Персонализация остается сложной задачей для специалистов по маркетинговым коммуникациям и аналитиков.

Технологии автоматизации позволяют организациям использовать данные прошлых транзакций клиентов и их поведение во всех каналах (сайт, мобильное приложение) и иные косвенные источники, чтобы определять и отправлять оптимальное предложение (оффер) в лучшее время и в наиболее подходящем канале каждому уникальному клиенту.

Как результат, через персонализацию компании обеспечивают:

• повышение конверсии в покупку через директ каналы;
  
• рост тактических метрик (OR, CTR, CR,);
  
• рост доходности коммуникаций RPE;
  
• увеличение retention, снижение оттока (churn);
• рост LTV.

Следующая схема иллюстрирует широкий набор источников обычно использующийся в подобного рода проектах. Подобные "кастомные" решения, выходящие за контур модели данных одного CDP вендора обеспечивают на практике 20-60% прирост точности прогнозов.

Таким образом компания может оптимизировать конфигурацию всех используемых директ-коммуникаций:
- web-push
- mobile-push
- e-mail
- смс
- viber/whatsapp
- чат-боты

А также их сочетание и порядок в каскадных цепочках, которое также можно провести в рамках отдельного оптимизационного исследования.

Корректно интегрированные данные (в облачную базу) открывают возможности для прогнозного моделирования и способны предсказывать практически любое действие клиента (покупку товара/категории, открытие электронной почты, отписку, отклик на промо предложение и т. д.).

После того, как прогноз готов, каждому из клиентов присваивается разная вероятность совершения определенных действий. Затем прогностическая модель выводится в продакшн. Это означает, что она корректирует значение прогноза в режиме реального времени по мере записи новых данных о клиенте.

В результате значение прогноза, хранящееся в едином едином представлении клиента, всегда актуально и передается обратно в CDP/CRM для запуска/обновления характеристик тригерных механик.

Сценариев использования NBO моделей на практике может быть бесконечно много. Обзорно, рассмотрим самые простые:

1. Розничная торговля: потребитель покупает очиститель воздуха, а затем ему показывают рекламу сменных фильтров, совместимых с той моделью, которую он только что купил. Если они купят прямо сейчас, они получат скидку 50%. В конце концов им понадобятся фильтры, поэтому они пользуются скидкой.
2. Телекоммуникации: после анализа использования данных клиентом оператор сотовой связи отправляет ему ограниченное по времени предложение для плана с большим объемом данных. Поскольку это помогает пользователю избежать платы за превышение объема данных, он соглашается.
3. Мобильные устройства: анализ издателя мобильных игр показывает, что игроки, достигшие определенного уровня, с большей вероятностью совершат покупки в приложении, поэтому они предлагают пользователям, приближающимся к этому уровню, повышение. Игроки пользуются виртуальными наградами со значительной скидкой.

Одним из базовых вариантов создания модели является метод коллаборативной фильтрации, центральным объектом которой является покупки клиента. Собранные данные о его покупательском поведении сравниваются с аналогичными всех других клиентов в базе компании для определения наиболее близких по профилю (вектору) их них.

После их нахождения, за счет близости таких профилей, продуктовые предложения и характеристики коммуникаций, приведшие в прошлом к покупкам будут высоковероятно успешными для использования другим близким клиентам.

Чаще всего данным методом определяются именно товарные рекомендации.

Данный кейс был опубликован в ноябре 2020 года в International Journal of Advanced Computer Science and Applications (IJACSA) и акцентирует внимание на NBO моделях в категории потребительских товаров.

Исследование посвящено проблеме автоматического выбора оптимальной даты и времени для отправки персонализированных маркетинговых сообщений. Особое внимание уделено продуктовым категориям с регулярным потреблением.

Цель состоит своевременном предсказании потребностей потребителя, чтобы повысить уровень их вовлеченности и скорость, с которой они выкупают продукты. Предлагаемое решение основано на регрессионной XGBoost модели, обученной на транзакционных данных и метаданных обмена мгновенными сообщениями.

Предоставлены результаты пилотной оценки, которые показывает значительное (х3) повышение эффективности маркетинга.

Как видно из предыдущего кейса, разработчики NBO моделей и исследователи сталкиваются со сложностями, преодолевать которые позволяет ансамбль связанных моделей. Те результаты одной используются в расчетах другой.

Схематично они связаны следующим образом:

Компания, создающая сразу весь ансамбль моделей, выигрывает и в качестве совокупного результата и скорости разработки.

В СНГ несколько вендоров предлагают решения из "коробки" в упаковке Next best offer, например Mindbox, Retail Rocket, Exponea. Для получения быстрого аплифт эффекта и подтверждения гипотез они будут крайне полезны, особенно в случае тематической однородности ассортимента магазина.

Важно учитывать, какие параметры оптимизируют решения вендоров. Например, в Mindbox под NBO будет определять оптимальный день отправки сообщения.

Кейсы на эту тему:
- Старая Ферма (рост конверсии)
- Петрович* (увеличить возврат клиентов)
- Book24 (сократить кол-во отписок)

* сейчас работает два отдельных модуля: первый определяет день, второй - время отправки.

Стандартные решения от Retail Rocket и Exponea также несколько ограничены в возможностях, так как тренировка таких моделей опирается на ограниченный набор данных, транзакционные и часть поведенческих.

Тем не менее, уже с ними можно ожидать значимого роста ключевых операционных метрик, как в примере Старой Фермы.

Из зарубежных вендоров, активных в РФ и имеющих интеграции с ключевыми CDP/CRM/CMS системами, можно выделить:
- Dynamic Yield
- Insider
- Wappier

Выбрать лучшее решение на рынке или собственного производства помогут несколько методов.

• Провести АБ тесты (группе А отправляются сообщения по рекомендации модели вендора А1, группе Б - от модели вендора Б1, итд);
  
• Рассмотреть базовые метрики качества, те оценить в какой проценте случаев модели ошибаются (к таким часто относятся Precision, Recall, Accuracy, ROC AUC, R2 и др в зависимости от примененного метода)