0
Modul za prediktivnu analitiku prima podatke iz različitih sustava te na njima primjenjuje statističke algoritme i različite tehnike podatkovnog inženjeringa te strojnog učenja.
Nedavno sam napisao kako bi smisao omnichannel inicijativa, umjesto integracije raznih kanala, trebao biti postavljanje sustava koji će kompaniji omogućiti da učini ispravne stvari za svoje korisnike na svakom koraku njihovih korisničkih putovanja. Prediktivna analitika je ključna za postizanje ovog iznimno važnog cilja.
Prediktivna analitika bavi se razvojem modela koji predviđaju buduće događaje na temelju analize prošlosti. U procesu se polazi od historijskih podataka pomoću kojih se utvrđuju ključni trendovi. Oni se onda primjenjuje na trenutnu situaciju i podatke kako bi se predvidjele mogućnosti budućih ishoda i predložile akcije koje će osigurati željene rezultate. Bez obzira da li se radi o postizanju izvrsnog korisničkog iskustva, uspjeha u prodaji ili nekom drugom poslovnom cilju, prediktivna analitika koristi obrnuto inženjerstvo kako bi pronašla uzorke ponašanja - kako korisnika tako i kompanije - koji su doveli do određenih ishoda.
Kao što je prikazano na slici ispod, modul za prediktivnu analitiku prima podatke iz različitih sustava te na njima primjenjuje statističke algoritme i različite tehnike podatkovnog inženjeringa te strojnog učenja.
Rezultat procesa je utvrđivanje specifičnih potreba, želja i interesa pojedinog kupca u određenoj situaciji kao i najbolje sljedeće akcije („Next_best-Action“) koju kompanija s tim u vezi može poduzeti. Slobodno možemo reći da su, bez prediktivne analitike, kompanije gotovo slijepe u svojim akcijama, a prediktivna analitika im može jasno ukazati kamo usmjeriti napore i koje komponente moraju osigurati kako bi pružile željeno iskustvo svojim korisnicima.
Prediktivna analitika značajno unaprjeđuje tradicionalni pristup segmentaciji korisnika te dovodi do toga da svaka individua predstavlja segment za sebe („Segment of One“). Individualni pristup temeljen na prediktivnoj analitici optimizira iskustvo korisnika čime se povećava njihovo zadovoljstvo i lojalnost. Istovremeno se značajno povećava vjerojatnost da kompanije ostvari vlastite poslovne ciljeve s pojedinom osobom.
Neki od primjera akcija upravljanjih prediktivnom analitikom su sljedeći:
- Prijedlog optimalne prodajne ponude relevantne za pojedinca u određenoj situaciji i trenutku
- Proaktivno informiranje, upute, savjeti i usmjeravanje
- Preventivno rješavanje problema
- Proaktivno utvrđivanje rizika odlaska kupca konkurenciji – i poduzimanje odgovarajuće akcije
- Mikropersonalizacija sadržaja i samouslužnih opcija
- Relevantno i targetirano oglašavanje
Možemo zaključiti da prediktivna analitika omogućava kompanijama proaktivno usmjeravanje kupaca na željena korisnička putovanja. Na taj način se izbjegavaju loša iskustva te se istovremeno maksimiziraju rezultati prodaje, zadržavanja postojećih i pridobivanja novih korisnika. Pri tome kupci nemaju dojam da ih se tretira kao objekte za ostvarivanje profita, već se osjećaju uvaženo i poštovano od strane kompanije koja za njih radi prave stvari u pravom trenutku.
Krajnji rezultat prediktivne analitike je oslobođenje korisničkih putovanja od kanala i postizanje neutralnosti pruženog iskustva u pogledu dodirnih točaka. Komunikacija korisnika s agentima kontaktnog centra predstavlja izuzetno važan izvor informacija za sustav prediktive analitike – više o tome u sljedećem članku.
