ML-алгоритмы и сегменты по эмоциям: Okko персонализирует рассылки и растит retention на 5 п. п. в год

У онлайн-кинотеатра Okko десятки миллионов пользователей. Одни подключаются посмотреть сериалы, другие — поболеть за любимую команду в Лиге чемпионов, третьи — включить детям мультики. Чтобы мотивировать всех этих людей возвращаться, нужно понимать, что интересует каждого, и предлагать подходящий контент в нужный момент. Okko решает эту задачу разными способами, в кейсе расскажем, как:

Когда пользователь регистрируется в Okko, он ничего не знает о сервисе, а сервис — о нем. Чтобы вовлечь новичка и удержать его, компания первой делает шаг — запускает онбординг.

Новичкам рассказывают о возможностях сервиса и подписки, показывают самый популярный контент и анонсируют новинки. У Okko два сценария онбординга в зависимости от того, как человек пришел:

Обе цепочки каскадные. Сначала отправляют email, потому что в письме удобнее рассказать о возможностях сервиса и подписки. Если пользователь не открывает первое и второе welcome-письмо, ему отправляют пуши. Так компания коммуницирует с пользователем в том канале, где ему комфортно читать.

Гипотеза: пользователи, которые прошли онбординг, с большей вероятностью продлят подписку.

Сегмент: новые пользователи, которые зарегистрировались в Okko.

Метрика: конверсия в первое продление подписки.

Тестирование: как только пользователь оформил пробную подписку, запускалась каскадная welcome-цепочка — с email и пушами. При попадании в сценарий 80% пользователей оказывались в тестовой группе, а 20% — в контрольной. Тестовая группа получала email-рассылки, пуши либо то и другое. Выбор каналов зависел от того, какие сообщения открыл пользователь. Контрольная группа коммуникации не получала.

Результат: конверсия в продление подписки у тех, кто прошел онбординг, в 1,5 раза выше по сравнению с контрольной группой.

Статистическая значимость — 95%

Команда CVM отправляет пользователям письма с персональными рекомендациями фильмов, сериалов и спортивных трансляций. Это могут быть массовые рассылки, например еженедельные дайджесты, или автоматические сценарии.Команда ML запускает алгоритмы, и они подбирают контент, сегментируют пользователей по склонности к просмотру. Например, вычисляют тех, кому понравится футбол.

Если Okko уже накопил данные о пользователе, ему предлагают контент, подобранный на основе взаимодействия с сервисом. Учитывается, какие фильмы или сериалы он смотрел, что сохранил в избранное, какой рейтинг выставил. Из подборок исключаются уже просмотренные фильмы. Дополнительно проверяют, что фильм входит в подписку и доступен к просмотру без апгрейда.

Чтобы проверить эффект от рекомендаций, в Okko провели тест с контрольной группой.

Гипотеза: письма с персональными рекомендациями соберут больше открытий и кликов, чем массовые. Чтобы поднять open rate, в прехедере указывали, что в письме персональная подборка. Ожидали и накопительный эффект: чем больше пользователь получает подходящих писем, тем активнее их открывает.

Сегмент: пользователи с активной подпиской, которые открывали письма хотя бы раз за последние 180 дней.

Метрики: open rate и CTR.

Тестирование: среди получателей еженедельного дайджеста выделили сегмент, для которого можно составить персональные рекомендации. Этот сегмент разделили 50/50. Тестовая группа несколько недель получала дайджест с персональными рекомендациями, контрольная — без них. Сравнивали open rate и CTR между группами.

Результат: гипотеза подтвердилась. Open rate и CTR писем с ML-рекомендациями оказался выше, чем у писем без них.

Статистическая значимость — 95%

Сейчас дайджест с персональными рекомендациями уходит регулярно: по пятницам. В планах — масштабировать рассылки с рекомендациями и протестировать персонализированные новинки и коллекции.

В Okko решили увеличить аудиторию зрителей футбола: Лига чемпионов — флагманский продукт и эксклюзив, который дает онлайн-кинотеатру конкурентное преимущество. ML-команда отобрала людей, которые склонны к просмотру футбола, но пока его не смотрели. Для этого использовали look alike аудиторию по паттернам просмотров. Сначала изучили поведение тех, кто уже смотрит футбол. Потом нашли зрителей, которые не смотрят футбол, но ведут себя похоже — выбирают такие же фильмы и сериалы, смотрят их по схожим сценариям.

Для первого контакта выбрали четвертьфинал Лиги чемпионов, в котором играли известные команды, например «Барселона» и «Арсенал». Команда Okko предположила, что такие матчи с большей вероятностью привлекут внимание даже тех, кто не следит за футболом постоянно. Письмо для новой аудитории было похоже на те, что получают постоянные зрители, но адаптировано для тех, кто не погружен в футбол. В рассылке объясняли, кто играет, почему матч важный, что интересного может произойти.

Эксперимент повторяли дважды: после четвертьфинала отправляли рассылки к полуфиналу. Использовали ту же модель и ту же аудиторию.

В результате аудитория зрителей футбола выросла на 10% — это суммарный результат всех запусков. К старту нового сезона ежегодной Лиги чемпионов таких зрителей стало на 25% больше, чем в прошлом году.

В опросах об удовлетворенности рассылками пользователи просили более избирательные коммуникации — не про спорт или футбол вообще, даже не про все турниры, а именно о любимой команде. Продуктовая команда добавила в сервис такую возможность.

Теперь фанаты каждой команды могут подписаться на пуши о старте матча, о забитых голах. Эта механика вместе со всеми спортивными активностями за год дала прирост 25% к зрителям матчевого спорта.

После успеха с подписками Okko решили масштабировать идею: автоматически определять фанатов клубов и персонализировать пуши. Если человек посмотрел пять матчей одной команды, его считали болельщиком и отправляли эмоциональный «фанатский» пуш с акцентом на любимую команду. Остальные получали общий пуш о всех матчах дня.

Гипотеза: персонализированный пуш вызовет больше эмоций и желания посмотреть матч, а значит, принесет больше кликов и повысит конверсию.

Тестирование: аудиторию разделили на две группы: фанаты команды получали персонализированный пуш с акцентом на любимый клуб, остальные — общий пуш обо всех матчах дня.

Результат: гипотеза не подтвердилась — пуши показали одинаковую эффективность. Эксперимент повторяли несколько раз с разными командами и в разное время — результат был похожим. Статистическая значимость — 95%.

Okko использует рекомендации и после неудачного поиска — это критический момент, когда пользователь может уйти на другую площадку. Например, человек ищет «Острые козырьки», но сериала нет в медиатеке. Система сразу подбирает похожий контент и через несколько минут отправляет пуш с рекомендацией.

Механику тестировали на двух сегментах.

Тест 1. Возврат из оттока

Гипотеза: пуш с рекомендациями после неудачного поиска вернет пользователей из оттока.

Сегмент: пользователи в оттоке, независимо от срока давности, которые зашли в сервис, искали фильм или сериал, не нашли и ушли без оформления подписки.

Метрика: конверсия в возврат к подписке.

Тестирование: аудиторию делили 50/50. Тестовая группа получала пуш с рекомендацией, контрольная не получала ничего в рамках этой кампании.

Результат: пользователи из тестовой группы чаще возвращались в подписку.

Статистическая значимость — 95%

Тест 2. Удержание активных пользователей

Второй тест запустили параллельно с первым, но на другом сегменте — активных пользователях с платной подпиской. Цель была другой — не вернуть в подписку, а удержать: показать разнообразие контента тем, кто искал и не нашел. Когда такой пользователь не находил контент, ему отправляли пуш с альтернативой.

Гипотеза: пуш с рекомендациями после неудачного поиска увеличит retention активных пользователей.

Метрика: retention rate.

Тестирование: аудиторию делили 50/50. Тестовая группа получала пуш с рекомендацией, контрольная не получала ничего в рамках этой кампании.

Результат: retention в тестовой группе вырос по сравнению с контрольной.

Статистическая значимость — 95%

После подтверждения эффекта механику автоматизировали — теперь она работает как регулярный триггерный пуш.

В Okko хотели увеличить число просмотров телевизионных каналов — это стратегическая задача: пользователь, который смотрит и фильмы, и телеканалы, с меньшей вероятностью отпишется. Для этого выделили шесть сегментов по эмоциональным потребностям зрителей. Например, человек смотрит мультики по выходным утром — скорее всего, включает их детям. Поэтому он попадает в сегмент «Единение». А тот, кто смотрит триллеры и боевики поздно вечером, — в сегмент «Адреналин». Основа сегментации — исследование международного агентства Needscope, которое команда Okko адаптировала под свою аудиторию.

При делении базы учитывают не только жанр, который выбирают пользователи, но и их поведение. Оценивают, какой тип контента предпочитает человек — фильмы или сериалы, смотрит ли он подряд по нескольку серий или время от времени, в будни или выходные, в какое время суток.

Для разных сегментов по эмоциям сделали несколько рассылок. Они отличались посылом, текстом и подборкой контента. Например, сегмент «Адреналин» — те, кто ищет острые эмоции. Часть из них уже смотрела спорт, но были и те, кто футбол еще не смотрел. Этой группе отправили рассылку о старте Лиги чемпионов — рассказали, почему турнир важный, что в нем интересного, какие команды играют. Так расширяли аудиторию футбола за счет тех, кто раньше его не смотрел.

В результате получили в два раза больше кликов и рост конверсии в просмотры футбола. В аудиторию входили в том числе «адреналинщики», которые до этого футбол не смотрели.

В Okko научились балансировать: для вовлечения в новые категории контента и расширения аудитории используют персонализацию, а для больших событий — массовые рассылки. В результате за год коммуникационная нагрузка увеличилась вдвое, при этом open rate писем вырос на 2,2 п. п. Согласно отчету Mindbox, показатель на 4–6 п. п. выше, чем в среднем по отрасли. Отписок и жалоб на спам не становится больше.

Увеличивая коммуникационную нагрузку, важно не потерять тех, кто перестал открывать письма. Для этого в массовых рассылках используют пуши-догонялки. Если пользователь раньше открывал письма, но недавно перестал, ему отправляют пуш с напоминанием, что в почте есть подборка контента, которую стоит посмотреть.

После таких пушей 50% тех, кто перестал открывать письма, начинают открывать их снова.

1. Внедрить uplift-модели, чтобы оптимизировать рассылки. Модели будут подсказывать, кому и когда отправлять рассылки. Это поможет снизить коммуникационную нагрузку на тех, кто и так активен, и вовлечь тех, кто перестал читать письма.

Первое направление — модель склонности к открытию email. Сейчас Okko отправляет массовые рассылки только тем, кто читал письма хотя бы раз за последние шесть месяцев. Это помогает поддерживать репутацию домена и не получать жалобы на спам. С теми, кто письма не читает, коммуницируют в пушах, SMS, попапах и через ретаргетинг.

Okko хочет реанимировать этих пользователей, не навредив репутации email-канала. Модель будет подсказывать, кому из них стоит отправить рассылку сейчас, чтобы вовлечь. Например, человек раньше не открывал письма, но в последнее время начал заходить в сервис и проявлять активность — это сигнал, что можно попробовать снова отправлять рассылки.

2. Использовать ML-модель для предотвращения оттока. Модель предсказывает склонность к оттоку и позволяет заранее вмешаться с персональным оффером.

P. S. В этой истории мы рассказывали о наших продуктах CDP, Рассылки и Мобильные пуши. Узнайте о продуктах подробнее на их страницах продукта или в разговоре с консультантом.