Как мы завоевываем лояльность клиентов с помощью технологии больших данных

Сергей Марин
Сергей Марин

Директор и основатель «Школы Данных», основатель «Студии данных»

Расскажите друзьям
Полина Константинова

Кто они, герои нашего времени? Они разные, но общее есть у всех – это ежедневная активность и регулярные занятия спортом. Как надолго стать любимым фитнес-клубом для этих людей при помощи технологии больших данных рассказывают Давид Мелкумян, директор отдела разработки в World Class, и Сергей Марин, основатель «Студии данных».

Что мы любим больше всего в сфере услуг? Когда к нам относятся индивидуально. Это повышает и нашу лояльность, и вовлеченность, а за ними растет и средний чек. Но насколько такое отношение возможно, если услуга потоковая и рассчитана на большое количество клиентов? Технологии Big Data позволяют их изучить и сделать лучшее кастомизированное предложение для конкретного человека. Этим приемом воспользовался World Class и получил положительный результат.

Спорт – это уже давно нечто большее, чем тренировка, это образ жизни. Эту мысль подтвердили и исследования World Class. Проанализировав свою клиентскую базу, компания пришла к выводу, что люди, которые помимо абонемента покупают и другие услуги фитнес-клуба, чаще возвращаются, чтобы продлить годовое членство. Далее компания рассмотрела структуру покупок и выделила приоритетные направления для предложений: групповые тренировки, персональные тренировки, участие в спортивных мероприятиях клубов и услуги SPA-салона. Именно эти услуги выбирали клиенты, которые продляли спортивный абонемент.

Коллаборативная фильтрация в деле

Далее настал черед больших данных. В качестве подрядчика для разработки рекомендательной системы World Class привлек «Студию данных».

Перед командой была поставлена задача сформировать рекомендательную систему на основании накопленных данных об использовании дополнительных сервисов фитнес-клубов: SPA-услуги, индивидуальные и групповые тренировки, спортивные мероприятия.

При построении рекомендательной системы была использована коллаборативная фильтрация. Этот подход основан на том, что если одному человеку нравятся продукты A, B, C, D, а другому продукты B, C, D, E, то велика вероятность, что первому также понравится продукт Е, а второму А.

На практике этот подход реализуется через решение матриц с использованием библиотек Python.

Для решения задачи World Class была построена гигантская матрица, каждый ряд которой – это клиент, а каждый столбец – это услуга фитнес-клуба. Затем библиотека Python запускала формулу матричной факторизации, в результате были получены векторы клиентов и векторы услуг. Далее чтобы сделать клиенту индивидуальное предложение, коллаборативная фильтрация сравнивала вектор выбранного клиента с векторами других членов фитнес-клуба, находила наиболее похожие. В результате сравнения человек получал в качестве предложения услуги, которыми пользовались люди с векторами сходными с его.

Но, конечно же, проект был не без сложностей. По определенной массе клиентов не было никакой информации об используемых услугах. Поэтому система учитывала не только прошлые покупки клиентов, но и сравнивала профили в личном кабинете: пол, возраст, вид членства, посещения. Также для определенной выборки предложения делались случайным образом, а на результате воспользовался – не воспользовался услугой система дообучалась.

  

От высоких технологий к реальной жизни

Рекомендательная системы дает рекомендации, но их нужно еще правильно донести клиентам. Для предложений были использованы различные каналы: личный кабинет на сайте, мобильное приложение, Wi-Fi в клубах, устные рекомендации в самом пространстве фитнес-клуба и на стойке ресепшен. С электронными каналами оказалось договориться проще, чем с людьми.

Из курьезных случаев: система порекомендовала услугу окраски волос для мужчины, сотрудники забраковали предложение, а позже оказалось, что мужчина действительно прибегает к окраске волос. Так что для мотивации персонала были изменены KPI сотрудников клуба.

А теперь перейдем к цифрам, немного сухим, но приятным. Потребление дополнительных услуг выросло в среднем на 10% на одного клиента. Отток снизился на 14%. Самое главное, клиенты клуба, кто воспользовался рекомендациями, стали пользоваться на 58% больше услугами компании в целом.

 

Кейс был представлен на Big Data Conference. Ответы автора колонки на вопросы аудитории, которые были заданы в ходе его выступления на конференции, опубликованы ниже.

1. Как расшифровывается NPS?

Net Promoter Score – общепринятый индекс удовлетворенности клиента, измеряющий готовность клиента рекомендовать услуги компании другим людям по десятибалльной шкале

 

2. Цель ворлд класса – стать лав-брендом? Как долго нужно идти к этой цели в фитнес-индустрии? Какие главные качества необходимо иметь, чтобы стать лав-брендом?

Полагаем, что здесь идет речь про Lovemark – это образ бренда, нацеленный на создание эмоциональной связи с клиентом, повышая лояльность клиентов.

У нас это, по сути, целый комплекс мероприятий, которые уже внедрены (программа лояльности, обратная связь и так далее, на будущее – customer journey map, развитие мобильного приложения и другое). Также среди клиентов World Class достаточно много медийных личностей, деятелей культуры, профессиональных спортсменов. Все они являются неким ориентиром в стиле жизни и роли спорта.

 

3. На основе каких параметров определяется вероятность оттока? Только частота посещения клуба?

Как и в любой модели машинного обучения, мы использовали достаточно большое количество параметров, более 100. Наиболее значимые из них: частота использования дополнительных услуг, наличие персонального тренера, оставшееся количество дней заморозки, средняя длительность визита, потребление услуг СПА, длительность контракта и сезон. Как мы видим, основные значимые предикторы поведенческие и показывают уровень вовлеченности в услуги клуба.

 

4. Откройте клуб в Химках, хотя бы Физкульт. Страдаем

Нам очень жаль, мы передадим ваши пожелания в отдел планирования развития сети.

 

5. Какая сеть фитнеса, с вашей точки зрения, является лав-брендом сегодня?

Давид: мое мнение, это World Class.

 

6. Как изменился LTV или его прогноз? Или какие цели по нему ставите?

На горизонте наблюдений год (столько на настоящий момент работает рекомендательная система в World Class) LT вырос более чем на 30% на тех клиентах, кто принял рекомендацию.

 

7. Как определяется отток? Отсутствие пролонгации сразу после окончания абонемента?

Отток – отсутствие пролонгации в течение 3 месяцев. Для обучения модели использовался период 1 месяц: то есть отсутствие пролонгации в течение 1 месяца.

 

8. Какие каналы коммуникации используют результаты рекомендательной системы? Только email-рассылка?

Все активные и пассивные каналы World Class: ресепшн, WiFi в клубах (при заходе в WiFi показывается таргетированный рекламный баннер), ЛК, приложение и да, email-рассылки

 

9. Планируете объединяться с системами лояльности ресторанов, чтобы изучать, что едят клиенты?

В перспективе. Сейчас фокус на «умных устройствах».

 

10. Давид! Цифровое рекомендующее зеркало у Вас в клубах уже есть? Антон LargeScreen.ru

Пока нет) Еще можно рассмотреть установку зеркала, которое само селфи делает и отправляет. Если серьезно, то рекомендации на зеркале могут видеть и другие люди, и, соответственно, это будет нарушать privacy клиента

 

11. Под разрешением от клиента на сбор его данных вне зала понимается условное согласие, без которого нельзя купить абонемент/зайти на портал?

Мы собираем только явные согласия, и абонементы от этого не зависят. Рекомендации на основе активности вовне клуба – это услуга для клиента, на которую ему при желании нужно подписаться, и в этом и только этом случае дать согласие на обработку данных

 

12. Какой процент людей, получающих email-рассылки, действительно их читают?

Здесь можем говорить про Open Rate (OR) – более 20%, это среднее значение, которое является достаточно высоким.

 

13. Какие инструменты вы используете для построения моделей?

Из алгоритмов: коллаборативная фильтрация. Инструменты: Spark 1.6, Python.

 

14. Сколько времени заняла реализация проекта?

5 месяцев.

 

15. У вас есть уникальная коммуникация с клиентами, выделяющая ворлд класс среди других фитнес-клубов?

Если говорить в разрезе инструментов коммуникации, то World Class, пожалуй, единственный бренд в фитнес-индустрии, который использует комплекс инструментов для связанной коммуникации. Отдельно хочется отметить direct-маркетинг, включающий email, смс, viber, пуш-уведомления и другие инструменты, с помощью которых идет таргетированная коммуникация с клиентом. В этом направлении мы активно продвигаемся (и с точки зрения автоматизации управления изнутри).

 

16. А рекомендательные системы динамически меняют контент на экранах Digital Signage в клубе, узнают клиента на тренажере? Или все еще телевизоры крутят Интернов?!

У нас нет сейчас идентификации тренажеров клиента. Мы только начинаем прорабатывать этот вопрос.

 

17. Будет ли возможность таргетировать рекламу на базу ваших клиентов?

Мы не спамим наших клиентов. И продавать базу наших клиентов мы тоже ни в коем случае не планируем

 

18. Учитывает ли рекомендательная система склонность к отклику в определенном канале и чувствительность к цене товара? Или у world class клиенты не обращают на цену внимания?

Два несвязанных вопроса:

  • Рекомендательная система рекомендует услуги клиентам на основе похожести клиентов и их потребления. Таким образом, стоимость присутствует, но неявно.

  • World Class предоставляет услуги в разных ценовых сегментах от Upper-premium до mass.

 

19. Какие данные о клиенте без покупок вы используете?

Соцдем, локация, частота посещений, тип абонемента, продолжительность абонемента, время (дня) посещения, продолжительность визита и ряд других.

 

20. Какие есть интересные факты по результату анализа оттоков клиентских групп?

Вовлеченность определяет факт пролонгации.

 

21. Помимо вероятности отклика, у каждого предложения есть ожидаемая доходность от покупки. Как действовали в ситуации, когда самый вероятный продукт для клиента один, а самый доходный для компании – другой?

Анализ по похожести клиентов решал эту проблему. Более дорогой продукт включает также большее количество услуг, это же не только цена. Соответственно, если клиент был похож на клиентов, которые предпочитают более расширенный продукт, то именно он ему и рекомендовался

 

22. Как вы подводили итоги? Аб-тест?

Сначала оценка качества моделей (precision, recall для оттока, rmse для рекомендательной системы). Потом сравнение целевых и контрольных групп (то есть, да, А/Б-тестирование). Но его мы проводили в самом конце, так как на его результат влияло много факторов, в том числе и активность персонала по удержанию и рекомендациям.

 

23. Используется ли сегментация для определения метода коммуникации с клиентом?

Да, выбор оптимального канала заложен в саму рекомендательную систему. Система также дообучается на основе отклика из канала.

 

24. Рост потребления услуг вырос разово или это постоянный тренд?

Как мы говорили на конференции, это именно длительный тренд. Поквартальный рост составил 58% в целевой группе.

Материал обновлен 17.09.2018 (добавлены ответы на вопросы аудитории конференции).


Материалы по теме:

Актуальные материалы — в Telegram-канале @Rusbase

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter


Комментарии

Зарегистрируйтесь, чтобы оставлять комментарии и получить доступ к Pipeline — социальной сети, соединяющей стартапы и инвесторов.
Startup Weekend 5.0
23 ноября 2018
Ещё события


Telegram канал @rusbase



Реклама помогает Rusbase


Разместить рекламу