая призвана сделать нашу работу проще и продуктивнее.
Многое выровнялось, чтобы сделать это захватывающим временем для значительных достижений в искусственном интеллекте.
• Производительность процессора улучшилась с удивительной скоростью - за последние 60 лет производительность выросла в триллион раз
• Стоимость обработки данных стала более доступной
• Есть больше данных, которые необходимо проанализировать,
потому что компании получают больше сигналов от взаимодействия с клиентами
• ИИ уже значительно улучшил потребительские приложения -теперь клиенты ожидают, что компании предоставят одинаковые улучшения во всем своем опыте
Почти каждый, у кого есть компьютер, смартфон или другое интеллектуальное устройство, уже использует ИИ, чтобы облегчить жизнь:
• Сири и Кортана выступают в качестве ваших личных помощников, используя обработку голоса
• Facebook рекомендует фото теги с использованием распознавания изображений
• Amazon рекомендует продукты, использующие алгоритмы машинного обучения
• Waze предлагает оптимальные маршруты вождения, используя комбинацию прогнозирующих моделей, методов прогнозирования и оптимизации
Машинное обучение является основной движущей силой ИИ. Это концепция, позволяющая компьютерам учиться на данных с минимальным программированием.
Глубокое обучение - это ИИ, который использует сложные алгоритмы для выполнения задач в областях, где он фактически изучает область практически без человеческого контроля. По сути, машина учится учиться.
НЛП (Обработка естественного языка) - это ИИ, который распознает язык и его многочисленные правила использования и грамматики, находя шаблоны в больших наборах данных.
Способы применения
ИИ уже меняет ожидания ваших клиентов. Подумайте о потребителе, который живет в Uber, Google и Amazon. Если он заходит в универмаг, чтобы купить костюм, что нужно для того, чтобы обеспечить ему такой же уровень обслуживания, к которому он привык?
Ритейлеры должны знать, кто он, потому что он купил что-то онлайн. Они должны знать его размер и предпочтения, основываясь на его истории покупок. И они должны быть в состоянии предложить идеальную пару туфель, подходящую для любого костюма, который он выберет.
Тот же принцип применим ко всем видам бизнеса. Клиенты знают, что у вас есть свои данные. Они знают все, что вы можете с этим сделать. И они ожидают, что вы будете использовать его, чтобы обеспечить быстрое, умное, персонализированное участие в любом взаимодействии.
Требуется специализированная команда исследователей и разработчиков данных, чтобы получить доступ к правильным данным, подготовить данные, построить правильные модели, а затем интегрировать прогнозы в опыт конечного пользователя, такой как CRM.
Получение AI проекта с нуля может быть долгим и болезненным
опытом. Сначала вы должны сформулировать бизнес-проблему. Затем вы должны выяснить данные, доступные для решения проблемы. Затем вы должны выделить значительные ресурсы и инфраструктуру для ее решения.
Еще один способ задать этот вопрос: «Что даст мне ИИ, чего у меня еще не было?». Три из наиболее ценных и наиболее часто используемых результатов - это прогнозирование, прогнозирование и рекомендации.
Прогнозная оценка - даст вам представление о том, как она была достигнута. Например, прогнозирующая оценка потенциальных клиентов дает каждому потенциальному покупателю балл, представляющий вероятность того, что он превратится в возможность. Вы также получаете причины за счет - например, источник лидерства, отрасль, или какой-то другой фактор является особенно сильным показателем того, что лидерство будет или не будет преобразовано.
Прогнозирование - прогнозирующие возможности ИИ не ограничиваются оценкой; их также можно использовать для прогнозирования будущей стоимости чего-либо, например, портфеля акций или инвестиций в недвижимость. Если вы менеджер по продажам, ИИ может прогнозировать ваши ежеквартальные заказы и заранее сообщать, собирается ли ваша команда выполнить свою квоту.
Рекомендации - Любой, кто совершает покупки в Интернете, знает, что ИИ делает предложения для розничных покупок, но он также может давать умные рекомендации для любого другого продукта или категории услуг, от делового программного обеспечения до налоговых консультаций для грузовых контейнеров. И ИИ также может порекомендовать вещи, отличные от продуктов, например, какой документ вы должны отправить потенциальному клиенту по электронной почте, чтобы оптимизировать свой шанс заключить сделку.
Машинное обучение
Машинное обучение работает со структурированными данными, чтобы обнаружить шаблоны, которые обеспечивают понимание. Ежедневные примеры - это персональные рекомендации от таких сервисов, как Amazon или Netflix. В финансовой сфере машинное обучение предсказывает плохие кредиты, находит рискованных кандидатов и генерирует кредитные баллы.
Продажи - он может анализировать информацию из электронной почты, календарей и данных CRM, чтобы заранее рекомендовать такие действия, как лучший ответ по электронной почте, для продвижения сделки.
Сервис - он может автоматически классифицировать случаи и разумно направлять их к нужному сервисному агенту.
Маркетинг - он может разумно оценить вероятность того, что клиент откроет электронное письмо, подпишется на рассылку или совершит покупку.
Глубокое обучение
В то время как с глубоким обучением происходит множество захватывающих экспериментов, большинство практических приложений, с которыми вы знакомы, основаны на анализе изображений. С помощью
анализа изображений компьютер учится классифицировать случайные изображения, анализируя тысячи или миллионы других изображений и их точек данных. Например, потребительские приложения, такие как Google Photos и Facebook, используют глубокое обучение для обеспечения распознавания лиц на фотографиях.
Продажи - он может анализировать изображения продуктов, прикрепленных к сделке, и использовать эту информацию, чтобы предложить лучшие возможности для продаж и перекрестных продаж.
Сервис - он может анализировать изображения продукта, прикрепленного к сервисному кейсу, и использовать эту информацию для классификации кейса и направления его нужному агенту.
Маркетинг - он может анализировать изображения в Facebook, Pinterest и Twitter, чтобы предложить лучшие визуальные эффекты для предстоящей рекламной кампании. Он даже может идентифицировать бренды на изображениях независимо от того, упоминаются они в тексте или нет. НЛП
Одно из приложений НЛП, которое набирает обороты, - это анализ настроений в социальных сетях. Компьютеры используют алгоритмы для поиска шаблонов в публикациях пользователей в Twitter, Facebook или других социальных сетях, чтобы понять, как клиенты относятся к конкретному бренду или продукту.
Продажи - НЛП может копаться в текстах электронных писем, которыми обмениваются клиенты, чтобы оценить вероятность потенциальной продажи, определить наилучшие возможные сделки, определить сделки, которые рискует потерять команда, и предоставить рекомендуемые действия для улучшения процесса продаж.
Сервис - НЛП может помочь направлять и более эффективно реагировать на электронные письма клиентов, анализируя письменный контент.
Маркетинг - НЛП можно использовать для анализа настроений в тексте, чтобы понять, что клиенты думают о вашем конкретном бренде и продуктах.
Использованные источники:
1. CRM со скоростью света. Привлечение и удержание клиентов в реальном времени через Интернет, П. Гринберг, Символ-Плюс, 2006 г., 526 стр.
2. #crm_is, П. Цаплюк, Издательские решения, 2017 г., 170 стр.
3. CRM. Подробно и по делу. Редакция 1, Р. Кинзябулатов, Издательские решения, 2016 г., 170 стр.
4. Нейронные сети: полный курс, С. Хайкин, Вильямс, 2005 г., 1104 стр.
5. Верховный алгоритм: как машинное обучение изменит наш мир, П. Домингос, Манн, Иванов и Фербер, 2016 г., 818 стр.
