Колонки

ML и предиктивный маркетинг: 3 кейса, с которых стоит взять пример

Колонки
Павел Костин
Павел Костин

генеральный директор российского подразделения Exponea

Ольга Лисина

Павел Костин, генеральный директор российского подразделения CDXP-платформы Exponea, рассказывает, какие маркетинговые задачи можно решить с помощью машинного обучения и предиктивной аналитики, и делится кейсами, в которых такой подход принес реальную прибыль.

ML и предиктивный маркетинг: 3 кейса, с которых стоит взять пример

В сфере маркетинга ML и предиктив чаще всего помогают решать три задачи:

  1. Прогноз предстоящих действий пользователя.
  2. Подсчет будущих LTV, числа покупок в периоде и среднего чека.
  3. Оптимизация коммуникаций с клиентом. 

У нашей платформы есть клиенты по всему миру, и мы знаем: то, что работает, например, в Великобритании, не всегда «заходит» в России. Поэтому не все кейсы, иллюстрирующие задачи, можно cкопировать. Тем не менее, на них можно ориентироваться, чтобы придумать собственные идеи и гипотезы.


Shutterstock / Montri Nipitvittaya


Задача 1. Прогноз предстоящих действий пользователя

Предиктивная аналитика часто строится на различных скоринговых моделях. Продуктологи головного офиса IKEA вместе с нами построили простую версию такой модели на основе посещений пользователями определенных страниц. 

Я не могу разглашать конкретные цифры, но поясню логику работы: за посещение каталога пользователю начислялся 1 балл, за посещение карточки товара — 2 балла, за добавление товара в корзину — 5 баллов, за переход к оформлению заказа — 15 баллов. 

На основе этого мы получили огромный массив данных, в котором каждому пользователю присваивается суммарный балл. 

Покупатели IKEA обычно выбирают товары на сайте, а потом покупают их в магазине или забирают заказ самовывозом. Это ROPO-эффект (research online — purchase offline). Если человек оставил брошенную корзину, его можно догнать ретаргетом — для этого и использовали скоринговую модель. 

Чем выше суммарный скоринговый балл клиента, тем с большей вероятностью он совершит покупку в IKEA, а не у конкурентов. Среди таких людей выделили покупателей дорогих товаров — кухонь, мебели — и запустили на них ретаргетинг с повышенной ставкой. 

По сравнению с контрольной группой конверсия в покупку увеличилась на 7,5%, а затраты на ретаргетинг снизились на 2%, потому что теперь клиентов «догоняют» баннеры с персональными предложениями — вместо одинаковой рекламы, которая показывается всем подряд.

Эту механику может взять на вооружение любая компания, которая хочет строить предиктивные механики на основе скоринга, от крупных ритейлеров до игроков из сферы страхования и выдачи займов.


Как лучше решить задачу

Для начала базовые скоринговые модели можно строить на бесплатных системах типа Google Analytics. Начинайте выдвигать первые гипотезы и планировать действия для каждого сегмента.

Если видите, что очень многие имеют низкий балл скоринга, — углубляйтесь, чтобы понять, где люди уходят с сайта и насколько релевантны страницы, на которые они приходят, тому, что они искали. Затем оптимизируйте эти страницы и внимательно наблюдайте изменение динамики данных скоринга.

Подобным образом можно прогнозировать отток клиентов, их следующие покупки и другие предстоящие действия пользователя.


Задача 2. Подсчет будущих LTV, числа покупок в периоде и среднего чека

Pelikan travel — крупнейшее агентство по бронированию авиабилетов в Словакии. Они поставили перед собой задачу увеличить RPV (revenue per visitor — выручка на одного посетителя). Для этого нужно было понять, как динамическое ценообразование влияет на число покупок страховки выезжающих за рубеж и страховки от задержки и отмены рейса. 

Для тестирования гипотезы взяли 20% ежемесячного трафика (всего 45 тысяч показов). В тестовую группу попадали пользователи, которые ранее имели историю покупок полисов, чтобы выборка была более достоверной. Части пользователей показывалась увеличенная на 3–7% цена, части — уменьшенная на те же 3-7%.

Оказалось, что и увеличение, и уменьшение цены снижает конверсию в заказ из корзины на 1%. При этом если страховка продается дороже, даже с меньшей конверсией компания зарабатывает больше. 

Тестовый период длился три недели и принес Pelikan travel дополнительные €5 тысяч на тестируемой группе в сравнении с остальными пользователями. Когда эксперимент с динамическим ценообразованием развернули на всю аудиторию, выручка в следующие месяцы увеличилась на €40 тысяч. 

Аналогичный подход могут применить все компании, которые продают товары с эластичным спросом и достаточной наценкой для экспериментов с ценой. Например, девелоперы, банки, онлайн-магазины. 


Как лучше решить задачу

Начинайте тестировать динамическое ценообразование не на основном продукте, а на дополнительных продуктах, сегментируя покупателей по разным группам и показывая им различные цены на один и тот же продукт.


Задача 3. Оптимизация коммуникаций с клиентом 

Один из наших клиентов, российская ecommerce-компания, которая доставляет заказы в тысячу городов в 11 часовых поясах. В их базе — больше 100 млн пользователей, с которыми надо выстраивать коммуникацию. 

Отправлять сообщения всем единовременно в любом случае не получится — когда в Москве наступает вечер, во Владивостоке уже глубокая ночь.

Возник вопрос: в какое именно время отправлять коммуникацию? И повысится ли Open Rate и CTR, если пользователь получит письмо в то время, когда он обычно открывает почту? 

Мы собрали исторические данные по каждому клиенту: в котором часу он чаще всего открывал письма и кликал по ссылкам. Взяли 10% аудитории и «раскатали» на них сегментацию на оптимальное время отправки. По сравнению с контрольной группой письма открывали на 20% чаще — с каждой рассылки это покупки на миллионы рублей. 

Можно смело использовать этот кейс, если вы — компания с распределенной зоной работы. Например, банк с федеральной сетью или международный поставщик.


Как лучше решить задачу

Если не удается сразу автоматизировать отправку коммуникаций в зависимости от того, когда пользователь открывал письма, меняйте время отправки писем вручную и смотрите, как это влияет на результат.

Например, выдвигаем гипотезу, что определенный сегмент в Иркутске чаще всего открывает письма в девять утра в четверг. Начинаем слать письма к этому времени. Другому сегменту отправляем в 14:00 в четверг, третьему — в 18:30, остальным — просто в течение 24 часов. Следим за результатами и продолжаем тестировать, углубляясь в данные.

Аналогично можно решать задачи с выбором каналов коммуникации и оптимизацией затрат на них. 


Как достичь максимума

Для начала систематизируйте работу с данными: храните их в системах, откуда их можно быстро достать и использовать, складывайте в единое место, чтобы не собирать их затем по крупицам, автоматизируйте сбор и хранение, чтобы уйти от ручного труда. 

Использовать для всей этой работы можно:

  1. «Зоопарк» систем. Например, CRM для сбора данных, Google Analytics для онлайн-аналитики, MailChimp для отправки писем, «Раппорто» для отправки СМС-сообщений. Преимущество разнородного набора в том, что купить и использовать его можно довольно недорого, минус — эти сервисы требуют человеческого сопровождения, а содержать штат — дорого.
  2. CDXP-платформу. Она аккумулирует информацию о клиенте из разных источников (онлайн, офлайн, программы лояльности, разные директ-коммуникации), собирает в единый пользовательский профиль и выявляет actionable points, то есть те точки, в которых взаимодействие с пользователем будет наиболее эффективным и принесет компании большую прибыль. То есть данные «зоопарка» инструментов платформа сводит сама. Такой вариант больше подходит для масштабных бизнесов с большим количеством данных. 

И помните, что работа с большими данными — это всегда работа людей, которые этими данными управляют. И только потом — система, которая помогает эти данные обработать и быстро выдать результат.


Обложка: Shutterstock / everything possible

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Материалы по теме

  1. 1 Data Science для предсказания спроса: как это работает на самом деле?
  2. 2 Монетизация Big Data: как бизнесу заработать на данных?
  3. 3 Мы научились предсказывать поведение клиентов. Такой способ может увеличить ваш доход в два раза

Актуальные материалы —
в Telegram-канале @Rusbase

ВОЗМОЖНОСТИ

08 августа 2020

Цифровые джунгли

09 августа 2020

IT хакатон

09 августа 2020

Лето.SAAS