×

AI כמנוע מרכזי לשיפור חווית הלקוח

blog
Speaker_ShamirSegal.jpg
תאריך פרסום : 22/06/2020
מאת : שמיר סגל, מנהל מכירות , אורקל ישראל

ארגונים רבים בעולם מיישמים טכנולוגיות Customer Experience כגון Marketing Automation כדי לתקשר עם לקוחות קיימים ופוטנציאליים בערוצי המגע השונים למטרת הגדלת מכירות ושיפור השירות.
כלים אלה נשענים לרוב על חוקים אותם מגדירים אנשי השיווק לבניית קמפיינים מסוגים שונים כגון, "onboarding ללקוח חדש", "העמקת פעילות ו- Cross-sell", "שימור לקוחות", "Nurturing, קידום מסרים" ועוד.

למרות שקמפיינים אלו נפוצים ומשמשים כיום כבסיס לפעילות השיווק הדיגיטלית של מרבית הארגונים בעולם, הם טומנים בחובם מספר חסרונות מרכזיים :

1. אנשי השיווק המגדירים את אוכלוסיות היעד והצעות הערך סובלים לא פעם ממחסור בידע והטיות, המובילים להגדרות קמפיינים לא אופטימליים.
2. ריבוי מוצרים, ערוצי מגע, מטרות שיווקיות ופלחי לקוחות, גורמים לריבוי קמפיינים היכולים להתנגש בינהם ולבלבל את הלקוח במסרים סותרים.
3. הגדרת הקמפיינים והמעקב אחר ביצועם, גוזלים משאבים רבים מצד אנשי השיווק העסוקים בטכניקה במקום בחשיבה, תכנון ומדידת האפקטיביות.

אחת המגמות המובילות בעולם ה- CX Marketing כיום הנה שימוש ב- AI ו- Data Science לייעול תהליכי בניית ומדידת הקמפיינים השיווקים. במקום שאיש השיווק יגדיר את אוכלוסיית הקמפיין, ערוץ המגע והתכנים שיוצגו ללקוח, מודלי Data Science מתקדמים הנשענים על Data עשיר שנצבר על הלקוחות, העדפותיהם ופעילותם בערוצים השונים, מנתחים את המידע הרב ומספקים המלצות שיווקיות אשר :

1. משפרות בצורה משמעותית, עד פי 3, את מדדי הצלחת הקמפיינים המקובלים (Open Rate, CTR, ...) שכן כל לקוח מקבל הצעה פרסונלית רלוונטית יותר, בזמן המתאים לו ביותר ובערוץ הרלוונטי ביותר.
2. חוסכות משאבים רבים בעבודת אנשי השיווק שבמקום לבנות קמפיינים, נותר להם זמן רב יותר לתכנן, למדוד ולשפר את הפעילות השיווקית.
3. מציפות מידע נסתר אודות אפקטיביות הקמפיינים בקרב פלחי אוכלוסיה שונים, ומציעות הצעות לשיפור הקמפיינים שיביאו לשיפור המדדים העסקיים.

מודלי AI ו- Data Science נפוצים בעולם הקמפיינים השיווקים והתועלות משימוש בהם

בין הדוגמאות המובילות לשימוש ב- AI ו- Data Science בעולם הקמפיינים השיווקים :

• Send Time & Channel Optimization – ניתוח המידע על פעילות ההיסטורית של הלקוח ורמת הקשר עם תקשורות שקיבל בערוצים שונים, הם הבסיס להמלצה על הערוץ המתאים ביותר לתקשורת ספציפית עם הלקוח (אימייל, SMS, Push), היום והשעה האופטימליים לתקשורת עם הלקוח. לדוגמה, במקום לשלוח לכל הלקוחות מייל בשעה 9 בבוקר, לחלק מהלקוחות ישלח מייל ולחלק הודעת SMS או פוש, בהתאם לערוץ המועדף עליהם וכל לקוח יקבל את המייל בשעה בה יש סיכוי גבוה יותר, על בסיס היסטורית המגעים שלו, שהוא יגיב באופן חיובי לתקשורת. פרויקטים בהם יישמו מודלים אלו, הביאו לגידול של עד פי 3 (!) בשיעורי פתיחה ו- conversion.

• Next Best Offer & Personalized Recommendations – ניתוח המידע של הלקוחות כבסיס להמלצות על המוצרים והתכנים הרלוונטיים והמעניינים ביותר עבורם, אשר יחזירו אותם לאתר/לחנות ויגרמו להם להגדיל את הסל. ככל שמספר המוצרים והתכנים המוצעים ע"י הארגון רב יותר, כך מורכב יותר לספק המלצות על בסיס חוקים עסקיים המוגדרים ע"י השיווק ונדרש יותר להשתמש במודלים חכמים שיספקו המלצות חכמות, מבוססות AI ו- Data Science, בערוצים יוצאים (כגון SMS ואימייל) וערוצים נכנסים (באתר ובאפליקציה). פרוייקטים שיישמו מודלים אלו הראו גידול של פי 2-4 בשעורי ההיענות והמכירות.

• Fatigue Recommendations – לא פעם ארגונים רבים "מתישים" את הלקוחות בתקשורות רבות, בתדירות גבוהה מידי, המובילות בסופו של דבר למטרה ההפוכה, הקטנת הקשר עם הארגון. ניתוח ההיענות של הלקוחות לאורך זמן בערוצים השונים לצד המאפיינים שלהם, מאפשר לסווג את הלקוחות ככאלו שנמצאים ב-"אובר-תקשור" ועד כאלו שניתן להמשיך לתקשר מולם באותו היקף, תוך המלצה על מספר התקשרויות המומלץ לכל לקוח כדי להגיע לרמת קשר אופטימלית. פרוייקטים שיישמו מודלים מסוג זה הציגו הקטנה של כ- 25% באחוז ה- Opt-out, הקטנה של 15% במספר הלקוחות הלא פעילים לצד הגדלה של 4% בהיקפי הפעילות.

• Intelligent Audience Selection – שימוש במודלים חכמים המזהים באופן עצמאי את הלקוחות המתאימים ביותר לקמפיין מסוג מסויים בהתאם למטרות הקמפיין, המסרים שבו, ומאפייני לקוחות שנענו לקמפיינים דומים בעבר.

• Customer Lifetime Value – שימוש במודלים המנתחים את המידע הקיים אודות הלקוחות וחוזים את היקף הפעילות וההכנסות העתידיות מהלקוח. תחזית ה- LTV מאפשרת לתכנן אסטרטגיות נגיעה מתאימות בלקוחות בהתאם לערכם העתידי. לדוגמה, לקוח חדש שכרגע רמת ההכנסות ממנו לארגון נמוכה אך בעל מאפיינים דומים ללקוח ותיק המניב הכנסות גבוהות, יחשב כלקוח בעל LTV גבוה וכלקוח שלארגון כדאי להעניק את המגעים עמו, מאחר ויש לו פוטנציאל הכנסות גבוה.

• RFM Segmentation – שימוש במודלים לפילוח לקוחות לפי רמת ה- engagement שלהם עם הארגון או קטגוריות לפי פרמטרים של Recency (הפעם האחרונה שהלקוח התעניין/רכש), Frequency (תדירות הפעמים שהלקוח התעניין/רכש), Monetary Value (היקף הסכומים שהלקוח רכש). מודלים אלו, הנפוצים בעיקר בעולם ה- Retail או תעשיות High-touch, מאפשרים לפלח את הלקוחות למספר פלחים עיקריים של לקוחות כבסיס לאסטרטגיות שיווקיות רלוונטיות (ברמת הארגון או הקטגוריה) לכל פלח. לדוגמה העמקת הפעילות מול לקוחות פלח שביקר לאחרונה ומבקר בתדירות גבוהה אך לא קונה מספיק, שימור לקוחות שרכשו בהיקפים גבוהים אך לא ביקרו זמן רב (Recency נמוך) וכיו"ב. ארגונים שיישמו מודלים מסוג זה חווו גידול עקבי של ה- LTV של הלקוחות ב- 10% על פני זמן.

השימוש ההולך וגובר ב- AI ו- Data Science למטרות פרסונליזציה, יהפוך מ- Nice-to-have ל- Must. החיבור של עולמות ה- AI עם עולם ה- Marketing Automation ישמש בשנים הקרובות כלי מרכזי בידי ארגונים לשיפור חווית הלקוח, הקשר עם הלקוח, שביעות רצון הלקוח והיקפי המכירות.

בימים אלו Oracle Israel משיקה את חבילת Advanced Intelligence הכוללת Out-of-the-box מגוון מודלי AI ו- Data Science , העובדים באינטגרציה עם מערכות ה- Marketing Automation של Oracle. המודלים לומדים ומתעדכנים באופן שוטף ואוטומטי ללא צורך בפיתוח ידני , עדכון ו- Deployment של המודלים ע"י Data Scientists.

שמיר סגל מוביל את המכירות של Oracle Marketing Cloud בישראל ומסייע לארגונים מובילים לייעל את פעילות השיווק הדיגיטלי וחווית הלקוח שלהם. לשמיר ניסיון של עשרים שנה בליווי ויישום עשרות פרויקטי Customer Experience, AI ו- Data Science בתחומי השיווק והדיגיטל בארץ ובעולם.

תגובות