Как мы сократили расходы на привлечение клиентов на 120 млн рублей (и при чем тут овербукинг)

Не секрет, что авиакомпании продают больше билетов, чем мест в самолете. Почти на каждом рейсе найдутся пассажиры, которые опоздали на регистрацию, забыли взять паспорт или просто в последний момент передумали лететь. Не будь овербукинга, авиаперевозчики постоянно теряли бы деньги, поднимая самолет в воздух с пустыми креслами.

Мы в Skyeng использовали эту технику для того, чтобы сокращать расходы на привлечение клиентов. И сократили их – на 120 миллионов рублей.

Проблема

Любой, кто хочет заниматься в Skyeng, проходит бесплатный вводный урок. То есть бесплатный он только для самих потенциальных студентов. Для нас стоимость проведения этого вводного занятия составляет 600 рублей, а в пересчете на одного заплатившего клиента доходит до 4 тысяч рублей.

При этом почти половина тех, кто записался на бесплатный урок, не приходит на него. Это значит, что 50% времени преподаватели-методисты простаивают, и компания тратит деньги зря. В какой-то момент это стало нас серьезно беспокоить.

Конечно, отказываться от вводных уроков было нельзя. Для учеников такое занятие – это отличный бонус: они видят, как работает наша платформа, бесплатно определяют свой уровень владения языком и получают учебный план. Для нас это точка продажи: на вводном уроке мы можем показать наш продукт в максимально выгодном свете, чтобы сразу после него постараться закрыть клиента на покупку платного пакета уроков.

Поиски решения

Skyeng пытался решить эту проблему разными способами. Поначалу мы просто отказались от системы записи конкретного ученика к конкретному методисту и сделали единый «пул» методистов, который был вдвое меньше по численности.

Потом мы покопались в данных и сделали чуть более сложную схему. Она рассчитывала количество методистов исходя из того, откуда к нам приходил потенциальный клиент. Мы подсчитали, что люди, которые записываются по рекомендациям друзей, с вероятностью 80% все же придут на пробный урок.

А, например, посетители конференций, записавшиеся после общения с менеджером по продажам, сделают это лишь в 20% случаев. Поэтому мы перераспределили ресурсы и поставили больше методистов на «горячие» каналы и меньше – на «холодные».

Получилось получше, хоть и ненамного – мы теряли всего до 20% новых клиентов. Нам были нужны более точные данные и меньшие потери.

Что в итоге сработало?

Мы попробовали найти факторы, влияющие на вероятность посещения вводного занятия, и сделали на их основе статистическую модель. В дело пошло все, что мы знаем о потенциальном студенте:

• день недели,
• время вводного урока,
• пол,
• возраст,
• канал, из которого он пришел,
• регион,
• временной промежуток между звонком и датой, на которую человек записался, и многое другое.

Чем больше факторов, тем ювелирнее будет предсказание. Такая модель рассчитывает вероятность того, что урок состоится, для всех записавшихся, и выдает суммарный прогноз.

Исходя из него мы рассчитываем количество методистов, которые должны быть готовы провести урок в конкретный момент времени. Аналитики написали код с моделью, а разработка внедрила его в специальной CRM, которая распределяет учеников по методистам.

И это сработало! За 2018 год мы сократили затраты на вводный урок почти на 45%, то есть сэкономили около 120 миллионов рублей.

Эту модель можно улучшить

Статистические модели можно применять в любых видах бизнеса, где нужно предсказывать баланс спроса и предложения в каждый конкретный момент или даже в конкретном месте. Возможности тут широчайшие, причем не только для экономии, как это сделали мы, но и для повышения доходов.

Однако мы не стали этого делать, так как соотношение между ожидаемой прибылью от повышения точности прогноза и затратами на разработку и поддержку ML-модели оказалось менее выгодным, чем в ряде других задач, куда мы и направили наших специалистов по Data Science. Применение модных и дорогостоящих технологий все-таки должно быть осознанным.