Наука и инновации

Наша компания активно занимается научно-исследовательской деятельностью в области внедрения математических моделей в разрабатываемое нами программное обеспечение, нацеленное на автоматизацию продаж и систематизацию бизнес-процессов.

Мы более 20 лет предоставляем консалтинговые (информационные, правовые, консультационные) и образовательные услуги. За это время накопились огромные объемы статистических и экспертных знаний в области продвижения наших услуг. 

С учетом полученного опыта мы разрабатываем собственную CRM-систему с рекомендательным алгоритмом на базе глубокого машинного обучения. Используя персонифицированный список характеристик предлагаемых продуктов и услуг, алгоритм будет выдавать рекомендации менеджерам по продажам/работе с клиентами на основе следующих параметров:

  • выявленных потребностей контактных лиц клиентов, 
  • параметров организаций, с которыми идет работа (вид деятельности, система налогообложения, местоположение, средняя численность, вид деятельности и т.п.), поступающих из различных открытых баз данных.

Менеджер в ходе коммуникаций с клиентами при продажах услуг или в процессе удержания клиентов будет делать упор на данные характеристики, что значительно увеличит результативность его работы на различных этапах воронки продаж (первый контакт, продажа, заключение договора и т.д.

Для работы рекомендательной системы характеристик товаров был построен прототип глубокой полносвязной нейронной сети прямого распространения (DNN — Deep neural network), т.е. искусственная нейронная сеть (ИНС) с несколькими слоями между входным и выходным слоями, в которых данные передаются от входного уровня к выходному уровню без обратной связи. Нейросеть этого типа находит корректный метод математических преобразований, чтобы превратить исходящие данные в выходящие, независимо от линейной или нелинейной корреляции. 

Для реализации глубинного обучения использовалась библиотека tensorflow 2. Это открытая программная библиотека, разработанная компанией Google для решения задач построения и тренировки нейронных сетей с целью автоматического нахождения и классификации образов с достижением качества человеческого восприятия. 

Архитектура нейросети разрабатывалась исходя из объема, состава и количества влияющих признаков: в ходе работы было исследовано несколько различных моделей, и текущая архитектура показала наибольшую точность по метрикам качества модели.

Процесс создания нейронной сети для выдачи рекомендаций будет включать в себя следующие этапы:

На вход нейронной сети поступают данные о клиентах после препроцессинга - этапа преобразования данных в числовые значения. На выходе получаем вектор (массив) с вероятностями для рекомендации характеристик продукта, которые отсекаются по заданному порогу. Далее отобранные вероятности переводятся в характеристики соответственно словарю характеристик (по индексу).

К данным, используемым нейросетью для обучения и выдачи рекомендаций, относятся справочные данные и данные организаций и контактных лиц, работающих в этих организациях.

Справочные данные:

  1. справочник потребностей контактных лиц организаций, т.е. список целей, которые хотели бы закрыть контактные лица в ходе использования продукта;
  2. справочник характеристик продукта, которые могли бы быть предложены, чтобы выполнить цели клиентов.

Данные организаций и контактных лиц ("живые" данные):

  1. Данные организаций-клиентов, получаемые из открытых источников (например, dadata).
  2. Список указанных менеджерами для контактных лиц потребностей.
  3. Идентификаторы организаций и контактных лиц.

Справочники потребностей и характеристик

Справочник потребностей формируется исходя из анализа работы и продаж в определенной сфере деятельности и для определенного целевого сегмента будущих потребителей. Списки потребностей группируются по категориям, исходя из интересов контактных лиц.