سالهاست CDXP را با این تصویر میشناسیم: دادههای مشتری از چند منبع جمع میشوند، یک نمای یکپارچه از مشتری (Single View of Customer) شکل میگیرد، مخاطبان بخشبندی میشوند و سپس کمپینها و مسیرهای تعامل مشتری اجرا میشوند.
پاسخ مستقیم
پتانسیل واقعی CDXP فقط یک پیام بازاریابی دیگر نیست. همان معماری، شناخت یک موجودیت، ثبت اتفاقهایی که برایش افتاده، محاسبهٔ ویژگیهایش، یادگیری از نتایج گذشته و استفاده از آن برای تصمیم بعدی، میتواند سقف اعتباری، شرایط تأمین مالی و پیشنهاد به تبلیغدهنده را هم تعیین کند. همین نکته CDXP را از یک ابزار مارکتینگ به زیرساخت تصمیمگیری تبدیل میکند.
اما اگر همین معماری را برای تصمیمهای دیگری به کار بگیریم چه؟ در کنار اینکه میپرسیم «برای این مشتری چه پیامی بفرستیم؟»، بپرسیم: به این مشتری چقدر اعتبار بدهیم؟ این تأمینکننده را با چه شرایطی تأمین مالی کنیم؟ به این تبلیغدهنده چه پیشنهادی بدهیم؟ اینجاست که ظرفیتهای دیگری از معماری CDXP آشکار میشوند.
در این پرسشها ایدهای عمومیتر و البته بزرگتر وجود دارد: یک موجودیت را بشناس؛ اتفاقهایی را که برایش افتادهاند ثبت کن؛ ویژگیهایش را محاسبه کن؛ از نتایج گذشته بیاموز و از آنها برای تصمیم بعدی استفاده کن. یعنی: Profile → Event → Trait → Score → Recommendation → Decision → Action → Outcome
این موجودیت میتواند یک مشتری، تأمینکننده، خریدار، تبلیغدهنده یا حتی رابطهی مالی میان چند کسبوکار باشد.
همین تغییر زاویه، CDXP را از یک ابزار مارکتینگ به زیرساختی برای تصمیمگیری تبدیل میکند؛ کاری که تلاشهای روزمرهی ما در بینوبان حول آن میچرخند.
منظورم را با سه مثال روشن میکنم:
۱. BNPL: از ریسک نکول تا تصمیم اعتباری درست
فرض کنید یک کسبوکار BNPL از چند سال فعالیت خود داده دارد: خریدهای کاربران، مبلغ اعتبار، پذیرنده، اقساط، تأخیرها، پرداختها، رفتار کاربران در اپلیکیشن و واکنش آنها به یادآوریها.
سؤال کلاسیک این است: احتمال نکول این کاربر چقدر است؟
سؤال باارزشتر این است: برای همین کاربر، چه سقف اعتباری و چه دورهی بازپرداختی پیشنهاد کنیم که هم برای او قابل پرداخت باشد و هم برای کسبوکار صرفهی اقتصادی داشته باشد؟
این دو سؤال یکی نیستند. اولی پیشبینی (Prediction) است. دومی تصمیمگیری (Decisioning) است.
دو مشتری با امتیاز ریسک مشابه لزوماً به تصمیم مشابهی نیاز ندارند. شاید برای یکی تغییر زمان سررسید مناسبتر باشد و برای دیگری کاهش سقف اعتبار. داده و مدل به ما کمک میکنند گزینهها را بسنجیم؛ نتیجهی واقعی اقدام نشان میدهد انتخابمان چقدر درست بوده است.
۲. تأمین مالی زنجیرهٔ تأمین: از تخمین تسویه تا شرایط تأمین مالی
در تأمین مالی زنجیرهی تأمین (Supply Chain Finance / SCF) موضوع دیگر فقط یک مشتری نیست: تأمینکننده، خریدار، فاکتور و سابقهی تحویل و پرداخت به یکدیگر مرتبطاند.
سیستم میتواند تخمین بزند: این فاکتور احتمالاً چه زمانی تسویه میشود؟
اما سؤال اصلی برای تصمیمگیری این است: چه مقدار از مبلغ فاکتور را، تا چه زمانی و با چه شرایطی تأمین مالی کنیم؟
برای پاسخ باید نیاز نقدینگی تأمینکننده، سابقهی رابطهی تجاری، رفتار خریدار و میزان سرمایهی در معرض زیان را کنار هم دید.
اینجا دیگر با یک داشبورد اعتباری روبهرو نیستیم. داریم به سمت هوشمندی تصمیمگیری تأمین مالی (Financing Decision Intelligence) حرکت میکنیم.
۳. Retail Media: از پیشبینی بودجه تا بهترین پیشنهاد بعدی
در Retail Media نیز هر تبلیغدهنده سابقهای دارد: چه محصولاتی را تبلیغ کرده، چقدر هزینه کرده، چه مخاطبانی را هدف گرفته و چه نتیجهای به دست آورده است.
مدل میتواند بگوید: احتمال کاهش بودجهی این تبلیغدهنده در ماه آینده چقدر است؟ خوب است؛ اما هنوز تصمیمی نگرفتهایم.
سؤال بعدی جذابتر است: چه تغییری در محصول تبلیغشده، مخاطب یا جایگاه نمایش پیشنهاد کنیم تا تبلیغدهنده از بودجهی خود نتیجهی بهتری بگیرد؟
افزایش بودجه میتواند پیامد بهترشدن عملکرد باشد. ارزش اصلی پیشنهاد در نتیجهای است که برای تبلیغدهنده میسازد.
اینجاست که داده از «گزارش آنچه اتفاق افتاده است» به «پیشنهاد آنچه باید انجام شود» تبدیل میشود. تغییر بهسوی تصمیمگیری
از شناخت تا تصمیم
بخش نخست این مسیر شناخت و پیشبینی است:
- چه اتفاقی افتاد؟ تحلیل
- این فرد یا کسبوکار کیست؟ پروفایل یکپارچه
- چه اتفاقی احتمالاً میافتد؟ پیشبینی
- مدل بر چه اساسی به این نتیجه رسیده است؟ تبیینپذیری
اما جهش واقعی در پاسخ به دو پرسش بعدی رخ میدهد:
- حالا چه کار کنیم؟ بهترین اقدام بعدی
- این اقدام چقدر میتواند نتیجه را تغییر دهد؟ اثر افزایشی و هوشمندی تصمیمگیری
پرسش آخر سختترین بخش این مسیر است؛ زیرا همبستگی (Correlation) با اثر واقعی یک اقدام (Actual impact of an intervention) فرق دارد. برای اینکه بتوان گفت «انجام اقدام X احتمال موفقیت را Y واحد درصد افزایش میدهد»، باید اقدام را اجرا کرد، نتیجه را ثبت کرد و با آزمایش، تحلیل خلاف واقع (Counterfactual analysis) یا مدلسازی اثر افزایشی (Uplift modeling) سنجید که چه تغییری ایجاد شده است.
بینوبان کجای این تصویر است؟
این همان جایی است که ما بینوبان را میبینیم. بینوبان از ابتدا صرفاً مجموعهای برای اجرای کمپین و بخشبندی مخاطبان نبوده است. معماری آن بر داده (Data)، هویت (Identity)، پروفایل (Profile)، رویدادها (Events)، ویژگیهای محاسبهشونده (Computed Traits)، بخشبندی (Segmentation)، هوشمندی (Intelligence)، سنجش (Measurement) و تصمیمگیری (Decisioning) بنا شده است.
پایههای موجود بینوبان دادههای پراکنده را به پروفایلهایی قابلاستفاده تبدیل میکنند. مسیر توسعهی لایهی هوشمندی نیز بر همین پایه شکل گرفته است: خروجی مدلهای بینوبان یا مدلهای اختصاصی مشتری به امتیاز و پیشنهاد تبدیل شود، وارد عملیات شود و نتیجهی آن دوباره به سیستم برگردد.
مثلاً امتیاز ریسک یک مشتری در کنار سابقهی رفتاری او قرار بگیرد؛ بر اساس قواعد کسبوکار، اقدام مناسب انتخاب و اجرا شود؛ سپس پرداخت یا واکنش مشتری در همان پروفایل ثبت شود و بر تصمیمهای بعدی اثر بگذارد.
مدلها و قواعد تخصصی هر صنعت جای خود را دارند. نقش بینوبان متصلکردن داده، شناخت، تصمیم و اقدام در یک زیرساخت عملیاتی است.
آینده، یک لایهٔ تصمیمگیری سازمانی است
به همین دلیل شاید آیندهی CDXP کمتر شبیه یک ابزار مارکتینگ باشد و بیشتر به یک لایهی تصمیمگیری سازمانی (Enterprise Decisioning Layer) شباهت پیدا کند: زیرساختی که تاریخچه را میفهمد، وضعیت امروز را مدل میکند، نتیجهی احتمالی تصمیمها را میسنجد و در نهایت میپرسد: «با آنچه میدانیم، حالا چه کاری میتوانیم بهتر انجام دهیم؟»
این همان نقطهای است که وعدهی «آینده در دستانت» بینوبان به رفتار واقعی محصول تبدیل میشود. مخلص کلام، بیایید کمکم CDXP را به مارکتینگ محدود نکنیم.
گام بعدی