Эти и другие вопросы на Форуме TOP Marketing

Предиктивная аналитика направлена на то, чтобы удерживать самые доходные сегменты пользователей. Если вы знаете, что такой пользователь с вероятностью 85% планирует покинуть вас, вы можете создать дополнительную коммуникацию для его удержания: уведомление с приглашением снова зайти на сервис, рассылку с подборкой интересных предложений, сообщение с промокодом и так далее. Вторая важная задача, которая стоит перед маркетологами в e-commerce, это склонять пользователей на дополнительные покупки, используя сross sale и up sale. Для этого мы должны выдавать ему предложение, конверсия которого будет выше, чем в случае, если бы он искал товар сам.

Как компания «Биглион» строила предиктивную аналитику? За 7 лет работы компании были накоплены данные о нескольких миллионах уникальных покупателей в виде 800 миллионов событий (заходы, покупки, категории покупок, платформы, с которых пользователи приходили, шаги до покупки, брошенные корзины и так далее, в основном поведенческие данные). При этом нужно учитывать особенность компании -  у каждой категории товаров есть своя специфика, средний чек и частота покупок. Взаимодействие пользователя с товарами различных категорий может в корне отличаться. Если на маникюр клиентка может ходить раз в неделю, то на концерты – уже раз в пару недель, а в отпуск за границу она ездит два-три раза в год.

Для построения обеих моделей – по оттоку пользователей и рекомендательной системы – был использован алгоритм Random Forest («Случайный лес»). Это один из алгоритмов кластеризации и классификации, который способен работать с большим числом событий и атрибутов (а в нашем случае – признаков как, что и где покупал пользователь). В предиктивной аналитике, если алгоритм методологически подходит к задаче и типу очищенных данных, он применяется и на практике в зависимости от эффективности или, другими словами, от точности предсказаний. «Случайный лес» не только способен эффективно обрабатывать данные с большим числом признаков, но и может обобщать разные сценарии и улавливать логику поведения пользователей, которая  строится на основе многочисленных «разветвлений» их действий.

Убедившись, что выстроенная модель работает, компания проверяла, «сбываются» ли предсказания. По рекомендациям оценивалось, насколько повысилась конверсия, а по оттоку пользователей – насколько правильные прогнозы их ухода выдавал алгоритм. Для этого брали когорты клиентов по оттоку и смотрели, где предсказывался уход с вероятностью Х и дальше смотрели, сколько из них ушло через 2-4 недели. Запустив построенную модель, компания увидела, что вероятность оттока пользователей (в значениях 75%+, 85%+, 95%+ и так далее) она предсказывает с точностью 99,5%. Этого достаточно для того, чтобы эффективно удерживать клиентов, приносящих средний или высокий доход.

Выделив когорты пользователей, которые собрались уходить, начинали использовать кастомизированные мобильные пуш-уведомления, email-рассылки с использованием промокодов и специальных предложений, чтобы простимулировать клиентов на повторную покупку.

Рекомендательная система тоже показала себя хорошо – пока она используется  в тестовом режиме, но в ближайшем будущем будет запущена на всем сервисе. По подсчетам, с ее помощью можно повысить доход на 10-20%.

Предложенный подход можно использовать в любом проекте в e-commerce. Для того чтобы все заработало, нужно уделять особое внимание полноте и чистоте данных. Второй важный и сложный момент в предиктивной аналитике – найти баланс между настойчивостью и умением быть достаточно гибкими, чтобы понять и принять свои ошибки, сменить алгоритм, работая при этом короткими итерациями, дабы не потратить полгода на модель, которая не подходит – стройте модель, проверяйте прототип, смотрите «да/нет» и бегите дальше.

Автор: Дмитрий Лучкин, экс-директор по онлайн-маркетингу «Биглион»

Полная статья: https://rb.ru/opinion/prediktivnaya-analitika/