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. 

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.

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. 

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. 

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.

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. 

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