McKinsey Digital

Персонализация и управление ценностью абонентской базы: как это устроено в телекоме Часть 2. Автоматизация и эффекты

Когда сценариев становится очень много

Число кампаний ограничено только изобретательностью продуктовых команд и маркетологов. По одному сценарию одновременно может быть запущено несколько сотен кампаний. И когда сценариев 10 или 15 – это тысячи кампаний в месяц и десятки тысяч в год.

Человеку не справиться с такими объемами, и над моделями по каждому сценарию создается дополнительная надстройка – движок NBA (next best action). Он автоматизирует приоритизацию и запуск продуктовых кампаний по всем сегментам абонентов. Для каждого действия (конкретное предложение, канал коммуникации и то, каким текстом мы предложим клиенту продукт или услугу) движок возвращает ожидаемую выручку, которую это действие принесет. В телекоммуникационном бизнесе автоматизация кампаний за счет внедрения NBA позволяет увеличить выручку от 3% до 11%.*

*По данным исследования McKinsey.

Команда McKinsey работала над NBA в рамках проекта в крупной телекоммуникационной компании из Восточной Европы. Его первый уровень — отдельные модели — создавала собственная команда клиента по большим данным, а второй уровень – непосредственно NBA – делали датасаентисты фирмы.

«Первый интересный аспект с точки зрения data science заключается в том, что модель NBA получилась очень живая. Она заряжена на конверсию кампаний и непрерывно обновляется. В одном месяце побеждают одни действия, в другом другие – в зависимости от того, какие кампании были успешнее в предыдущем периоде.

Второй интересный аспект – значительные даже по размерам телекома объемы данных. Десятки миллионов абонентов, и для каждого абонента в разных каналах может быть сформировано 100–200 продуктовых предложений. То есть нужно оценивать потенциальный эффект от миллиардов вариантов.

Третий аспект – композитное свойство NBA. Мы совместили неинтерпретируемую модель градиентного бустинга с сотнями переменных и линейную регрессию. Модуль со сложной моделью масштабировался на всю базу, все варианты каналов и скидок модулем более простой модели.

Разработка NBA-движка заняла три месяца. Отлаженное взаимодействие с командой клиента по ИТ- и data science позволило быстро вывести проект в продакшн».

Максим Бердутин
Эксперт, Data Science

Разбор эффектов: от частного к общему

Результаты оцениваются как на уровне отдельных кампаний, так и в финансовом выражении для компании в целом. Хорошо ли настроена система CVM, какой эффект она оказывает на показатели бизнеса? Как выделить эффект отдельно взятой кампании? А если изменились бизнес-показатели, как определить, какие именно из сотен и тысяч факторов на это повлияли: CVM, реклама на ТВ, действия конкурентов или иные макроэкономические факторы?

Найти точные ответы позволяет А/Б-тестирование. Мы выбираем сегмент клиентов, на которых хотим запустить конкретную кампанию, из этого сегмента выделяем небольшую контрольную группу, репрезентативную всему сегменту. Оставшаяся группа – целевая. Кампания запускается только на целевую группу, а контрольная группа – look-alike-клиенты – продолжают жить, как и раньше.

«Для отдельных кампаний выделяются локальные контрольные группы, а для замера эффекта всей программы CVM – единая контрольная группа, репрезентативная всей клиентской базе. При оценке эффекта ориентируются не только на денежные показатели – сравнивается также отток, NPS, количество жалоб и звонков в колл-центр в целевых и контрольных группах и многие другие показатели в соответствии со стратегией компании. Ограничение данного подхода состоит в том, что на контрольных группах компания не зарабатывает, но это необходимые издержки подхода test & learn для пополнения знаний о факторах, которые влияют на решения абонентов и оценки результатов».

Максим Бердутин
Эксперт, Data Science

Рассмотрим оценку эффектов на примере кампаний по развитию и удержанию абонентов.

Оценка эффекта развития включает анализ уровня конверсии, увеличения валовой маржи и ARPU по результатам конверсии. Если при умножении на охват эти показатели выше определенного бенчмарка (сколько денег должна приносить кампания), такая кампания считается успешной. Если динамика сохраняется в течение 2–3 месяцев, она полноценно масштабируется. Эффект развития, выраженный в деньгах в каждый из периодов наблюдения, считается по такой формуле:

(средняя прибыль на клиента в ЦГ – средняя прибыль на клиента в КГ) * численность ЦГ

Улучшила ли наша коммуникация и персональные предложения лояльность клиентов или, наоборот, спровоцировала дополнительный отток? Для оценки эффекта удержания результаты по оттоку абонентов в целевой группе, получившей предложение в рамках CVM, сравниваются с контрольной, где предложение не делалось и коммуникация велась вне контура системы. Таким образом, эффект удержания, выраженный в деньгах в каждый из периодов наблюдения, можно представить в виде формулы:

(% оттока в КГ – % оттока в ЦГ) * численность ЦГ * средняя прибыль на клиента в КГ

Общий эффект кампании равен сумме этих двух эффектов в каждом периоде наблюдения. При этом инкрементальные эффекты прибыли на клиента и % оттока признаются только при статистической значимости отличия от нуля.

Чтобы оценить, каким образом CVM-кампании влияют на выручку всего бизнеса, нужны отдельные глобальные целевая и контрольная группы. Их важно регулярно обновлять, поддерживая репрезентативность и обеспечивая сравнимость периодов друг с другом. При отлаженности этого процесса появляется прозрачная метрика ценности, которую создают кампании CVM.

CVM вчера, сегодня и завтра

Если 5–6 лет назад у большинства игроков на российском рынке телекоммуникаций не было сильной функции аналитики данных, то за последние 2–3 года ситуация улучшилась. Сегодня телеком-сектор стал источником передовой практики и задает тон для других бизнесов в сегменте B2C. Финансовые организации, страховые компании и ритейл также обращаются к теме персонализации как к новому источнику роста.

В большинстве телекоммуникационных компаний сегодня уже выстроен прочный каркас CVM. Отлажен итеративный процесс test & learn, почти все сценарии покрыты моделями, и полностью проскорена абонентская база.

В зоне роста остаются вопросы, связанные с организационной зрелостью, более глубокая автоматизация процессов, увеличение скорости запуска продуктов и адаптация персонализированных триггерных кампаний. А также — развитие концепции CVM as a service — разработка совместных с партнерами предложений за счет комплексного знания о клиентах и обученных моделей.

{ "author_name": "McKinsey Digital", "author_type": "editor", "tags": [], "comments": 0, "likes": 1, "favorites": 21, "is_advertisement": false, "subsite_label": "mckinsey", "id": 232793, "is_wide": true, "is_ugc": false, "date": "Fri, 23 Apr 2021 10:46:05 +0300", "is_special": false }
0
0 комментариев
Популярные
По порядку

Комментарии

null