Как данные и персонализация победили отток клиентов Бургер-Кинга.
Иногда мы настолько глубоко вникаем в работу с данными, что начинаем воспринимать их как живых существ.
Такой подход к решению задачи мы использовали для Бургер-Кинга, когда нас попросили помочь снизить отток клиентов. Нам нужно было не просто предсказать, когда клиенты уйдут, но и найти способ вернуть их. В процессе мы почти "погрузились в голову" пользователей и нашли ключ к их предпочтениям. Вот как это произошло…
Задача: предотвратить отток клиентов
Бургер-Кинг хотел найти способ снизить процент оттока своих клиентов и предложить им подходящее предложение, которое могло бы вернуть их в ресторан. Но вот в чем фишка — все, что мы имели, это данные о чеках. Не было никаких персональных данных о клиентах, никакой дополнительной информации. Только чеки, и все. Как можно по ним понять, кто из клиентов "уходит"?
Тщательная работа с данными.
Наши аналитики сразу поняли, что главная трудность заключается в том, чтобы понять, каким клиентам принадлежали какие чеки, и вычленить из этого "уходящих" пользователей. Работая с временными рядами, мы начали выстраивать связи между покупками, чтобы понять, кто из клиентов активно прекращает посещать заведения. Это было похоже на разгадывание сложной головоломки, но мы справились.
Мы воссоздали картину клиентского поведения, используя только данные о том, что они покупали, когда и как часто. В конце концов, мы создали профиль "уходящего" клиента, что позволило нам двигаться дальше.
Поведенческая модель и предсказания.
Далее мы использовали модель, чтобы выявить зависимость между поведением клиентов и их вероятностью покинуть сеть. Модель научилась предсказывать, когда конкретный клиент, скорее всего, уйдет. Но на этом мы не остановились. Мы решили добавить еще один слой анализа.
Используя технологии обработки естественного языка (NLP), мы начали анализировать предпочтения этих "уходящих" клиентов. Мы смогли понять, что они любят кушать, какие блюда для них приоритетны, и начали обогащать наш датасет подходящими заказами.
Генетические алгоритмы для оптимальных предложений.
Когда поведение клиентов было проанализировано, и мы имели достаточно информации для прогнозов, мы применили метод генетических алгоритмов. Этот подход позволил нам найти наилучшее сочетание предложений для каждого клиента. Суть была в том, чтобы минимизировать процент оттока, предсказав и предложив клиенту именно то блюдо, которое могло бы его вернуть.
- Мы проделали колоссальную работу по оптимизации: для каждого клиента мы сформировали максимально персонализированное предложение, которое с наибольшей вероятностью возобновит его посещение.
Время, место и персонализация.
Мы знали, что не только сама еда играет роль, но и момент, когда клиент получит предложение. Поэтому мы учли расписание клиентов, время дня, когда они более восприимчивы к предложению поесть. Это было как раз то время, когда пуш-уведомление могло «попасть в точку». Ведь не секрет, что каждый из нас склонен откладывать свои решения, особенно когда речь идет о еде. Более того, мы не забыли о том, что важно учитывать не только, что клиент заказывает, но и где он это делает.
Мы проанализировали данные по расположению заведений, и выделили сегменты тех, кто приходит поесть в ресторан, и тех, кто просто заходит на выходных или по пути с работы домой. Мы знали, как сегментировать пользователей и предложить им то, что им подходит по времени и месту.
Персонализированный план действий для каждого клиента.
В результате, когда мы собрали всю информацию и наложили на нее оптимизируемые факторы, у нас получился персонализированный план действий для каждого клиента.
Это было как продуманное руководство, где для каждого было указано:
- Когда лучше прийти ?
- Что именно заказать?
- И, конечно, «с какой скидкой?», чтобы мотивация вернуться была максимальной.
Мы не просто отправляли предложение. Мы действительно понимали каждого клиента на глубоком уровне и подбирали для него идеальное время и место для визита.
Результаты: Минимизация оттока и восстановление лояльности Наши усилия дали потрясающий результат:
Процент оттока удалось значительно снизить, а многие клиенты, которые уже были на грани ухода, вернулись, увидев персонализированные предложения.
Сеть Бургер-Кинг вновь завоевала доверие и лояльность клиентов, а мы убедились, что именно такой подход — глубокое понимание потребностей и предпочтений — способен изменить ситуацию в лучшую сторону.
Да, мы не спасали мир в буквальном смысле. Но если бы мы были супергероями, можно было бы сказать, что мы спасли лояльность и верность клиентов, а это не менее важно.
Мы команда Neural_City и мы снова доказали, что работа с данными — это не просто аналитика, а искусство предсказания, адаптации и восстановления доверия. И мы рады, что могли внести свой вклад в решение такой важной задачи.