نقش هوش مصنوعی در CRMهای سازمانی؛ از داده تا تصمیم

برای سال‌ها هدف از CRM مدیریت کردن ارتباط با مشتری بود. بنابراین تقریبا به مدت دو دهه، این سیستم‌ها به شکل کاملا کارآمدی در حال فعالیت بودند. با این حال ورود تکنولوژی‌های جدید همیشه تغییرات عمیقی را ایجاد می‌کنند. عقب ماندن از این تکنولوژی‌ها در بسیاری از مواقع منجر به شکست می‌شود. 
از 2023 و با معرفی مدل‌های زبانی بزرگ، تجربه مشتری دستخوش تغییرات عظیمی شد. حالا دیگر این امکان وجود داشت که اطلاعات در حجم زیاد وارد سیستم شوند؛ مشکلی که تا چندی پیش به راحتی قابل حل نبود. حالا با Copilot یا هر ابزار هوش مصنوعی دیگری که به سیستم CRM‌ متصل می‌شود، این امکان وجود دارد که تصمیم‌گیری‌های سازمانی به شکل قوی‌تر و موثرتری انجام شوند. در ادامه عمیق‌تر به نقش هوش مصنوعی در CRM می‌پردازیم

معماری نوین CRM هوشمند

پیگیری مشتریان و تعامل با آن‌ها، از یک جایی به بعد فرآیندی پیچیده و سخت می‌شود. به این دلیل که سازمان‌ها توسعه پیدا کرده و تعداد مشتریان افزایش پیدا می‌کنند. برای پاسخ به این مشکل، سیستم‌های CRM برای سازماندهی و پیگیری ارتباط با مشتریان و حتی پرسنل شرکت، شکل گرفتند.
البته همچنان رسیدگی به چند هزار مشتری برای بسیاری از شرکت‌ها، یک چالش جدی بود. از همین‌جا هوش مصنوعی پا به عرصه گذاشت و سیستم‌های CRM نیز شکل جدیدی به خود گرفتند. 

تفاوت CRM‌ سنتی و CRM هوشمند؛ آیا نتیجه تغییر کرده؟

در مدل‌‌های قدیمی‌تر سیستم‌های CRM، اطلاعات از یک طرف به سیستم وارد شده و نتایج از سوی دیگر نمایش داده می‌شوند. این نتایج مبتنی بر دستورات ورودی بوده و پردازش می‌شوند. به عنوان مثال مشخصات، سوابق خرید و وضعیت مشتری وارد شده و دستورات نیز ضمیمه می‌شوند.   

«اگر مشتری X بیش از 1 ماه خرید نکرد، ایمیل بزن و در صورت عدم پاسخ، به مدیر فروش هشدار بده»
بنابراین به این سیستم‌ها Rule-based ‌می‌گفتند اما مشکل روش سنتی این است که با افزایش مشتریان و کانال‌های فروش، برقراری ارتباط و تنظیم قواعد سخت‌تر می‌شود. 
در سیستم‌های CRM مبتنی بر هوش مصنوعی، داده‌های قبلی مشتریان آنالیز شده و از هریک، الگوهای مشخصی به دست می‌آید. به این صورت که مشتریان در دسته‌بندی‌های مختلفی قرار می‌گیرند که هرکدام یک الگوی خاص و پیشنهادات مطابق با آن را دریافت می‌کنند. 
به این مدل سیستم‌ها Predictive می‌گویند زیرا به جای تعریف قوانین، با استفاده از الگوهای گذشته، رفتارهای آینده مشتری تعریف می‌شود. به عنوان مثال مشتری A با این الگوی خرید، هر ماه بین 5 تا 10ام، خریدی با مبلغ X تومان انجام می‌دهد. پس بهترین زمان برای ارتباط با این مشتری قبل از 5ام است. 

آشنایی با اجزای فنی CRM

هریک از اجزای فنی CRM هدف مشخصی را در سیستم دنبال می‌کنند و در نهایت با هماهنگی هم می‌توانند خروجی لازم را ارائه دهند. 

• Data Layer: در لایه دیتا، که زیرساخت CRM محسوب می‌شود، اطلاعات پایه مشتری مانند منطقه جغرافیایی، سن، جنسیت و موارد مشابه قرار می‌گیرند. علاوه بر این، الگوهای رفتاری خرید و هر اطلاعات اضافه‌تری مانند ایمیل و تماس نیز در این قسمت گنجانده می‌شوند. 
• AI Layer: در لایه بعدی، NLP، ماشین لرنینگ و دیگر الگوریتم‌های AI وارد عمل می‌شوند تا با بررسی اطلاعات پایه، الگوهای رفتاری مشتری را پیش‌بینی کنند. حالا بر اساس این پیش‌بینی‌ها، رفتار مشتری در آینده، پیام‌های مناسب برای ارسال و حتی احتمال ریزش تعیین خواهند شد. 
• Application Layer: لایه اپلیکیشن، بیرونی‌ترین لایه CRM‌ است زیرا نتیجه دو لایه قبلی را می‌توان در آن مشاهده کرد. شما به عنوان مسئول CRM می‌توانید در این لایه با نتیجه هوش مصنوعی ارتباط برقرار کنید. به عنوان مثال سیستم پیشنهاد می‌دهد که تا 3 روز آینده با مشتری B‌ تماس گرفته و پیام‌های ترغیب به خرید را به مشتری D ارسال کنید.

Microsoft Dynamics 365 و معماری Azure در لایه هوش مصنوعی 

یکی از بهترین سیستم‌های CRM مبتنی بر هوش مصنوعی، Microsoft Dynamics 365 است. این نرم‌افزار روی فضای ابری Azure بوده و یک معماری چند لایه‌ دارد. 

ماژول‌های کلیدی AI در CRM سازمانی

ماژول‌های کلیدی هوش مصنوعی در CRM سازمانی روی بخش‌های مختلفی تمرکز دارد. به عنوان مثال با Sales Insights می‌توان امتیازبندی لیدها را انجام  و هرکدام را در یک رتبه‌بندی قرار داد. بنابراین با رعایت اولویت، به هریک از موارد پرداخته و شاهد نتیجه مثبت آن روی سازمان خواهیم بود.  

نقش AI در تصمیم‌سازی داده‌محور

شرکت‌ها با حجم بسیار گسترده‌ای از اطلاعات روبرو هستند که اگر به درستی از آن‌ها استفاده نکنند، زمان، انرژی و هزینه را هدر داده‌اند. «استفاده کردن» به معنای جمع آوری دیتا و هم آنالیز آن است. با اضافه کردن AI به CRM این فرآیند بسیار ساده‌تر می‌شود اما از طرفی به نیروی متخصص برای کار با سیستم نیاز خواهد شد. پس باید نیروهایی آموزش ببینند که به صورت کارآمد با ابزارهای هوش مصنوعی کار کنند. با این مقدمه به سراغ دو مفهوم مهم یعنی جمع آوری دیتا و تفسیر آن می‌رویم. 

Data Interpretation و Data Collection چه تفاوت‌هایی با هم دارند؟

Data Collection به معنای جمع آوری دیتاهای خام است. مواردی مانند شماره تماس، اطلاعات پایه مشتری، ایمیل‌ها و شبکه‌های اجتماعی به همراه ثبت تاریخچه خرید مشتری که یک دیتاسنتر عظیم را برای CRM‌ فراهم می‌کند. در این مدل‌های مبتنی بر AI‌ با افزایش حجم اطلاعات، عملکرد سیستم کاهش پیدا نمی‌کند زیرا جمع‌آوری و آنالیز توسط هوش مصنوعی صورت می‌گیرد.  

Data Interpretation به هرگونه تحلیل و آنالیز اطلاعات گفته می‌شود. به عنوان مثال یک مشتری در حال حاضر در کدام مرحله از قیف فروش قرار دارد. چقدر احتمال دارد که قبل از پایان این ماه، مشتری دوباره دست به خرید بزند. انجام چنین تحلیل‌هایی بدون حضور AI و توسط نیروی انسانی سخت، زمان‌بر و به همراه خطا است. این در حالی بوده که هوش مصنوعی بدون خطا این فرآیندها را انجام می‌دهد.  

تحلیل رفتار مشتری با استفاده از ماشین لرنینگ 

احتمالا در چند سال اخیر شنیده باشید که از مزایای ماشین لرنینگ یا همان یادگیری ماشین بسیار صحبت می‌شود. از این ویژگی در سیستم‌های CRM برای تحلیل رفتار مشتری استفاده شده و الگوهای مشخصی به دست می‌آید. 
با ماشین لرنینگ می‌توان تشخیص داد که هر مشتری چند بار وارد سایت می‌شود، چند بار خرید می‌کند و چند بار اصلا به سراغ خرید نمی‌رود. همچنین هر مشتری در کدام بازه‌های زمانی از سال بیشترین خرید را داشته و چه محصولاتی بیشتر تهیه می‌کند. مثلا هفته اول ماه‌های زوج بیشترین خرید را دارد. 
در مایکروسافت داینامیکس 365 یادگیری ماشین به کمک سیستم CRM آمده و داده‌ها را تحلیل می‌کند. سپس در قالب نوتیفیکیشن یا پیام‌های مستقیم به مسئول CRM اعلام می‌کند که برای هر مشتری بهتر است چه اقداماتی در لحظه صورت گیرد. 

نگاهی به چند مثال از Predictive Models در فروش و بازاریابی

همان‌طور که  از نام Predictive Models مشخص است، کار آن پیش‌بینی یک سری رفتارها است و این را از طریق مدل‌های مختلف انجام مي‌دهد. چند نمونه از مدل‌های پیش‌بینی را در زیر مشاده می‌کنید:

• Next Best Offer: این مدل در حقیقت محصول یا خدماتی را معرفی می‌کند که مشتری به احتمال بسیار زیاد خریداری می‌کند. به عنوان مثال اگر با Microsoft Dynamics 365 کار کرده باشید با توجه به سابقه خرید مشتری، سیستم پیشنهاد می‌دهد که احتمال خرید محصول ایکس از سوی مشتری بسیار زیاد است. بنابراین مدیر فروش تصمیم می‌گیرد تا با ارسال پیام‌های ترغیبی این امکان را بیشتر کند. 
• Lead Scoring: امتیازبندی لید‌ها به احتمالاتی گفته می‌شود که یا یک نفر را به مشتری واقعی تبدیل می‌کند یا احتمال خرید مشتری را افزایش می‌دهد. پس کارشناس فروش متوجه می‌شود که کدام مخاطبان ارزش وقت گذاشتن بیشتری دارند. 
• Customer Retention: یک مثال دیگر از مدل‌های پیش‌بینی این است که کارشناس و مدیر فروش زودتر از موعد از احتمال ریزش مشتری مطلع می‌شوند. بنابراین می‌توانند با تغییراتی در روند رفتار با این مشتری، احتمال خروج او را کاهش دهند. 
   

بررسی مهم‌ترین شاخص‌های CRM مبتنی بر هوش مصنوعی 

همه تحلیل‌هایی که در سیستم‌های CRM مبتنی بر AI‌ صورت می‌گیرد باید بر اساس شاخص‌هایی قابل سنجش باشند. در غیر این صورت، تحلیل فقط احساسی بوده و مبتنی بر واقعیت نیست. یکی از این شاخص‌ها CLV یا ارزش طول عمر مشتری است. به معنای این‌که هر مشتری در کل چقدر با کسب وکار ما در ارتباط بوده و چقدر در این طول عمر، درآمد ایجاد می‌کند.
به عنوان مثال یک فروشگاه لوازم تحریر را در نظر بگیرید که یک مادر از آن خرید می‌کند. این مادر یک کودک 7 ساله دارد که لوازم تحریر سالانه او را از این سایت خریداری می‌کند. با فرض اینکه سبد خرید این مشتری فقط شامل لوازم تحریر بچگانه باشد، احتمالا طول عمر این مشتری تا پایان دوران تحصیل فرزندش باشد. این در حالی است که باید در نظر بگیرید از یک سنی به بعد، دیگر مادر خرید نمی‌کند و فرزند به تنهایی لوازم تحریر را خریداری خواهد کرد. علاوه بر این شاخص‌های دیگری هم وجود دارند:

• احتمال خرید
• پیش‌بینی ریزش 
• امتیاز تعامل مشتری
• رضایت مشتری
• تمایل به توصیه برند

چالش‌های پیاده‌سازی AI در CRM

تا این‌جا به شکل‌های مختلفی درباره مزایای استفاده از AI در سیستم‌های CRM صحبت کردیم اما این همگام‌سازی معایبی هم دارد. همان‌طور که گفتیم برای استفاده کاربردی و صحیح از AI حتما باید نیروهای متخصص آموزش ببینند. در غیر این صورت، خروجی سازمان رضایت‌بخش نخواهد بود. 

نیاز به داده تمیز و ساختارمند

هوش مصنوعی یک دستیار حرفه‌ای است اما نیاز به اطلاعات کامل دارد. هرچه داده‌های ورودی به AI کامل‌تر باشند، نتیجه بهتری به دست می‌آید. پس در سیستم CRM باید همه فرم‌های قدیمی، اطلاعات مشتریان و به طور کلی هر فایلی که به فهم بیشتر AI‌ کمک می‌کند را در سیستم بارگذاری کنید. 

آموزش نیروها برای تعامل با ابزارهای Copilot

بعد از ارائه دیتای دقیق، نیروهای شما باید بتوانند به خوبی با ابزارهای Copilot ارتباط برقرار کنند. سیستم‌های هوش مصنوعی بدون تعامل مناسب و درست از سوی انسان، کمترین کاربرد را دارند. نیروهای فروش و پشتیبانی باید با ابزارهای مایکروسافت به طور کامل آشنایی داشته باشند و بتوانند از هوش مصنوعی به عنوان یک دستیار هوشمند استفاده کنند. 

ملاحظات امنیت و حریم داده (Data Privacy)

این روزها بیشتر از همیشه درباره امنیت داده در هوش مصنوعی صحبت می‌شود زیرا بدون یک چارچوب معین، دیتای داده شده به سیستم می‌تواند در سطح عمیق‌تری مورد پردازش قرار بگیرد. این به معنای استفاده از اطلاعات خصوصی مشتریان در سطوح گسترده است. پس کنترل سطح دسترسی و رمزگذاری روی دیتا نباید کم اهمیت گرفته شود. 

خطای تفسیری مدل‌های زبان در محیط فارسی

یک چالش دیگر تلفیق AI با سیستم CRM تفسیر مدل‌های زبانی است. بیشتر مدل‌های زبانی بر اساس زبان انگلیسی توسعه پیدا کرده‌اند. بنابراین در زبان فارسی شاید به درستی از مفهوم و معنای هر کلمه مطلع نشوند و همین نتیجه را با خطا مواجه کند. 

آینده CRM سازمانی با هوش مصنوعی

تا این‌جا سیستم‌های CRM‌ در همراهی با AI کاربردهای متنوعی را ارائه کرده‌اند اما آینده این همگام‌سازی چه خواهد بود؟ آیا می‌توان سطح توقعات از این سیستم‌ها را بالاتر برد؟ 

حرکت ازPredictive  به Prescriptive CRM

گفتیم که همگام‌سازی CRM با هوش مصنوعی باعث می‌شود تا سیستم‌ها به جای Rule-based به سمت Predictive پیش بروند؛ یعنی رفتار مشتری را پیش‌بینی کنند. این در حالی است که آینده CRM با حضور هوش مصنوعی قرار است از این هم جلوتر رفته و تبدیل به Prescriptive CRM شود. Prescriptive یا تجویز کردن یعنی این سیستم‌ها نه تنها رفتارهای مشتری را پیش‌بینی می‌کنند که اقدامات لازم را هم ارائه می‌دهند. 

تلفیق با ابزارهای تجربه مشتری (CX Platforms)

درک عمیق یک سازمان از سفر مشتری این امکان را می‌دهد تا بهترین تصمیمات بازاریابی و خدمات را بگیرد. آینده هوش مصنوعی دقیقا به همین سمت پیش می‌رود که تجربه مشتری در تلفیق با سیستم CRM ارائه می‌شود. با این ادغام احتمال فروش افزایش پیدا کرده و مشتری‌ها به افراد وفادار و سودآور سازمان تبدیل می‌شوند. 

نقش AI در اتوماسیون تصمیم‌گیری و Hyper-Personalization

پیش‌بینی می‌شود که در آینده، هوش مصنوعی مدل‌های با قابلیت «اندیشیدن» داشته باشد. شاید این انتظار در حال حاضر از AI بسیار دور از ذهن باشد اما با پیشرفت یادگیری عمیق (Deep Learning) می‌توان از هوش مصنوعی در تلفیق با CRM چنین انتظاری را داشت. 
با شخصی‌سازی بیش از حد (Hyper- Personalization) پیشنهادات منحصربه‌فرد برای هر مشتری طراحی و اجرا می‌شود. در این حالت دیگر مشتریان زیرمجموعه یک گروه قرار نمی‌گیرند بلکه هر کدام یک واحد جداگانه خواهند بود. 

نتیجه‌گیری؛ CRM آینده، مغز تصمیم‌گیر سازمان 

مغز تصمیم‌گیر سازمان عبارت توصیفی دقیقی درباره آینده سیستم‌های CRM است. سیستم‌هایی که با هوش مصنوعی همگام شده و خدمات بازاریابی، فروش و پیگیری مشتری را در یک پلتفرم جامع پیگیری می‌کنند. این مغز تصمیم‌گیر می‌تواند راه‌حل‌های منحصربه‌فرد و اقدامات حیاتی به منظور ساخت یک مزیت رقابتی بزرگ در برابر رقبا ارائه دهد. نظر شما چیست؟ فکر می‌کنید آینده CRM بتواند ارتباط با مشتری را به شکل عمیق‌تری بسازد؟