Работа над удержанием клиентов для регионального сервиса такси c помощью ИИ
Перед нами стояла задача снизить отток клиентов в федеральном сервисе такси, а также выявить причины,по котором отток мог происходить.К моменту начала работ выручка от новых клиентов составляла небольшую долю от существующих. В регионе бренд был уже известен и новых потенциальных клиентов оставалось не так много.
На графике - выручка за месяц от существующих клиентов (синий график) и новых (красный).
При этом количество активных клиентов (хотя бы одна поездка в месяц) сокращалось.
Таким образом, перед клиентом стояла насущная проблема по уменьшению оттока.
Подготовительный этап
На ознакомительном этапе работ был сделан поверхностный анализ качества данных. Изучение показало, что качество данных достаточно неплохое.
На небольшой выборке примерно из 30 000 клиентов был сделан предварительный анализ. Он показал, что клиенты неплохо сегментируются в группы: активные, ушедшие и в зоне риска (те, которые перестанут в ближайшее время пользоваться сервисом), которые хорошо отличаются по признакам.
Реализация проекта
Перед использованием моделей машинного обучения была проведена предобработка данных. Основной задачей было преобразовать потребительские паттерны клиентов в подходящий для работы алгоритмов вид. Последовательности заказов были преобразованы в признаки, характеризующие клиентов. Большим плюсом является то, что данный процесс одинаковый для различных сфер бизнеса и был во многом автоматизирован в Celado UnChurn.
Кроме этого в систему были загружены другие признаки клиентов, которые были известны из приложения для заказа такси.
Все данные были полностью обезличены, то есть нам поступали исключительно id клиентов.
Клиентом используется MS Power BI и своя база данных, поэтому в рамках системы было настроено взаимодействие по API с серверной частью CRM и оттуда уже клиент самостоятельно настроил визуализацию данных с Power BI.
Проверка качества прогноза оттока
Для проверки качества определения склонности клиентов к оттоку, клиентом была запланирована тестовая промо.
Пользователям в “зоне” риска (с разной вероятностью ухода) были разосланы мотивирующие скидки. Возврат данных клиентов составил от 65 до 80%, при этом в контрольной группе возврат составил около 40%.
Получается, что отток был уменьшен на 20 п.п., то есть на 50%.
Важно, что сервис позволил не делать рассылку пользователям, которые и так продолжили пользоваться сервисом.
Для теста качества работы также была проведена рассылка некоторым пользователям, которых модель характеризовала как ушедших. Возврат этих пользователей составил менее 30%, что говорит о более низкой эффективности промо.
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.
Дальнейшее развитие
В качестве дальнейшего развития в настоящее время ведётся разработка рекомендательной системы для персонализации различных вариантов промо. Чтобы промо было как наиболее выгодно для компании, так и лучшим образом подходило клиентам.