Связаться с редакцией
Как машинное обучение помогает выполнить KPI маркетолога?
Какие преимущества поведенческого анализа может использовать бизнес?
В распоряжении современных маркетологов находится огромный арсенал различных цифровых инструментов: от классических систем аналитики до сложного и непонятного искусственного интеллекта (Artificial Intelligence, AI).
Поговорим о том, как машинное обучение (Machine Learning, ML) нашло применение в маркетинге. Маркетологи начали смотреть в сторону средств ML и AI неспроста. Количество информации растет экспоненциально, так что без специализированных методов по работе с данными эффективно работать становится все сложнее. Особенно, когда планка эффективности с каждым годом задирается рынком выше и выше.
Маркетологам в первую очередь интересно выполнение своих KPI — например, повышение откликов и вовлеченности, рост числа клиентов и снижение их оттока. Алгоритмы машинного обучения могут в этом помочь. Они позволяют делать три основные вещи:
- Работать с Big Data, чтобы лучше понять своих клиентов и, как следствие, улучшить маркетинговые стратегии.
- Проводить предиктивную аналитику поведения клиентов для оценки важных метрик, например, LTV (Lifetime Value, вся прибыль от клиента за тот период, пока вы с ним работаете).
- Давать рекомендации по корректировке действий в реальном времени, например, для увеличения чека клиента.
Кластеризация, сегментация и поведенческий анализ
Но что конкретно может машинное обучение в применении к работе маркетологов? ML-методы успешно решают ряд важных задач:
- Кластеризация — «умное» разбиение пользователей на кластеры с помощью специальных алгоритмов на основе всевозможной информации: демографии, истории покупок, предпочтений и т. д., из которых можно почерпнуть большое количество важных инсайтов. В дальнейшем инсайты помогут скорректировать общие стратегии по работе с клиентами.
- Динамическая сегментация — по факту то же самое, что и кластеризация, но проводится почти в реальном времени и вместе, например, с рекомендательными системами и динамическим ценообразованием позволяет предлагать пользователям оптимальные цены.
- Предиктивная (поведенческая) аналитика — позволяет определять тенденции пользователей и на основе этой информации оптимизировать дальнейшие стратегии и кампании.
В теории все это звучит довольно загадочно и сложно. Давайте посмотрим на реальные кейсы и постараемся оценить их эффект.
Кейс № 1. Банк
Крупный российский банк попросил нас провести кластеризацию отделений по эффективности, чтобы получить рекомендации по открытию или закрытию отделений. Были получены следующие данные:
• информация о местонахождении;
• различные показатели того, что происходит в окрестностях отделения;
• количество станций метро в окрестности;
• количество реальных рабочих мест и другие.
В качестве целевой переменной для кластеризации был использован показатель человекопотока в окрестностях отделения.
Когда кластеризация отделений была проведена, получилось несколько кластеров, каждый из которых хорошо интерпретировался. Например, отделения, которые расположены в центре города, оказались в одном кластере, так как там самый высокий человекопоток и большое количество рабочих/культурных мест. Но также там находится большое количество отделений банков-конкурентов, а следовательно, открывать там новые точки — не самая лучшая идея. Например, мы выяснили, что офис, расположенный в центре, должен демонстрировать высокие показатели, но на деле оказалось, что, по-хорошему, его надо закрыть.
Однако в полной мере решить задачу не удалось — не было предоставлено важных данных об экономической эффективности отделений, а также портрет клиента. Пришлось использовать косвенные признаки (человекопоток). Тут и проявилось первое важное ограничение на применение ML-методов: критически важно качество данных. Но об этом чуть позже.
Кейс № 2. Магазин косметики
Задача, с которой крупный косметический ритейлер обратился к нам: повысить объем продаж с помощью ML-инструментов.
Требовалось:
- Выявить клиентов, которые могут потенциально вернуться в магазин за покупкой в течение двух недель.
- Разработать маркетинговые акции для таких клиентов, чтобы повысить вероятность посещения магазина и совершения покупки.
В качестве входных данных для обучения модели ML выступили:
• транзакционные данные по продажам (чеки);
• информация о том, кто является держателями дисконтных карт;
• номенклатура;
• данные о складах и магазинах.
В качестве целевой переменной, которую необходимо было предсказать, выступал показатель возвращения или невозвращения покупателя. Затем клиентам, которые могли вернуться в магазин, делали персонализированные предложения, основываясь на их предыдущих покупках.
В результате была разработана модель, которая с высокой точностью определяла целевую группу клиентов. На эту группу приходится весомая часть доходов магазина, поэтому дополнительное воздействие на нее — в интересах бизнеса. Сейчас мы с клиентом считаем экономический эффект, поэтому пока конкретных цифр нет.
Кейс № 3. Аптечная сеть
Еще один кейс расскажет о важности сегментации. На основе данных об участниках программы лояльности и учетных систем для региональной сети аптек провели сегментацию клиентов. Сегментация основывалась на информации о покупках клиентов (тратят часто и много; тратят редко и много; тратят средне и не очень часто и т. д.). По ее итогам было решено перевести клиентов из смежных сегментов в более выгодные для бизнеса, применяя различные стратегии.
Например:
• Клиентов, у которых большой чек, но они не слишком часто посещают аптеки, было необходимо удержать.
• Клиентов, которые много тратят и часто посещают аптеки, было необходимо поддержать путем различных программ лояльности.
• Клиентов, у которых стабильный средний чек относительно частоты, было необходимо развивать, то есть путем повышения лояльности увеличить средний чек и/или частоту посещения.
В ходе сегментации выявили группу клиентов-«инопланетян», которую необходимо было изучить. Такие клиенты очень часто совершали покупки на довольно большие суммы, но отнести их к существующим группам не удавалось. Возможно, это были люди, которые передавали свои карту лояльности третьим лицам.
Кейс № 4. Гипермаркет
Рассмотрим еще одну классическую задачу — оптимизацию маркетинговых стратегий для крупного гипермаркета. На основе данных о покупках клиентов и рекомендаций требовалось максимизировать конверсию. Таким образом, стояла задача из раздела «оптимизация». С помощью методов машинного обучения нужно было предсказать, какая будет конверсия, и с учетом этого предсказания решить задачу оптимизации — максимизировать конверсию, изменив рекомендации для клиентов. Методы ML отлично помогают решить эту задачу, позволяя учитывать специфику конкретных данных.
В результате удалось увеличить конверсию от 30 до 50% в зависимости от канала коммуникаций в сравнении с предыдущими стратегиями.
Качество данных, этика и безопасность
Методы машинного обучения уже приносят пользу для бизнеса. Но существует ряд требований и ограничений, о которых надо знать.
Необходимы качественные данные, но они есть далеко не во всех компаниях. Поэтому ML-методы идут бок о бок с сервисами по сбору и обработке данных.
Так как компании начинают собирать больше и больше данных о своих клиентах, всегда есть опасность того, что эти данные будут украдены и использованы в корыстных целях. Вспомним, например, о недавней утечке «Яндекс.Доставки», в рамках которой были слиты в открытый доступ данные о заказах, номера телефонов и адреса клиентов. Яндексу был назначен штраф, и, конечно же, такие ситуации — мощный антипиар.
Существует этическая сторона вопроса: люди стали больше переживать о том, что с помощью AI они получают полезные советы и рекомендации исходя не только из своих действий на текущем сайте, но и всех своих действий в целом. Люди не хотят, чтобы за ними следили с помощью AI. То есть для оптимального внедрения данных методов необходимо найти золотую середину между полезными советами, основанными на действиях пользователей на конкретном ресурсе, и «слежкой» за их поведением. Сюда можно включить и проблему идентификации пользователей: например, иногда несколько покупателей используют одну и ту же карту лояльности, а это портит рекомендации.
Нейросеть, чат-боты и компьютерное зрение
Появляется все больше новых решений, которые можно использовать в маркетинге.
- Различные стартапы, например, gumgum, используют средства компьютерного зрения и видеоаналитики для анализа рекламных и развлекательных роликов, чтобы узнать, будет ли это видео иметь успех, а также, чтобы дать рекомендации, что нужно изменить в сюжете или в подаче материала.
- Некоторые компании с помощью средств обработки естественного языка (Natural language processing, NLP) разрабатывают чат-ботов, которые могут поддерживать диалог с пользователем. Так время ответа сокращается до минимума.
- Не так давно вышла нейросеть DALL•E 2, которая позволяет генерировать изображения по запросу предложения. Нейросеть может очень сильно облегчить жизнь маркетологам при выборе нужного изображения для статей. Сформулировав запросы к изображению, можно получить неплохое начальное приближение, а иногда — уже готовую иллюстрацию. Например, недавно журнал Cosmopolitan использовал DALL•E 2 для создания обложки своего журнала.
Резюме
Учитывая стремительное развитие искусственного интеллекта, можно предположить, что в будущем без AI и ML не будет работать ни одна маркетинговая кампания. Искусственный интеллект станет неотъемлемой частью любой работы с данными.
