Предиктивная аналитика – собственная система FUN&SUN
Рассказываем об опыте разработки и внедрения собственной системы предиктивной аналитики FUN&SUN.
До 2023 года нашим маркетологам приходилось вручную обрабатывать информацию об аудитории компании по множеству параметров. Из-за огромного массива данных результаты ручного анализа и сформированные на их базе предложения не всегда попадали в цель. Благодаря инструментам предиктивной аналитики мы проанализировали все имеющиеся данные по клиентам: историю их интересов, покупок, кликов на сайте, подписок, отписок, обращений и т. п. и разработали инструмент формирования портрета клиента. Далее с аналогичными подходами только со стороны продукта составили портрет продукта. После добавления механизма объединения полученных данных родилась рекомендательная система, которая после интеграции с маркетинговой платформой и сайтом стала помогать клиентам с выбором туров. В итоге все то, что раньше мы делали руками, теперь решается с помощью машинного обучения.
Перед разработкой системы мы ставили перед собой три основные задачи:
- Создание собственной системы рекомендательного сервиса на основе машинного обучения.
- Создание механизма прогноза, позволяющего эффективнее планировать маркетинговые активности, основываясь на связях и влиянии кампаний на продажи.
- Формирование предполагаемой загрузки отельного фонда и закупки услуг на основе прогнозирования спроса с возможностью "What if"-прогноза.
На старте у нашей команды были: сегментация по атрибутам клиента без учета поведенческих характеристик, наличие единого хранилища клиентских данных (CRM) при отсутствии глубокой аналитики взаимосвязей, уже был выстроен процесс прогнозирования спроса, который осуществляется в ручном режиме на статистических методах и личной экспертизе, но при этом отсутствовала единая система планирования продаж и промо-акций.
Когда определились с задачами и исходными данными, мы стали анализировать существующие на рынке предложения. Полностью удовлетворяющих наши требования систем не оказалось, поэтому решили сделать собственную разработку, которую разделили на 5 этапов. Сегодня реализованы три из них. На каждом этапе мы ставили перед собой цель увеличить кликабельность в наших коммуникациях не менее чем на 10%.
На первом этапе создания портрета клиента сегменты, формирующиеся с помощью инструмента предиктивной аналитики, показали рост конверсии CR в АВ тесте от 17% до более чем 100% в зависимости от направлений.
На втором этапе запуска персональных предложений, где мы сравнивали уже внедренный механизм формирования сегмента с персональным предложением конкретному клиенту, результат АВ тестирования составил еще +10,2% CR.
На третьем этапе, который завершился недавно, где мы стали управлять баннерами на сайте, результат АВ тестирования показал +10% на поисковой странице, +33% на странице 404 и более 200% на стартовой странице. Т.е. в среднем около +59%. Нам еще предстоит скорректировать результаты на процент каннибализации, но уже сейчас понимаем, что результат все равно будет положительным.
Мы планируем продолжить проект и дополнить систему прогнозированием спроса и дать отделам дистрибуции и продукта дополнительный инструмент не только прогнозирования, но и «особого мнения» по закупке отелей. Рассматриваем возможность добавить в систему новые внешние знания о продуктах конкурентов и их сравнения. Также запустим систему RFM и когортного анализа, разработка которых движется к завершению.
Мы постоянно улучшаем модель, для чего создаем новые интеграции и «скармливаем» ей новые данные. Для мониторинга эффективности модели и оперативного реагирования в случаях, когда нужна корректировка модели, мы разработали отдельный интерфейс контроля за действующими моделями и тестированием новых.