Как Магнит ADS прогнозирует спрос по истории покупок
Давайте признаем: в рекламе уже мало знать, кто покупает ваш товар. Полезнее понимать, кому он понадобится прямо сейчас. В Магнит ADS для этого используют предиктивную модель. В статье расскажем, как из истории покупок получается прогноз и как его используют для расширения аудитории. А ещё покажем кейс, где sales lift бренда составил +51%.
Содержание
Что вообще можно узнать о покупателях по чекам
Конечно, по чекам полноценный портрет человека не составить. Но если посмотреть, что он покупал в течение нескольких месяцев, можно увидеть привычки по повторяющимся категориям.
Например, раньше товаров для собак в корзине не было, а потом в ней каждую неделю стали появляться корм и пелёнки. Так можно предположить, что дома появился щенок. Или другой пример: шампунь появляется в корзине с определённой периодичностью. Если привычный срок уже подходит, можно предположить, что скоро понадобится новый флакон.
Колдовство? Нет, обычная статистика. Кстати, подробнее о том, о чём ещё могут рассказать покупки, мы писали в отдельной статье — переходите почитать.
Так как же Магнит ADS прогнозирует спрос?
Итак, теперь мы знаем, что по истории покупок можно увидеть привычки человека.
В Магнит ADS пошли дальше: научились использовать эти данные для прогноза и создали предиктивную модель. Она смотрит не только на то, что человек покупал раньше, но и оценивает, что может понадобиться ему в ближайшее время. Чтобы было понятнее, разберём на примере шампуня и молока.
С молоком всё довольно просто: его многие покупают регулярно. Закончилось — берут снова. Здесь часто достаточно обычного сегмента тех, кто уже покупает категорию. Отдельно угадывать момент следующей покупки не так важно.
А вот с шампунем сложнее. Люди возвращаются за ним с разной частотой: кому-то флакона хватает на пару недель, кому-то — на два месяца. По истории покупок модель может заметить эту периодичность и оценить, когда человеку снова понадобится товар.
Кому особенно полезен прогноз
Такой прогноз особенно полезен бизнесу, где важно учитывать момент следующей покупки или искать новую аудиторию.
Например:
- магазинам косметики, бытовой химии, аптекам — здесь много товаров, за которыми регулярно возвращаются;
- брендам товаров повседневного спроса, которые хотят выйти за пределы привычной аудитории.
А теперь разберёмся, что вообще стоит за таким прогнозом и как модель его строит.
Что стоит за прогнозом
Когда мы говорим, что модель «предсказывает» покупки, речь не про угадывание будущего — таких суперспособностей у нас пока нет. В основе — большие массивы данных и поиск в них закономерностей.
Над системой, кстати, работали сразу две команды Магнит ADS.
- Команда Василия Мальцева отвечала за ML-платформу (ML — машинное обучение, одно из направлений искусственного интеллекта) — систему, где создают и запускают модели.
- А саму предиктивную модель разработал Владимир Кирсанов, который развивает DMP (платформа управления данными) — систему, где из данных собирают сегменты для рекламных кампаний.
HOT TAKE от Василия Мальцева, руководителя Центра развития ML-платформ по клиентской аналитике:
«Над алгоритмом мы работали больше полугода — от первой идеи до запуска на реальных данных. Для меня особенно важен итог: модель должна быть не сложной технологией сама по себе, а понятным рабочим инструментом. Должно быть ясно, что она считает, на каких данных работает и как использовать результат в рекламной кампании».
Как работает предиктивная модель
Окей, с тем, что модель умеет делать, разобрались. Остался главный вопрос: как из истории покупок вообще получается прогноз? На самом деле всё не так сложно:
- Покупателей делят на кластеры — группы с похожим поведением. Это нужно, потому что люди покупают одни и те же товары с разной частотой. Кто-то возвращается за товарами этой категории каждый месяц, кто-то — раз в полгода.
- Модель смотрит на историю чеков и особенности кластера. По этим данным она оценивает вероятность покупки товаров нужной категории в заданный период.
- Команда Магнит ADS задаёт параметры кампании: товар, даты, регион и форматы магазинов. После этого модель ищет тех, кто с большей вероятностью купит продукт именно в период кампании.
Каждый такой расчёт запускается заново и занимает меньше часа — фантастика, правда? Вот и мы в восторге.
Какие задачи решает модель
У предиктивной модели есть две основные задачи.
- Выбрать подходящий момент для рекламы. Например, модель видит, что человеку скоро снова может понадобиться шампунь. Значит, рекламу можно показать именно этой аудитории — тем, у кого потребность с большей вероятностью появится во время кампании.
- Найти новую аудиторию через связанные покупки. Например, люди часто берут вместе вино, сыр и оливки. Но есть покупатели, которые берут вино и оливки, а сыр — нет. Если модель видит, что в этом кластере скоро снова может вырасти спрос на вино, бренд сыра может показать рекламу в тот же период.
При этом модель видит только покупки внутри «Магнита». Что человек покупает в других магазинах, мы не знаем.
Как предиктивная модель помогла бренду получить sales lift +51% за неделю
Предиктивную модель впервые протестировали в кампании производителя замороженных полуфабрикатов.
Что сделали:
- сначала взяли максимально лояльных покупателей бренда — тех, кто покупал его товары не менее двух раз за месяц;
- затем добавили к ним людей, которых модель определила как наиболее вероятных покупателей категории.
Так собрали расширенный сегмент и запустили на него медийную рекламу на неделю — с 22 по 28 июля. После кампании результат проверили через sales lift — просто сравнили прирост покупок у тех, кто видел рекламу, с приростом в контрольной группе.
Что нужно, чтобы протестировать модель
Для старта достаточно определить три вещи:
- какой товар или категорию хотите продвигать;
- когда планируете запустить рекламную кампанию;
- какую задачу нужно решить — например, расширить текущую аудиторию или найти покупателей через связанные товары.
Дальше команда Магнит ADS поможет задать параметры, собрать сегмент и использовать прогноз.
HOT TAKE от Анастасии Кириловой, руководителя по развитию рекламных продуктов на данных:
«Таргетинг по полу, возрасту и городу описывает человека, каким он был вчера. Предиктивная модель показывает, что он сделает завтра. Ещё несколько лет назад так работали единицы, а сегодня на предсказании строят планирование целиком. Ритейл-медиа уже занимает 46% рекламных бюджетов. Чем больше становится рынок, тем важнее не просто наращивать охват, а точнее выбирать аудиторию. Поэтому следующий вопрос для брендов — как использовать данные умнее. Здесь предиктивная модель и пригодится».
Если хотите протестировать предиктивную модель на своем продукте — оставьте заявку на сайте.