Ваша скидочная программа не работает? Этот способ точно сможет помочь

Почему не все скидки работают

Скидки любят все. Правда, механизм этой любви еще не до конца изучен и очень плохо интерпретирован. Скидки сами по себе плохо работают: многие клиенты и так купили бы продукт или услугу, других привлек бы меньший дисконт, третьим необходима большая мотивация. Кому-то нужна скидка в конце недели, кому-то — перед зарплатой, а кому-то — перед выходом новой модели iPhone. Но их выдача, как правило, никак не отрегулирована, и деньги компаний попросту улетают в трубу.

Если говорить о кредитных организациях, то уменьшение ставки в абсолютных показателях совершенно не будоражит заемщиков. Например, сообщение о снижении ставки с 1% до 0,7% в день не вызывает никакого интереса. Никто не любит считать, это долго и не у всех получается. Другое дело объявление — «cкидка 30%» — тут можно даже обойтись без слова «шок» или его синонимов. Рука сама потянется к нужной кнопке.

Retention rate – индекс удержания клиентов сервиса, recovery rate – доля возвращенных средств к величине кредита.

Дело в том, что скидки задействуют сразу несколько струн в душе — от бережливости до азарта, и при этом не всегда подчиняются логике. Например, все обожают киберпонедельники в алкомаркетах, даже несмотря на явную алогичность этой акции (Кибералкоголь? В понедельник?).

Специальные предложения обходятся очень дорого бизнесу. Они могут «съедать» до 30-40% от маржинальности. Собственники иногда с плохо скрываемым недоверием относятся к отделу маркетинга, их гораздо проще убедить в том, что скидка не нужна, чем доказать ее эффективность. Кроме того, частые и большие скидки в финансовых компаниях могут привести к ухудшению качества заемщиков и платежной дисциплины.

Тут уже начинает косо смотреть весь департамент управления рисками. В нашей компании «вражеский» отдел рисков часто выигрывал борьбу против скидок и их отменяли. Мы проиграли им несколько битв, но в итоге выиграли войну, применив совершенно новую аналитическую модель.

Как мы сегментировали клиентов

Есть хрестоматийные примеры: вероятность того, что человек вернется в магазин после второй покупки гораздо выше, чем после первой. Поэтому у нас на второй заем действует скидка 30%, на третий – 10%, а на четвертый – всего 5%. К этому моменту лояльность клиента достигает максимума, а в его поведении проявляются характеристики автоматизма: он начинает пользоваться сервисом по привычке.

При назначении дисконта мы и раньше сегментировали клиентов: по RFM-анализу (времени, частоте операций и денежным затратам клиентов) по социально-демографическому принципу (пол, возраст). Эти модели устарели и показывали нерелевантные результаты. Около 40% заемщиков берут новый заем в первую неделю после погашения. Таким клиентам мы давали скидку меньше, чем остальным. Могли бы они вовсе обойтись без нее? Наверно. Но сказать точно мы не могли.

Что изменили

Мы оценили всю базу заемщиков за определенный период: как они использовали скидки и как их величина влияла на платежную дисциплину. Потом мы разделили всех новых клиентов на шесть фокус-групп и проверили несколько тестов. Каждой группе предоставляли разные скидки от 0 до 75% и смотрели на конверсию.

Тест проходил два месяца. Полученный анализ конверсии по 50 параметрам мы преобразовали в математическую модель. Над проектом работал департамент Data Science холдинга ID Finance. Специалисты разработали несколько моделей и выбрали лучшую. Программа на основе массива данных присваивала заемщику специальный балл, который оценивал его склонность к возвращению в сервис.

Иными словами, система сама назначала оптимальную скидку на основе данных кредитной истории, информации из социальных сетей и поведения заемщика. Мы соединили систему с маркетинговыми инструментами, настроили директ, почтовую рассылку, пуш-уведомления и передали данные в службу поддержки (да, клиенты часто звонят в службу поддержки, узнать какая сейчас скидка).

Результат

Пилот был внедрен в российском сервисе MoneyMan в ноябре 2017 года. С 2018-го модель стали использовать и в других проектах компании (Solva, Ammopay, Plazo). В результате уровень recovery rate увеличился на 3,2 процентных пункта за месяц. Это сопоставимо со всем бюджетом компании на маркетинг.

Единственный возможный недостаток модели в том, что ее надо постоянно совершенствовать и перестраивать. Пока мы делаем это вручную, но благодаря технологии reinforcement learning (вид машинного обучения, который мы сейчас внедряем) модель будет актуальна каждый день.

Советы тем, кто хочет внедрить такую систему

• Сделать такую систему можно на основе решений open-source.
• Следует обращать внимание на свежесть данных. Поведение клиентов быстро меняется, информация становится неактуальной. Разработанная нами система приоритезирует самые последние данные.
• Информация о поведении клиента внутри сервиса (финансовая дисциплина, сумма займов и прочее) важнее, чем внешние данные, включая историю из БКИ.
• Следить за источниками доставки информации: важно, чтобы их было несколько. Самые эффективные – это до сих пор SMS и пуш-уведомления.
• E-mail с новыми предложениями лучше отправлять с 10:00 до 15:00, на SMS клиенты лучше реагируют с 15:00 до 18:00
• С уведомлениями о скидке лучше не частить. Один человек не должен получать больше двух сообщений в неделю.
• Если скидка большая – ее следует указывать в теме письма, если маленькая – она должна быть в тексте, а тема должна быть кликабельной

Материалы по теме:

Как заставить большие данные работать на ваш бизнес

Программа лояльности, которая повысит ваши продажи – советы и кейсы

Тест на верность: как завоевать лояльность пользователей

10 принципов успешной поддержки клиентов в соцсетях

Клиенты не всегда хотят материальных бонусов