Ищем человека на работу, которую уже завтра будет делать AI?

Social Discovery Group ищет Service Cost Optimization Senior Manager.

Коротко о компании. Это гигант в мире social discovery, владеющий десятками платформ для знакомств и общения, вроде Dating.com, Dil Mil и Cupid Media. Их миссия благая — бороться с одиночеством, объединяя миллионы людей по всему миру. Команда у них огромная, распределенная, работают из любой точки планеты. В общем, ребята современные, технологичные и, очевидно, умеют считать деньги.

А теперь о боли. Судя по описанию вакансии, компания столкнулась с классической дилеммой роста. Партнеров (вероятно, это стримеры, аффилиаты, создатели контента) становится все больше, расходы на них растут. И вот возникает вопрос, который знаком любому менеджеру: как бы нам платить поменьше, но так, чтобы никто не заметил и не обиделся? Чтобы и качество сервиса для партнеров не упало, и они не разбежались к конкурентам. Для этого и ищут опытного человека, который будет погружаться в статистику, копаться в отчетах, оптимизировать процессы в Bitrix CRM и договариваться с другими отделами. Благородная, но до боли рутинная работа.

И вот тут у меня, как у старого айтишника, возникает вопрос. А зачем для этого человек? Ведь всю эту задачу можно отдать на откуп искусственному интеллекту, который сделает это быстрее, точнее и, в конечном счете, дешевле.

Давайте представим диалог в переговорке условной SDG. На одной стороне — «Скептик», руководитель отдела, который верит в людей и Excel. На другой — «Визионер», который уже мысленно заменил половину офиса на алгоритмы.

Скептик: Нам нужен человек с сильными аналитическими навыками, который будет сидеть над нашими отчетами, выискивать аномалии и предлагать, где можно урезать косты. Он будет лично контролировать, чтобы партнеры были довольны.

Визионер: А давай поставим на это дело модель? Человек будет смотреть на отчеты раз в неделю. AI будет мониторить данные 24/7 в реальном времени. Человек найдет пару очевидных закономерностей. AI проанализирует тысячи параметров и найдет скрытые корреляции, о которых мы даже не догадывались. Например, что партнеры из Бразилии, стримящие по вторникам, приносят на 15% меньше дохода на доллар затрат, чем партнеры из Таиланда, стримящие по субботам. Человек сможет это найти? Только если случайно наткнется.

Скептик: Звучит как фантастика. С чего начинать? У нас данные в CRM, в биллинге, в Google Sheets… бардак.

Визионер: С создания единого источника правды. Первый шаг — строим Data Lake. Сливаем туда абсолютно всё: данные из Bitrix CRM по обращениям партнеров, финансовые транзакции, метрики их производительности, даже данные по вовлеченности пользователей, которых они приводят. Шаг второй — натравливаем на эти данные аналитическую AI-систему. Это может быть как кастомное решение на Python с использованием библиотек вроде TensorFlow и Scikit-learn, так и готовые MLOps платформы. Эта система и будет нашим «менеджером по оптимизации». Она будет не просто находить аномалии, а сегментировать партнеров по десяткам неочевидных признаков и для каждого сегмента предлагать свою стратегию: этим — изменить бонусную программу, этим — предложить новый, более дешевый тариф, а вот этих, самых неэффективных, возможно, стоит и отключить.

Скептик: Но ведь косты — это не только прямые выплаты. Это еще и время нашей поддержки на решение их проблем.

Визионер: Конечно! AI проанализирует все тикеты в Bitrix. Он выявит самые частые и дорогие для нас типы запросов. И тут же предложит решение: для 80% типовых вопросов — создать чат-бота, который будет решать их мгновенно. А для оставшихся 20% сложных случаев — подготовит для оператора поддержки саммари проблемы и готовые варианты решения. Вот тебе и снижение операционных затрат без потери качества. Мы не просто экономим, мы улучшаем партнерский опыт — они получают ответы быстрее.

Скептик: Хорошо, но я не доверяю «черному ящику». Как я пойму, что AI не наломает дров?

Визионер: А мы не будем давать ему ключи от машины сразу. Сначала он работает в режиме советника. Модель выдает рекомендации, а живой аналитик (возможно, даже нанятый на более младшую позицию) их проверяет и утверждает. Через месяц мы сравним: сколько денег сэкономил человек, следуя своей интуиции, и сколько можно было бы сэкономить, следуя рекомендациям AI. Цифры упрямая вещь. Постепенно, когда мы увидим, что 9 из 10 рекомендаций AI точны и эффективны, мы сможем автоматизировать их выполнение.

А как же валидировать результат? Все просто, как в любом IT-продукте.
Первое — A/B тесты. Берем две похожие группы партнеров. Для одной применяем стратегию, разработанную AI, для другой оставляем все как есть. Через месяц-два смотрим на ключевые метрики: отток партнеров, их средний доход, индекс удовлетворенности (NPS) и, конечно, наши затраты.
Второе — симуляция на исторических данных. «А что было бы, если бы мы внедрили этот алгоритм год назад?» Модель может просчитать это с высокой точностью и показать, сколько миллионов мы недополучили, пока копались в Excel-табличках вручную.

В итоге, вместо того чтобы искать одного дорогого сеньора, который станет «бутылочным горлышком» и будет выгорать под гнетом отчетов, компания могла бы инвестировать в создание системы. Системы, которая не уйдет в отпуск, не заболеет, будет становиться только умнее с каждым новым гигабайтом данных и в итоге принесет куда больше пользы. А люди? Людям останется самая интересная работа — ставить этой системе задачи и интерпретировать ее неожиданные выводы.

Вакансия отсюда: https://www.linkedin.com/jobs/view/4410183334/