Сайт находится в состоянии доработки. Извиняемся за неудобства.

x
© 1995-2020 Компания «Инфосистемы Джет»
№1-2 (300) / 2020
Машинное обучение

Персонализация маркетинговых коммуникаций с премиум-клиентами с помощью Machinе Learning

Автор
Алексей Чернобровов к.ф.-м.н., консультант по Data Science

48

0

12

0

3

Как с помощью поведения пользователей сайта спрогнозировать их готовность к покупке?

 

В чем заключается влияние человеческого фактора на работу ML-системы?

 

Как разработанная ML-модель позволила в 3 раза снизить процент отказа по рекламе?

 

 

Machinе Learning часто применяют для построения персональных взаимодействий с потребителями. Лучших результатов удается добиться, если совместить знания маркетологов о потребительском поведении и умение data scientist работать с данными. В этой статье мы приводим подобный кейс, реализованный для официального дилера автомобильного бренда премиум-класса.

 

С помощью ML-решения нужно было анализировать поведение посетителей на сайте дилера и выявлять тех пользователей, которые находятся на этапе выбора марки автомобиля, для последующей персональной коммуникации с ними.

Сбор данных

 

Любое ML-моделирование начинается со сбора и подготовки данных. В нашем случае, помимо статистической информации, предстояло детально погрузиться в предметную область. Для этого мы попросили экспертов (специалистов автодилера) разделить клиентов на типовые сегменты с разными потребительскими мотивами — на 4 категории (рис. 1):

 

Первая группа. Низкий ценовой диапазон. Выбирают машину по цене, без учета марки.

 

Вторая группа. Средний ценовой диапазон. Для них в первую очередь важны характеристики автомобиля.

 

Третья группа. Средний ценовой диапазон. Лояльные к бренду клиенты, выбирающие авто из его продуктовой линейки.

 

Четвертая группа. Клиенты в поиске бренда, которые сначала определяются с маркой желаемого автомобиля, а затем — с конкретной моделью.

 

Нас интересовали пользователи сайта, попадающие в 4-ю группу.

Рисунок 1. Исходные категории пользователей сайта и вероятность их перехода в другую группу

Мы взяли данные о поведении пользователей на сайте за несколько месяцев. Для нас были важны участки веб-страниц с наибольшим временем просмотра, кликабельность ссылок, кнопок и других элементов (получить эту информацию можно с «Яндекс.Метрики», Google Analytics или аналогичных сервисов сбора статистики).

Кластеризация и классификация

 

После того как данные о поведении пользователей были собраны, мы решили соотнести их с категориями — аудиторными сегментами, — которые выделили эксперты. Для учета взаимодействия пользователей с UI/UX-элементами веб-страницы, то есть для непосредственного анализа клиентских действий на сайте, нужно было кластеризовать их.

 

Для упрощения мы решили считать, что поведение пользователей в различных сегментах существенно отличается: классы посетителей сайта изолированы друг от друга и не пересекаются. Благодаря этому допущению мы получили задачу одноклассовой классификации, когда нужно было установить принадлежность объектов к единственной выделенной группе. Например, идентифицировать, лоялен ли к бренду новый пользователь, пришедший на сайт.

На заметку

Для одно- и двухклассовой классификации чаще всего используются деревья решений, алгоритм случайного леса, логистическая регрессия, искусственные нейронные сети и машины опорных векторов (support vector machine, SVM). Именно инструмент SVM был выбран в качестве основы для ML-алгоритма, так как он слабо зависит от коллинеарности предикторов, имеет множество программных реализаций на разных языках программирования (SVM-Light, LIBSVM и LIBLINEAR для C++, scikit-learn для Python, функция SVM из пакета {e1071} для R) и в целом отлично подходит для задач классификации и кластеризации.

Таким образом, сегментация посетителей сайта свелась к типовой задаче классификации, которая была решена с помощью ML-алгоритма.

 

Специалист автодилера, анализируя полученную нами кластеризацию, не мог точно сказать, кто из пользователей выбирает именно марку (4-я группа). Зато он мог сориентировать, на что обращают внимание клиенты, выбирающие машину по характеристикам (2-я группа) или конкретную модель (3-я группа).

 

Например, 2-я группа пользователей уделяла больше внимания той части экрана, где представлены технические характеристики автомобилей. 3-я группа, выбирающая конкретную модель, как правило, просматривала информацию, посвященную именно ей, не обращая внимания на другие авто из продуктовой линейки.

Рисунок 2. Разметка пользователей, относящихся ко 2-й (красная зона) и 3-й группам (синяя зона)

Остальных посетителей сайта мы разделили на 2 категории: те, кто выбирают марку, и просто интересующиеся.

 

Мы проанализировали конверсию пользователей, находящихся в верхней части рис. 2. Выяснилось, что она очень низкая, то есть здесь были представлены посетители сайта, которые не планировали покупать машину.

 

Мы решили, что все остальные выбирают марку (на рис. 3 они находятся в зеленой зоне). Это была именно та группа, которую мы искали. Далее с этими пользователями выстраивалась персональная коммуникация.

Рисунок 3. Разметка пользователей, относящихся к 4-й группе

Результаты тестирования

 

Тестовая эксплуатация ML-модели длилась 3 месяца и решала задачу повышения лояльности к бренду среди пользователей 4-й группы. Для них была разработана рекламная кампания, демонстрирующая преимущества бренда. Для заинтересованного в покупке клиента автоматически формировалось персональное pop-up-окно с рекламой товара или бренда (видеоролик, картинка или текст).

 

   Успешность применения подхода оценивали по прямым бизнес-метрикам: процент отказов по рекламе и уровень продаж. В результате маркетинговой кампании процент отказов снизился в 3 раза, а продажи показали рост на 12%.

Сложности ML-проектов

 

Построение системы предиктивной аналитики пользовательского поведения на основе заранее неизвестных интересов клиента — весьма непростая задача.

 

Во-первых, она требует множества ресурсов (времени, знаний и опыта) для сбора статистических данных и организации совместной работы экспертов предметной области и специалистов по анализу данных и машинному обучению.

 

Во-вторых, обязательно потребуется программное и аппаратное обеспечение для хранения и обработки данных. Альтернативой является использование облачных ML-сервисов: MS Azure, AWS, Mail Cloud Solutions и т.д.

 

Еще одна особенность — привязка к экспертному мнению: в работе использовалась частично размеченная выборка. Экспертный фактор является ключевым для построения ML-алгоритмов и последующего определения маркетинговых стратегий. При некорректном определении пользовательских сегментов точность модели в боевом режиме будет значительно ниже, чем на обучающих и тестовых датасетах.

 

Но даже подробный датасет и эффективный ML-алгоритм не гарантируют успеха проекта в целом, если задача сформулирована некорректно с точки зрения бизнеса. Предиктивная аналитика с помощью машинного обучения является лишь инструментом воплощения идей, направленных на улучшение вполне конкретных целевых метрик. Перед запуском подобного масштабного проекта следует сравнить выгоду от его реализации с затратами с учетом перспективы использования и текущего состояния бизнеса.

 

Например, для стартапа с малой посещаемостью сайта и фактическим отсутствием информации о пользователях разработка такой системы будет слишком дорогой и нецелесообразной. А вот крупный бизнес с широкой продуктовой линейкой однотипных продуктов, зрелыми бизнес-процессами и большим объемом знаний о клиентском поведении с ее помощью, наоборот, сэкономит на рекламе и сократит неэффективные коммуникации с нецелевыми клиентами.

 

Уведомления об обновлении рубрик – в вашей почте

Кластерные СУБД

Направление развития информационных технологий все чаще затрагивает кластеризацию или разделение БД по нескольким серверам.

Обзор решений по защите от таргетированных атак

Обзор представляет решения Anti-APT от ведущих производителей: FireEye, Trend Micro Deep Discovery, Check Point SandBlast, Kaspersky Anti Targeted Attack Platform (KATA)

Как изменится ритейл в 2020 году

Какие тренды характерны для отечественного ритейла, и как мировые гиганты справляются с вызовами рынка

Спасибо!
Вы подписались на обновления наших статей
Предложить
авторский материал





Спасибо!
Вы подписались на обновления наших статей
Подписаться
на рубрику






Спасибо!
Вы подписались на обновления наших статей
Оформить
подписку на журнал







Спасибо!
Вы подписались на обновления наших статей
Оформить
подписку на новости







Спасибо!
Вы подписались на обновления наших статей
Задать вопрос
редактору








Оставить заявку

Мы всегда рады ответить на любые Ваши вопросы

* Обязательные поля для заполнения

Спасибо!

Благодарим за обращение. Ваша заявка принята

Наш специалист свяжется с Вами в течение рабочего дня