Как использование технологий Machine Learning в онлайн-маркетинге помогло снизить отток клиентов и повысить ROI лояльности покупателей
Снижаем Churn Rate и повышаем ROI лояльности клиентов: российский гигант интернет-торговли Ozon.ru делится своим опытом успешного применения технологий Machine Learning в онлайн-маркетинге
Churn Rate или показатель оттока, считается одной из важнейших маркетинговых метрик, которая показывает жизнеспособность бизнес-модели удержания лояльных клиентов [1]. Компании стремятся держать его на минимальном уровне, повышая отдачу от стимуляции повторных обращений, т.е. ROI – return of investment, поскольку привлечение нового покупателя стоит в 5 раз дороже возврата старого. А вероятность продажи товаров и услуг старому клиенту равна 60-70%, тогда как новому – всего 5-20% [2].
Что такое превентивный онлайн-маркетинг
Чтобы сделать потенциальную продажу реальной, необходимо четко знать потребности клиента. Например, если пользователь задает поисковой запрос «оливковое масло», интернет-магазины, в первую очередь, предлагают ему товары именно этой категории, а не игрушки, электронику или бытовую технику. В этом заключается традиционный подход к маркетингу – формирование продажного предложения по факту спроса. Инновационная стратегия предполагает предсказание и стимулирование покупательской потребности. К примеру, когда в прошлом месяце клиент приобрел оливковое масло, то с большой вероятностью через 30 дней ему оно снова понадобится, и он повторит покупку. Поэтому целесообразно заранее сформировать и направить покупателю соответствующее торговое предложение через персональное обращение в личном кабинете, push-уведомление на сайте интернет-магазина, рассылку по электронной почте или смс.
Подобный метод поддержания повторных обращений активно использует онлайн-магазин Ozon.ru, применяя технологии машинного обучения (Machine Learning) для генерации превентивных рекламных предложений на основе накопленной информации о пользовательском поведении [3]. Это относится к области прогностической или предиктивной аналитики больших данных (Big Data) [4]. Рассмотрим схематичную последовательность шагов этой стратегии.
Этапы построения предиктивных рекламных предложений на основе Machine Learning в Ozon.ru
- Сбор информации о поведении посетителя сайта: категория и частота покупок, регион проживания, каналы обращений и еще около 300 параметров.
- Создание интеллектуальной модели машинного обучения, которая тренируется на исторических данных и по значениям накопленных показателей предсказывает вероятность будущей покупки, которую совершит каждый посетитель сайта, приходящий в Ozon за последние 3 месяца.
- Сортировка пользователей по вычисленному значению показателя вероятности и их распределение на сегменты платежеспособности. Ozon выделяет 20 сегментов: самые платежеспособные покупатели – это 20-й сегмент, а клиенты, приносящие за визит среднюю для магазина выручку, находятся в сегментах 10-12.
- По каждому из выделенных сегментов строится своя рекламная модель, которая реализуется через системы контекстной рекламы: Google, «Яндекс» и другие площадки.
Результаты применения Machine Learning в онлайн-маркетинге для предиктивного спроса
По итогам внедрения изложенного подхода наблюдается отрицательный churn rate и значительный рост продаж через канал поисковой рекламы, а также доли покупателей, приобретающих товары разных категорий за счет кросс-продаж. Предиктивная аналитика позволила персонализировать сайт, т.е. для каждого посетителя генерируется своя уникальная страница, в зависимости от его интересов, а также уведомление (email, push-сообщение или баннер) в виде, наиболее перспективном для данного клиента. Такая детальная классификация покупателей позволила увеличить ROI от обращения к клиенту более чем на 30–50% [3]. Это, в свою очередь, улучшило еще одну важную для бизнеса метрику — LTV (Lifetime Value) — совокупную прибыль компании, которую оно получает от одного клиента за все время работы с ним.
показывает отдачу от сделанных вложений
Это только один из множества успешных примеров внедрения технологий Big Data и Machine Learning в ритейл и сектор e-commerce. Как выбрать, настроить и использовать конкретные методы, средства и аналитические инструменты для решения подобных и других маркетинговых задач, вы узнаете на наших практических курсах для Data scientists — аналитиков по работе с большими данным и специалистов по машинному обучению.
Также в нашем учебном центре стартовал новый курс по методам машинного обучения на Python где рассматривается вопросы прогнозирования оттока клиентов Churn Rate, сегментации (профилирования) клиентов и задачи кредитного скоринга. Данные практические примеры будут особенно полезны для слушателей из финансового сектора и области страхования. Подробную информацию смотрите об обучении здесь. Увидимся на занятиях!
Курсы по машинному обучению «Школы Больших Данных»
PYML:Practical Machine Learning with Python
DSML: Машинное обучение в R
Источники
