Як перестати здогадуватися й почати прогнозувати: перехід на сегментацію з машинним навчанням
Ручна сегментація як компроміс
Як зробити сегментацію бази з допомогою машинного навчання
ML-модель відрізняється від ручного відбору за двома-трьома критеріями тим, що враховує сотні факторів одночасно і будує прогноз для кожного клієнта індивідуально. Покупки, реакція на розсилки, поведінка в застосунку, звернення до підтримки — все ці події, як окремі пазли, формують одне цілісне зображення. І на більшість взаємозв'язків, які бачить модель, людина не зверне уваги — це поза межами її фізичних можливостей.
ML в дії: кейс меблевого ритейлера Schubiger Möbel
Підписуйтеся на наші соцмережі
Для прикладу, розповім історію швейцарського меблевого ритейлера, в базі якого понад 105 тисяч клієнтів. Це компанія з доволі консервативним підходом, яка десятиліттями відправляла клієнтам звичайні листи поштою. Конверсія була невелика — від 1% до 3%, а ситуація ускладнювалася тим, що меблі належать до товарів, які купують раз на два-три роки.
На перший погляд, це був складний кейс для впровадження ML, адже у нас була тільки історія покупок, без жодних веб-взаємодій чи активності у застосунку. Проте ми отримали результат, не змінюючи саму модель комунікації з клієнтами — як і раніше, вони отримували традиційні листи поштою. Проте розсилку робили за частиною бази, яку почала підбирати ML-модель. Це дозволило вп’ятеро збільшити конверсію у покупку на тестовій вибірці.
Від впровадження предиктивної аналітики для прогнозування дій клієнтів бізнес зупиняють кілька типових переконань. Спробую розібрати найбільш поширені з них.
«Потрібен ідеальний профіль клієнта». Для успішного впровадження ML не обов'язково отримувати бездоганні результати тренування моделі. Головне щоб модель відповідав на бізнес-питання ефективніше, ніж це може зробити аналітик вручну, і це вона може зробити навіть з невеликим набором даних. Звісно, для складних комплексних завдань знадобиться глибша аналітика, проте для старту та перших результатів цілком вистачить і базової інформації.
«Це тільки для e-commerce». Кейс, який я навела вище — це класичний офлайн. Насправді для ML-моделі не важливі канали продажу, вона знайде зв’язки між діями клієнта в будь-якому випадку.
«Потрібно кардинально змінювати всю стратегію комунікацій, це складно». І знову повертаюся до кейсу, де ні контент, ні пропозиції не довелося змінювати. Натомість ML-модель лише підсилила маркетингові зусилля, прибравши з комунікації ту частину аудиторії, на яку не було сенсу впливати.
«Результат доведеться чекати місяцями». Насправді його можна отримати доволі швидко, вже після першої кампанії.
Щоб розпочати впровадження предиктивної аналітики, знайдіть одну конкретну проблему, яку ви прагнете розв'язати. Запитайте себе: що саме ви хочете знати про клієнтів, щоб зробити комунікацію ефективнішою?
Якщо ви хочете якісно змінити спілкування з вашими клієнтами та вивести його на новий рівень — спробуйте машинне навчання. Почніть будувати стратегію комунікації, спираючись на їхню майбутню поведінку та цінність для компанії, а не лише на минулі дії. Саме ML стане тим самим необхідним першим кроком до справжньої персоналізації.