HackCRM:propensity модуль предсказания вероятности покупки
Расчет вероятности определенного действия со стороны определенного клиента позволяет повысить ценность коммуникаций через триггеры. Увеличить ROI кампаний, снизить отток клиентов, перевести их в более ценный и стабильный сегмент.
По мере того, как персонализированный маркетинг становится все более изощренным, компании все чаще пытаются быть на шаг впереди потребностей своих клиентов и предсказывать их поведение.
Модели вероятности (покупки, оттока, вовлечения) направлены на прогнозирование поведения клиентов. Это помогает маркетологам понять как среагируют клиенты на конкретные предложения, без необходимости запуска рекламных кампаний. Кроме того, они не тратят много денег на A/B-тестирование. Машинное обучение помогает им заранее понять, какой результат они получат, предлагая тот или иной продукт/оффер.
Используя данный класс моделей компании радикально увеличивают качество и эффективность своего директ маркетинга, что будет рассмотрено на кейсах ниже.
Модели вероятности (покупки, оттока, вовлечения) направлены на прогнозирование поведения клиентов. Это помогает маркетологам понять как среагируют клиенты на конкретные предложения, без необходимости запуска рекламных кампаний. Кроме того, они не тратят много денег на A/B-тестирование. Машинное обучение помогает им заранее понять, какой результат они получат, предлагая тот или иной продукт/оффер.
Используя данный класс моделей компании радикально увеличивают качество и эффективность своего директ маркетинга, что будет рассмотрено на кейсах ниже.
Вероятность покупки (Propensity to Buy)
Вероятность оттока (Propensity to Churn)
Вероятность вовлечения (Propensity to Engage)
Предсказание LTV клиента
Польза моделей предсказания поведения для бизнеса
Улучшение прогнозов. Запуская рекламные кампании, менеджеры по маркетингу полагаются на свои личные знания и опыт. Однако при разработке прогностических моделей эффективность прогнозов возрастает. Это происходит потому, что все результаты основаны на добытых данных. Так, точность предсказаний значительно возрастает.
Увеличение ROI. Компании необходимо провести множество тестов, чтобы найти лучшие связки "продукт + его продвижение", приносящие наибольший доход. Хорошая модель проанализирует все прошлые условия совершившихся покупок и фактический LTV их покупателей. И таким образом даст маркетологам понимание оптимальных конфигураций РК на определенные сегменты клиентов в настоящем.
Экономия времени и бюджета. Все компании стремятся эффективно использовать свой бюджет. Модели вероятности перебирают множество тактик и молниеносно выбрать наиболее прибыльную из них для определенного клиента (или сегмента). Тестирование же реальных сценариев может потребовать много времени и денег.
Избежать ограничений. Иногда бизнес может столкнуться со многими проблемами, потому что запрещено проводить определенные эксперименты. Например, некоторые тесты запрещены, поскольку считаются неэтичными. В таком случае машинное обучение может анализировать поведение людей на основе предоставленных данных и строить прогностические модели.
Анализ оттока. Компании обращают пристальное внимание на показатели оттока, чтобы избежать потери доходов. Анализируя прогностическое поведение людей, компании получают полезную информацию. И определят факторы роста оттока клиентов для их корректировки.
Увеличение ROI. Компании необходимо провести множество тестов, чтобы найти лучшие связки "продукт + его продвижение", приносящие наибольший доход. Хорошая модель проанализирует все прошлые условия совершившихся покупок и фактический LTV их покупателей. И таким образом даст маркетологам понимание оптимальных конфигураций РК на определенные сегменты клиентов в настоящем.
Экономия времени и бюджета. Все компании стремятся эффективно использовать свой бюджет. Модели вероятности перебирают множество тактик и молниеносно выбрать наиболее прибыльную из них для определенного клиента (или сегмента). Тестирование же реальных сценариев может потребовать много времени и денег.
Избежать ограничений. Иногда бизнес может столкнуться со многими проблемами, потому что запрещено проводить определенные эксперименты. Например, некоторые тесты запрещены, поскольку считаются неэтичными. В таком случае машинное обучение может анализировать поведение людей на основе предоставленных данных и строить прогностические модели.
Анализ оттока. Компании обращают пристальное внимание на показатели оттока, чтобы избежать потери доходов. Анализируя прогностическое поведение людей, компании получают полезную информацию. И определят факторы роста оттока клиентов для их корректировки.
Как работает на базовом уровне
Корректно интегрированные данные (в облачную базу) открывают возможности для прогнозного моделирования и способны предсказывать практически любое действие клиента (покупку товара/категории, открытие электронной почты, отписку, отклик на промо предложение и т. д.).
После того, как прогноз готов, каждому из клиентов присваивается разная вероятность совершения определенных действий. Затем прогностическая модель выводится в продакшн. Это означает, что она корректирует значение прогноза в режиме реального времени по мере записи новых данных о клиенте.
В результате значение прогноза, хранящееся в едином едином представлении клиента, всегда актуально и передается обратно в CDP/CRM для запуска/обновления характеристик тригерных механик.
После того, как прогноз готов, каждому из клиентов присваивается разная вероятность совершения определенных действий. Затем прогностическая модель выводится в продакшн. Это означает, что она корректирует значение прогноза в режиме реального времени по мере записи новых данных о клиенте.
В результате значение прогноза, хранящееся в едином едином представлении клиента, всегда актуально и передается обратно в CDP/CRM для запуска/обновления характеристик тригерных механик.
Интегрирование всех источников данных в единую БД
Подготовка модели данных (витрина) с перебором атрибутов
Создание моделей Next Best Offer (NBO): time, day, channel, promo, dicsount итд
Верификация качества на АБ тестах, анализ метрик качества, добор данных
Вывод в продакшн лучших конфигураций моделей для real-time обсчета
1
2
3
4
5
Примеры использования моделей прогноза вероятности покупки
Сценариев использования моделей на практике может быть много. Обзорно, рассмотрим самые простые:
- Розничная торговля: потребитель покупает очиститель воздуха, а затем ему показывают рекламу сменных фильтров, совместимых с той моделью, которую он только что купил. Если они купят прямо сейчас, они получат скидку 50%. В конце концов им понадобятся фильтры, поэтому они пользуются скидкой.
- Телекоммуникации: после анализа использования данных клиентом оператор сотовой связи отправляет ему ограниченное по времени предложение для плана с большим объемом данных. Поскольку это помогает пользователю избежать платы за превышение объема данных, он соглашается.
- Мобильные устройства: анализ издателя мобильных игр показывает, что игроки, достигшие определенного уровня, с большей вероятностью совершат покупки в приложении, поэтому они предлагают пользователям, приближающимся к этому уровню, повышение. Игроки пользуются виртуальными наградами со значительной скидкой.
“
Понимание потребностей клиентов - вот ультимативная суть современного маркетинга, в котором основное внимание уделяется превращению разовых покупателей в постоянных лояльных клиентов.
Книга об LTV: расчет, анализ и применение
LTV (life time value), пожизненная ценность клиента — ценность клиента для компании в деньгах, которые он предположительно принесет в течение своей жизни как покупателя. Все, что нужно знать про метрику в одной Книге.
Скачать исследование
«Развитие и применение методологии LTV в странах России и СНГ»
«Развитие и применение методологии LTV в странах России и СНГ»
Как работает ансамбль моделей персонализации + предсказания вероятности
Компании часто адресуют несколько видов прогнозов для экономии ресурсов разработчиков. Так, для персонализации директ маркетинга разрабатываются Next best offer модели.
Они позволяют определить конфигурацию лучшего предложения на основе поведения и покупок клиентов.
Совместная работа над моделями позволяет исследователям преодолевать сложности в обработке данных и экономить время на подготовку предикторов (фичей). Помимо этого, результаты одних моделей могут использоваться в расчетах другой.
Ансамбль связанных моделей схематично может выглядеть следующим образом:
Они позволяют определить конфигурацию лучшего предложения на основе поведения и покупок клиентов.
Совместная работа над моделями позволяет исследователям преодолевать сложности в обработке данных и экономить время на подготовку предикторов (фичей). Помимо этого, результаты одних моделей могут использоваться в расчетах другой.
Ансамбль связанных моделей схематично может выглядеть следующим образом:
Компания, создающая сразу весь ансамбль моделей, выигрывает и в качестве совокупного результата и скорости разработки.
Сравнение с решениями "из коробки"
В СНГ несколько вендоров предлагают коробочные решения по прогнозу оттока и LTV, например Retail Rocket и Exponea. Для получения быстрого аплифт (uplift) эффекта и подтверждения гипотез они будут крайне полезны, особенно в случае тематической однородности ассортимента магазина.
Стандартные решения от Retail Rocket и Exponea также несколько ограничены в возможностях, так как тренировка таких моделей опирается на ограниченный набор данных, транзакционные и часть поведенческих.
Стандартные решения от Retail Rocket и Exponea также несколько ограничены в возможностях, так как тренировка таких моделей опирается на ограниченный набор данных, транзакционные и часть поведенческих.
Из зарубежных вендоров, активных в РФ и имеющих интеграции с ключевыми CDP/CRM/CMS системами, можно выделить:
- Dynamic Yield
- Insider
- Wappier
- Dynamic Yield
- Insider
- Wappier
Как можно сравнить качество моделей
Выбрать лучшее решение на рынке или собственного производства помогут несколько методов.
- Провести АБ тесты (группе А отправляются сообщения по рекомендации модели вендора А1, группе Б - от модели вендора Б1, итд);
- Рассмотреть базовые метрики качества, те оценить в какой проценте случаев модели ошибаются (к таким часто относятся Precision, Recall, Accuracy, ROC AUC, R2 и др в зависимости от примененного метода)
Пример модели "Вероятность будущей покупки"
Целью проекта было повышение эффективности процесса взаимодействия с клиентами. Под эффективностью понималось отношение среднего дохода с продаж к средним затратам на взаимодействие с клиентом (в относительных единицах), те ROI.
Для достижения выбранной цели поставлены следующие задачи:
Для достижения выбранной цели поставлены следующие задачи:
- Увеличение конверсии потенциальных покупателей в сделки.
- Разработка маркетинговой стратегии взаимодействия с клиентами на основе предсказанной вероятности покупки.
Модель разработана с использованием ручной выгрузки данных из системы Mindbox по датам первых действий пользователей.
Была разработанная система предикторов для опытной модели. Ее часть представлена в таблице.
Была разработанная система предикторов для опытной модели. Ее часть представлена в таблице.
Для оценки модели используются следующие метрики:
Показатели качества (метрики) модели:
AUC = 0,98,
Recall = 0,96,
Precision = 0,76.
Оптимальный порог по вероятности, обеспечивающий наилучшее соотношение Recall и FPR, составил 0.4726.
- AUC (Area Under the Curve) ₋ площадь, ограниченная ROC-кривой (Receiver Operating Characteristic) и осью FPR (False Positive Rate).
- Recall (True Positive Rate) ₋ доля истинно-положительных результатов классификации, характеризует способность алгоритма правильно определять целевой класс (чувствительность).
- Precision (Positive Predictive Value) ₋ доля истинно- положительных результатов классификации в отношении общего количества предсказанных положительных результатов, характеризует точность предсказания
Показатели качества (метрики) модели:
AUC = 0,98,
Recall = 0,96,
Precision = 0,76.
Оптимальный порог по вероятности, обеспечивающий наилучшее соотношение Recall и FPR, составил 0.4726.
Суммируя, весь процесс работы можно представить в следующие этапы, работа над которыми может продолжаться по мере подключения в проект новых данных, проведения экспериментов, а также улучшения качества модели за счет объема и качества данных.
“
Вместо того, чтобы думать о том, как можно привлечь много клиентов как можно дешевле, прогностические модели помогает вам подумать о том, как оптимизировать ваши затраты на привлечение с максимальным ростом ценности базы, а не с минимальными затратами.
Для тестирования разработанной модели в отношении контрольной группы применяется механизм стимулирования спроса, основанный на экспертном опыте сотрудников компании заказчика и существующих механизмах BI, внедренных в бизнес-процесс;
в отношении тестовой ₋ механизм стимулирования спроса на основе предсказанной вероятности совершения сделки и разработанных рекомендаций по взаимодействию с сегментами клиентов.
Полезные материалы
AlexSoft
With GA data
Jelvix : Propensity Model
датасеты
Dataset 2
Purchase dataset
в отношении тестовой ₋ механизм стимулирования спроса на основе предсказанной вероятности совершения сделки и разработанных рекомендаций по взаимодействию с сегментами клиентов.
Полезные материалы
AlexSoft
With GA data
Jelvix : Propensity Model
датасеты
Dataset 2
Purchase dataset
Развитие маркетинговой аналитики в России в 2022—2024
Исследование директоров по маркетингу и аналитике
Исследование директоров по маркетингу и аналитике
Выгоды построения и внедрения прогнозных моделей:
- повышение конверсии в покупку через директ каналы и их оптимальное сочетание
- рост ключевых тактических метрик (OR, CTR, CR) для каждого директа канала
- увеличение retention и
рост LTV клиента - снижение оттока (churn) и отписок (UR)
Остались вопросы по работе ML продукта?
Проконсультируем за чашечкой кофе
Ищете решение
сложной задачи на доступных данных?
сложной задачи на доступных данных?
Нажимая кнопку "Отправить заявку" вы принимаете политику обработки персональных данных сайта
Связаться с нами
- +7 (901) 784-70-53 (whatsapp)
- hi@hackcrm.ru
Заказать услугу Next Best Offer (модель)
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить полный гайд по LTV (PDF книга)
Все нужные маркетологу материалы про метрику ценности клиента
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить короткую версию исследования "LTV в России и СНГ в 2021-2022 гг"
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить полную версию исследования "Маркетинговая аналитика 2022-2024"
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить полную версию исследования "LTV в России и СНГ в 2021-2023 гг"
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить подборку кейсов по Next Best Offer моделям
Все нужные маркетологу материалы про методы персонализации
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить полную версию исследования методологии LTV в СНГ
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Связаться с нами
Проконсультируем за чашечкой кофе.
Нажимая на кнопку "Отправить" вы соглашаетесь сполитикой обработки персональных данных