В чем искусственный интеллект лучше маркетолога

Фото: пресс-служба

Какие технологии искусственного интеллекта применяют в торговле

Искусственный интеллект (ИИ) — набор технологий для решения когнитивных задач, которые свойственны человеку. К таким технологиям относятся, например, нейросети — программы обработки данных с помощью математических моделей, а также языковые модели — алгоритмы для обобщения, прогнозирования и генерации человеческих языков на основе больших наборов текстовых данных. Большие языковые модели используют технологию нейросетей.

В торговле заданные алгоритмы и основанные на них сценарии используются для решения определенных задач: речь об эвристических моделях для классификации или кластеризации данных, в частности о так называемом методе k-средних (k-Means Clustering). Это наиболее распространенные и простые решения искусственного интеллекта, которые позволяют на обучающей выборке данных научить систему самостоятельно генерировать нужные решения. Эти технологии характеризуются очень конкретными правилами, заранее заданными прозрачными алгоритмами и относительно понятной схемой работы.

На прописанных алгоритмах основана, например, товароучетная политика онлайн- и офлайн-магазинов: списание товара, контроль партии, последующий анализ продаж, а также организация фискализации товарооборота.

Более современные методы обучения — это нейросети, а также альтернативные методы глубокого машинного обучения, которые предполагают, что система не просто решает интеллектуальную задачу по заранее заданному алгоритму, а предоставляет абсолютно новые решения. Эти технологии набирают популярность и находятся в фазе активной разработки, но пока далеко не везде реально применяются на практике.

Яркий пример использования в торговле языковых моделей нейросетей — чат-боты, когда на естественном языке в свободной форме система общается с покупателем, консультирует его и принимает заказы.

Насколько технологии ИИ глубоко интегрированы в CRM-системы

Примитивные нейросетевые подходы практически на 100% интегрированы в системы взаимодействия с клиентами. Решения, основанные на работе нейросети и других более сложных технологиях машинного обучения, которые позволяют в том числе по результатам общения с клиентами классифицировать и анализировать данные, по нашему опыту, пока не превышают 15% в объемах продаж.

При этом роль нейросети растет на уровне так называемых интеграций, плагинов, когда CRM-системы можно подключить к внешним языковым моделям, таким как Generative pre-trained transformer или GPT (нейронные языковые модели, впервые представленные компанией OpenAI). Это активно развивающееся направление, и, по оценкам RetailCRM, в ближайшие пять лет практически все 100% продаж так или иначе будут проходить при участии нейросетевых технологий.

Какие ключевые задачи нейросети решают в продажах

Одна из ключевых задач ретейла — привлечение внимания покупателя. Ряд нейросетей используются для генерирования именно визуальных креативов для рекламных кампаний, в том числе американская нейросеть Midjourney, проект «Сбера» — Kandinsky, а также мультимодальная GPT-4, которая также позволяет работать с изображениями. Причем нейросети позволяют решать задачу привлечения внимания созданием визуализации, рекламного креатива в расчете на целевую аудиторию, конкретный сегмент клиентов с определенными характеристиками.

Нейросети также позволяют осуществлять скоринг поступающих заявок от клиента: на основе большого количества входных данных система автоматически определяет вовлеченность и зрелость клиента (понимание им задач и желание их решать) и, соответственно, потенциал заключения с ним сделки — вплоть до вероятности заключения контракта и суммы сделки. Команда RetailCRM применяет технологии ИИ для автоматизации системы оценки клиентов по готовности купить продукт или услугу.

К нам поступает большое количество заявок, заказов, регистраций, которые требуют обработки и консультирования. Возникает необходимость квалифицированно распределить заявки и управлять приоритетом работы с ними департамента продаж. Для этого, например, необходимо отсортировать клиентов и направить их к конкретным специалистам компании. Скоринг решает эту задачу, помогает управлять процессами внутри департамента продаж: правильно квалифицировать лиды (запросы) и направлять усилия лучших специалистов на работу с наиболее перспективными клиентами. Он также позволяет рассчитать пайплайн (pipeline) или прогноз продаж.

Современные CRM-системы позволяют собирать о клиенте достаточно большой набор входящих данных: какой информацией он интересовался на сайте или в блоге, какие именно сообщения просматривал, на какую рекламную кампанию среагировал. Все это создает огромный массив информации, который при использовании алгоритмов позволяет более точечно принимать решения и прогнозировать результат.

Третья задача, которую мы и сами решаем с использованием технологий ИИ (и предлагаем клиентам подобные решения), — так называемая параметрическая оценка качества коммуникаций. Речевая аналитика в рамках, например, российского решения SalesIA, которым мы пользуемся, позволяет контролировать качество общения с клиентами в мессенджере, социальной сети или по системе видеоконференцсвязи. Кроме того, в десятой версии RetailCRM интегрировано решение на основе нейросети, которое позволяет сжать длинный диалог менеджера с клиентом в чате до краткой выжимки — самой сути вопроса. Таким образом, технологии облегчают общение и позволяют контролировать качество работы команды продаж.

Какие параметры контроля качества коммуникации используют языковые модели

У компании должен быть стандарт общения с потребителем. Мы, например, используем до десяти ключевых параметров. Во-первых, менеджер должен представиться и поздороваться. Во-вторых, общение должно осуществляться без грамматических ошибок. Третье важное условие в нашем регламенте — уточнение роли собеседника в компании: от того, является ли собеседник лицом, принимающим решения, агентом влияния или сторонним партнером, будет зависеть дальнейший алгоритм общения.

Кроме того, с помощью GPT мы контролируем, как выстраивалось общение: выявил ли менеджер потребность клиента, прежде чем представить ему имеющиеся у нас решения. Правильнее сначала понять, с какой вообще проблемой пришел потенциальный клиент.

Далее анализируется само предложение, а также была ли проведена работа с возражениями. И наконец, фиксация договоренности: как продолжалось общение с клиентом, поддерживался ли контакт в процессе выхода на сделку или продажи, какие конкретные шаги предпринимались. Для нас также важным фактором является наличие или отсутствие жалоб или запросов на разговор с руководством.

Кто лучше пишет рассылки — человек или языковая модель

Во многих маркетинговых инструментах и некоторых CRM-системах, таких как наша, предусмотрены инструменты email-рассылок и A/B-тестирования, которое помогает проверять, какие подходы, варианты коммуникаций работают лучше. С помощью инструмента тестирования, где вариант А email-рассылки написан человеком, маркетологом, а вариант Б — языковой моделью GPT, нами было выявлено, что показатель Click to Open Rate (количество кликов и переходов в открытом письме) у языковой модели на 25% выше. При этом нужно отметить, что письма GPT составлялись на базе сообщений, написанных человеком, то есть языковая модель заведомо была в более выигрышной позиции.

Что сдерживает применение ИИ-технологий

Отдельные решения, например анализ и контроль качества коммуникации, достаточно эффективны и доступны. Такие решения уже могут применяться массово. Другие задачи, например автономная работа ИИ по продаже очень сложных продуктов, требуют тщательного сопоставления стоимости такого решения и его эффективности.

Доступ к применению технологий ИИ сегодня ограничен стоимостью аппаратной части — железа и серверов. Оперативная работа многослойной нейронной сети требует серьезных вычислительных мощностей. С одной стороны, глобально такие мощности появились, а архитектура самих решений стала оптимальнее, что и позволяет развивать технологии, которые существуют с 60-х годов прошлого века. С другой стороны, для массового внедрения на уровне обычного потребителя мощностей все еще недостаточно.

Самое востребованное в ретейле решение с использованием ИИ

Самое распространенное решение в торговле на основе нейросетей — текстовый чат-бот. Это результат интенсивного развития мессенджеров как канала коммуникации.

Анализ и оценка качества общения в мессенджерах — следующее по востребованности решение в ретейле. Дело в том, что в рознице огромная база покупателей, много мелких транзакций, большой объем общения с потребителем, и автоматизация некоторых интеллектуальных задач позволяет использовать эти коммуникации более эффективно, а также оптимизировать работу человека — супервайзера.

Так, например, в среднем человек может обработать за рабочую смену 120 телефонных разговоров. Стоимость такой смены составляет порядка 5 тыс. руб. Таким образом, стоимость обработки одного звонка может составлять около 42 руб. Стоимость той же функции в автоматизированном режиме составляет 5,1 руб., включая транскрибацию, перевод аудиоразговора в текст, и параметрическую оценку качества.

Причем уровень сложности задач, которые можно делегировать нейросети, повышается с каждым месяцем.

Может ли ИИ полностью заменить человека

Полностью технологии заменить человека не могут. Это как с экскаватором: раньше пять человек копали лопатой, а теперь один — управляет техникой. Даже автономный экскаватор должен кто-то настраивать и обслуживать, обучать им пользоваться, в конце концов. Просто с развитием технологий уровень задач человека все время повышается. Как правило, это подразумевает повышение и уровня его дохода. То есть в какой-то степени технологии снизят количество рабочих мест, но доход специалистов будет расти.

Какие ошибки совершает ИИ

Для создания клиентского сервиса в рамках проекта по применению технологий Embeddings от OpenAI мы внедрили GPT-платформу, которая помогает генерировать ответы на технически сложные вопросы о работе платформы RetailCRM. И на собственном опыте столкнулись, пожалуй, с одним из важнейших вызовов и рисков при использовании технологий искусственного интеллекта — это так называемые галлюцинации.

Как оказалось, большие языковые модели склонны галлюцинировать. И это достаточно сложно распознать. Поверхностно ответ системы ИИ в случаях галлюцинации выглядит очень корректно, он правильно выстроен с точки зрения языка. Но если не знаешь деталей, то просто не поймешь, что это ошибка. Мы сталкивались с тем, что при недостаточном уровне дообучения системы под специфику нашего решения ИИ просто «додумывает» какие-то факты. Например, придумывает несуществующие функции продукта и делает это очень правдоподобно, он как бы мимикрирует, старается продать и даже генерирует названия несуществующего технического метода по аналогии с уже существующим. Нейросеть в том числе могла придумать несуществующий раздел документации и отправить туда клиента изучать информацию.

Причем при опытно-практической эксплуатации ИИ-технологий объем таких галлюцинаций и сбоев был достаточно большим. То есть дальнейшее развитие возможности применения этих технологий будет зависеть от способности компании профессионально обучать нейросеть отраслевой специфике и особенностям работы конкретного бизнеса. Это требует чуть ли не самостоятельной подготовки соответствующих специалистов, поскольку технологии настолько быстро меняются, что система образования просто не успевает адаптироваться к новым запросам.

В целом не стоит рассматривать технологии как некую волшебную кнопку. Важно начинать применять ИИ именно в режиме очень конкретных вкраплений, вставок в текущую инфраструктуру. Это сократит вероятность ошибок.

Ведущая подкаста — финансовый обозреватель РБК Алевтина Пенкальская.

Реклама. ООО «Интаро Софт»

erid: F7NfYUJCUneLs2asXWij