Алгоритмы-предсказатели: как ИИ помогает предугадывать намерения клиентов

Игорь Калинин, основатель компании TWIN, рассказал, как предсказание намерения помогает улучшать пользовательский опыт и как эту технологию используют разработчики голосовых помощников.




От распознавания к предсказанию 

Распознавание намерений клиента долгое время помогало компаниям эффективно выстраивать маркетинговые стратегии и улучшать UX продукта. Но в последние годы, когда конкуренция за внимание пользователей на платформах обострилась, привычные модели перестали решать задачу. 

Бренду уже недостаточно анализировать действия клиента постфактум — важно предугадать его намерения и скорректировать стратегию до того, как потребитель совершит действие. 

Развитие новых технологий тоже повлияло на этот процесс — например, при общении с голосовым помощником важно автоматически и в режиме реального времени оценить не только намерения клиента, но также его эмоциональное состояние и заинтересованность продуктом. Например, распространение m-commerce (мобильной коммерции) ускорило процесс совершения покупки — сегодня потребитель может выбрать товар за несколько секунд и оплатить его в один свайп со смартфона. Таким образом, временной промежуток между намерением и выполнением целевого действия резко сократился.

Сегодня пользователь отдает предпочтение быстрым бесшовным сервисам: банковское приложение, онлайн-магазин или сайт курьерской службы обязаны обладать максимально простым и понятным интерфейсом, а транзакции не должны требовать дополнительных усилий. По статистике, если страница грузится дольше трех секунд, клиент предпочтет отказаться от услуги или покупки. Постепенно бесшовность трансформируется в прозрачность: клиенту необходим не просто удобный сервис — важно, чтобы все процессы были максимально упрощены и автоматизированы. 

Как показывает опрос Oracle, 77% компаний считает, что необходимо предвосхищать намерения и желания клиентов, опираясь на данные об истории покупок и степени лояльности бренду. Часто именно исследование намерений помогает извлекать ценные инсайты — и во многих случаях таргетирование на основе таких прогнозов работает эффективнее, чем таргетинг на основе демографического анализа аудитории. Так, аналитики Google выяснили, что 40% покупок детских товаров совершают пользователи, у которых нет детей — они берут подарки для родственников или друзей. Выяснить это удалось в процессе отслеживания всего пути клиента — от намерения до финальной покупки.

Технологии маркетингового прогнозирования опираются на большие данные и системы на базе машинного обучения: анализируя закономерности поведения разных когорт пользователей, компания определяет специфические паттерны и учится предугадывать поведение покупателя. 

Например, изучает действия человека на всех платформах: в приложении, на сайте, при открытии писем в электронной почте или сообщений в мессенджерах, а потом выстраивает весь путь клиента, опираясь на большие данные. Это помогает понять, на каком этапе пользователю лучше предложить скидку или сделать спецпредложение.

Изучение намерений также упрощает аналитику. Например, сервисы динамического коллтрекинга при каждой сессии клиента показывают ему уникальный номер телефона компании. Когда пользователь звонит, система автоматически выводит данные о его прошлых действиях: с какого источника он перешел на сайт и с какого устройства зашел. 

На основе агрегированных данных компании выставляют клиентам потребительский рейтинг — оценивается активность пользователя за последний период и его благонадежность. Некоторые применяют лид-скоринг, который помогает более эффективно таргетировать контент и точечно предлагать услуги. С его помощью компания понимает, когда клиент готов записаться на вебинар, а в какой момент он уже нацелен на покупку онлайн-курса или другого продукта.

Для маркетинговой аналитики прогнозирование намерений — это ценный ресурс, который помогает компании работать с аудиторией более эффективно. Но в случае с голосовыми технологиями подобные прогнозы — не вспомогательная опция, а необходимое условие, причем аналитика нужна здесь и сейчас, а механизмы прогнозирования должны быть отлажены еще в процессе разработки голосового помощника.




Алгоритмическая эмпатия

Большинство современных голосовых сервисов опирается на технологии обработки естественного языка (NLP). С их помощью виртуальный ассистент понимает пользователя и учится поддерживать с ним диалог на разных уровнях сложности. 

При разработке ботов учитываются три ключевых сегмента: фраза (высказывание), намерение (интент) и смысловой слот. 

Например, пользователь спрашивает виртуального оператора: «Куда делась моя посылка?» С точки зрения алгоритма из фразы можно выделить намерение, которое можно отнести к определенной категории — слоту. Например, маркер «где» помогает ИИ извлечь информацию о местоположении посылки (слот: «Местоположение посылки»). 

Способность классифицировать данные в голосовые помощники закладывают изначально — на стадии создания датасета. Чем точнее компания понимает возможные намерения пользователей, тем правильнее она может запрограммировать бота, и, следовательно — тем лучше будет UX. 

Наш опыт показывает, что наиболее качественные сценарии создаются на основе референсных диалогов с участием операторов контактного центра. При создании бота для бизнеса мы берем образцовый диалог, разбиваем его на отдельные компоненты, маркируем их и создаем датасет. Это более эффективная методика, чем написание сценария с нуля, поскольку она помогает точнее оценивать намерения. Живые диалоги часто отличаются от предписанных сценариев, поэтому важно брать их за основу, чтобы построить максимально правдоподобного голосового помощника.

---

Читайте также: На пути к great customer experience или почему ритейлерам стоит связать RPA с CRM прямо сейчас

---

В целом времена, когда боты понимали только условные «да» и «нет», остались в прошлом. Сегодня они умеют распознавать оттенки смыслов и определять контекст — в том числе за счет мгновенной оценки намерений клиента. Может показаться, что это обычное распознавание звучащей речи, но на практике все не так просто. 

Например, если голосовой помощник звонит человеку, а тот говорит «Я занят» или «За рулем», бот должен автоматически завершить диалог и запланировать следующий звонок в более подходящее время. Часто пользователь выражает одну и ту же мысль сотнями разных способов — и разработчики обязаны это предусмотреть. 

Так, банк Capital One при создании помощника Eno выявил 2000 разных вариации запроса о проверке баланса со стороны клиентов — и каждую нужно было учесть.

Это лишь базовый слой, который помогает алгоритму понимать человека. Однако современные голосовые помощники постоянно эволюционируют и обзаводятся новыми навыками. Они учатся распознавать тональность текста и речи (sentiment analysis) — определяют позитивный, негативный или нейтральный настрой собеседника и, исходя из этого, строят дальнейший диалог. 

По нашему опыту, распознавание тональности помогает бережнее работать с клиентом — не навязывать расстроенному пользователю дополнительные услуги, а собеседнику в приподнятом настроении, наоборот, рекомендовать сервисы и предлагать скидки. Грамотное определение намерений и тональности помогает создавать чутких и эмпатичных ботов — просто чуткость и эмпатия создаются не на уровне абстракций, а на уровне больших данных и грамотно проработанных диалогов.




Гибридные модели

Прогнозирование намерений выходит за рамки одного конкретного диалога в случае, если голосовой помощник интегрирован в крупную омниканальную CRM-систему — условно назовем ее «цифровым центром управления». В этом случае бот учитывает нюансы поведения клиента в ближайшие дни, недели и месяцы. Например, договаривается о звонке, фиксирует в базе данных договоренности и намерения, вспоминает о них в ходе последующих созвонов. 

Подобную механику мы использовали при создании бота для американского рынка недвижимости. Виртуальный помощник не только обзванивал клиентов, заинтересованных в покупке или продаже недвижимости, он также классифицировал клиентов по целевым группам и на основе этого выстраивал сценарий беседы. Затем бот назначал дату и время встречи для просмотра объекта, параллельно фиксируя разные триггеры — это помогало составить более подробный портрет клиента и лучше понимать его намерения.

Часто такие технологии применяют в ритейле: например, бот крупного магазина одежды агрегирует данные из разных источников и знает, что клиент пытался оформить заказ с оплатой при получении в пункте выдачи. При звонке бот предложит ему эту опцию еще до того, как клиент озвучит свое пожелание вслух. Это удачный пример соединения прогнозирования намерений, предиктивной аналитики и омниканальной модели.

Такие сервисы пользуются спросом не только в ритейле, но и в сфере финтеха, где аналитика данных играет ключевую роль в построении и развитии продукта. И именно в финансовом секторе растет спрос на голосовых помощников, поскольку они действуют более методично, четко выполняют инструкции, а при их использовании исключены ошибки, вызванные человеческим фактором. 

Как показывает наша статистика, знакомство российских пользователей с чат-ботами и голосовыми ассистентами начинается как раз с банковских сервисов и именно финтех-продукты выступают драйвером на рынке потребительских ИИ-технологий в России.

Индустрия не стоит на месте: компании уже исследуют все больше маркеров, которые помогают прогнозировать намерения. Это распознавание эмоций по голосу или биометрическим параметрам, более глубокий семантический анализ контекста, а также составление детальных портретов пользователей, которое помогает подобрать индивидуальный подход к каждому. В конечном итоге все это ведет к совершенствованию пользовательского опыта. 

Игорь Калинин, основатель компании TWIN

для New Retail