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.
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.
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.
