Как алгоритмы машинного обучения Plazius увеличивают выручку ресторанов

Главный тренд цифрового маркетинга последних лет — персонализация коммуникаций с клиентами. В ресторанном маркетинге это особенно актуально: не стоит предлагать скидку на стейк из лосося тому, у кого аллергия на рыбу. А предложение на лаймовый чизкейк, который гостю понравился в прошлый раз, привлечет внимание и может стать поводом зайти в ресторан снова.

Основная сложность такой персонализации в необходимости обработать большие объемы данных и на основе них сформировать предложения. На основе отчетов Plazius маркетологи могут делать это сами: Plazius интегрирован с кассовым ПО, так что в CRM хранятся данные об истории и составе заказов. Но сегментация базы вручную потребует очень долгой и кропотливой работы с Excel’ем.

Так внутри Plazius родилась идея смарт-акций: мы разработали алгоритм машинного обучения, который анализирует историю посещений гостей, разделяет аудиторию на сегменты на основе предпочтений и настраивает для каждого сегмента персональные акции.

Любой владелец бизнеса знает, что одна из черных дыр выручки — это клиенты, которые перестали покупать. В случае с рестораном — это гости, которые перестали ходить. Традиционно отток определяется как число гостей, которые не приходили за фиксированный промежуток времени (например, за месяц). Но при таком подходе в список ушедших гостей попадут гости, которые редко ходят (ужинают семьей в ресторане раз в 2 месяца). Воздействовать на таких гостей с помощью акций по возврату ушедших нецелесообразно — редкие гости придут и без дополнительной мотивации, а ресторан потеряет выручку на скидках для тех, кто придет и без этого. С другой стороны, если гость ходит раз в неделю, то уже 2 недели без посещений могут быть сигналом, что что-то не так, и ждать несколько месяцев, пока сработает триггер “гость ушел”, нецелесообразно.

Чтобы точно определять гостей, которые нарушили свою обычную регулярность посещения заведения, алгоритм анализирует историю визитов каждого гостя по примерно 400 параметрам и предсказывает, какие гости не вернутся в течение ближайшего месяца. Такой подход позволяет ориентироваться не просто на время без посещений, но тонко учитывает привычки гостя. Последующие тесты показали, что точность прогнозов алгоритма составляет 97%.

Важно понять, что может быть много разных причин, по которым гости перестали ходить в ресторан. Чтобы их вернуть, нам нужно предложить им что-то, что точно им понравится. Очевидно, что если корректно выделить в истории заказов гостей их персональные предпочтения и на их основе предложить акции, то гости с большей вероятностью захотят вновь прийти и попробовать любимые блюда, чем при шаблонной акции.

Поэтому мы начали сегментировать аудиторию по предпочтениям. При этом наши эксперименты позволили вывести следующие принципы:

• В приоритете “свежие” предпочтения гостя. Если гость полгода назад заказывал бургеры, а потом перешел на салаты, то алгоритмы учтут, что он перешел на ЗОЖ, и стоит ему помочь в этом.
• Если гость не отдает предпочтения конкретному блюду, но часто заказывает блюда из одной категории (позавчера был Греческий, вчера — Нисуаз, сегодня — Цезарь), то мы считаем его любителем категории (в этом случае — Салаты).
• Если заказы гостя равномерно распределены между категориям — у гостя нет четких вкусовых предпочтений.

Для каждого сегмента автоматически создаются акции с персональным предложением по любимому блюду или любимой категории. Гости оповещаются об акции с помощью SMS рассылки. Для контроля эффективности в каждом сегменте случайным образом выделяется контрольная группа, которая не получает никаких предложений. Именно сравнение с результатами в контрольной группе показывает эффективность предложений.

Мы пригласили к тестированию новых возможностей одного из наших самых прогрессивных клиентов — сеть кафе-пекарен “Хлеб Насущный”. Акция для различных сегментов гостей длилась 7 дней, а еще 2 недели мы отслеживали как вели себя вернувшиеся гости.

Что интересно, самый большой прирост по выручке (+61,37%) дала выборка гостей, у которых выявлено любимое блюдо (экстра-выручка на 1 представителя аудитории в сегменте без вкусовых предпочтений составила +27,34%). Можно предположить, что подобный эффект вызван тем, что тонко персонализированное предложение вызвало желание вернуться и вновь попробовать любимое блюдо.

Важно понимать, что экономически акции со скидкой на любимое блюдо гораздо целесообразнее, чем скидка на весь чек. Это объясняется тем, что получив скидку на любимое блюдо, вместе с ним гость заказывает и другие блюда, и общая скидка снижается. А скидка на весь чек значительно сокращает выручку заведения.

Чтобы ресторатор мог воспользоваться автоматизацией персонализированных акций, нужно соблюсти несколько условий:

• Plazius работает в ресторане не менее 6 месяцев. Обычно за этот срок накапливается достаточно данных для анализа предпочтений гостей.
• Не менее 7500 гостей используют Plazius и дали согласие на отправку SMS рассылок. С меньшей базой гостей смарт-акции будут работать не так эффективно.

Дальше мы хотим сделать автоматизацию персональных акций доступной для всех ресторанов. Так мы поможем заведениям удерживать клиентов и сохранять персональный подход, а гостям — получать самые привлекательные для них предложения.