ML-алгоритм Next Best Action, предсказывающий дату следующей покупки. Настройка и результаты

26 февраля ‘20

Разработали алгоритм машинного обучения Next Best Action, упрощающий жизнь маркетологам и значимо увеличивающий доход с рассылок. Используя машинное обучение, определяем дату с максимальной вероятностью покупки, в которую клиенту стоит отправить письмо с персональным предложением.

Алгоритм протестировали на нескольких проектах и получили значимый прирост конверсии в заказы. В этой статье поделимся результатами рассылок для Book24 и зоомагазина «Старая ферма», детально расскажем, как работает алгоритм, и чем он может быть полезен бизнесу.

Как настраивается и работает алгоритм

Скриншот с полем Next Best Action из админки
Скриншот с полем Next Best Action из админки

Сначала собираем все данные по действиям клиентов: заказам, просмотрам товаров и категорий. Затем строим из них различные признаки: сколько покупок было за всё время, сколько месяцев прошло с момента регистрации, средний чек, частота покупок и так далее — всего около 30 признаков. Далее используем алгоритм «Градиентный бустинг». Он предсказывает, через какое количество дней после последней активности (а активность должна быть, иначе мы не сможем определить дату следующего действия) клиент вероятнее всего совершит покупку, и когда нужно отправить письмо, чтобы он не забыл это сделать.

Например, у вас есть клиент, который зарегистрировался в декабре, посмотрел несколько товаров и в январе совершил заказ. Алгоритм увидит все его действия, найдет похожих не него клиентов и предскажет, через сколько дней после заказа клиент будет наиболее склонен к покупке.

Или более сложный случай: клиент зарегистрировался, посмотрел пару товаров, но не совершил заказ. Возможно, ему нужно время подумать, но мы не хотим его потерять. В этом случае алгоритм также сможет определить, сколько времени на принятие решения потребуется клиенту.

Когда вы знаете дату отправки, то можете заранее сформировать контент и отправлять письмо каждому клиенту автоматически, в определенную алгоритмом дату. Это могут быть любые письма, но мы рекомендуем использовать персональные рекомендации, которые также рассчитываются моделями машинного обучения. Обязательно нужно проводить AB-тесты, чтобы убедиться, что механика действительно приносит пользу.

Какую пользу алгоритм приносит нашим клиентам

Приведем два примера: рассылка с персональными рекомендациями для Book24 и предложение повторить заказ для онлайн-зоомагазина «Старая ферма». Время теста индивидуально и зависит от количества отправленных писем и показателей конверсии в целевую переменную. В случае с Book24 тест занял две недели, в случае с зоомагазином «Старая Ферма» один месяц.

Рассылка с персональными рекомендациями для Book24

Пример письма с рекомендациями для читательницы книги «Зулейха открывает глаза»
Пример письма с рекомендациями для читательницы книги «Зулейха открывает глаза»

Book24 — официальный интернет-магазин издательств ЭКСМО, МИФ и АСТ, отправляет своим клиентам персональные товарные рекомендации, основанные на истории просмотров и заказов. Внедряя алгоритм, мы провели AB-тест эффективности Next Best Action. Части клиентов рассылка отправлялась спустя фиксированное время (14 дней) после совершения заказа, другой половине мы отправляли рассылку в персонально определенную алгоритмом дату. Такой тест позволяет понять, повышает ли машинное обучение эффективность рассылки по сравнению с логикой, определенной человеком (отправка через 14 дней после заказа).

По итогам тестирования алгоритм Next Best Action показал значимо лучший результат:

  • +25% open rate
  • +20% click rate
  • в 2 раза выше конверсия в заказ
  • в 3 раза меньше отписок от рассылки

Различия статистически значимы с доверительной вероятностью 95%.

Юлия Сомова-Гольцвирт
Юлия Сомова-Гольцвирт,
начальник отдела direct-маркетинга Book24

«На примере Next Best Action мы убедились в эффективности ML-алгоритмов: AB-тестирование показало отличные результаты. Для нас особенно важно, что количество отписок сократилось в 3 раза — это сильный аргумент в пользу машинного обучения».

Предложение повторить заказ для онлайн-зоомагазина «Старая ферма»

Пример письма для владельца собаки
Пример письма для владельца собаки

Магазин товаров для животных «Старая ферма» нашел оригинальное применение алгоритму. Поскольку в магазине высокая частота повторяющихся покупок (хозяева регулярно заказывают один и тот же корм), предлагаем им повторить свой предыдущий заказ.

Сергей Лузгин
Сергей Лузгин,
заместитель руководителя отдела маркетинга «Старая Ферма»

«Одна из моих любимых механик — это оформление повторного заказа в один клик прямо из письма. С помощью алгоритма машинного обучения мы вычисляем прогнозную дату следующей покупки у клиента и автоматически перед этой датой отправляем ему письмо с содержимым прошлого заказа. В результате клиент может прямо из этого письма, нажав всего на одну кнопку «Повторить заказ» перейти в корзину, в которой уже будут товары из его прошлого заказа».

До внедрения алгоритма Next Best Action отправка проводилась с одинаковой для всех частотой, через 28 дней после предыдущего заказа. Новый алгоритм позволил учесть персональные особенности каждого клиента и отправлять рассылку в оптимальное время.

Письма с Next Best Action оказались эффективнее по всем показателям: open rate, click rate, конверсии в заказы.

  • +11% open rate
  • +10% click rate
  • +32% конверсии в заказ

Различия статистически значимы с доверительной вероятностью 99%.

Резюме

ML-алгоритм Next Best Action позволяет определить наиболее вероятную дату совершения следующей покупки. Мы протестировали алгоритм с Book24 и онлайн-зоомагазином «Старая Ферма»: в обоих случаях он показал бóльшую эффективность по сравнению с фиксированной датой отправки. Кроме описанных механик возможны и другие варианты писем: с промокодом, новинками или реактивационным сообщением. Рекомендую протестировать алгоритм и найти оптимальное применение машинного обучения в маркетинге.

Автор

Игорь Калиновский

,Product Owner Персонализации

Пожалуйста, заполните поля и закажите консультацию

Выберите подходящие отрасли, чтобы получить по почте истории успеха наших клиентов
Свяжемся в течение
рабочего дня

Заявка на партнерство

Свяжемся в течение
рабочего дня

Обратная связь