с сайтами, алгоритмы машинного обучения этой программы находят и предлагают оптимальный контент для настройки, а также помогают проверять предположения после разработки соответствующих тестов.
Стартап Optimizely использует машинное обучение для выполнения A/B-тестов ценовой стратегии. В эксперименте с маркетинговой фирмой Bizible компания Optimizely интегрировала свое экспериментальное программное обеспечение с системой компании Salesforce. В результате появилась панель мониторинга, отображающая экспериментальные переменные (первоначальные цены и тестовые цены), а также информацию о клиентах, контактные данные, сопутствующие обстоятельства и др. Это программное обеспечение также выполняло согласование цен по имеющемуся диапазону IP-адресов так, чтобы потенциальные клиенты видели одинаковые цены у компаний – участниц эксперимента. Тестирование длилось всего 30 дней, но результаты оказались убедительными. Новые, более высокие цены сужали диапазон возможностей, но эти возможности обеспечивали более высокую ценность, в среднем на 25 %.
Интеллектуальная автоматизация научных исследований в пределах организаций позволяет тестировать новые действия и процессы для повышения роста доходов. Машинное обучение может оказывать помощь при лабораторных испытаниях, протоколировании и регистрации данных и разработке новых экспериментальных методик. Также оно «подсвечивает» ранее непрозрачные процессы и высвобождает время продавцов и маркетологов, чтобы они могли планировать собственные эксперименты с полной ясностью и уверенностью.
Повышение эффективности продаж с помощью автоматизированных систем научных исследований
Машинное обучение также позволяет оптимизировать процессы, протекающие в реальном времени без участия человека. С этим согласились представители более 90 % компаний в нашем опросе.
Благодаря использованию алгоритмов автоматизированные научные эксперименты с данными могут проводиться по мере необходимости без вмешательства человека. В сфере продаж машинное обучение может минимизировать время на решение административных задач и исключать действия, отвлекающие продавца от непосредственного взаимодействия с клиентами. Конечным результатом может стать значительное сокращение длительности времени сделки.
Исторически многие торговые и маркетинговые группы пытались повысить эффективность своей работы, используя одноразовые приемы, которые было трудно, а то и вообще невозможно воспроизвести или масштабировать. В качестве примера можно привести собственные макросы или персонализированные электронные таблицы. Между тем алгоритмы машинного обучения (иначе – «машинного осмысления»), автоматизирующие административные задачи или своевременно составляющие прогноз поведения клиентов, напротив, легко поддаются стандартизации. Поэтому они могут быть реализованы разными командами в различных ситуациях.
Компания Gainsight производит программное обеспечение для более эффективного управления продажами и обслуживанием клиентов. Она помогла службе онлайновых опросов SurveyMonkey создать систему автоматических оповещений, чтобы все члены команды были в курсе обновлений, выставления счетов и возможностей дополнительных продаж. Используя технологию Gainsight, SurveyMonkey сократила время обработки при отправке счетов примерно на треть.
Другая компания под названием Anaplan намерена помочь Hewlett-Packard сократить время сбора данных о продажах с месяца до трех дней, то есть фактически в 10 раз. Тогда вместо обращения к информации месячной давности отделы продаж смогут принимать решения на основании результатов анализа актуальных данных. Аналогично оператор машинного обучения Aviso, работающий с корпоративной облачной компанией Nutanix, сможет «ужать» двенадцатичасовое составление отчетов о продажах до четырех минут.
Но независимо от того, используется машинное обучение для облегчения анализа, экспериментов или автоматизации, оно приносит реальную пользу. Зачастую продавцы и маркетологи начинают понимать и уверенно использовать процессы, которые до этого были непрозрачными. Это позволяет внедрять более стандартизованные и последовательные подходы к взаимодействию с клиентами. В других случаях машинное обучение позволяет запускать эксперименты «за кулисами», опять же ускоряя процессы и позволяя продавцам уделять необходимое время решению более ценных задач. Пока мы только ищем подходы к внедрению машинного обучения в сфере продаж (и в других подразделениях организаций) и реализации его преимуществ в полной мере. Но уже сейчас ясно, что оно обладает большим потенциалом в плане поиска значительных скрытых доходов там, где ранее выгоды были весьма незначительными.
10
Новый подход к автоматизации обслуживания
Мэри Лейсити и Лесли Уиллкокс
На протяжении более чем ста тридцати лет менеджеры пытались заставить людей действовать подобно роботам: структурируя, упорядочивая и оценивая рабочие операции под лозунгом стремления к максимальной эффективности[1]. Программное обеспечение для автоматизации, которое разрабатывается сегодня[2], позволяет в определенном смысле повернуть процесс вспять. Теперь мы можем использовать гибко программируемых роботов для поддержки и дополнительного усиления нужных качеств человека, что обеспечивает значительные экономические выгоды и более качественное выполнение работы. Однако в настоящее время непонятно, сколько типов найма сохранится в будущем, поэтому менеджеры оказываются в трудном положении. Заголовки в средствах массовой информации, такие как «Рост влияния роботов: технологии и угроза грядущей безработицы»[3] и «Мир без работы»[4], лишь дополнительно разжигают тревогу.
Хотя термин «робот» вызывает ассоциации с автоматизированными механизмами, работающими вместо человека, применительно к сфере услуг он выглядит не столь устрашающе. Обычно в таких случаях имеется в виду программное обеспечение, которое выполняет определенные стандартные и бесконечно повторяющиеся сервисные операции, ранее выполнявшиеся вручную, так что люди могут сосредоточиться на менее структурированных и более интересных заданиях. Автоматизация услуг включает в себя множество инструментов и платформ с разными возможностями.
В ходе исследования для этой статьи мы опрашивали людей, которые использовали различные термины, говоря об автоматизации обслуживания (см. раздел «О настоящем исследовании»). Чтобы читателю легче было представить себе ситуацию в целом, мы классифицировали инструменты в рамках автоматизации обслуживания по конкретным типам данных и процессов.
Эта статья посвящена тому, что мы называем роботизацией бизнес-процессов, то есть программным инструментам и платформам, которые могут использоваться для автоматизации обработки структурированных данных с получением детерминированных результатов на основе определенных правил. Почти во всех шестнадцати случаях, которые мы изучили, роботизация бизнес-процессов так или иначе присутствовала. Мы уделяем основное внимание именно этой сфере (в отличие от более продвинутой технологии автоматизации, которую обычно называют когнитивной автоматизацией – cognitive automation, или «познавательной автоматикой»), потому что именно с роботизации большинство компаний начинает автоматизацию обслуживания[5].
Как компании внедряют роботизацию бизнес-процессов? Этот тип автоматизации подходит для решения широкого спектра задач в сфере обслуживания. Компании, которые мы исследовали, использовали автоматизацию бизнес-процессов, в частности, для выполнения заданий, связанных с проверкой продажи страховых премий, выпиской счетов за коммунальные услуги, выплатами по медицинским страховкам, обновлением записей о сотрудниках и даже созданием информационных материалов. Например, лондонский провайдер услуг и технологических решений в области бизнес-процессов Xchanging PLC[6] работает с представителями разных отраслей. Для одного из своих клиентов-страховщиков Xchanging ведет учет страховых платежей, соответственно обеспечивая комиссионные страховым брокерам. Когда брокер продает страховой полис, он с помощью того или иного канала связи (электронная почта, факс, электронные таблицы и т. д.) представляет в Xchanging соответствующее уведомление, после чего компания осуществляет многоступенчатый процесс проверки продажи.
