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

Павел Костин, генеральный директор русского подразделения CDXP-платформы Exponea, ведает, какие рекламные задачки можно решить при помощи машинного обучения и предиктивной аналитики, и делится кейсами, в каких таковой подход принес настоящую прибыль.

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

Павел Костин

В сфере маркетинга ML и предиктив почаще всего помогают решать три задачки:

Прогноз грядущих действий юзера.

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

Оптимизация коммуникаций с клиентом. 

У нашей платформы есть клиенты по всему миру, и мы знаем: то, что работает, к примеру, в Англии, не постоянно «входит» в Рф. Потому не все кейсы, иллюстрирующие задачки, можно cкопировать. Тем не наименее, на их можно ориентироваться, чтоб придумать собственные идеи и догадки.

Задачка 1. Прогноз грядущих действий юзера

Предиктивная аналитика нередко строится на разных скоринговых моделях. Продуктологи головного кабинета IKEA совместно с нами выстроили ординарную версию таковой модели на базе посещений юзерами определенных страничек. 

Я не могу разглашать определенные числа, но объясню логику работы: за посещение каталога юзеру начислялся 1 балл, за посещение карточки продукта — 2 балла, за добавление продукта в корзину — 5 баллов, за переход к оформлению заказа — 15 баллов. 

На базе этого мы получили большой массив данных, в каком любому юзеру присваивается суммарный балл. 

Покупатели IKEA обычно выбирают продукты на веб-сайте, а позже приобретают их в магазине либо забирают заказ самовывозом. Это ROPO-эффект (research online — purchase offline). Если человек оставил брошенную корзину, его можно догнать ретаргетом — для этого и употребляли скоринговую модель. 

Чем выше суммарный скоринговый балл клиента, тем с большей вероятностью он совершит покупку в IKEA, а не у соперников. Посреди таковых людей выделили покупателей дорогих продуктов — кухонь, мебели — и запустили на их ретаргетинг с завышенной ставкой. 

По сопоставлению с контрольной группой конверсия в покупку возросла на 7,5%, а издержки на ретаргетинг снизились на 2%, поэтому что сейчас клиентов «догоняют» баннеры с индивидуальными предложениями — заместо схожей рекламы, которая показывается всем попорядку.

Эту механику может взять на вооружение неважно какая компания, которая желает строить предиктивные механики на базе скоринга, от больших ритейлеров до игроков из сферы страхования и выдачи займов.

Как лучше решить задачку

Для начала базисные скоринговые модели можно строить на бесплатных системах типа Гугл Analytics. Начинайте выдвигать 1-ые догадки и планировать деяния для всякого сектора.

Если видите, что весьма почти все имеют маленький балл скоринга, — углубляйтесь, чтоб осознать, где люди уходят с веб-сайта и как релевантны странички, на которые они приходят, тому, что они находили. Потом оптимизируйте эти странички и пристально наблюдайте изменение динамики данных скоринга.

Схожим образом можно предсказывать отток клиентов, их последующие покупки и остальные предстоящие деяния юзера.

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

Pelikan travel — наикрупнейшее агентство по бронированию авиабилетов в Словакии. Они поставили впереди себя задачку прирастить RPV (revenue per visitor — выручка на 1-го гостя). Для этого необходимо было осознать, как динамическое ценообразование влияет на число покупок страховки выезжающих за предел и страховки от задержки и отмены рейса. 

Для тестирования догадки взяли 20% каждомесячного трафика (всего 45 тыщ показов). В тестовую группу попадали юзеры, которые ранее имели историю покупок полисов, чтоб подборка была наиболее достоверной. Части юзеров показывалась увеличенная на 3–7% стоимость, части — уменьшенная на те же 3-7%.

Оказалось, что и повышение, и уменьшение цены понижает конверсию в заказ из корзины на 1%. При всем этом если страховка продается дороже, даже с наименьшей конверсией компания зарабатывает больше. 

Тестовый период продолжался три недельки и принес Pelikan travel доп €5 тыщ на тестируемой группе в сопоставлении с остальными юзерами. Когда опыт с динамическим ценообразованием развернули на всю аудиторию, выручка в последующие месяцы возросла на €40 тыщ. 

Аналогичный подход могут применить все компании, которые продают продукты с эластичным спросом и достаточной наценкой для тестов с ценой. К примеру, девелоперы, банки, онлайн-магазины. 

Как лучше решить задачку

Начинайте тестировать динамическое ценообразование не на основном продукте, а на доп продуктах, сегментируя покупателей по различным группам и демонстрируя им разные цены на один и этот же продукт.

Задачка 3. Оптимизация коммуникаций с клиентом 

Один из наших клиентов, русская ecommerce-компания, которая доставляет заказы в тыщу городов в 11 часовых поясах. В их базе — больше 100 млн юзеров, с которыми нужно выстраивать коммуникацию. 

Отправлять сообщения всем единовременно в любом случае не получится — когда в Москве наступает вечер, во Владивостоке уже глубочайшая ночь (то есть темное время суток).

Появился вопросец: в какое конкретно время отправлять коммуникацию? И повысится ли Open Rate и CTR, если юзер получит письмо в то время, когда он обычно открывает почту? 

Мы собрали исторические данные по любому клиенту: в каком часу он почаще всего открывал письма и кликал по ссылкам. Взяли 10% аудитории и «раскатали» на их сегментацию на наилучшее время отправки. По сопоставлению с контрольной группой письма открывали на 20% почаще — с каждой рассылки это покупки на миллионы рублей. 

Можно смело употреблять этот чемодан, если вы — компания с распределенной зоной работы. К примеру, банк с федеральной сетью либо интернациональный поставщик.

Как лучше решить задачку

Если не удается сходу заавтоматизировать отправку коммуникаций зависимо от того, когда юзер открывал письма, меняйте время отправки писем вручную и смотрите, как это влияет на итог.

К примеру, выдвигаем догадку, что определенный сектор в Иркутске почаще всего открывает письма в девять утра в четверг. Начинаем слать письма к этому времени. Другому сектору отправляем в 14:00 в четверг, третьему — в 18:30, остальным — просто в течение 24 часов. Смотрим за плодами и продолжаем тестировать, углубляясь в данные.

Аналогично можно решать задачки с выбором каналов коммуникации и оптимизацией издержек на их. 

Как достигнуть максимума

Для начала классифицируйте работу с данными: храните их в системах, откуда их можно стремительно достать и употреблять, складывайте в единое пространство, чтоб не собирать их потом по частицам, автоматизируйте сбор и хранение, чтоб уйти от ручного труда. 

Применять для всей данной работы можно:

«Зоопарк» систем. К примеру, CRM для сбора данных, Гугл Analytics для онлайн-аналитики, MailChimp для отправки писем, «Раппорто» для отправки СМС-сообщений. Преимущество разнородного набора в том, что приобрести и употреблять его можно достаточно дешево, минус — эти сервисы требуют людского сопровождения, а содержать штат — недешево.

CDXP-платформу. Она аккумулирует информацию о клиенте из различных источников (онлайн, офлайн, программки лояльности, различные директ-коммуникации), собирает в единый пользовательский профиль и выявляет actionable points, другими словами те точки, в каких взаимодействие с юзером будет более действенным и принесет компании огромную прибыль. Другими словами данные «зоопарка» инструментов платформа сводит сама. Таковой вариант больше подступает для масштабных бизнесов с огромным количеством данных. 

И помните, что работа с большенными данными — это постоянно работа людей, которые этими данными управляют. И лишь позже — система, которая помогает эти данные обработать и стремительно выдать итог.

Источник: rb.ru

Рекомендованные статьи

Добавить комментарий