Gravity AI, Предиктивные ML модели: как эффективно удерживать активных пользователей

В CVM маркетинге предиктивные модели играют ключевую роль в удержании аудитории, позволяя определить наиболее уязвимые сегменты и предложить им уникальные ценности, такие как скидки, бонусы или премиальные услуги, способные изменить их мнение о компании.

Таким образом, предиктивные модели позволяют эффективно удерживать клиентов, повышая их удовлетворенность, демонстрируя, что компания понимает и ценит их потребности, и удерживая их от перехода к конкурентам.

Вероятность покупки у вернувшегося пользователя 60-70%, в то время как новый пользователь совершит покупку с вероятностью 5-20%

А средний чек у вернувшихся пользователей до 33% выше, чем у новых.

Поэтому неудивительно, что 82% компаний согласны, что удержание клиентов дешевле, чем привлечение новых.

Источник — AnnexCloud

Отток клиентов можно разделить на естественный и мотивационный. Естественный отток происходит по независимым от компании причинам, таким как переезд, смена жизненных обстоятельств или изменение потребностей. Например, если клиент переезжает в другую страну, он перестанет пользоваться местными сервисами.

Мотивационный отток чаще всего вызван действиями самой компании: увеличением цен, ухудшением качества товаров или уровня сервиса. Например, если в онлайн-маркетплейсе доступны необходимые пользователю товары по лучшим ценам с самой быстрой доставкой, то он будет возвращаться. Если же нужных товаров нет, либо качество доставки или самих товаров страдает, а цены выше альтернатив, то пользователь может перестать возвращаться.

Предиктивные модели прогнозируют события и их характеристики. Событием может быть покупка или отсутствие покупки, а характеристикой — ее цена.

Такой прогноз делается на основе данных и разных моделей их обработки. В маркетинге обычно собирают данные по клиентам: история покупок, личные данные и интересы.

Модели обработки — это методы математической статистики, алгоритмы машинного обучения, нейросети и другие.

Предиктивные модели анализируют данные и выявляют закономерности для прогнозирования будущих событий. Они обучаются на исторических данных, где известны входные параметры и целевые результаты. В процессе обучения алгоритм, такой как XGBoost, строит модель, предсказывающую результаты на основе новых данных. Мы используем SHAP для идентификации ключевых характеристик, ресэмплинг для устранения дисбаланса и нормализацию для повышения точности.

Модель предсказания оттока обучается на данных о поведении клиентов, включая историю покупок, взаимодействие с сервисами, частоту обращений в поддержку и другие факторы. Во время обучения алгоритм определяет, какие признаки наиболее сильно влияют на вероятность оттока. Например, снижение частоты покупок или уменьшение взаимодействий может указывать на повышенный риск оттока.

Для оценки точности и обобщающей способности модель проходит тестирование и валидацию на независимых наборах данных. Это означает, что модель проверяет себя на данных, которые она еще не видела, используя кросс-валидацию. Этот процесс помогает предотвратить переобучение и улучшить обобщающую способность модели, обеспечивая надежность предсказаний на новых данных.

После обучения модели на исторических данных, она применяется для анализа активных пользователей и определения вероятности оттока. Модель анализирует текущие данные пользователей, сопоставляя их с обученными признаками, чтобы выявить тех, кто может быть в риске оттока. Например, если текущие данные показывают снижение активности у конкретного пользователя, модель может предсказать высокую вероятность его оттока и рекомендовать меры по удержанию клиента.

В большинстве случаев работа над удержанием заключается в применении определенной механики на пользователей с высоком риском оттока: скидка, бесплатная доставка, бонусные баллы, кешбэк, особый канал коммуникации.

Задача заключается в том, чтобы подобрать такой вариант механики, который можно масштабировать и стабильно использовать на каждой новой когорте пользователей с высоким риском оттока.

Механика 1 — Cкидки, промо офферы

Пользователи могут быть недовольны высокими ценами на товары и активно изучают альтернативные варианты. Это ведет к отклонению активности от нормы, что модель воспринимает как признак оттока. В таких случаях принято использовать скидки и различные промо акции в качестве воздействия.

Выбор формата скидки — отдельное поле для экспериментов. Обычно команды начинают с очевидных вариантов: скидки на все товары; бесплатная доставка; и приходят к персональным офферам для каждого пользователя, когда предмет и размер скидки определяется автоматически для каждого пользователя на основе данных.

Механика 2 — Оптимизация эффективности маркетинга

Многие команды активно используют популярные сценарии в email рассылках: брошенная корзина, брошенный просмотр, товар снова в наличии и тд. К сожалению, зачастую мало кто учитывает реальное намерение совершить покупку, в результате пользователи получают не релевантные и навязчивые напоминания, что только усугубляет ситуацию.

Например, если пользователь собрал корзину и действительно собирается совершить покупку, то напоминание о брошенной корзине лишь отвлекает. А вот для пользователей, кто решил поискать альтернативные варианты, это может быть неплохим напоминанием о том, что нужные товары уже лежат в корзине и сместить фокус внимания с поиска альтернатив, на завершение заказа.

Механика 3 — Интеграция с бонусной системой

Бонусная система — отличный инструмент поощрения пользователей, но еще это и отличный инструмент для реактивации пользователей, которые отклонились от заданного курса.

Например, в отличии от простой скидки, мы делаем вот такую механику — уведомляем пользователей с высоким риском оттока о том, что за следующую покупку они получат 1000 бонусных баллов. Получается мы не только мотивируем сделать их еще одну покупку, но и создаем фундамент в виду бонусных баллов для повторной покупки.

Механика 4 — Оптимизация дорогого канала коммуникации

Такие каналы как SMS, WhatsApp славятся своей доставляемостью и высокой стоимостью. Часто у команд не получается эффективно работать с этими каналами, потому что большая доля коммуникации уходит в молоко — пользователям, которые и так собираются совершить покупку. Используя предиктивную модель оттока легко отсечь этих пользователей и отправлять коммуникацию только пользователям с высокой вероятностью оттока.

Механика 5 — Оптимизация каналов привлечения

Аналитика оттока в разрезе каналов привлечения это отличная возможность оптимизации бюджета привлечения. Если большое количество пользователей с высоким риском оттока пришли из определенного канала, то стоит перераспределить бюджет этого канала в каналы с более лояльной аудиторий.

Дополнительно стоит проанализировать почему пользователи из этого канала быстро теряют интерес, скорее всего их потребность в чем-то отличается и если научиться удовлетворять их потребность, то это отличная возможность выйти на новый сегмент.

Важно не только предсказать отток пользователей, но и подобрать экономически выгодную механику удержания. Чтобы затраты на удержание были меньше, чем дополнительная прибыль от удержанных пользователей

Используйте A/B тестирование, для оценки эффективности различных стратегий удержания. Например, если хотите приверить, насколько эффективно предложение скидок для удержания клиентов с высоким риском оттока, проведите A/B тест.

Пример: Предположим, команда решила предложить 20% скидку клиентам, которые, по предсказаниям модели, имеют высокий риск оттока. Для проведения A/B теста она разделяет клиентов на две группы. Первая группа (группа A) получает предложение со скидкой, а вторая группа (группа B) не получает никаких предложений. Основные метрики для анализа включают:

Если группа, получившая скидку, демонстрирует значительно более высокий уровень удержания, и затраты на удержание меньше, чем дополнительная прибыль от удержанных пользователей, это свидетельствует о том, что предложение скидки эффективно. Таким образом, A/B тестирование помогает не только оценить реальную пользу от применяемых стратегий, но и оптимизировать их для максимального результата.

Важно понимать, что чем проще механика, тем проще конкуренты ее скопируют или адаптируются. Есть скидка 10% для предоттока? Конкуренты сделают скидку 15% на первый заказ.

Жизнеспособный способ работы с аудиторией заключается в том, чтобы на основе данных выстроить уникальное взаимодействие с каждым пользователем.

Использование предиктивной модели Gravity AI: Churn Prediction позволяет компаниям принимать своевременные меры для удержания клиентов. Это не только снижает затраты на привлечение новых клиентов, но и способствует увеличению доходов и улучшению качества услуг. В условиях жесткой конкуренции на рынке удержание клиентов становится одним из ключевых факторов успеха и устойчивого роста.

Как использовать Gravity AI?

Для того чтобы попробовать Gravity AI, не понадобится интеграция или сложный процесс внедрения, достаточно загрузить файл с данными о клиентах и транзакциях.

Gravity AI сформирует предсказательную модель на основе данных. Вы получите результат в виде файла с вероятностью оттока по каждому клиенту, а также с метриками самой модели.

ПОПРОБОВАТЬ