Модели машинного обучения

Использование инструментов предиктивного анализа данных предоставляет возможность прогнозировать события на основе исторических и текущих данных. Спрогнозированные данные позволяют сотрудникам быстрее и точнее принимать решения, снижают количество рутинных задач и повышают общую эффективность деятельности.

Реализация предиктивного анализа данных в BPMSoft осуществляется через настраиваемые алгоритмы — модели машинного обучения. В разделе «Модели машинного обучения» представлены готовые решения — преднастроенные модели предиктивного анализа данных, которые решают различные задачи в продажах и сервисе. Также на базе существующих типов ML-моделей вы можете создавать и обучать собственные модели практически для любого объекта системы.

Типы моделей

В BPMSoft представлены следующие типы моделей машинного обучения:

• Прогнозирование справочного поля;
• Прогнозирование числового поля;
• Предиктивный скоринг;
• Рекомендации;
• Похожесть текстов;
• Прогнозирование оттока.

Прогнозирование справочного поля

Данный тип модели используется для настройки автозаполнения справочных полей на основании данных записи.

В работе модели используется алгоритм XGBoost (eXtreme Gradient Boosting) для мультиклассовой классификации (Multi-class Classification).

Модель анализирует текущие данные записи и на основе уже известных примеров предсказывает наиболее вероятное значение для нужного справочного поля. Например, при добавлении нового контрагента можно спрогнозировать его вероятный тип — клиент, партнер или поставщик, или для обращения определить наиболее подходящий сервис.

Подробнее о создании и настройке модели смотрите в статье Прогнозирование справочных полей.

Прогнозирование числового поля

Данный тип модели используется для расчета значений числовых полей на основании данных записи.

В работе модели используется алгоритм XGBoost (eXtreme Gradient Boosting).

Модель анализирует текущие данные записи и на основе уже известных примеров предсказывает наиболее вероятное значение для числового поля.

Например, можно спрогнозировать сумму сделки, учитывая информацию о контрагенте и потребности, или длительность маркетинговой кампании.

Подробнее о создании и настройке модели смотрите в статье Прогнозирование числовых полей.

Предиктивный скоринг

Данный тип модели используется для определения вероятности наступления определенного события.

В работе модели используется алгоритм XGBoost (eXtreme Gradient Boosting).

Модель анализирует исторические данные раздела, выявляет закономерности и зависимости, и определяет числовой показатель — вероятность данного события.

Например, можно оценить вероятность перевода лида в продажу на основе исторических данных о бюджете и успешности перевода лидов в продажу.

Подробнее о создании и настройке модели смотрите в статье Предиктивный скоринг.

Рекомендации

Данный тип модели используется для генерации персонализированных подборок — списка рекомендаций наиболее подходящих товаров или услуг.

Используется модель коллаборативной фильтрации (Collaborative Filtering) на основе алгоритма ALS (Alternating Least Squares).

Модель анализирует предыдущие действия клиентов и определяет вероятность заинтересованности в этом товаре или услуге.

Например, клиентам можно предлагать определенные продукты, которые приобретают похожие на клиента заказчики.

Подробнее о создании и настройке модели смотрите в статье Рекомендательное прогнозирование.

Похожесть текстов

Данный тип модели используется для создания подборок похожих записей. Модель анализирует неструктурированные текстовые данные записей и определяет степень их похожести.

В работе модели используется TF-IDF векторизация (TF-IDF Vectorization) и косинусная близость (Cosine Similarity).

Например, можно формировать подборку похожих статей базы знаний или обращений.

Подробнее о создании и настройке модели смотрите в статье Поиск похожих текстов.

Прогнозирование оттока

Данный тип модели используется для определения вероятности ухода клиента.

В работе модели используется алгоритм XGBoost (eXtreme Gradient Boosting).

Модель анализирует демографические данные клиента, поведенческие показатели, информацию о прошедших сделках и другие данные, и определяет возможную степень оттока клиента.

Подробнее о создании и настройке модели смотрите в статье Прогнозирование оттока.

Преднастроенные модели

В BPMSoft представлены готовые решения для прогнозирования данных — это преднастроенные модели, которые решают определенные задачи в продажах и сервисе.

Вы можете использовать готовые модели с базовыми настройками или адаптировать их под задачи вашего бизнеса в разделе «Модели машинного обучения». Подробнее: Типы ML-моделей

Перед началом работы преднастроенную модель необходимо обучить на бизнес-данных вашей компании. При необходимости интегрируйте модель в существующие бизнес-процессы вашей компании или настройте новые с ее использованием.

Продажи

Предиктивный скоринг лидов и продаж

Преднастроенные модели «Предиктивный скоринг: Лиды» и «Предиктивный скоринг: Продажи» — это модели машинного обучения типа «Предиктивный скоринг». Модели позволяют прогнозировать готовность клиента к покупке и оценивать вероятность совершения сделки на основе анализа множества факторов и исторических данных.

Предиктивный скоринг лидов осуществляется по действию «Определить предиктивный рейтинг» в разделе «Лиды». Результат прогнозирования отображается в виде показателя «Предиктивный рейтинг». Подробнее: Предиктивный скоринг лидов

Рисунок 1 — Результат прогнозирования предиктивной вероятности лида

Предиктивный скоринг продаж определяется автоматически при добавлении новой продажи. Результат прогнозирования отображается в виде виджета «Предиктивная вероятность» в профиле продажи. Подробнее: Профиль продажи

Рисунок 2 — Результат прогнозирования предиктивной вероятности продажи

Прогнозирование оттока контрагентов

Преднастроенная модель «Прогнозирование оттока: Контрагенты» — это модель машинного обучения типа «Прогнозирование оттока». Прогнозирует вероятность ухода контрагента на основе его активности и поведенческих сигналов, автоматически создавая задачи для менеджеров по удержанию.

Запуск прогнозирования оттока осуществляется по действию «Прогнозирование оттока» или «Прогнозирование оттока для всех записей» в разделе «Контрагенты». Подробнее: Вероятность оттока контрагентов. После чего запускается бизнес-процесс «Запуск прогнозирования оттока нескольких контрагентов» или «Запуск прогнозирования оттока контрагентов», соответственно.

В результате поле «Степень оттока» автоматически заполняется результатом прогнозирования модели. После чего запускается следующий бизнес-процесс «Установить степень потенциала оттока в контрагенте», который заполняет поле «Степень потенциала оттока» в зависимости от значения поля «Степень оттока», а также устанавливает значение поля «Дата обновления степени оттока».

Если степень потенциала оттока «Высокая (Контрагент)», то автоматически создается задача на текущего пользователя для отработки потенциального оттока.

Рисунок 3 — Результат прогнозирования оттока контрагента

Рекомендация продуктов для контактов и контрагентов

Преднастроенные модели «Рекомендации: Продукты для контакта» и «Рекомендации: Продукты для контрагента» — это модели машинного обучения типа «Рекомендации». Позволяют формировать персонализированные рекомендации продуктов на основании поведения клиентов и истории взаимодействий.

Модели анализируют исторические данные о покупках, поведении и интересах клиента. С помощью алгоритмов машинного обучения выявляются скрытые закономерности в данных, например, связь между определенными товарами, предпочтениями или демографическими характеристиками клиента.

Результат прогнозирования отображается на странице продажи → деталь «Рекомендованные продукты». Рекомендованные продукты можно перенести в список продуктов продажи. Подробнее: Деталь «Рекомендованные продукты» страницы продажи

Формирование подборки продуктов осуществляется автоматически при измени стадии продажи на «Коммерческое предложение» и вручную с помощью действия «Обновить список рекомендаций».

Для формирования списка рекомендаций учитывается количество приобретаемых продуктов. Список будет отображаться только для клиентов (субъектов рекомендаций) и продуктов (предметов рекомендаций), которые были использованы при обучении модели.

Рисунок 4 — Рекомендованные продукты для контакта в продаже

Сервис

Прогнозирование сервиса, приоритета и группы ответственных обращения

При регистрации обращения на основании входящего письма прогнозируются и автоматически заполняются поля «Приоритет», «Сервис» и «Группа ответственных». Это позволяет маршрутизировать новые обращения и ускорить процесс их обработки. В BPMSoft для этого используются следующие преднастроенные модели типа «Прогнозирование справочного поля»:

• «Прогнозирование: Сервис обращения»;
• «Прогнозирование: Приоритет обращения»,
• «Прогнозирование: Группа ответственных обращения».

Преднастроенные модели анализируют описание обращений и параметры связанных контрагентов. В зависимости от уровня уверенности прогноза, рядом с предсказываемыми полями отображаются кнопки, при нажатии на которые вы можете просмотреть список возможных значений и их вероятность в процентах. Подробнее: Прогнозирование справочных полей

Рисунок 5 — Результат прогнозирования приоритета, сервиса и группы ответственных в обращении

Поиск похожих обращений

Преднастроенная модель «Похожесть: Поиск похожих обращений» — это модель машинного обучения типа «Похожесть текстов». Позволяет находить дубликаты или схожие обращения клиентов, даже если они сформулированы по-разному. 

Модель анализирует текстовые данные и находит обращения с похожей тематикой, описанием и решением. Для поиска используются такие признаки, как ключевые слова, фразы, темы и контекст, что позволяет точнее определять соответствие обращения теме или проблеме, на которую оно направлено.

Вы можете запустить поиск обращений вручную, нажав кнопку  на детали. Подробнее: Поиск похожих обращений. Результат прогнозирования отображается на странице обращения → вкладка «Решение и закрытие» → деталь «Похожие обращения».

Рисунок 6 — Результат прогнозирования похожих обращений

Список похожих обращений ранжируется с учетом оценки похожести: отображаются только те обращения, у которых «Оценка похожести» достигла нижнего порога. Подробнее: Поиск похожих текстов

Вы можете поставить  или , чтобы оценить релевантность найденных обращений.

Если для обращения найдены похожие варианты, то на вкладке «Обработка» появится кнопка «Найдены похожие обращения: _» с указанным количеством похожих обращений. При нажатии выполнится переход на вкладку «Решение и закрытие» с деталью «Похожие обращения».

Рисунок 7 — Кнопка «Найдены похожие обращения» на вкладке «Обработка»

Рекомендуем изучить

Онлайн-курс «Предиктивная аналитика, возможности машинного обучения в BPMSoft»
Лицензирование моделей машинного обучения
Типы ML-моделей
Создание бизнес-процесса с использованием модели
Обучение модели