Благодаря современным методам анализа данных эта информация может вывести взаимодействие с клиентами на новый уровень эффективности. Уже сейчас ИT-компании в состоянии предсказывать поведение своих клиентов, корректировать его и создавать рекомендательные сервисы, повышающие ценность продукта для них. О двух проектах в этой сфере пойдёт речь в данной статье.
Проект первый: предсказание оттока клиентов
Проблема оттока
В 2014 году, планируя выручку будущих периодов, мы построили тренд по оттоку клиентов на ближайшие два года с учетом текущей динамики и экономической ситуации. Прогноз получился пугающий: к концу года нас покинуло бы 37,5% клиентов, а к концу следующего, 2015-го — уже 43,7%. Это означало проседание нашей выручки в самой ближайшей перспективе. А «выловить» таких клиентов вручную мы не могли, так как на площадке зарегистрировано почти триста тысяч компаний.
Стало ясно, что нужно срочно разворачивать программу удержания клиентов. «Отточные» компании требовали адресного подхода.
Модель предсказания
Решение задачи облегчал большой пласт исторических данных обо всех транзакциях наших клиентов в системе. Это как раз то, что сейчас принято называть big data. Для анализа специалисты B2B-Center взяли данные о пользователях за последние шесть кварталов, поскольку большинство тарифов нашей компании — это ежеквартальные платежи за доступ к системе.
По каждому пользователю в выборку вошло 156 переменных, включая факт оплаты или неоплаты тарифа. На основе этой обучающей выборки при помощи алгоритма машинного обучения Random Forest* попытались предсказать целевую переменную: какие клиенты перестанут платить. Результат сверяли с фактическими данными тестовой выборки.
Изначально модель не давала точных прогнозов, поэтому мы довольно долго экспериментировали с исходными данными обучающей выборки. Загружали информацию об участии компаний в закупках, о посещении страниц площадки, о предыдущих оплатах, о входящих и исходящих звонках наших клиентов, о выбранных тарифах. По результатам тестов что-то убирали или добавляли. И наконец добились необходимой точности предсказания оттока: модель научилась достоверно определять более 75% компаний, которые действительно перестали оплачивать обслуживание в системе.
Получив корректно работающую модель предсказания, мы начали прогнозировать отток на будущих периодах. И сейчас научились за месяц до конца текущего квартала предсказывать, заплатит ли нам клиент в следующем периоде.
Осмысленные активности
Однако достоверно предсказать отток того или иного клиента — не значит остановить его. И тогда мы научили нашу модель разделять клиентов на несколько кластеров в зависимости от причины попадания в список «отточных» компаний. Это позволило в отношении каждого клиента проводить осмысленную маркетинговую политику. Причём делать это заранее — до начала квартала, в котором он скорее всего не заплатит.
Каждому кластеру компаний мы предлагаем свое решение: выбрать более выгодный тариф; настроить личный кабинет и категории классификатора, которые соответствуют профилю их бизнеса; настроить более точные рассылки интересных тендеров; начать работать с другими заказчиками; пройти дополнительное обучение работе на площадке. Помимо этого мы разработали целую линейку специальных предложений на все возможные случаи: скидки, акции, льготы. Наконец, кому-то просто напоминаем, что заканчивается оплаченный период работы.
После запуска модели предсказания мы в течение года экспериментировали с данными действиями. Это позволило достичь довольно стабильного результата: каждый квартал мы удерживали на тарифах от 9 до 17% компаний, по которым модель давала прогноз неоплаты. В итоге через несколько месяцев нарастающий тренд оттока удалось переломить: показатели оказались выше негативного прогноза, рассчитанного в 2014 году.
Проект второй: рекомендательные сервисы
Как найти тендеры?
Модель предсказания оттока помогла нам выявить довольно большой кластер клиентов, которые не видят подходящих тендеров на площадке. Это не удивительно — ежедневно в системе проходит около 5000 различных закупочных процедур от разных заказчиков. Между тем главную ценность электронной площадки для компаний-поставщиков представляет возможность не выходя из офиса направить свое предложение и получить заказ от крупного клиента. Следовательно, чем больше профильных закупок находит поставщик в системе B2B-Center, тем выше для него выгода от её использования. В свою очередь, заказчики заинтересованы в том, чтобы в их процедурах участвовало как можно больше поставщиков, потому что высокий уровень конкуренции позволяет получить более выгодные условия.
Как упростить поиск подходящих процедур? Видимо, полностью автоматизировать его. Сейчас на площадке тендеры подбираются по определенному рубрикатору. Однако у заказчиков и поставщиков могут быть разные правила классификации продукции. Скажем, заказчик закупает резиновые перчатки и относит их к категории резиновых технических изделий, а потенциальный поставщик ищет этот же товар на площадке закупки спецодежды. В таком случае «познакомить» компании можно только «вручную».
Система рекомендаций
Разработка системы рекомендаций стала вторым проектом, который направлен на повышение лояльности клиентов к системе B2B-Center.
У каждого тендера на площадке есть своя страница, где содержится информация о закупаемом товаре или услуге, обозначены условия будущей сделки и оплаты, адрес поставки, а также дана подробная документация с техническими требованиями к товару и работам. Автоматический анализ этого контента позволяет для разных типов услуг и товаров составить свои словари.
В результате каждый тендер получает своеобразный набор тегов, который может не иметь ничего общего с рубрикой, указанной заказчиком вручную. Но в то же время с помощью этих тегов можно с высокой точностью определить профиль закупаемой продукции и рекомендовать его компании, которая производит или продает такие товары. В свою очередь профиль поставщика определяется на основе истории его участия в других тендерах. Эта рекомендательная система работает в обход традиционного классификатора и исключает человеческий фактор в тегировании торгов.
Рекомендательный сервис также потребовал длительной настройки и тестовых испытаний. К настоящему времени система научилась с более чем 50%-ной точностью определять принадлежность тендера к конкретной категории товаров и отрасли. Но это только начало: сейчас идет тестирование сервиса, в котором принимает участие тысяча компаний. Эти пользователи видят в личном кабинете список рекомендованных процедур, подобранных автоматически на основе анализа контента тендеров. Первые положительные результаты мы получили, когда поставщики воспользовались сервисом и приняли участие в рекомендованных торгах. По завершении выборочного тестирования система будет масштабирована на всех пользователей B2B-Center.
Интенсивный путь для ИT-решений
Любое ИT-решение можно развивать экстенсивно: привлекать новых клиентов, расширять штат отдела продаж, вливать деньги в рекламу и SEO-продвижение. Описанные системы анализа и предсказания поведения клиентов открывают интенсивный путь развития: они помогают конвертировать уже зарегистрированных пользователей в клиентов, оплачивающих услуги, и получать от них повторные оплаты.
Уже сейчас нам под силу собирать и анализировать огромный пласт информации о поведении пользователей нашей системы. В перспективе это позволит выявить наиболее эффективные поведенческие сценарии клиентов, при определенной последовательности действий приводящие к оплате наших услуг. Используя эту аналитику, мы сможем перестроить систему так, чтобы направить максимально возможное число посетителей площадки именно по «эффективным» сценариям. Поэтому глубокая аналитика и предсказание поведения клиентов — это вопрос эффективности вашего продукта. Чем больше он приносит клиентам пользы, тем охотнее они за него платят, а значит, делают ваш бизнес динамичнее и устойчивее.
* Random forest (с англ. — «беспорядочный лес») — алгоритм машинного обучения, предложенный Лео Брейманом и Адель Катлер, заключающийся в использовании ансамбля решающих деревьев.
