В июле 2019 года нам предложили поучаствовать в разработке алгоритма, прогнозирующего успешность телефонных звонков. Проблема была в том, что из-за высокой стоимости, разработку подобных алгоритмов может позволить себе далеко не каждая компания.

В результате переговоров мы пришли к решению о том, что разработанный нами алгоритм могли бы использовать и другие коллекторские агентства, которых в России на тот момент насчитывалось более 250, что коллективно покрывало бы расходы на разработку и развитие алгоритма прогнозирования со схожими входными данными.

И мы согласились на первый пилотный проект по модели SAAS. Задача наших специалистов заключалась в том, чтобы увеличить результативность колл-центра, путем прогнозирования платежеспособности клиента по его входным данным. Мы использовали следующие данные:

• город рождения и проживания;
  
• банк, выдавший кредит;
  
• сумма кредита;
  
• наличие контактных данных и их количества;
  
• пол, возраст и некоторые другие данные.

Все данные компания поставляла в обезличенном виде, то есть все строки не имели имен, фамилий, контактных данных и названий банков; были только идентификаторы соответствия строки, по которым после, они могли идентифицировать запись в своей CRM.

После анализа ретроспективных данных, специалисты выяснили, что лишь 1 из 30 клиентов, выплачивает кредит. Это означало, что при успешном прогнозировании, в идеале можно увеличить эффективность работы предприятия в 30 раз.

Проблема предприятия заключалась в том, что аналитик, решающий подобную задачу, имел низкую эффективность при высокой московской зарплате. На тот момент зарплата аналитика подобного уровня составляла 150 000 руб. в месяц.

Ежемесячная аренда ПО составила 30 000 руб. в месяц, что в 5 раз сократило расходы на аналитику и в 7,5 раз увеличило точность прогнозирования, и сроки получения аналитической информации сократились с 2-х недель до 2-х минут.

После успешного внедрения системы прогнозирования на базе ИИ, было принято решение развивать это направление в виде отдельной компании под названием AICont.

На рынке недвижимости (деревянные дома) есть одна большая проблема - очень низкая конверсия обращения в продажу. Задача состоит в том, чтобы с помощью предсказательной аналитики прогнозировать вероятность получения прибыли от клиента с целью сегментации клиентов и увеличения эффективности продаж. Зная с большей вероятностью, что клиент совершит сделку, можно пробуждать бдительность менеджеров, улучшать стратегию продаж на горячий сегмент, тем самым увеличивая KPI отдела продаж.
В настоящий момент проект в работе.

В июне 2018 года в Грант Маркетинг (головная компания) стояла, казалось бы, неразрешимая задача. В индустрии SEO всегда была проблема в отсутствии компетентных менеджеров по продажам, мы никак не могли понять, почему в этой области образована черная дыра специалистов. И мы решили провести исследование, которое ответит нам на вопросы.

Если менеджеров по продажам SEO-услуг на рынке почти нет, значит они меняют сферу деятельности после работы на должности менеджера SEO-услуг на другие, но если это так, тогда возникает вопрос, из каких сфер деятельности приходят самые успешные менеджеры по продажам. На этот вопрос и должно было ответить наше исследование.

Мы собрали все данные, имеющиеся на сайтах hh.ru и superjob.ru, связанные с менеджерами по продажам, так или иначе, когда-либо работающих на должности менеджера по продажам SEO-услуг.

Собрав массив данных, мы обучили нейронную сеть с целью проследить естественные пути развития менеджеров по продажам, узнать из каких сфер менеджеры по продажам приходят в SEO индустрию и показывают там максимальные результаты, а из каких напротив.

В результате проделанной работы, наша нейронная сеть умела прогнозировать срок работы менеджера по продажам SEO-услуг на основании входных данных:

• прошлое место работы;
  
• образование;
  
• возраст и пол кандидата.

В итоге, мы смогли выстроить не только долгосрочную кадровую стратегию, но и значительно увеличили качество подбора персонала.

В 2009 году у специалистов Грант Маркетинг (головная компания) стояла задача, вывести аналитику на новый уровень.

Когда Яндекс стал работать на платформе матрикснета, SEO индустрия терпела сложности в аналитике, люди перестали понимать по каким принципам ранжируются сайты.

Мы были уверены, что единственный способ поближе познакомиться с матрикснетом - это создать свой матрикснет, только он смог бы понять алгоритмы ранжирования. На эти разработки мы потратили ближайшие 5 лет и вот в 2014 году, наши труды стали давать первые результаты.

Мы разработали уникальный алгоритм, способный извлекать информацию из многоканальных массивов данных, не подвластных анализу человеческому мозгу, и преобразовывать их в понятный человеку графический интерфейс.

Это позволило выстраивать правильную стратегию для продвигаемых сайтов.

На рынке SEO-продвижения отсутствуют инструменты прогнозирования сроков продвижения. Точнее отсутствовали раньше, а сейчас специалисты нашей компании разработали инновационный инструмент, не имеющий аналогов во всем мире. Он позволяет прогнозировать сроки поискового продвижения ключевых фраз для каждого конкретного сайта с шагом в 1 день и точностью до 78 %.

Алгоритм работает с использованием искусственного интеллекта, который для расчета использует следующие факторы:

• конкурентность запросов;
• популярность запросов;
• текущие позиции и доля продвинутых запросов;
• текущий траст сайта;
• индекс цитирования сайта;
• возраст сайта;
• сроки и типы работ, которые предстоит провести (например, внешняя, внутренняя оптимизация);
• целевой объем аудитории.

Для оценки скорости продвижения были использованы статистические данные о скорости продвижения сайтов за последние 2 года.

Подобная система прогнозирования позволила компании быть конкурентноспособной на высококонкурентном рынке.