IT@BANK 2020 | Przestań wysyłać spam do swoich klientów

BANK 2020/11

Niewiele osób wie, że jedną z najważniejszych dat w najnowszej historii jest 1 maja 1978 r. Ten dzień w pewien sposób zdefiniował zasady współczesnej komunikacji. To właśnie wtedy Einar Stefferud wysłał poprzez sieć ARPANET (bezpośredniego przodka internetu) około 1000 zaproszeń na swoje urodziny. Historia zapisze tę wiadomość jako pierwszy przypadek wysłania spamu. I świat już nigdy nie będzie taki sam.

Niewiele osób wie, że jedną z najważniejszych dat w najnowszej historii jest 1 maja 1978 r. Ten dzień w pewien sposób zdefiniował zasady współczesnej komunikacji. To właśnie wtedy Einar Stefferud wysłał poprzez sieć ARPANET (bezpośredniego przodka internetu) około 1000 zaproszeń na swoje urodziny. Historia zapisze tę wiadomość jako pierwszy przypadek wysłania spamu. I świat już nigdy nie będzie taki sam.

Łukasz Nienartowicz

Kiedy mówimy o spamie, to przed naszymi oczami pojawia się natychmiast e-mail sugerujący, że jakaś daleka rodzina z Afryki chce przesłać nam złoto, albo dostajemy propozycję pozycjonowania naszej strony internetowej, co o dziwo może być niemożliwe, ponieważ aktualnie żadnej nie posiadamy. Jest jednak i druga strona tego obrazu. Z punktu widzenia klienta, każda informacja, mail, SAS czy push, która jest mu niepotrzebna, jest spamem. Jeśli więc zdefiniujemy spam jako każdą wiadomość zarchiwizowaną bez czytania, to wszyscy jesteśmy spamerami.

Historia

Z czego wynika ta sytuacja. Otóż, jakiś czas temu zauważyliśmy, że marketing bazujący na kilku kampaniach rocznie: jednej na Święta, jednej na Wielkanoc i kilku dla nowych produktów, już nie wystarczy. Zbudowaliśmy więc specjalne systemy automatyzacji marketingu zdolne do prowadzenia setek kampanii w tym samym czasie. Potrafią one komunikować się z klientami za pośrednictwem wielu kanałów, takich jak: e-mail, SMS, push z aplikacji, portal internetowy, czy nawet przygotowując oddzielną ofertę dla klienta kontaktującego się z call center, a inną dla tego, który odwiedza oddział firmy osobiście.

I co dzięki temu uzyskaliśmy? Zwiększenie częstotliwości komunikacji samo w sobie nie poprawiło sytuacji, a wręcz ją pogorszyło. To, że jesteśmy bardziej skuteczni, ale w wykonywaniu niewłaściwych czynności, nie przybliża nas do celu. Aby informacja nie stała się dla naszego klienta spamem, musi spełniać trzy kryteria, które nazwałem: „Co?”, „Gdzie?” i „Kiedy?” Jednak żeby to osiągnąć, potrzebujemy dużych ilości uporządkowanych i wysokiej jakości danych. Tak dużej, że człowiek nie jest w stanie ich przetworzyć. Ale w końcu, od czego mamy sztuczną inteligencję, prawda?

Co?

Pierwsze kryterium to odpowiedź na pytanie: „Co zainteresuje mojego klienta?” Proponowanie mu kredytu w sytuacji, gdy posiada duże oszczędności lub co gorsza, nie ma zdolności kredytowej, nie wydaje się optymalnym podejściem. Z drugiej strony – nasz klient być może właśnie w tej chwili poszukuje dodatkowej gotówki, tymczasem my proponujemy mu superlokatę.

W tym przypadku do realizacji różnych zadań możemy wykorzystać algorytmy machine learning. Po pierwsze, do segmentacji klientów i podzielenia ich na pewne spójne, w kontekście marketingu, grupy. Za pomocą innych algorytmów możemy szukać klientów podobnych do tych, którzy już zakupili produkt, na którego sprzedaży nam zależy. Jest to więc idealne miejsce dla modeli wspierających cross sell czy up sell oraz przygotowanie tzw. najlepszej następnej oferty (ang. next best offer).

Gdzie?

Drugie kryterium to i drugie pytanie: „W jaki sposób dotrzeć do klienta z komunikatem, aby był on najskuteczniejszy?” Wiele organizacji nawet nie zastanawia się nad tym, czy konkretny klient woli otrzymywać informacje e-mailem, czy też w aplikacji mobilnej. Nie na każde może zareagować w ten sam sposób. Tę sytuację oddaje świetnie fascynacja chatbotami. Rzeczywiście pozwalają one znacznie ograniczyć koszty komunikacji z klientem, ale czy ktoś mierzy, ile szans sprzedażowych tracimy z powodu niechęci klienta do komunikacji z botem?

W tym zadaniu kluczem jest powiązanie konkretnego kanału komunikacyjnego z informacją zwrotną od klienta, zarówno w formie bezpośredniej (np. przeczytał e-mail lub nie), jak i w ocenie skuteczności wpływu na końcową decyzję klienta o zakupie usługi. Jeśli zbierzemy takie dane, możemy zbudować model machine learning, który będzie się uczył, którym kanałem najskuteczniej komunikować się z danym klientem.

Kiedy?

Czy to, że klient przelał całe swoje pieniądze na konto innego banku oznacza, że będzie od nas odchodził? Nie, jeśli robi tak co miesiąc. Trzecim kryterium dobrej komunikacji z klientem jest określenie właściwego czasu, w którym należy się z klientem skomunikować. Mamy tutaj dwa typy zagadnień. Po pierwsze, predykcja zachowania klienta, jak na powyższym przykładzie, czyli modele potrafiące przewidzieć jego zachowanie, jak choćby to, że może nosić się z zamiarem zamknięcia konta w naszym banku.

Z drugiej strony potrzebne są też algorytmy potrafiące dostosować naszą ofertę do potrzeb klienta w czasie rzeczywistym. Jaką reklamę wyświetlić na ekranie bankomatu? W jaki sposób dostosować dynamiczny portal internetowy do wykrytych w tej chwili potrzeb konsumentów? Jak ostrzec klienta, że jego kartą są właśnie wykonywane podejrzane transakcje? Dobry model machine learning może zrobić te rzeczy w ułamku sekundy. W tym ułamku, w którym klient właśnie tego oczekuje.

Jak to się skończy?

Historia pierwszego spamu uczy nas jeszcze jednego. Otóż w odpowiedzi na zaproszenie na przyjęcie urodzinowe, Einar Stefferud otrzymał setki, nierzadko zabawnych odpowiedzi, które ostatecznie zablokowały dyski twarde na jego serwerze. Spam nie popłacił i nadal nie popłaca. Generuje tylko koszty, powoduje niezadowolenie i grozi utratą możliwości komunikowania się z klientem. Z drugiej strony – w mojej skrzynce e-mailowej pojawiają się wiadomości, których wręcz oczekuję. Dlaczego? Bo w znacznej większości odpowiadają na moje potrzeby. Otwieranie tych e-maili sprawia mi przyjemność. A, że czasem nawet one nie trafiają w moje zainteresowania. No cóż, nikt nie jest doskonały. Każdy od czasu do czasu może się pomylić. Byle nie za często.

Udostpnij artyku: