Call-center hívás optimalizáció
A call-center hagyományosan egy kis profittal rendelkező üzletág. Következésképpen nagy szükség van egy olyan alkalmazásra, amely optimalizálja a működését. Megoldásunk részben egy folyamat vezérlő alkalmazás, amely ahogy a rendszer elkezd működni, elkezdi gyűjteni a hívásokkal kapcsolatos adatokat. Időben előrehaladva a hívásokat kiosztó algoritmus folyamatosan változik, hogy az operátorok optimálisan használják ki a munkaidejüket.
Az azonos típusú hívásokra készített statisztikai eredmények – amelyek a rendszerhez készített dashboardon jelennek meg – révén a különböző operátorok tevékenysége könnyen összehasonlítható. Pontosabban, az összehasonlítást is az algoritmusok végzik és csak azok az esetek kerülnek riportálásra, ahol az átlagos beszédhossz szignifikánsan rövidebb vagy hosszabb, mint a csoport átlaga.
Egyéb szempontok is elemezhetővé válnak, mint például a beszélgetés tónusa. Ez hatékony minőségbiztosítási eszköz lehet a túl agitált vagy túl enervált operátorok kiszűrésére (az üzleti célok szem előtt tartása mellett).
Ügyfél lemorzsolódás modellezés
Az előfizetők száma az új és elveszett előfizetések függvénye. Ez utóbbit lemorzsolódásnak lehet tekinteni – angolul “churn”-nek hívják. Ha meg tudjuk magyarázni a lemorzsolódás természetét, csökkenthetjük a lemorzsolódást. Valaminek a matematikában való magyarázata azt jelenti, hogy találunk egy megfelelő modellt, amely kvantitatív összefüggést ad az elveszett előfizetés és néhány egyéb tényező között. A lemorzsolódás csökkenése mindenképpen növeli a bevételt, de még fontosabb, hogy javítsa a vásárlói élményt.
A machine learning hatékony eszköz az ilyen típusú problémák kezelésében. A modellezés kerete magától értetődő, és ha sikerül egy elfogadhatóan jó modellt felállítani, akkor a mesterséges intelligencia gyorsan kiélesíti az elemzés sokszoros megismétlésével.
Egy jó modell lehetőséget ad egy mutató – nevezzük a lemorzsolódás valószínűségének – társítására is minden előfizetőhöz. Ennek a mutatónak a birtokában – amely szintén folyamatosan finomodik – közvetlen és jól célzott interakció lehetséges.
Gyártási folyamat optimalizáció
A termelésoptimalizálás a call centeres hívásoptimalizáláshoz nagyon hasonló megközelítésen alapul. Itt a cél a legrövidebb gyártási idő elérése (a minőség megőrzése mellett). A tanulási algoritmus a különböző erőforrástípusok, például helyiség, gépek és dolgozók összekapcsolására összpontosít. Mivel a rendszer tartalmaz egy minimum egy hónapos előrejelzési ablakot (van ennél hosszabb időszak is, de a precizitás esetleg nem elegendő az üzleti döntések meghozatalához), a kapacitások hiánya jelezhető.
Ez a modell csak a termelés optimalizálására koncentrál, és feltételezi, hogy minden szükséges készlet rendelkezésre áll, amikor szükséges. Megoldásunk optimális és egyben ideális kis, 5-30 fős cégek számára.
Hangulatindex elemzés
A szövegbányászat, vagyis az írott szöveg automatizált értelmezése iránti igény az adattudomány hajnala óta velünk van. Évek óta egyre pontosabb algoritmusokat fejlesztettek ki a szövegbányászat hatékonyságának növelésére. Míg az adatokhoz (ábrákhoz) kapcsolódó elemzések a világ minden táján azonosnak tűnnek, a szöveggel kapcsolatos elemzések többé-kevésbé sikeresek lehetnek az aktuális nyelvtől – és a háttérszótárak összetettségétől függően.
Pár éve egy új ötlet fogalmazódott meg. Vannak olyan területek – például a közvélemény-kutatás –, ahol nem feltétlenül kell egy egész tweetet vagy kommentet értelmeznünk. Ha van egy kutatási célunk – pl. a Ford vagy az Opel a népszerűbb –, csak azokat a forrásokat kell elemeznünk, ahol egyáltalán előfordul ez a téma, és csak néhány jelzőt vozsgálunk a kérdésre adott komment specifikus válasának elemzéséhez.
Az ilyen típusú elemzést hangulatpontszám elemzésnek nevezik. Mivel a nyers adatok – kommentek vagy megjegyzések – erősen strukturálatlanok, a hangulatpontszám elemzése a mély tanulási megoldások területe. Ha igazán nagy adatokkal kell szembenéznünk – pl. nyilvános vagy vásárolt közösségi média anyagok esetében – az eredményszerzés optimalizálásának nagyobb szerepe lehet, mint más adatkutatós megoldásoknál.
Egyedi Google Analytics Dashboard
A Google Analytics (GA) és a hozzá tartozó dashboard elkerülhetetlen. Ha szeretné ellenőrizni weboldala forgalmát, adwords kampányainak dinamikáját vagy webáruházának legnépszerűbb termékét, a megfelelő választ a GA-tól kaphatja. Ezenkívül a valós idejű információk ingyenesen használhatóak. Vonzó? Teljes mértékben. De az irányítópult általános kinézetét nem olyan egyszerű használni. A GA manapság sokféle célt szolgálhat, ezért menürendszere is bonyolult. Bárkinek jó, de senkinek sem tökéletes.
A GA adatbázisok közvetlenül – ingyenesen is – elérhetők, és némi nem túl bonyolult adatkezeléssel a kapott adatbázis egy személyre szabott dashboard alapja lehet. Ha tudja, hogy milyen adatokat akar ellenőrizni, melyik táblázatok, grafikonok tartalmazzák a leginkább a szükséges információkat, akkor az egyedi dashboard összeállítható, és az információk továbbra is valós időben, de az optimális formátumban válnak elérhetővé.
Ügyfélút dashboard
Ügyfélút meghatározására minden olyan esetben van lehetőség, amikor ugyanazon vásárló látogatása/vásárlása azonosítható (pl. törzsvásárlói kártya, IP cím stb.). A vevői tevékenység előrejelzése elfogadható hibával becsülhető a historikus adatokból.
Ez a fajta modellezés nagyon sokféle kérdés megválaszolására használható. Az egyik a vásárlások száma és a kapcsolódó marketing vagy értékesítési csatorna kapcsolatának kvantitatív leírása. A költségek megosztása a különböző marketing/értékesítési csatornák között általában valamilyen ökölszabály szerint történik.
A megfelelő elemzések elvégzésekor általában kiderül, hogy a marketing/értékesítési csatornák jelentősége teljesen más az ügyfelek számára az 1., 2., 3. stb. vásárlásnál. A prediktív modellezésből kapott súlyok alkalmazásával minimalizálható a marketingköltség úgy, hogy a várható vásárlások száma az eredetileg feltételezett szinten marad.