Роман Зыков - Роман с Data Science. Как монетизировать большие данные [litres]

По веб-аналитике я могу дать важный совет – читайте не инструкции для пользователя, а инструкции по внедрению. Именно там зашита вся суть – когда вы их прочитаете, у вас будут появляться свои мысли о том, как использовать какие-то хитрые фичи системы веб-аналитики, с которой вы работаете. Второй совет – думайте фундаментально. Мне очень понравился подход функционализма [109] в веб-аналитике. Даже на самых простых инструментах, используя подобный подход, можно принимать более системные решения.

Электронную почту изобрели давно, мы все ею до сих пор пользуемся. До эпохи интернета была развита торговля по почтовым каталогам, которая зародилась в США в XIX веке. После этого появился директ-маркетинг, задачей которого является продажа через прямые каналы коммуникаций (почта, электронная почта, телефон). Это очень отличается от обычной рекламы, которая «бьет по площадям». В директ-маркетинге идет работа с клиентом на индивидуальном уровне. Работу можно разделить на два типа: продажа уже накопленной базе клиентов и рекрутирование новых. Первый тип – это маркетинг на основе баз данных.

Представьте, что у вас есть некоторая существующая база данных клиентов: там есть контакты, факты отправок корреспонденции и факты заказов, эти люди регулярно получают каталоги товаров по обычной почте. Вам поручено сделать очередную рассылку, чтобы получить от клиентов дополнительные заказы. Самый простой подход – отправить всем клиентам одно и то же, например предложение со скидкой. Это довольно дорогое удовольствие – каждое письмо стоит денег, да и скидка уменьшит маржинальность компании. Также нужно учесть, что часть клиентов и так сделает заказ, даже без скидки. Тогда возникает идея разбить клиентов на группы, те из них, кто сделает заказ без промоскидки, не получит ничего – в крайнем случае, простое предложение без скидки. А те, кто менее склонен к покупке, получат скидку. Клиенты, которые совсем давно не делали заказ, не получат ничего.

Чтобы воспроизвести такую схему, понадобится механизм скоринга клиентов. Для нашей маркетинговой акции необходимо рассчитать вероятность покупки у каждого клиента в нашей базе данных. Затем, используя эту шкалу, разбить их на несколько групп, у каждой из них будет свое промопредложение. Например:

• Группа лучших клиентов (вероятность от 70 %) получит скидку 3 %.

• Группа хороших клиентов (вероятность от 40 до 70 %) получит скидку 10 %.

• Группа плохо покупающих (вероятность от 20 до 40 %) получит купон на 500 рублей.

• Группа давно не покупавших (вероятность ниже 20 %) не получит ничего.

Такую модель можно собрать на обычной логистической регрессии, используя RFM-фичи, о которых я уже писал в главе 9. На данном этапе мы разбиваем всех клиентов по группам и начинаем делать план теста.

Наша модель может ошибаться, несмотря на хорошие метрики, полученные на уже существующих данных. Чтобы это проверить, нужно провести А/Б-тест с контрольной группой. Для этого в каждой группе клиентов случайно выберем 20 % из них и разобьем получившуюся группу пополам. Одна часть группы получит промопредложение – это будет тестовая группа. Вторая получит простое письмо или не получит ничего, в зависимости от маркетинговой акции – это будет контрольная группа. Так нужно сделать для всех групп, может быть, за исключением давно не покупавших. После подготовки плана, верстки и печати писем производится их отправка клиентам. Аналитики выжидают некоторое время – месяц или два – и считают результаты: продажи и все расходы, которые можно учесть. Для каждой группы должна получиться следующая таблица (табл. 12.2).

Таблица 12.2. Расчет прибыли от тестовой рассылки

1 – тестовая; 0 – контрольная.

В итоге по лучшим клиентам стоит сделать скидку, по хорошим тоже, а вот по плохо покупающим – нет. С ними произошло следующее – купон на 500 рублей привлек много покупателей, но их средний чек покупки стал меньше, чем в контрольной группе. Это не окупило маркетинговую акцию, результат (прибыль) в контрольной группе оказался лучше. Из моего опыта: клиенты лучше реагируют на купон с фиксированной суммой, чем на скидку, но средний чек у «купонщиков» всегда ниже «скидочников». Эта тема довольно неплохо и понятно изложена в моей любимой книге Джима Ново «Drilling Down» [71], другой источник – книга «Маркетинг на основе баз данных» [110] Артура Хьюза. В реальной жизни дизайн может быть сложнее – для группы тестируют сразу несколько типов скидок, купонов и подарков. Я делал такие акции для давно не покупающих клиентов в Ozon.ru, и мне удавалось получать не одну сотню тысяч долларов дополнительных продаж.