Будущее уже здесь: как поставить искусственный интеллект на службу маркетологу

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.