Перед компанией стояла задача кластеризовать клиентскую базу сети пиццерий для улучшения аналитики продукта, формирования маркетинговых активностей и снижения оттока клиентов. Несмотря на активное расширение за счёт открытия новых пиццерий и положительной юнит-экономики, у компании был ряд сложностей с анализом клиентской базы, прогнозированием выручки, отсутствовал инструмент для быстрой проверки гипотез.
Подготовительный этап
На ознакомительном этапе работ был сделан поверхностный анализ качества данных. Изучение показало, что хотя в данных и есть определённые неточности, в частности в ряде заказов есть ошибки по времени доставки (ноль или более суток), данных из CRM достаточно для работы, они неплохо структурированы, а ошибки можно будет отфильтровать, и скорректировать на них результат.
Также сразу были сделаны определённые выводы по эффективности применения промокодов и подарочных сертификатов и отвергнуты некоторые гипотезы по возможным причинах ухода клиентов (было выявлено, что нет заведомо “невкусной” пиццы).
После этого было принято решение о реализации полноценного проекта.
Реализация проекта
Перед использованием моделей машинного обучения была проведена предобработка данных:
- были отсеяны служебные заказы;
- созданы фильтры для отменённых заказов;
- разделены заказы в ресторане и с доставкой;
- сделана другая предварительная работа с данными.
Как и в любой задаче машинного обучения, в данной задаче были важны синтетические параметры - параметры, которые являются производными от изначальных данных (например, простые - среднее время между заказами, время прошедшее с последнего заказа или такой экзотический, как синус угла наклона кривой частоты заказов).
За время нашей работы с рекомендательными системами, вариантов подобных параметров для разных категорий бизнеса было протестировано большое множество, поэтому в рамках продукта Celado Unchurn данная задача решается гораздо быстрее, чем если делать с нуля.
Для представления результатов в BI системе Qlik Sense был разработан персональный дашборд, отражающий как общие параметры бизнеса (выручку по пиццериям и видам заказов), так и листы с кластеризацией клиентов по вероятности оттока и для планирования маркетинговых активностей.
Кроме склонности к уходу, были также выделены группы клиентов -
- вегетарианцы
- заказывающие пиццу на работу
- заказывающие пиццу домой
- пользователи промо
- пользователи сертификатов
- Были выделены 9 сегментов по LTV
Подобная сегментация позволила делать более персонализированные обращения к клиентам.
Дополнительно были составлены тепловые карты по географии заказов для выявления мест для открытия новых филиалов сети.
В завершении к дашбордам были подключены данные из google analytics, по которым можно было анализировать, по каким рекламным каналам приходят клиенты с большим LTV.
Проверка качества прогноза оттока
Для проверки качества определения склонности клиентов к оттоку, клиентом была запланирована тестовая промо.
В каждую из групп “Ушедшие”, “Активные”, “Уходящие” были разосланы смс сообщения с промо кодом.
Как и ожидалось наибольшую активность показала группа “активные”, так как они бы в любом случае совершили покупку, активность группы ушедшие была менее 5 % процентов, активность “уходящих” была чуть ниже активных и у них был ниже средний чек, однако существенно выше тех, кто в соответствии с нашими алгоритмами окончательно ушёл.
Выборочное телефонное интервью с “уходящими” показало, что это были люди, которые в целом довольны пиццей, но либо заказывают в разных местах от случая к случаю, либо имеют ограниченный бюджет на заказ еды в ресторане. То есть как и предполагалось, небольшая скидка или другой бонус подтолкнули этих людей к заказу.
За первые несколько месяцев отток был снижен на 9%, средний чек был увеличен на 15%. Увеличение среднего чека оказалось побочным положительным эффектом внедрения. Это было особенностью поведения клиентов при получении промо-кодов, что было выявлено на стадии первоначальной проверки данных и гипотез.
Почему это важно?
Одним из важных факторов, влияющих на продолжительность покупок клиентом, является то, сколько времени этот клиент уже покупает. То есть разовые покупки через небольшое время превращаются в привычку (особенно, если это подкрепляется хорошими программами лояльности). Таким образом если в нужный момент подтолкнуть колеблющегося клиента к покупке, то это даст не только разовую покупку, но и сделает его более лояльным и с большой вероятностью он продолжит покупать продукт без дополнительных стимулов.
#ai #artificalintelligence #ии #искусственныйинтеллект #машинноеобучение #автоматизациябизнеса #отток_клиентов #customer_churn