– Я говорил, что их всех надо увольнять, – ожидаемо ответил Макс. – Ничего страшного, придется сделать посложнее, но обойдемся и без них.
– Есть мысли как?
– Кластеризуем клиентов с учетом рода деятельности и контактов перед покупкой так, чтобы все клиенты попадали в какой-то сегмент. И сделаем универсальную цепочку, которая будет работать по всем каналам – в почте, на сайте или в приложении. Учет контактов позволит замкнуть цепочки в цепочки. И включим самые важные предикты – допродажи, рекомендаций по брендам и сериям, отток со скидками для возврата.
– А тексты кто будет писать, они не хотят делать их в таком количестве.
– Текстов и баннеров надо много, иначе не будет толку. Поэтому сделаем автоматические товарные баннеры и тексты, заполняемые товарами автоматически. Как в рекламе Яндекса. Особо художественных текстов клиентам не нужно, маркетинговые тексты только раздражают.
– Так маркетологи совсем без работы останутся.
– И не забудь об этом доложить руководству, что система работает сама. Без них. Как мы обещали. А маркетологам передай: «на биржу труда, детка».
Это был любимый слоган Макса с некоторого времени, когда он сам поверил в дееспособность своих алгоритмов. У него была цель, которая была предметом договоренности с руководством – снижение издержек за счет уменьшения ручных операций. Если мы автоматизируем создание писем и баннеров, это будет первый крупный успех проекта.
Поиск с рекомендациями
– Надо еще поменять систему поиска, – написал как-то утром Макс.
– Зачем, мы только прикрутили Elastic, со всеми фичами, хорошо ищет.
– Он хорошо ищет, пока у тебя сотня тысяч товаров, а скоро потребуется поиск среди полумиллиона. Учитывая, как коммерсанты заносят характеристики и названия, будет полный бардак. Я посмотрел статистику, очень много клиентов уходят, не кликнув ни один товар.
– Но как ты сделаешь его точнее? Будем править характеристики.
– Это долго и не нужно. Люди сами знают, что им лучше подходит по поисковым запросам. Будем делать так, как делают поисковики – собирать запросы и клики. И добавим туда коэффициенты по марже и частоте покупок. Клиентам иногда пофиг, какой бренд, а нам прибыль нужна. Запилим на том же движке клиентского анализа, будет к тому же персонализированный поиск.
– Ну класс, это повысит конверсию на сайте. У нас немало статистики, чтобы это получилось?
– Достаточно, 200 тысяч запросов в день. Но это не все, чтобы сделать конверсию. Надо различать клиентов по готовности к покупке и дожимать близких к ней онлайн-консультантом. Обучим моего Раптора определять из клиентского анализа паттерны посетителей сайта, которые близки к покупкам. И разворачивать им онлайн-консультанта с предложением помочь выбрать то, что он смотрит сейчас на сайте. Поговори с контакт-центром, им это должно понравиться. Повысим число покупающих клиентов.
Этим Макс свернул мне мозги. Я не могу так мыслить. Так просто соединять разные технологии и задачи, о которых я даже подумать вместе не мог. Это была фантастика, команда обожала его именно за такие решения. А Раптором он называл свой core-алгоритм с reinforcement learning. Он действительно самообучался на данных решать любую задачу, даже сам подбирал и отсеивал лишние фичи в данных. Раптор был универсален. И казалось, что на нем мы можем сделать любую задачу. Мы уже обложили клиентов компании рекомендациями так, что они могут сами не думать, что им еще в комплекте надо купить. Система сама знает. И это только начало нашего проекта.
Мир уже изменился, трансформация уже запущена. Мы сами, по собственной воле становимся устройствами для чтения инструкций с компьютера и смартфона. Мы думаем, что знаем, как делать правильно, но все чаще обращаемся к поиску ответа в интернет. И делаем так, как написал кто-то с другой стороны экрана, слепо доверяя ему, если он отгадал.