Прогностична модель схильності: дізнайтеся про поведінку клієнтів за допомогою машинного навчання

Моделі схильності (propensity models) є зараз гарячою темою і небезпідставно. У колах технологій і розробників моделі схильності розглядаються як відповідь майже на всі виклики, але правда полягає в тому, що багато людей, які говорять про них, насправді не знають, про що вони говорять.

Ми не можемо їх звинувачувати, оскільки моделі схильності можуть бути складними для розуміння, і вони мають такий величезний потенціал, що ми все ще вивчаємо справжні масштаби їхніх можливостей як галузі.

І це підводить нас до питання, на яке ми збираємося відповісти сьогодні – що таке модель схильності? А що про них потрібно знати? Тож давайте розберемось, щоб отримати відповіді на ці питання.

Що таке модель схильності?

Модель прогностичної схильності (predictive propensity model) – це форма статистичного аналізу, метою якої є прогнозування майбутніх дій заздалегідь для визначеної групи людей.

Наприклад, у маркетинговій індустрії люди зазвичай використовують прогностичні моделі схильності, щоб дізнатися щось про свою цільову аудиторію та зрозуміти, як вона відреагує на будь-яку ситуацію.

Щоб визначити це, їм потрібен доступ до великої кількості якісних даних, які зазвичай включають дані про поведінку та ключову інформацію, як-от демографічні показники цих людей та їхні інтереси.

Зробивши це добре, ви зможете використати інформацію, надану моделлю схильності, щоб краще обслуговувати ці аудиторії та збільшити свої шанси отримати від них подальший дохід.

Неможливо знати майбутнє напевно, але моделі схильності дають досить точні уявлення про те, як події будуть розвиватись насправді.

Це схоже на те, як спортивні команди використовують дані, щоб визначити, як їхні суперники ймовірно відреагують під час гри. Наприклад, футбольні команди англійської Прем’єр Ліги використовують моделювання, щоб визначити, як гравці, ймовірно, виконуватимуть пенальті, щоб вони могли навчити своїх воротарів, у який бік стрибати.

Кажуть, що дані — це новий ресурс, але це правда лише тоді, коли ви знаєте, як їх обробляти та правильно використовувати.

Можливо, моделі схильності є найкращим способом обробки цих даних.

Як маркетологи використовують моделі схильності?

Коли маркетологи використовують моделі схильності, вони, як правило, використовують дані та моделі, які були створені на їх основі, для впливу на поведінку споживачів.

Тоді вони, зазвичай, намагаються внести зміни у свій маркетинг на основі моделей схильності для:

• Збільшення кількості покупок
• Підвищення вартості окремих покупок
• Розуміння, звідки приходять їхні клієнти
• Боротьби з падінням кількості продажів
• Розуміння пожиттєвої цінності будь-якого клієнта
• Надання пріоритету клієнтам, які, ймовірно, витрачатимуть найбільше

Оскільки моделювання схильності дозволяє вам краще зрозуміти тригери, які спонукають людей діяти, проникливі маркетологи можуть скористатися цим розумінням, щоб викликати більше цих самих тригерів.

Це не означає, що ви змінюєте думку споживачів і змушуєте їх робити те, чого вони не хочуть робити, а радше те, що ви допомагаєте їм прийняти рішення.

Типи моделей схильності

Існує стільки різних моделей схильності, скільки й розробників. Отже, якщо ви плануєте розробити прогностичну модель, вам потрібно переконатися, що ви знаєте, яку модель ви хочете отримати та чого, як ви сподіваєтеся, вона досягне.

Як і у більшості речей, пов’язаних із маркетингом, усе полягає у визначенні ваших цілей, виборі найкращого способу вимірювання вашої прогнозованої кількості потенційних клієнтів і ваших подальших діях. Давайте розглянемо кілька найпоширеніших цілей для моделей схильності.

Модель схильності до покупки або конвертації

Можливо, найбільш очевидним використанням моделей схильності є моделювання ймовірності перетворення зацікавлених людей у ​​платоспроможних клієнтів для компаній B2C або лідів для компаній B2B. З цими моделями схильності зазвичай найпростіше пов’язати рентабельність інвестицій (ROI), тому вони також досить популярні серед маркетологів.

Модель схильності для розрахунку пожиттєвої цінності клієнта

Наступним кроком після оптимізації для покупок і конверсій є оптимізація за пожиттєвою цінністю клієнта (CLV - customer lifetime value). Цей показник можна розрахувати, коли компанія неодноразово здійснює кілька продажів одним й тим самим клієнтам.

Створення моделі схильності до покупок і конверсій зосереджується лише на короткостроковій перспективі, а не на довгостроковій. Клієнти, які витрачатимуть найбільше протягом свого життя, зазвичай відрізняються від тих, хто, швидше за все, зробить покупку негайно і одноразово.

Вибір між цією та попередньою моделями зводиться до того, чого ви сподіваєтеся досягти, і часових рамок, в межах яких ви збираєтеся це зробити.

Модель схильності до відтоку (propensity model to churn)

Клієнти, які відтікають, – це ті, котрі залишають вашу компанію та йдуть в інше місце, щоб придбати товар/послугу на заміну, або взагалі обходяться без неї.

Мета створення моделі схильності для виявлення покупців, які, швидше за все, будуть втрачені, полягає в тому, щоб знайти способи утримати їх як клієнтів, як правило, шляхом підвищення вартості або додавання додаткової вартості будь-яким транзакціям, які вони здійснюють в вашій компанії.

Деякі маркетологи використовують дисконти, акційні знижки та інші спеціальні пропозиції, щоб утримати людей як клієнтів.

Модель схильності до залучення

Модель схильності, побудована навколо залучення, полягає в тому, щоб спробувати збільшити рівень залучення клієнтів до вашого бренду та контенту, який він створює.

Залучення, як правило, має нижчий пріоритет, ніж інші показники, але воно все одно може бути важливим і корисним показником популярності для сайтів соціальних мереж і маркетингових кампаній.

Якості правильної моделі схильності

Тепер, коли ми знаємо трохи більше про різні типи існуючих моделей схильності, настав час навчитись відрізняти хороші від поганих. По-перше, давайте дослідимо, як виглядає правильна модель схильності і головні її характеристики.

Виробництво

Створену модель схильності можна розгорнути в живому середовищі. Найбільша проблема з моделями схильності полягає в тому, щоб побудувати модель, яка працює в реальному середовищі та з реальними даними.

Щоб виробнича модель схильності працювала, вона має бути розроблена з урахуванням реальних програм із самого початку. Зробити це складно, але можливо. Бо яка користь від моделі, яка насправді не має жодної цінності?

Динаміка

Щоб модель схильності була динамічною, вона повинна мати можливість змінюватися щоразу, коли стають доступними нові дані. У цьому часто можуть допомогти такі технології, як машинне навчання.

Ідея полягає в тому, що коли надходять нові дані, модель схильності може оновлюватися та розвиватися. Це допоможе забезпечити точність її передбачень навіть у ландшафті, що постійно змінюється, а також підвищить точність будь-якого передбачення.

Це відбувається тому, що чим більше стає даних з часом, тим більше стає її точність.

Масштабованість

Цей пункт ґрунтується на останньому, тому що чим більше даних надходить, тим більше ваша модель потребуватиме масштабування для обробки цих даних.

Найбільша помилка, яку ми зустрічаємо з моделями схильності, полягає в тому, що люди створюють їх для одноразової кампанії, а потім, коли ця кампанія закінчиться, вони відмовляються від подальшого використання моделей.

Замість цього краще розробити модель так, щоб вона була масштабована з самого початку, щоб її можна було використовувати знову і знову, а не як одноразову річ.

Демонстрація ROI

Рентабельність інвестицій (або ROI) це святий Грааль усього маркетингу, і те саме стосується моделей схильності. Навіть якщо ви майже впевнені, що ваша модель схильності окупить себе, недостатньо покладатися на інтуїцію.

Натомість було б найкраще, якби ви з самого початку вбудували обчислення рентабельності інвестицій у свою модель, щоб вона окупалася сама за себе, а також могла довести, що вона дійсно це робить.

Як реалізувати моделювання схильності за допомогою машинного навчання?

Машинне навчання (ML - Machine learning) і моделювання схильності – це ідеальне поєднання, оскільки ML є піджанром штучного інтелекту, який був спеціально розроблений для обробки великих обсягів даних і генерування висновків на їх основі.

Це означає для нас саме те, що ми насправді розібрались з тим, як працює моделювання схильності.

Фактично, алгоритми машинного навчання та прогнозне моделювання схильності є навколо нас, навіть якщо ми про них не підозрюємо. Наприклад, алгоритм рекомендацій Netflix використовує машинне навчання та моделювання схильності, щоб передбачити поведінку своїх користувачів при перегляді відео контенту.

Їхня мета полягає в тому, щоб подати релевантні пропозиції, які утримають глядачів на сайті якомога довше.

Розробка стратегії

Як і в усьому, що ви робите як частину свого підходу до маркетингу, перед початком роботи має бути розроблена стратегія.

Тепер, коли ви знаєте різні типи моделей схильності, ви повинні мати гарне уявлення про модель, яку ви хочете створити. Дуже допомогло б, якби ви також добре уявляли, як виглядає правильна модель схильності.

Тепер вам пора почати працювати над розробкою стратегії, і саме тут варто звернутись за допомогою. Якщо ви ніколи раніше не створювали модель схильності самостійно, ви можете знайти агентство, з яким зможете співпрацювати.

Збір і підготовка відповідних даних

Дані, які ви вводите у свою модель схильності, є найважливішою частиною головоломки. Зрештою, якщо ви не отримаєте належних вхідних даних, ви також не отримаєте належних результатів.

У той же час ми живемо у світі, у якому ми постійно переповнені даними, тому може бути важко зрозуміти, які дані є правильними для передачі машині.

Окрім ідентифікації відповідних даних і пошуку найкращого способу їх збору, їх також потрібно підготувати таким чином, щоб алгоритм міг їх зрозуміти. Це часто може означати очищення даних і переконання, що всі вони правильно позначені тегами.

Створення і тестування моделі

Наступним кроком є створення моделі та початок її тестування. Метою на етапі тестування має бути пошук помилок і перевірка того, чи корисні дані, які він надає.

Ви здивуєтеся, як часто люди забувають перевірити, чи справді вони зможуть використовувати дані, які надає модель.

Один із найкращих способів перевірити свою модель — передати її своїй команді та сказати їм, що вони можуть робити з нею що завгодно. Зрештою, це люди, які насправді збираються нею користуватися, і тому вони найкраще оцінять, чи справляється модель зі своєю роботою.

Вони також зможуть знайти помилки, які ваші розробники ніколи б не знайшли просто через те, що не думають як розробники.

Розгортання моделі схильності

Коли ви закінчите розробляти свою модель схильності, ви готові її розгортати. Ключ до успішного розгортання полягає в тому, щоб переконатися, що люди знають, що події, які ви прогнозуєте, наближаються, і підтримувати зв’язок протягом усього процесу, оскільки інакше ви успішно розгорнете модель, але ніхто не використовуватиме її.

Ви також захочете переконатися, що ви надаєте великий обсяг підтримки, як з точки зору довідкових центрів і навчальних посібників, так і з точки зору забезпечення постійної підтримки між розробниками моделі та людьми, які отримають її як кінцеві користувачі.

Вам також слід пам’ятати, що те, що модель було розгорнуто, не означає, що ви не можете вносити подальші зміни.

Варіанти використання моделювання схильності

Щоб отримати повніше розуміння того, як моделювання схильності працює в реальному світі, можна поглянути на кілька прикладів із життя. А ми допоможемо вам з цим. Ось три міні-приклади, які показують, як моделювання схильності можна використовувати в дикій природі.

Випадок використання №1

Колишній президент США Барак Обама значною мірою покладався на моделювання схильності як частину своєї успішної кампанії з переобрання на пост Президента 2012 року.

Немає жодних гарантій, коли мова йде про політику, але модельна схильність може принаймні збільшити шанси на успіх.

Команда Обами найняла групу дослідників даних, щоб побудувати моделі схильності до переходу, які могли б передбачити, кого з виборців, які ще не визначились, можна було б переконати проголосувати за демократів. Вони також змогли виявити, який засіб буде найуспішнішим, наприклад, телефонувати людям, а не стукати їм у двері чи надсилати їм електронний лист.

Випадок використання №2

Scandinavian Airlines (SAS) використовує модель схильності на основі машинного навчання для аналізу поведінки клієнтів у величезному масштабі. Їх мета — надавати індивідуальні пропозиції кожному окремому клієнту, таким чином збільшуючи продажі авіаквитків та покращуючи залученість і утримання клієнтів.

Це цікавий приклад використання моделювання схильності, оскільки він показує, як його можна поєднати з персоналізацією, щоб надати справді індивідуальний досвід кожному клієнту, незалежно від того, скільки він витратив або скільки разів літав.

Випадок використання №3

Найбільший у Великій Британії постачальник інструментів використовує моделювання схильності для продажів, щоб визначити, які клієнти мають вищі потенційні доходи, ніж це передбачають їхні поточні витрати. Потім вони можуть визначати пріоритетність цих потенційних клієнтів під час зв’язку зі своїми відділами продажів.

Вони створили модель схильності до продажів, яка збирала дані з Companies House та інших третіх сторін, щоб збагатити власні дані, і поставила пріоритетом створення інструменту, який могли б використовувати їхні відділи продажів. Їм вдалося визначити 30 000 облікових записів із вищим потенціалом для подальшої роботи відділів продажів.

Підсумок

Тепер, коли ви знаєте більше про моделі схильності та як вони працюють, ми сподіваємось, що наш досвід роботи з ними стане вам у нагоді.

Звичайно, якщо вам потрібна допомога з розробкою моделі схильності для вашої компанії, і ви шукаєте фахівців для співпраці, ми будемо раді допомогти. Зв’яжіться з нами сьогодні, щоб дізнатися більше про те, як ми можемо допомогти вам створити модель схильності. Якщо ви готові для співпраці з нами в якості розробника або тестувальника, ми запрошуємо вас приєднатись до команди ZFORT Group. Будемо раді співпраці!