Прошлым летом мы опубликовали пост, в котором описывалось, как ZOLA Electric использует машинное обучение (ML), чтобы предсказать, кто из их клиентов, скорее всего, перестанет платить. Сообщение было проинформировано о работе, проделанной Проектом FIBR BFA с ZOLA, ведущим оператором солнечной энергии PAYGo в Танзании, Руанде, Гане, Нигерии и Кот-д'Ивуаре. С тех пор многие операторы PAYGo в секторах солнечной энергии, приготовления пищи и водоснабжения связались с нами, чтобы получить дополнительную информацию о том, как ML на самом деле работает на практике, и дать рекомендации о том, как начать работу.

В этом посте мы опишем три конкретных шага, которые помогут вашему предприятию PAYGo подготовиться к внедрению машинного обучения. Прежде чем мы начнем, помните, что машинное обучение - не волшебное решение проблем бизнес-модели. Скорее, это статистический процесс, который ваша команда может использовать, чтобы извлечь уроки из вашего опыта. Проще говоря, машинное обучение позволяет задействовать все собранные вами данные, используя компьютер для поиска шаблонов, которые могут помочь в сегментации и которые вы можете использовать для прогнозирования поведения ключевых клиентов.

ШАГ 1: ОПРЕДЕЛЕНИЕ ХОРОШЕЙ ПРОБЛЕМЫ

Компании PAYGo богаты данными - продукты, платежи и точки взаимодействия с агентами генерируют информацию, которую машинное обучение может использовать для принятия ключевых решений. В качестве первого шага важно определить области бизнеса, в которых существующие или потенциальные прогнозы или решения являются достаточно сложными, чтобы в первую очередь оправдать ОД. Наилучшими возможностями машинного обучения являются те, которые обладают сильным сочетанием следующих характеристик:

  • Они основаны на больших, актуальных, исторических наборах данных: для работы машинного обучения провайдерам нужен большой набор исторических данных, включающий богатые функции и метки, в идеале с высококачественными данными, которые являются собственностью компании и являются хорошо понимает компания . Если у вас нет данных, вы не сможете использовать машинное обучение! А если у вас небольшой набор данных, вы можете использовать статистические методы вместо машинного обучения. На этом этапе вы смотрите на тип доступных данных (например, финансовые, транзакционные, использование и производительность продукта, колл-центр и т. Д.), Имеющиеся ресурсы для их нормализации и хранения и насколько они применимы к текущему продукту. или бизнес-модель, для которой вы будете проектировать. Когда мы начали наше сотрудничество, новая трехлетняя бизнес-модель ZOLA по аренде обслуживала более 25 000 платежеспособных клиентов и добавляла примерно 5 000 в месяц по новому предложению. Базы данных компании включали исторические данные о транзакциях (депозиты и текущие, регулярные пополнения), сведения о продуктах, взаимодействиях с клиентами, информацию о продажах / установках / посещениях сервисных центров, а также некоторые данные об использовании продуктов. Вместе эти точки данных создали базу, на которой можно было построить и обучить модель машинного обучения.
  • Они используют машинное обучение для поддержки процесса / решения, важного для приоритетной проблемы. В связи с ажиотажем и ажиотажем вокруг искусственного интеллекта и машинного обучения возникает соблазн броситься в поисках места для использования машинного обучения. Такой подход ошибочен. Во-первых, провайдеры должны найти в своем бизнесе проблему, которая имеет огромное значение и может иметь высокую вероятность решения. Спросите себя: какую критически важную информацию вы хотите узнать? Какие проблемы вы могли бы решить, «если бы вы только знали ___?» Сведение к минимуму неплатежей и оттока клиентов является критически важной постоянной проблемой для операторов PAYGo, которая резко снижает ожидаемую выручку, если ее не контролировать. Итак, для ZOLA мы определили четкую область, которую можно было бы значительно улучшить с помощью точных и своевременных прогнозов платежного поведения: решения о том, на кого нацеливаться для более эффективного погашения, на каком этапе пути клиента обращаться к ним и с помощью каких инструментов .
  • У них есть потенциал для увеличения доходов и / или снижения затрат: важно начать с первоначальной оценки способов, с помощью которых предлагаемая модель машинного обучения может обеспечить экономию затрат. Они могут включать: снижение стоимости прогнозирования и прогнозирования; управление рисками погашения и снижение неплатежей; расширение обслуживаемых клиентских сегментов; выявление и реализация новых возможностей увеличения продаж и перекрестных продаж; и обеспечение дифференциации - то есть за счет автоматизации, индивидуальных коммуникаций и предложений - наряду с улучшением общего качества обслуживания клиентов. Также важно подумать о том, как эти финансовые показатели могут развиваться в следующие два-три года, учитывая ваш рост и ожидаемые изменения на рынке. На более позднем этапе с первой итерацией модели вы можете использовать эти выявленные возможности получения доходов и затрат в качестве исходных данных для калькулятора рентабельности инвестиций. Потеря клиентов обходится дорого для любого бизнеса. Как и большинство операторов PAYGo, ZOLA управляет послепродажным взаимодействием с клиентами через центры обработки вызовов и сеть агентов, которые сосредоточены на послепродажном обслуживании на пороге клиента. До их работы с FIBR послепродажное взаимодействие ZOLA носило общий характер и применялось единообразно для всего портфеля, без учета продукта, платежного поведения, возраста или риска оттока отдельного клиента. Мы увидели значительные возможности как для сокращения прямого оттока, так и для устранения взаимодействия с клиентами, которые в них не нуждаются (потому что они, скорее всего, будут платить сами), за счет более точного нацеливания на нужных людей в нужное время в их клиентских поездках.
  • Их можно быстро протестировать с использованием проверенных и широко доступных технологий искусственного интеллекта. В случае ZOLA существует обширная литература и база опыта о том, как увеличить удержание клиентов. Прогнозирование оттока - распространенный вариант использования машинного обучения в компаниях, оказывающих финансовые услуги, телекоммуникации и цифровые технологии, поэтому ZOLA может воспользоваться существующим опытом и извлеченными уроками. Для решений / проблем, для которых нет соответствующей базы опыта, быть пионером может быть дороже и труднее.
  • Они решают проблемы, решение которых не является срочным: Конкретные сроки зависят от поставщика и варианта использования, но мы обнаружили, что для развертывания нового решения машинного обучения безопасно выделить от четырех до шести месяцев. Меньше - и решение не будет должным образом реализовано или протестировано. Если решаемая проблема требует решения в более короткие сроки, например, за несколько недель, ML не является полезным инструментом. Это требует межфункционального командного взаимодействия, нескольких итераций модели и часто изменений в процессах компании или процессе принятия решений - все это требует достаточного времени и разработки, чтобы быть полезным.

Для начала вот несколько примеров машинного обучения на практике, которые актуальны для компаний, развертывающих модель PAYGo. Для каждого потенциального варианта использования машинного обучения мы определили основную проблему, которая будет решена, описали, что можно предсказать, и тип данных, которые могут быть использованы для прогнозирования, и обсудили, какой процесс или процесс принятия решений прогнозы могут улучшить:

ШАГ 2: Сузьте фокус на одном вопросе с прогнозом

Начать изучение искусственного интеллекта / машинного обучения и данных без краткого вопроса - все равно что получить комнату, полную инструментов и материалов, не зная, что вы собираетесь построить. Прежде чем приступить к исследованию и моделированию данных, очень важно задать основной вопрос, которым будут руководствоваться ваши усилия. Этот вопрос должен быть обусловлен спецификой вашего индивидуального бизнеса.

В случае ZOLA, с солнечными системами PAYGo, которые она продает по модели аренды на три года, компания позволяет клиентам часто вносить платежи в размере, который они выбирают. Но он настоятельно рекомендует ежемесячные платежи, чтобы улучшить предсказуемость портфеля и минимизировать трения при совершении платежей с использованием мобильных денег. Хотя гибкость оплаты может быть привлекательной для конечных потребителей, ZOLA и другим операторам PAYGo необходимо сохранять периоды неиспользования в разумных пределах, чтобы гарантировать своевременное завершение договоров аренды. С этой целью ZOLA расширяет интервенции после того, как солнечная система «заблокирована» из-за отсутствия оплаты. Компания обычно направляет агента к дому клиента для отслеживания неуплаты, а иногда возвращает актив после того, как он был заблокирован на определенное количество дней подряд. Поэтому после анализа исследований, которые ZOLA провела внутри компании, и с учетом бизнес-контекста, мы определили, что вопрос нашего прогноза должен быть следующим: «В любой день предсказать, какие неактивные клиенты подвержены риску блокировки x дней подряд. ”

Этот вопрос послужил нашим начальным руководством для работы по прогнозированию оттока клиентов ZOLA, потому что это временные рамки, которые наиболее актуальны для их бизнес-модели - они соответствуют их платежным предпочтениям для клиентов, это временные рамки, в которых компания может принять меры, а также исследования и поисковый анализ. указывает на то, что после того, как клиент заблокирован на этот период, вероятность его повторной активации и возврата платежей становится намного ниже.

ШАГ 3: СОСТАВЬТЕ ПЛАН РЕАЛИЗАЦИИ ПРОГНОЗОВ

Так же, как важно определить, какое решение вы хотите рассмотреть, вы также должны решить, что вы собираетесь делать со своими идеями. После того, как вы определили прогноз / решение, в котором машинное обучение может повысить ценность, и организовали себя вокруг одного вопроса прогнозирования, вам нужно будет заранее продумать несколько шагов, чтобы сформировать общее видение того, как прогноз будет влиять на процессы, изменения продукта и решения. -изготовление. Подумайте о том, кто получит прогноз, который дает процесс машинного обучения, как они его получат и какие действия они могут предпринять в результате. В противном случае вы получите классную технологию, которая не отвечает реальным потребностям пользователей.

В случае ZOLA прогнозное моделирование и машинное обучение в конечном итоге сократили отток и могли обеспечить положительную рентабельность инвестиций только в сочетании с мероприятиями, которые мы разработали и проверили в полевых условиях для снижения риска погашения. Вот несколько примеров оперативного использования прогнозов оттока из нашего мозгового штурма с ZOLA, которые могут быть в равной степени актуальны для других предприятий PAYGo:

  • Когда представитель центра обработки вызовов видит вероятность оттока отдельного клиента (в процентах) в программном обеспечении для управления взаимоотношениями с клиентами, сценарий этого разговора может быть соответствующим образом скорректирован. Например, любые входящие звонки от клиентов с высоким риском оттока будут получать другой сценарий, включая вопросы, чтобы понять причины, по которым они заблокированы, и предложение либо о пополнении кредита, либо о переходе на продукт меньшего размера.
  • Прогнозы оттока используются для создания списка для представителей колл-центра, который будет ежедневно напоминать об исходящих платежах между людьми и / или обсуждать пересмотр условий аренды.
  • Полевые агенты получают список клиентов с прогнозируемым оттоком каждый вечер, который используется для планирования телефонных звонков и посещений клиентов на следующий день, отдавая приоритет клиентам с высоким уровнем риска с помощью целевых сообщений и предложений.
  • Финансовые отделы используют прогнозы, чтобы определить, следует ли удалить клиентов из группы риска, оценить, можно ли отремонтировать и повторно развернуть оборудование, или сделать специальные предложения для восстановления клиентов из группы высокого риска.
  • Прогнозы оттока также используются для автоматизации решений о том, кто получает вмешательство, в какой момент в отношениях с клиентом и в каком формате (например, исходящие вызовы, роботизированные вызовы, автоматические и настраиваемые SMS-взаимодействия) происходит вмешательство, а также его тип и время. посещений агентом ZOLA.

ЧТО ТЕПЕРЬ?

Что делать после того, как вы выполнили эти три шага? Мы ответим на этот вопрос в следующем посте, в котором мы рассмотрим, как: организовывать и создавать новые функции из ваших данных, выполнять исследовательский анализ данных, настраивать их в среде тестирования в реальном времени, а также создавать и повторять минимально жизнеспособные методы машинного обучения. продукт - то есть первая версия прогнозной модели, результаты которой можно сравнить с базовым уровнем.

Что делать, если я еще не готов к машинному обучению?

Не волнуйся! Большинство предприятий обнаружат, что от пяти до 10 процентов их данных верны и полезны для push-уведомлений по машинному обучению. Настроить ML может быть непросто, но потенциальный выигрыш в эффективности настолько существенен, что многие компании не могут надолго отказаться от этого подхода. Вот два своевременных шага, которые вы можете предпринять сейчас, чтобы подготовиться к машинному обучению в будущем.

Продолжайте читать о том, как использовать ИИ в своем бизнесе:

Начните организовываться, чтобы управлять данными и быть готовыми к ним:

  • Регистрируйте все, создавайте масштабируемые системы хранения и обработки, начинайте проводить глубокий анализ и связывайтесь с полевыми экспериментами с вашими продуктами и клиентами.
  • Собирайте больше данных в точках продаж и тщательно отслеживайте предложения продуктов и пути клиента, а также чтобы данные, связанные с ними, были структурированы, чтобы их можно было анализировать в будущем.
  • Установите процессы для обеспечения достоверности, точности, полноты и согласованности данных. Например, социально-демографические данные, собранные на местах агентами, использующими приложение для смартфонов, могут быть проверены с помощью телефонного звонка от представителя центра обработки вызовов оператора PAYGo конечному потребителю.

Эта запись в блоге изначально была опубликована на NextBillion

Посмотреть демонстрационные презентации галереи инноваций PAYGo NEXT

См. Демонстрации BFA для таких операторов PAYGo, как:

  1. Модели прогнозирования оттока клиентов, которые помогают выявлять клиентов, подверженных риску, и лучше ориентироваться на клиентов для погашения
  2. Роботизированная автоматизация процессов (RPA) для оптимизации трудоемких серверных процессов и примеры чат-ботов для агентов
  3. Геопространственные карты для визуализации потенциальных рынков для расширения с использованием прогнозной аналитики и общедоступных данных
  4. Приложение для оптимизации полевых операций для агентов с целью снижения риска денежных переводов

Скачать демонстрационную презентацию (PDF)

FIBR означает доступность финансовых услуг на взлетно-посадочной полосе бизнеса и направлен на то, чтобы научиться преобразовывать новые бизнес-данные о лицах с низким доходом и связывать их с инклюзивными финансовыми услугами для углубления финансового включение и его влияние. FIBR - проект БФА в партнерстве с Mastercard Foundation.

Оставайтесь на связи, подписавшись на список рассылки FIBR и присоединившись к Inclusive Fintech Group on LinkedIn.