Data science w sprzedaży – jak analityka pomoże zarobić więcej?

Dlaczego projekty Big Data kończą się niepowodzeniem?

W najbliższych latach rozwój gospodarczy będziemy zawdzięczać głównie sztucznej inteligencji, uczeniu maszynowemu oraz wszechobecnemu Big Data. Jednak wciąż słychać głosy, że wdrożenie rozwiązań opartych na tej technologii kończy się rozczarowaniem i brakiem zwrotów z inwestycji. Czym jest więc era Big Data? Szansą na rozwój i przełomowe innowacje czy raczej wyzwaniem ekonomicznym i organizacyjnym, które trzeba umieć pokonać? Jakie są bariery na drodze do sukcesu Big Data? Przeanalizujmy je.

Duże korporacje są znacznie bardziej innowacyjne, mają możliwości finansowe niezbędne do zakupu i rozwoju zaawansowanych narzędzi analitycznych oraz informatycznych, w tym niezbędne do inwestycji w obszar bezpieczeństwa, nie mają natomiast szybkiej ścieżki decyzyjnej, którymi dysponują MiŚP. W każdym z tych sektorów przyczyny niepowodzeń projektów Big Data mają więc inne podłoże.

Mówiąc o projektach Big Data, już na początku warto odróżnić duże korporacje od sektora małych i średnich przedsiębiorstw (MŚP).

Jeżeli przyjrzymy się temu, jak działa klasyczny cykl funkcjonowania każdej organizacji, zaobserwujemy, że najczęściej stosuje się jedynie pierwszy krok – analizę opisową, odpowiadającą na pytanie „Co i dlaczego się wydarzyło?”, opartą na danych wewnętrznych. W mniejszym stopniu organizacje stosują następnie metody analizy predykcyjnej, odpowiadając na pytanie „Co i z jakim prawdopodobieństwem wydarzy się w przyszłości?”, szukając odpowiedzi na pytanie „Co z tego wynika i jaką decyzję podjąć?” oraz wskazując konkretne działania „Co możemy zrobić, aby zapobiec niekorzystnym zjawiskom?” (Rysunek 1).

Duże korporacje – wyzwania dla projektów Big Data

W dużych przedsiębiorstwach bariery i wyzwania dla projektów Big Data wynikają głównie z wewnętrznych uwarunkowań. Wymieńmy i przeanalizujmy najważniejsze.

Bariery organizacyjne

Bariera 1. Silosowość i brak szybkiej ścieżki podejmowania decyzji

Jej skutkiem jest trudność w zrozumieniu i całościowej ocenie sytuacji oraz trudność w przeprowadzeniu odpowiedniej analizy predykcyjnej, uwzględniającej wszystkie możliwe czynniki w organizacji. Podział funkcjonalny oraz specjalistyczny powoduje, że menedżerowie i pracownicy poszczególnych jednostek patrzą na cele stronniczo. Ponadto mają szczątkowe, a nie całościowe informacje o organizacji. W rezultacie analiza może mieć niekompletny charakter i skutkować błędnymi decyzjami.

Bariera 2. Ograniczone zrozumienie przez menedżerów wyższego szczebla wartości, jakie wnoszą narzędzia analityczne

Kadra zarządzająca często ma trudność w postawieniu odpowiednich hipotez z użyciem odpowiednio dopasowanych metod analitycznych. Częstym problemem jest też opieranie decyzji biznesowych na doświadczeniu i wiedzy eksperckiej zamiast na wynikach analiz dostarczonych przez narzędzia. Ścieżka kariery menedżerów wyższego szczebla częściej wymaga wykazania się inteligencją emocjonalną i umiejętnościami miękkimi niż twardymi. Skutkuje to nieprawidłową oceną wyników lub preferencją wyboru działań opartych na własnej wiedzy, mimo że analizy i fakty sugerują inny kierunek działań.

Bariera 3. Skomplikowany świat wewnętrznych systemów informatycznych

Wiele dużych organizacji wykazuje trudność w integracji i spójności danych wewnętrznych oraz ma ograniczone możliwości gromadzenia i zapisywania danych, które dotyczą wszystkich wydarzeń, co uniemożliwia ich analizę.

Systemy informatyczne są często standardowe i budowane w sposób pozwalający na dopasowanie ich do wielu różnych modeli organizacyjnych. Dają więc ograniczone możliwości konfiguracji narzędzi informatycznych do konkretnych potrzeb przedsiębiorstwa. Szanse biznesowe są zatem dostosowywane do możliwości systemów informatycznych, a nie odwrotnie.

Bariery biznesowe

Bariera 4. Ograniczone definiowanie oczekiwanej wartości ekonomicznej projektów Big Data

Brak wiedzy na temat wartości ekonomicznej projektów Big Data powoduje trudności w postawieniu celów biznesowych oraz problemy z określeniem obszaru, w którym projekty te wniosą największą wartość biznesową. Tymczasem podjęcie decyzji o przeprowadzeniu projektu Big Data powinno opierać się na precyzyjnej ocenie jego wartości dodanej. Jeśli pomijany jest etap stawiania wymiernych celów biznesowych, prowadzi to do nieprawidłowej oceny, czy projekt ostatecznie skończył się powodzeniem, czy nie.

Bariera 5. Częsty brak stawiania klarownych celów pośrednich

Skutkuje to trudnością w uzyskaniu zaangażowania organizacji na długim dystansie oraz utrzymaniu stałego finansowania projektu. Biorąc pod uwagę czas niezbędny na realizację projektu Big Data, brak oczekiwanych korzyści w krótszych odcinkach czasowych może powodować ograniczone zrozumienie osiąganych postępów, a z czasem – utratę zaangażowania kadry menedżerskiej lub finansowania wewnętrznego.

Bariera 6. Ograniczone określenie obszarów odpowiedzialności i miar sukcesu

Należy też dodać – ograniczona spójność celów poszczególnych jednostek organizacyjnych. Dzieje się tak, jeśli – pomimo potrzeby określenia wymiernych czynników sukcesu w krótkiej i dłuższej perspektywie trwania projektu – wielozadaniowość oraz przykładanie różnych wag w systemach oceny poszczególnych jednostek powodują brak spójności oraz brak odpowiedniej oceny wkładu tych jednostek w prowadzony projekt.

Bariery planistyczne

Bariera 7. Planowanie top-down , a nie bottom-up

Jego skutkiem jest brak silnej korelacji pomiędzy zaplanowanym wynikiem finansowym a możliwościami rynkowymi, a także nieefektywny podział budżetu. Procesy planistyczne często wychodzą od celów, które zarząd określa na podstawie własnych aspiracji oraz oczekiwań interesariuszy. Narzucone odgórnie cele finansowe mogą powodować nieodpowiedni podział budżetu, prowadząc do realizacji projektu Big Data w obszarach, które mają mniejszy potencjał biznesowy.

Bariera 8. Brak analityki predykcyjnej w procesach planistycznych

Błędem jest oparcie procesu planowania finansowego tylko na analizie opisowej oraz ograniczanie korelacji pomiędzy projektami Big Data a potrzebami organizacji do „tu i teraz”, jak to często dzieje się w procesach planistycznych. Dopiero wykorzystując moc analityki predykcyjnej, która przewiduje wyniki organizacji na poziomie mikro, można wskazać obszary, gdzie oczekiwania inwestorów i interesariuszy mogą być spełnione po wprowadzeniu zmian do dotychczasowych praktyk.

Bariera 9. Brak zaplanowania procesów testowania

Ograniczona tolerancja na zaplanowanie błędów oraz brak budżetu na niezbędne działania testowe stanowią częsty problem korporacji. Tymczasem rozwój organizacji w dużym stopniu opiera się na testowaniu nowych praktyk, które wymagają szczegółowego zaplanowania. Jeśli tego zabraknie, wyniki projektów Big Data mogą mieć ograniczone skutki ze względu na zredukowane możliwości operacjonalizacji i wdrożenia do istniejących praktyk biznesowych.

Duże korporacje – studium przypadków

Klasycznym przykładem projektów Big Data w sektorze finansowym jest wdrożenie projektów segmentacji klientów oraz budowy działań (ang. next-best-action) wobec poszczególnych grup segmentacyjnych, co powinno przynieść oczekiwany skutek biznesowy.

Na przykład w branży windykacyjnej ocena prawdopodobieństwa spłaty zadłużenia oraz wyznaczenie optymalnej sekwencji działań (strategia kontaktu) wobec dłużnika, skierowanej na osiągnięcie odpowiedniego poziomu spłaty zadłużenia, jest krytyczna i wymaga zaplanowania na poziomie mikrosegmentów. Oszacowanie prawdopodobieństwa i poziomu spłaty może wskazać precyzyjnie obszary oraz segmenty dłużników, gdzie wzbogacenie danych (Big Data) jest niezbędne, aby osiągać lepsze wyniki w przyszłości. W branży bankowej lub ubezpieczeniowej taka segmentacja oraz wyznaczenie optymalnych strategii kontaktu może wspierać osiągnięcie odpowiedniego poziomu uproduktowienia oraz lojalności klienta.

Duże korporacje – rekomendacje

W XXI w. budowa długofalowej przewagi konkurencyjnej każdej organizacji zależy od czynnika, który ma część wspólną z terminem Big Data. Jest nim budowa strategicznej zdolności analitycznej (ang. strategic analytical capability) organizacji. Produkty oraz procesy operacyjne są łatwo kopiowane przez konkurencję ze względu na postęp technologiczny, natomiast wewnętrzna organizacja przetwarzania i analizy danych w celu podjęcia optymalnych decyzji biznesowych stanowi długotrwałą przewagę konkurencyjną, niemożliwą do skopiowania.

MŚP – wyzwania dla projektów Big Data

W sektorze MŚP bariery i wyzwania wynikają głównie z przyczyn wewnętrznych: braku odpowiednich zasobów, braku narzędzi niezbędnych do technicznego gromadzenia oraz nieprawidłowego przetwarzania danych.

Wyzwaniem dla MŚP jest gromadzenie dużego wolumenu danych z różnych dostępnych źródeł czy integrowanie różnorodnych typów danych. Organizacje te mają także częste problemy z jakością i dostępnością danych oraz procesowaniem i przetwarzaniem danych na czas (ang. real-time analytics). Dużą trudność sprawia im budowa i monitoring modeli predykcyjnych oraz prezentacja i wizualizacja danych na czas.

Wszystko to ogranicza możliwości rozwoju wielu przedsiębiorstw w sektorze MŚP. Nawet pokonanie tych barier nie rozwiązuje kwestii ograniczonego budżetu oraz problemu małego zrozumienia wartości ekonomicznej zastosowania narzędzi analitycznych.

MŚP – studium przypadków

Małe i średnie instytucje finansowe (np. sektor SKOK, sektor bankowości spółdzielczej), firmy pożyczkowe, leasingowe czy faktoringowe stoją przed dużym wyzwaniem – jak zbudować korzystne wyniki finansowe zgodnie z bezpieczną polityką oceny ryzyka kredytowego swoich klientów, zachowując przy tym wysoki poziom sprzedaży. W tym przypadku projekty Big Data obejmują procesy wzbogacenia istniejących danych w celu szybkiej i skutecznej oceny ryzyka kredytowego.

Mówiąc fachowym językiem, obszar analityczny i ryzyka kredytowego musi obejmować budowę i monitoring kart scoringowych oraz modeli predykcyjnych, modelu LGD (loss-given-default), modelu zarządzania ceną i rentownością, w tym oceny nie tylko ryzyka klienta (opartego na PD – probability of default), ale również ryzyka transakcji (model COR – cost-of-risk) przy jednoczesnym wyznaczeniu limitu transakcji i całkowitego zaangażowania klienta.

Organizacja musi zostać wyposażona w automatyczne narzędzia raportowe, pozwalające na szybki monitoring i wdrażanie zmian. Wszystkie te elementy budują unikatowy zestaw narzędzi i kompetencji, które zapewnią długotrwały wzrost finansowy i satysfakcję klientów.

W ramach Systemu 12-S typową strategię sukcesu można opisać w następujący sposób:

zapewnić pozytywną selekcję klientów podczas procesu sprzedaży,

zapewnić wysoki poziom obsługi i satysfakcji dla pozyskanych klientów, utrzymując wzrost lojalnej docelowej grupy klientów,

wdrożyć politykę cenową wspierającą procesy akwizycji i sprzedaży,

wdrożyć produkt, który buduje szybkość operacyjną organizacji,

zapewnić dynamiczne zmiany biznesowe i legislacyjne, które stworzą szanse dla rozwoju organizacji, będąc jednocześnie barierą dla konkurencji.

MŚP – rekomendacje

Pokonanie wyzwań w sektorze MiŚP wymaga skupienia się na osiągnięciu skali w wykorzystaniu narzędzi analitycznych, z jednoczesnym położeniem nacisku na stworzenie zautomatyzowanych procesów i narzędzi do gromadzenia, przetwarzania oraz analizy danych. Jeśli przedsiębiorstwo z sektora MiŚP nie ma zdolności do budowy takich narzędzi i procesów, kluczowa staje się rola zewnętrznych organizacji, w tym instytucji naukowych i uczelni. Do nich należy stworzenie rozwiązań, które mogą być wykorzystane przez przedsiębiorstwa MiŚP na skalę masową.

Podsumowanie

Na drodze do wdrożenia rozwiązań analitycznych i prowadzenia projektów Big Data organizacje muszą pokonać wiele barier, których nie wolno bagatelizować. Niezależnie od zaawansowania organizacji najważniejszym czynnikiem jest budowa strategicznej zdolności analitycznej, w której analiza i wykorzystanie zaawansowanych metod analitycznych są w centrum wszystkich procesów decyzyjnych i operacyjnych.

Analityka predykcyjna w finansach: hybrydowa platforma architektury danych

OGÓLNE INFORMACJE

Nawet w świecie cyfrowym relacje są na pierwszym miejscu

Nieważne, czy pracujesz w bankowości detalicznej czy komercyjnej, zarządzasz majątkami czy zajmujesz się rynkami kapitałowymi — we wszystkich obszarach liczą się przede wszystkich relacje z klientem. Niezbędne jest nawiązanie, zabezpieczenie i pogłębienie relacji, przy jednoczesnym obniżeniu ryzyka i zapewnieniu zgodności z przepisami. Spraw, by Twoi klienci czuli, że znasz ich potrzeby. Porozumiewaj się z nimi za pośrednictwem kanału, w którym czują się najbardziej komfortowo: za pomocą urządzeń mobilnych, internetu lub przedstawiciela w oddziale.

Budowanie zaufania i zwiększanie pewności wpływa na wzrost udziału w wydatkach klientów i wartości klienta w czasie. Aby osiągnąć ten cel na szeroką skalę, oprzyj swoje analizy big data i analitykę predykcyjną na sprawdzonej, nowoczesnej i hybrydowej platformy architektury danych firmy Cloudera.

Data science w sprzedaży – jak analityka pomoże zarobić więcej?

„Tanio, szybko lub dobrze” - wybierz tylko dwie z dostępnych opcji. Taka tabliczka znajduje się w pewnym punkcie usługowym. A obecny Klient stał się osobą wymagającą, świadomą i łatwo zmieniającą zwyczaje zakupowe - coraz częściej chce wszystkie trzy. Z drugiej strony - firmy produkujące i sprzedające dobra działają w konkurencyjnym środowisku oraz nasyconym w wielu obszarach rynku. Weźmy na przykład pod uwagę sektor telekomunikacyjny gdzie nasycenie telefonii komórkowej dawno już przekroczyło 100% (wg. raportu URE z 2017 r.). Mamy zatem dwa sprzeczne bieguny, które trzeba w jakiś sposób pogodzić. Przyjrzyjmy się dokładniej perspektywie Klienta, Sprzedawcy. Zobaczmy jak w tą relację możemy wpleść najnowsze technologie i analitykę, oraz kogo do tego przedsięwzięcia potrzebujemy.

Klient

Kupując produkt czy usługę, nasz Klient ma wiele możliwości zakupu. Sklep tradycyjny - gdzie możemy obejrzeć produkt na żywo, internet –możemy skorzystać z porównywarek cenowych i wybrać jeden z setek sklepów. Portal aliexpress – gdzie konkurencja cenowa względem lokalnych sklepów jest bezwględna. To na co się zdecydujemy warunkują różne czynniki – przywiązanie do marki, cena, marketing, opinie internautów czy rekomendacje znajomych. Jednak Klient ma wciąż ma te same zachowania zakupowe. Jest grupa klientów którzy regularnie wymieniają posiadane produkty (np. telefony) na nowe. Bardzo ważna klientów z punktu widzenia sprzedającego - regularność zakupów czy wybierane produkty (przeważnie nowości a więc sprzęt dość drogi). Druga grupa to Klienci którzy pod wpływem impulsu podejmują decyzję o zmianie dostawcy usług czy ulubionego sklepu. W przypadku tej grupy klientów często wystarczy małe potknięcie i mogą nigdy do nas w roli kupującego nie wrócić. W końcu są Klienci którzy podejmują decyzje przez długi czas – dla nich musimy przygotować wsparcie merytoryczne i doradztwo przy zakupie, tak żeby proces decyzyjny zakończył się zakupem w naszym sklepie.

Sprzedawca

Biorąc pod uwagę powyższe elementy - Sprzedawca nie ma lekko. Oczywiste jest że firmy muszą zarabiać. W większości przypadków dochodzi jeszcze dodatkowa presja na poprawę wyników – inwestorzy mają swoje oczekiwania. Sklepy tradycyjne tracą klientów na rzecz e-commerce. E-commerce – to konkurencja, walka ceną, odpowiednia logistyka. Ciągły rozwój sklepu internetowego – wprowadzanie nowości (chatboty, bitcoiny), innowacje. Każdy chce czymś się wyróżnić. A Klient jak nie odnajdzie się na naszym portalu po kilku sekundach zrezygnuje i najpewniej już nie wróci.

Technologia

Równolegle do omawianej ewolucji w obszarze Klienta oraz Sprzedawcy postępuje na szczęście technologia informatyczna – firmy mają możliwość zbierania danych pochodzących z wielu różnych miejsc, posiadających ogrmoną wartość informacyjną. Posiadane przez nich systemy informatyczne wykorzystywane do wsparcia bieżącej pracy to kopalnia wiedzy, która wzbogacona może zostać dodatkowo o inne, zewnętrzne dane pozwalające jeszcze szerzej spojrzeć na informację. Oczywiście tych danych jest dużo, pojawiają się w różnych cyklach (często online) i są zapisane na różne sposoby, ale tutaj również technologia sprawia, że radzimy sobie z tym obszarem całkiem dobrze. Już kilkanaście lat temu, dostawcy technologii odkryli potencjał drzemiący w posiadanych danych, została stworzona technologia Big Data, której rozwój trwa do dzisiaj. Dzięki takiemu podejściu wolumen danych czy prędkość przetwarzania przestają być problemem a do tego silna konkurencja pozwala na dostęp do tych rozwiązań w stosunkowo niskiej cenie.

Analityka

Rozwój technologii Big Data nierozerwalnie idzie w parze z rozwiązaniami analitycznymi, które pozwalają z naszego zbioru danych wydzielić istotną informację a następnie dalej z nią pracować. Zarówno w obszarze bieżącej analizy i raportowania (tradycyjne podejście Business Intelligence) jak również w obszarze analizy predykcyjnej – która ma za zadanie pomóc nam znaleźć odpowiedź na pytania związane z różnymi aspektami naszego biznesu w przyszłości. Analiza predykcyjna daje wymierne rezultaty w sytuacji, kiedy ma możliwość dowiedzieć się o panujących trendach w biznesie naszej organizacji w przeszłości. Dlatego tak ważny jest aspekt gromadzenia danych historycznych. Modele predykcyjne dają tym lepsze wyniki im więcej, dobrej jakości mają danych historycznych. Kiedy już zbudujemy miejsce dla naszych danych (najbardziej popularne są rozwiązania klasy hurtowni danych), potrzebujemy jeszcze dwóch rzeczy: zadania analitycznego oraz osób które zbudują modele analityczne. Analiza predykcyjna to dziedzina ściśle powiązana ze statystyką, matematyką – tworzenie odpowiednich modeli, wymaga mocnych podstaw w tym obszarze. Do tego dochodzi znajomość odpowiednich technologii informatycznych, ale o tym za chwilę. Zadanie analityczne, to model który chcemy zbudować do analizy konkretnego obszaru biznesowego. Może to być analiza sprzedaży i próba prognozowania trendu sprzedażowego na przestrzeni najbliższych miesięcy. Mogą to być modele związane z zwiększeniem sprzedaży, pozwalające prognozować produkty czy usługi które nasi klienci chętnie dokupią na podstawie zachowań historycznych podobnych grup klientów. Zadanie analityczne musi być powiązane z realną potrzebą biznesową oraz musi być mierzalne w kontekście weryfikacji wyników uzyskanych przez model. Pamietajmy, jeżeli umiejętnie i dość szczegółowo podzielimy naszych klientów na mniejsze grupy zachowania wśród nich będą często bardzo podobne. Dlatego ucząc się jak te zachowania wyglądały, jesteśmy w stanie przygotować modele analityczne które swoją wiedzę są w stanie wykorzystać w trakcie bieżących transakcji zakupowych – odpowiednio sklasyfikować klienta a następnie prowadzić go przez ścieżkę zakupową.

Zespół

Modelowanie predykcyjne to praca łącząca kompetencje z trzech obszarów – nauki matematyczne, technologia oraz umiejętność pracy z klientem biznesowym (komunikacja i analityczne myślenie). Firmy dla których analityka jest istotnym elementem wspierania przedsiębiorstwa coraz częściej budują własne zespoły Data science. Dużym atutem takiego podejścia jest fakt, że analitycy dysponują szeroką wiedzą biznesową z zakresu funkcjonowania firmy co daje odpowiednie przełożenie na budowane przez nich rozwiązania. Jednak większość korzysta z usług oferowanych przez dostawców IT, gdzie również powstają dedykowane komórki Data Science. W tym przypadku atutem jest podejście projektowe (co przekłada się na jednorazowy koszt przedsięwzięcia) oraz doświadczenie konsultantów z pracy z różnymi klientami i danymi.

Projekt

Projekty analityczne w porównaniu do innych przedsięwzięć informatycznych są relatywnie krótkie a tym samym koszt realizacji jest dość niski. Średni czas trwania takiego projektu w BitPeak, w ramach którego pracowaliśmy nad wdrożeniem konkretnego zadania analitycznego to niecałe 3 miesiące. Doświadczenie BitPeak w zakresie projektów analitycznych pokazuje, że najtrudniej zacząć, znaleźć ten pierwszy realny temat do analizy i osoby chętne się zaangażować w przedsięwzięcie. Jeśli jednak zaczniemy i co więcej, model predykcyjny będzie skuteczny i w sposób wymierny przełoży się na wyniki uzyskiwane przez firmę to potem kolejnych tematów będzie dużo. Analitykę predykcyjną możemy naprawdę wykorzystać w wielu miejscach procesów biznesowych funkcjonujących w przedsiębiorstwie.

Jak zacząć

Potrzebujemy 3 elementów – potrzeby biznesowej – która mam nadzieję ze po przeczytaniu tego artykułu udało się wykreować, technologii oraz partnera wdrożeniowego. Jeżeli organizacja ma problem z identyfikacją zadania analitycznego, BitPeak proponuje w ramach swojej metodyki wspólne warsztaty konsultingowe na których nasi konsultanci pomogą zebrać wymagania i ustalić realną potrzebę biznesową, do realizacji której możemy wybrać analitykę. W zakresie technologii dostępne są rozwiązania klasy Enterprise dedykowane dla przedsiębiorstw dojrzałych w obszarze analityki, dysponujących własnymi zespołami, których biznes intensywnie korzysta z dostarczanych przez analitykę wyników. Jednak w przypadku mniejszych rozwiązań, warto zainteresować się środowiskami dostępnymi w chmurze, czy też stworzyć rozwiązanie w oparciu o technologie open-source, które w obszarze analityki czy Big Data opanowały znaczną część rynku (HortonWorks, Cloudera czy język R).

Przykład

BitPeak Analytical Tool (BPAT) to stworzona przez BitPeak platforma analityczna pozwalająca szybko podłączyć się do ekosystemu informatycznego Twojej firmy i zbierać oraz wzbogacać dane na potrzeby prowadzenia analiz. Przygotowane wstępnie modele dają możliwość na działania w zakresie wsparcia sprzedaży oraz lojalności klienta zaraz po uruchomieniu platformy. BPAT skupia się na zebraniu jak największej ilości danych o każdym klienciei zbudowaniu jego pełnego profilu po uzupełnieniu o dane którymi system dysponuje z zewnątrz (GUS, dane demograficzne czy statystyczne). Na tak zebranych danych możemy uruchomić silnik rekomendacyjny BitPeak smartSale, który ma za zadanie dopasować akcje rekomendacyjne do zidentyfikowanych wzorców zakupowych. smartSales nie skupia się tylko na rekomendacjach zakupowych, ale również generuje akcje informacyjne czy lojalnościowe. Jednym z zadań silnika jest też monitorowanie zachowań klienta w zakresie jego skłonności do odejścia. W przypadku wykrycia niepokojących zachowań, BitPeak smartSale rekomenduje działania prewencyjne.

Sebastian kamiński

CEO, Head of Data Management w BitPeak