У бізнес-середовищі, яке постійно змінюється, інтеграція штучного інтелекту (ШІ) стає ключовим напрямком у досягненні мети підвищення доходів та збільшення обсягів продажів компаній. ШІ та його різноманітні застосування сприяють виявленню закономірностей під час вибору споживачів, що водночас сприяє ефективнішому формуванню маркетингових стратегій та стратегій продажів компаній.
На сьогодні широкого розвитку набув предиктивний ШІ (ПШІ), який використовує алгоритми та аналітику даних для прогнозування майбутніх тенденцій та поведінки, що дає змогу компаніям приймати обґрунтовані рішення та долати виклики конкуренції. Точність та надійність прогнозів залежать від якості даних, які надходять до системи. Таким чином, розуміння важливості якості даних життєво необхідне для організацій, які прагнуть використовувати широкі можливості ПШІ. Аналіз літературних джерел дає змогу зробити висновок, що впровадження алгоритмів ШІ у роботу маркетингових відділів компаній набуває широкого розвитку. Водночас більшість із відомих досліджень зосереджені на маркетингових даних. Важливим показником під час укладання угоди між компанією та клієнтом є тривалість періоду від кваліфікації потенційного покупця до першого реального замовлення. Таких даних у відкритих джерелах недостатньо. Метою виконаних досліджень є аналіз впливу використання ПШІ на тривалість періоду переходу від кваліфікації потенційного клієнта до його конвертації тобто на тривалість укладення угоди.
Дослідження впливу ПШІ на тривалість укладення угод показало зменшення часу для успішних угод на 59,5%, та зменшення часу на опрацювання програшних угод на 62,3%. Правильна імплементація та використання прогнозів і ПШІ ефективно впливає на різні показники комерційних відділів, серед яких і тривалість періоду переходу від кваліфікації потенційного клієнта до його конвертації. Завдяки використанню ПШІ комерційний відділ набагато швидше опрацьовує нові запити та укладає угоди, відповідно має більше часу для роботи з потенційними, новими та існуючими клієнтами. Результати аналізу можливостей ПШІ та його ролі у формуванні майбутнього бізнесу корисні для забезпечення його стабільного зростання та успіху.
[1] O. Artun, D. Levin, “Predictive Marketing: Easy Ways Every Marketer Can Use Customer Analytics and Big Data”, John Wiley & Sons, 2015, 272 p.
[2] M. A. Mediavilla, F. Dietrich, D. Palm, “Review and analysis of artificial intelligence methods for demand forecasting in supply chain management”, Procedia CIRP, 2022, 107, pp. 1126–1131.
[3] G. Muruganantham, R .S. Bhakat,“A review of impulse buying behavior”, International Journal of Marketing Studies, 2013, 5(3), pp. 149–160.
[4] R. Dash, M. McMurtrey, C. Rebman, U.K. Kar,“Application of artificial intelligence in automation of supply chain management”, Journal of Strategic Innovation and Sustainability, 2019, 14(3), pp. 43–53.
[5] M. H. Huang, R. T. Rust, “A strategic framework for artificial intelligence in marketing”, Journal of the Academy of Marketing Science, 2021, 49, pp. 30–50.
[6] P. Fang, Z. Gao, R. S. Tsay, “Supervised kernel principal component analysis for forecasting”, Finance research letters, 2023, 58(A), 104292.
[7] G. E. P. Box, G. M. Jenkins, G. C. Reinsel, G. M. Ljung, “Time Series Analysis: Forecasting and Control”, Wiley, 2015, 720 p.
[8] G. P. Zhang, M. Qi, “Neural network forecasting for seasonal and trend time series”, European Journal of Operational Research, 2005, 160(2), pp. 501–514.
[9] M. Danilevsky, K. Qian, R. Aharonov, Ya. Katsis, B. Kawas, P. Sen, “A survey of the state of explainable AI for natural language processing”, Proceedings of the 1st Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics and the 10th International Joint Conference on Natural Language Processing 2020, https://doi.org/10.48550/arXiv.2010.00711
[10] N. Patel, S. Trivedi, “Leveraging predictive modeling, machine learning personalization, NLP customer support, and AI chatbots to increase customer loyalty”, Empirical Quests for Management Essences, 2020, 3(3), pp. 1–24.
[11] J. Kazmaier, J. H. Van Vuuren, “Sentiment analysis of unstructured customer feedback for a retail bank”, ORiON, 2020, 36(1), pp. 35–71,https://orion.journals.ac.za/pub/article/view/668/594 .
[12] A. Aljohani, “Predictive analytics and machine learning for real-time supply chain risk mitigation and agility”, Sustainability, 2023, 15, 15088.
[13] V. Sohrabpour, P. Oghazi, R. Toorajipour, A. Nazarpour, “Export sales forecasting using artificial intelligence”, Technological Forecasting and Social Change, 2021, 163, 120480.
[14] S. Chen, S. Ke, S. Han, S. Gupta, U. Sivarajah, “Which product description phrases affect sales forecasting? An explainable AI framework by integrating WaveNet neural network models with multiple regression”, Decision Support Systems, 2024, 176, 114065.
[15] I. Vallés-Pérez, E. Soria-Olivas, M. Martínez-Sober, A. J. Serrano-López, J. Gómez-Sanchís, F. Mateo, “Approaching sales forecasting using recurrent neural networks and transformers”, Expert Systems with Applications, 2022, 201, 116993