Jak zwiększyć sprzedaż w Twoim sklepie internetowym? Napisano już ogrom artykułów o strategii SEO czy dobrych praktykach UX – więc dziś nie o tym.
Pod lupę bierzemy wykorzystanie sztucznej inteligencji do automatycznego określenia ryzyka niespłacalności transakcji i przewidywania zachowań Twojego klienta. U Na przykładzie firmy telekomunikacyjnej TeleCom XYZ sprawdzimy, jak wykorzystać uczenie maszynowe do zintensyfikowania zysków Twojego biznesu online w zaledwie 6 kroków i za pomocą 1 oprogramowania – póki wciąż jest na to idealny moment.
Dobra wiadomość: mimo niekwestionowanego wpływu pandemii, europejski rynek e-sprzedaży nie jest (jeszcze!) nasycony. Podczas gdy raport McKinsey wskazuje, że w 90 dni USA odnotowało wzrost e-commerce na miarę ostatnich 10 lat…
Rozwój rynku e-commerce w USA, źródło.
…w lutym tego roku Statista następująco podsumowała sytuację w Europie: „Najnowsze prognozy wskazują, że europejski rynek e-commerce będzie się stale i dynamicznie rozwijał (…). Nie jest to zaskoczeniem. W całej UE udział użytkowników e-commerce wynosi aż 80% na najbardziej dojrzałych rynkach handlu online.”
Potwierdzeniem tych słów jest raport opublikowany w maju 2021 roku – unaocznienie wzrostu dochodów z internetowych kanałów sprzedaży w Europie o ponad 111 miliardów USD w zaledwie 2 lata (2019-2021).
Całkowity szacowany przychód e-commerce w Europie w latach 2017-2025, źródło.
Nic zatem dziwnego, że przedsiębiorstwa stawiają na intensyfikację sprzedaży w internecie – wiąże się to jednak z realnym zagrożeniem wyłudzeń transakcyjnych. Nasuwa się zatem pytanie: jak zapobiegać takim sytuacjom, nawet mimo galopującego wzrostu popularności kanałów online i braku kontroli nad przepływem użytkowników? Odpowiedź znaleźliśmy wśród algorytmów sztucznej inteligencji.
Dane, które pozostawiają Twoi klienci, to nie tylko imię czy adres mailowy do wysyłki newslettera – możliwość intensyfikacji sprzedażowej niesie również analiza zachowania użytkownika w sieci i dostęp do baz danych. Za przykład niech posłuży fikcyjna firma TeleCom XYZ, która właśnie rozwija kanał e-sprzedaży. Poprzez budowę oraz implementację odpowiednio zdefiniowanych modeli scoringowych i rekomendacyjnych, przedsiębiorstwo to jest w stanie zwiększyć liczbę transakcji przy jednoczesnym obniżeniu ryzyka niespłacalności. Przy pomocy sztucznej inteligencji, cel ten osiągnie w 6 krokach. Wykorzysta:
Weźmy te kroki pod lupę.
Wszystko, co klient robi w trakcie wypełniania formularzy trafia do bazy danych, a po zagregowaniu dane te przetwarzane są przez silnik scoringowy. Pod uwagę brany jest nie tylko kanał dotarcia (typ urządzenia, IP, przeglądarka), ale również wszelkie kliknięcia w linki, buttony, czy nawet wskaźniki położenia używanego urządzenia (m.in. to, czy urządzenie jest fizyczne czy wirtualne i w jaki sposób porusza się podczas dokonywania zakupu). W wyniku analizy zebranych danych wykrywane są wszelkie zdefiniowane anomalie, np.
W przypadku biometrii brany jest pod uwagę czas pomiędzy naciśnięciami klawiatury przy wpisywaniu danych znaków. Jeśli każda kolejna para cyfr bądź liter wyraźnie odbiega od standardowego tempa, osiągany wynik będzie się otrzymywać na niskim poziomie – wskazując w ten sposób na bota.
Przykładowe wyliczanie scoringu biometrycznego, źródło własne.
Tak zebrane i przeanalizowane dane mogą uchronić TeleCom XYZ przed transakcją o wysokim ryzyku nadużycia już na etapie wypełniania formularza. Decyzja o przerwaniu weryfikacji kredytowej idzie zaś w parze z optymalizacją procesu – odpytywanie zewnętrznych i płatnych raportów kredytowych staje się zbędne. Ktoś wspominał o optymalizacji kosztów? 😉
Jeśli klient pozytywnie przeszedł etap wypełniania formularza z informacjami niezbędnymi do złożenia wniosku, jego dane podlegają dalszej ocenie – w następującej kolejności:
Wystąpienie zdarzenia wskazującego na niewypłacalność na którymkolwiek etapie powoduje odrzucenie ryzykownego wniosku kredytowego.
Sytuacja analogiczna do poprzedniej. Co się jednak dzieje, gdy podstawowe dane klienta nie pozwoliły na odnalezienie go w bazach wewnętrznych lub w raportach biur zewnętrznych? Wywoływane są reguły cross-check wykorzystujące modele AI. Oznacza to, że za pomocą dodatkowych identyfikatorów (np. numer telefonu komórkowego, email, IP, cookie, fingerprint urządzenia, wystarndaryzowany adres główny, wystandaryzowany adres dostaw) TeleCom XYZ jest w stanie zidentyfikować tego samego użytkownika nawet, gdy ten zmieni wpisywane dane. Sztuczna inteligencja sprawdza w tym przypadku:
czy w bazie wcześniej składanych wniosków uda się znaleźć ślad osoby odrzuconej z powodów opisanych w pkt. 1 lub pkt. 2.
Przykład:
Żona próbowała składać wniosek o nowy telefon, ale jej pesel widnieje na liście dłużników w wewnętrznej bazie operatora. Podczas składania wniosku zarejestrowane zostały wszystkie wspomniane wyżej identyfikatory. Po pewnym czasie (minuta, godzina, dzień…) wniosek składa mąż – wykorzystuje np. ten sam adres główny lub używa tego samego urządzenia. W tej sytuacji mechanizm cross-check powiąże oba zdarzenia i nastąpi odrzucenie wniosku, a w przyszłości informacja ta znacząco wpłynie na ostatecznie przyznany limit kredytowy.
czy w bazie wcześniej składanych wniosków znajduje się zbyt wiele powiązanych (poprzez którykolwiek z analizowanych identyfikatorów) z aktualnie analizowanym zapytaniem.
Przykład:
Reguły cross-checkingowe odrzucą transakcję, jeśli ktoś próbuje kupić dany telefon używając np. 2 różnych urządzeń, ale tego samego adresu e-mail.
Kluczowym czynnikiem jest tu Location Intelligence – pozwala wykryć i zrozumieć relacje zachodzące pomiędzy przestrzenią geograficzną a osobami, wydarzeniami, czy transakcjami. Jest to możliwe m.in. poprzez wyświetlenie informacji w postaci mapy. W tym celu wykorzystane zostanie geokodowanie i analiza wprowadzonych informacji w korelacji z innymi danymi biznesowymi. Gdy klient wprowadza dane, TeleCom XYZ dowiaduje się m.in.:
Co więcej, na podstawie zgeokodowanych adresów z całej historii kontraktów, które posiada operator, TeleCom XYZ może zbudować i zmapować model ryzyka dla danego obszaru/regionu Polski.
Przykładowy scoring przestrzenny dla terenu Polski, źródło własne.
Tak powstały model wykorzystywany jest również w głównym modelu oceniającym ryzyko. W jaki sposób?
Model scoringowy zbudowany jest na wszystkich możliwych do pobrania danych, na które składają się m.in:
Uzyskany wskaźnik pozwala precyzyjnie uszeregować klientów od najmniej do najbardziej ryzykownych, co następnie można wykorzystać do przyznania określonego limitu kredytowego. Najgorzej oceniani klienci (np. najgorszy decyl wedle scoringu):
Klient może zakupić telefon „na raty”, „za 1 PLN” itd. – jednak pod warunkiem, że wartość urządzenia zostanie spłacona w przyszłych fakturach. W przypadku, gdy model scoringowy ocenia klienta jako mało wiarygodnego kredytowo, operator może umożliwić podpisanie kontraktu przy pełnej opłacie lub ewentualnej kaucji, np. 800 PLN.
Wysokość limitu transakcyjnego w zależności od poziomu ryzyka, źródło własne.
Załóżmy zatem, że nowemu klientowi zostaje przyznany limit 4000 PLN, natomiast składał on wniosek o telefon, który wyceniany jest przez operatora na 4250 PLN. Sytuacja ta nie oznacza utraty transakcji i potencjalnej, długoletniej współpracy (oraz zysków) – w tym przypadku warto zaproponować alternatywną ofertę. Jak zrobić to skutecznie? Wystarczy zautomatyzować proces.
Uruchomiony zostaje automatyczny model rekomendacyjny. Spośród bazy dostępnych telefonów sztuczna inteligencja selekcjonuje najbardziej zbliżoną parametrami alternatywę, która mieści się w przyznanym limicie transakcyjnym (np. smartphone za 3800 PLN). Wyświetlone zostaną np. trzy telefony, przy czym eksponowany będzie ten, który gwarantuje operatorowi najwyższą marżę. TeleCom XYZ może również wypromować określoną markę, jeśli ta trafiła do koszyka klienta.
Tym sposobem liderzy na rynku sprzedaży internetowej coraz chętniej stawiają na technologiczny, złoty środek do intensyfikacji biznesu online: wychodząc naprzeciw oczekiwaniom klienta przy jednoczesnym zwiększeniu bezpieczeństwa transakcji. Tym bardziej, iż implementacja algorytmów sztucznej inteligencji to kierunek, w którym zerkają nie tylko ”najwięksi gracze”- skomplikowane algorytmy sztucznej inteligencji nie stanowią już bowiem szklanego sufitu nie-do-przebicia.
Wdrożenie innowacyjnych technologii nie wymaga bowiem inwestycji we własny dział i infrastrukturę IT. Dziś pełne zautomatyzowanie procesu „6 kroków” za pomocą 1 narzędzia staje się… szybkie i łatwe.
Za przykład niech posłuży jedno z rozwiązań Algolytics: mimo że aplikacja skrywa złożone algorytmy uczenia maszynowego, intuicyjny interfejs pozwala użytkownikowi na samodzielne budowanie modeli predykcyjnych w zaledwie kilka minut. Jeśli zachodzi taka potrzeba, wsparcia udziela konsultant Algolytics: od elastycznego sposobu wdrożenia (cloud czy on-premise?), przez pomoc w integracji z już posiadanymi bazami danych, aż po doradztwo w trakcie używania narzędzia.
Owszem, potencjał na zwiększenie zysków z kanałów internetowych dotyczy nie tylko branży telekomunikacyjnej, ale i całego, szeroko pojętego rynku e-commerce. Ty natomiast już teraz możesz wzmocnić konkurencyjność własnego biznesu online. W Twoje ręce oddajemy gotową technologię do bezpiecznej intensyfikacji zysków. Skorzystaj z darmowej wersji próbnej i… przekonaj się, jak działa.
