Введение, о чем пойдет речь

В последнее время у всех, кто так или иначе связан с интернет-маркетингом, на слуху такие слова, как:

• предиктивная аналитика
• предикты
• предсказательная аналитика
• прогнозная аналитика В этой статье мы не будет подробно объяснять, что такое предиктивная аналитика, а дадим вам подробный roadmap того, как внедрить ее в ваш бизнес и расскажем, как оценивать результаты её работы.О том, что такое предиктивная аналитика, вы можете прочитать в нашей статье

Инициация и постановка целей

Первое, что необходимо сделать - зафиксировать бизнес‑цели внедрения предиктивной аналитики, установить измеримые критерии успеха, определить ответственных лиц и параметры проекта. Начнем с очевидных, но не всегда простых пунктов:

• ** Формализация запроса бизнеса**

Определите приоритетные бизнес‑задачи, требующие предиктивного решения. Например:

• Снижение оттока (churn) пользователей/клиентов, которые перестали пользоваться продуктом или ушли за какой-то период (например, месяц)
• Увеличение повторных покупок, рост конверсии
• Определение склонности пользователя к покупке (propensity to buy) в определенном горизонте времени и стимуляция его к совершению этой покупке Зафиксируйте ожидаемый экономический эффект в рамках горизонта планирования (квартал/полугодие).

• ** Определение KPI и методики измерения**

Утвердите ключевые показатели эффективности (KPI) и метрики, по которым будет оцениваться результат. Согласуйте правила измерения: базовый период, целевые значения, периодичность контроля.

• ** Назначение ответственного за внедрение технологии**

Определитесь с тем, кто будет заниматься внедрением предиктивной аналитике. Выберите подрядчика или назначьте компетентных разработчиков и аналитиков. Назначьте менеджера продукта и согласуйте формат взаимодействие с исполнителем. Установите формат регулярной отчетности по ходу проекта.

• ** Определение рамок и ограничений**

Зафиксируйте сроки, бюджет на тест, допустимый объем работ, требования к интеграции с текущими отчетами и процессами. Согласуйте перечень критически важных данных и доступ к ним на старте.

• ** Формирование сценариев применения**

Описать, где именно будут использоваться предикты (формирование CRM‑сегментов, умное назначение ставок, персональные коммуникации). Определите, кто является конечным пользователем результатов (маркетолог, менеджер по продукту, руководитель подразделения). Результатом данного этапа в идеале должен быть: Единый согласованный документ, содержащий цель, KPI, ответственных, сроки, ограничения и первичные сценарии применения. Этот документ становится основой для последующих этапов.

Подготовка данных и оценка готовности

Предикты, используемые в интернет-маркетинге, строятся на данных пользователей. Суть данного этапа - определить, какие данные вам доступны, в каком они состоянии, насколько они пригодны для предиктивных моделей и какие организационные шаги нужны для их использования. Это могут быть любые данные, по которым вы можете определить поведение и результативность пользователей вашего продукта. Самое главное, чтобы в данных был признак, по которому можно было определить пользователя и отличить его от остальных пользователей. Этот признак может быть обезличенным, таким, как условный внутренний идентификатор (например ClientID в Яндекс Метрике) Цепочка работы по этому пункту следующая:

• ** Инвентаризация источников данных**

Составьте перечень систем, в которых формируется клиентский и транзакционный след: 

• CRM 
• Аналитические системы
• Сквозная аналитика
• Рассылки
• Рекламные кабинеты Зафиксируйте владельцев источников и правила доступа (кто, на каких условиях, в какие сроки предоставляет данные).

• ** Определение минимально достаточного набора данных**

Определите, что в ваших данных представляет собой базовые сущности:

• Клиент
• Событие
• Покупка
• Целевое действие Установить необходимую историческую глубину данных. Желательно, чтобы было хотя бы несколько месяцев полноценных данных. Если в вашем бизнесе существует сезонность на протяжении календарного года, то данные должны быть как минимум за полный год.

• ** Оценка качества данных**

Проверьте полноту, актуальность, и корректность данных. Зафиксируйте долю пропусков, дублей, разночтений между системами (например, разные email/phone для одного клиента). Если собираетесь работать на данных аналитических-систем - обязательно проведите полный аудит. Пренебрежение этим шагом и обучение ML-модели на неправильных данных чревато неправильными результатами и потерей финансовых и трудовых вложений.В результате этого этапа у вас должен быть качественный и регулярно обновляемый набор данных, который ляжет в основу обучения модели вашей предиктивной аналитики.

Получение данных от предсказательной модели и их использование

В зависимости от выбранного вами пути, вы или самостоятельно с помощью своей команды создаете и обучаете модель, или используете готовый продукт от подрядчика. Это может быть: 

• Набор данных о пользователях с вероятностью совершения ими целевого действия в заданном временном горизонте
• Данные с вероятностью того, что текущий клиент в скором времени “уйдет” от вас.
• Пользователи, сегментированные на более и менее платежеспособных
• Пользователи, сегментированные по вероятности и близости повторной покупки На основе этих данных вы используете свои маркетинговые инструменты, с помощью которых можете подталкивать пользователя:
• Уникальными торговыми предложениями
• Пуш-уведомлениями
• email-рассылками
• Теплыми прозвонами
• Уникальным визуалом сайта В нашем продукте StreamMyData есть SaaS-предикты. Мы расскажем о применении и оценки эффективности на их основе.Читайте о нашей новой технологии “Быстрых предиктов” **здесь**Вкратце, что делают наши предикты? Источником данных является счетчик Яндекс Метрики на вашем сайте. При создании предикта вы проходите авторизацию через Яндекс и предоставляете нашей ML-модели доступ к счетчику на чтение. На основе полученных данных ML-модель предсказывает вероятность совершения пользователем повторной покупке или целевого действия на вашем сайте. Когда предсказания будут готовы, вы получите доступ к сегментам Яндекс Аудиторий, которые представляют из себя наборы идентификаторов пользователей (ClientID), сегментированные по степени вероятности совершения целевого действия. Как правило, вы получаете 5 сегментов:
• Очень низкая вероятность
• Низкая вероятность
• Средняя вероятность
• Высокая вероятность
• Очень высокая вероятность Эти аудитории затем становятся доступны в кабинетах Яндекс Директ. Сценарии работы с ними могут быть следующие:
• Использование в качестве повышающих или понижающих корректировок на уровне кампаний или групп объявлений. Чем выше вероятность совершения целевого действия у аудитории, тем выше можно ставить корректировку, и наоборот. Аудиторию “Очень низкая вероятность” также можно исключить из показов объявлений полностью, чтобы минимизировать нежелательные расходы.
• Использование в качестве таргетинга в сетевых кампаниях. Показывайте выбранным вам аудиториям пользователей объявления с персонализированными предложениями и УТП Вы также можете получить непосредственно списки ClientID, разбитых на сегменты, чтобы показывать им персонализированный контент непосредственно на вашем сайте. Крайне рекомендуется внедрять предикты с использованием A/B тестирования для получения репрезентативного результата.

Оценка эффективности предиктов и интеграция в отчетность

После того, как предикты отработали достаточное для теста время (зависит от длительности цикла принятия решения в вашем бизнесе), необходимо правильно оценить их эффективность. Если вы проводили A/B-тест, то нужно сравнить контрольную группу (без предиктов) с тестовой группой. Сравниваются все ключевые метрики и, желательно, вспомогательные. В случае с применением предиктов в аудиториях Яндекс Директа, у вас должно быть 2 копии каждой рекламной кампании, в которой проводится тест. Одна копия это “контрольная группа”, вторая - “тестовая группа”. Основная кампания, с которой были сняты копии, при этом ставится на паузу на всё время проведения теста. Сравнивайте ваши ключевые показатели, такие, как: 

• Количество конверсий
• Коэффициенты конверсий
• Доход
• ROMI
• Средний чек А также вспомогательные метрики:
• CTR
• Глубина просмотра
• Длительность визита
• Микроконверсии Затем сравните эти же показатели между ML-сегментами. В случае отклонений от KPI измените коэффициент корректировки или исключите их из кампании/группы объявлений. В случае, если тестовая кампания показывает себя хорошо - закрывайте A/B-тест и оставляйте только тестовую кампанию, масштабируя в ней бюджет. Если вы не проводили A/B тест, то оцените показатели в формате “До/после” внедрения предиктов.Если вы уже имеете отчетность по рекламным кампаниям или сквозную аналитику - добавьте в нее элементы визуализации эффективности предиктов. Так вы сможете быстро оценивать их эффективность и принимать решения об изменении корректировок или масштабировании. Примеры визуализации, которые используют наши клиенты:

Рис. 1: Динамика дохода с ML-сегментов по месяцам в разбивке на сегменты

Рис. 2: Динамика сравнения CR по ключевой цели кампаний с использованием ML-сегментов и без использования

Рис. 3: Сводная таблица CR в покупку на пересечении группы рекламных кампаний и ML-сегментов

Рис. 4: Нормальное распределения коэффициента конверсий между контрольной и тестовой группами кампаний

Заключение

Внедрение предиктивной аналитики в среднем бизнесе требует не столько сложных моделей, сколько управляемого процесса: четких целей, подготовленных данных, понятных сценариев применения и измеримого эффекта.  Следование дорожной карте позволяет снизить риски, получить быстрые результаты и выстроить устойчивую практику использования предиктов в маркетинге. Рекомендуется начинать с ограниченного пилота, подтвердить экономический эффект, после чего масштабировать решения на ключевые направления бизнеса.