Русский | English




Новости

Развитие долгосрочных отношений со зрителями Бигбилет

14.03.19

Этот рассказ мы с загадки начнем
— Даже Алиса ответит едва ли:
Что остается от сказки потом
— После того, как ее рассказали?
© Л. Кэрролл

В мире, пестрящем афишами, нелегко выбрать представление, от которого останутся добрые впечатления и желание снова погрузиться в среду искусства.

Поэтому команда LifeStyle Marketing решила создать рекомендательный сервис для пользователей Бигбилет, способный подобрать для каждого зрителя событие, которое сможет очаровать и разжечь желание переживать подобный опыт снова и снова, а значит, возвращаться в зрительный зал.

Игнорируя рейтинги и рекламу, сервис опирается на зрительский опыт и подбирает для каждого зрителя представления, которые влияют на будущие покупки билетов, т.е.  долгосрочную ценность - LTV.

Чтобы создать полезный сервис и для зрителя, и для заказчика, мы прошли сложный, но  увлекательный путь, состоящий из решения следующих задач:

1. Определить, что представление нравится определенному сегменту зрителей

Бигбилет не собирает рейтинги представлений, да и это в любом случае были бы редкие и спонтанные оценки.

Мы использовали более надежный показатель – повторные покупки за длительный срок после представления. Мы заметили, что после некоторых постановок, зрители начинают чаще покупать билеты, вдохновленные полученным опытом. В отличие от рейтингов, это – большой объем данных о достаточно обдуманных зрителями решениях.

2. Понять, что именно спектакль повлиял на поведение зрителей, а не другие факторы

Мы анализируем  все данные о каждом зрителе и каждом представлении: от авторов, режиссеров, актеров, адреса, описания, времени заказа до типов билетов зрителя и многих других. Строим вероятностные модели. И только когда появляется уверенность, что причиной изменений в поведении зрителя было именно конкретное событие, найденная зависимость добавляется к десяткам или сотням других в один из тысяч узлов прогнозной модели.

По сути, мы ищем изменения в поведении зрителей, посетивших то или иное представление, в сравнении с теми, кто не присутствовал на этом событии, но похожи по всем значимым характеристикам. Пример: если постановка так порадовала определенную группу зрителей, что они, не сговариваясь, сразу взяли билет на другой его спектакль, а так же увеличили частоту посещения мероприятий и в дальнейшем. При этом у них часто обнаруживаются и другие общие характеристики -  предпочитают комедии, средний чек был не выше 3000 руб. и т.д..

Такой метод позволяет исключить большое количество важных внешних факторов, например, когда конкретный театр изначально посещают зрители, склонные чаще бывать на культурных мероприятиях, а сама постановка не оказала особого влияния на их поведение.

3. Спрогнозировать влияния десятков тысяч событий и вариантов билетов на поведение каждого зрителя и своевременно сделать предложение клиенту

Для этого наше решение анализирует все имеющиеся данные, смотрит дальше следующей покупки и подбирает каждому зрителю событие по вкусу, после которого ему захочется вернуться:

  1. автоматически строит портреты зрителей, которые по разным причинам стали чаще покупать билеты на культурные события;
  2. находит причину этих изменений - события, на котором побывала эта группа зрителей или же внешние факторы, например, погода, праздники, и т.д.;
  3. на основе собранной информации по всем доступным вариантам строит прогноз, каким зрителям стоит предложить то или иное событие, чтобы они тоже стали чаще использовать сервис покупки билетов;
  4. система мониторинга, постоянно обновляя данные, следит за актуальностью отправляемых зрителям предложений.

4. Проверить результативность

После отправки индивидуальных приглашений, мы проверяем результаты на фоне контрольной группы, структура которой максимально приближена по всем значимым характеристикам к группе воздействия. Группа контроля не получает предложения, зато помогает нам взвесить результат и понять - как повлияло событие на зрителей, на верном ли мы пути или что-то нужно скорректировать. Чтобы не распылять внимание, мы используем минимальный, но наиболее важный набор метрик: соотношение подписавшихся и отписавшихся пользователей, и, главное – действительно ли наше предложение мотивирует зрителей чаще посещать мероприятия.

Если у тех, кто не ходил на постановку, но обладал схожими характеристиками, частота посещения осталась прежней, мы получаем основание считать, что влияние оказала именно постановка. Если же в каких-то сегментах результат не соответствует прогнозу, то прогнозная модель корректируется.

Решив эти задачи, мы получили принципиально новый рекомендательный сервис.

В чем отличие нового сервиса от существующих?

Мы не ориентируемся на однократную продажу, а выстраиваем со зрителем длительные отношения. Нас интересует результат ПОСЛЕ того, как зритель посмотрит рекомендованное представление.

Нам важны впечатления, которые оставит рекомендованная постановка или концерт. Насколько длительным и приятным будет послевкусие от события.

Именно в таком подходе сходятся интересы компании и клиента. Именно долгосрочные отношения – мерило верности наших действий. А все новейшие технологии ничего не стоят, если не заботиться о будущем дальше завтрашнего дня.

Мы считаем, что только такая долгосрочно-клиентоориентированная стратегия останется жизнеспособной в будущем. И приглашаем все компании, ориентирующиеся на длительные отношения с клиентами, к совместным исследованиям долгосрочного поведения покупателей, а также маркетинговых инструментов, влияющих на долгосрочную доходность. Будем рады развивать вместе с вами наработанную методическую базу и технологии оптимальных действий на основе реальных, не придуманных данных с автоматическим разделением влияния внешних факторов и активностей на финансовый результат.

Оставьте нам сообщение и мы обязательно ответим.


Loyalty World Forum: Активное повышение доходности клиентов в сравнении с контрольной группой при помощи поведенческой сегментации

01.06.17

На форуме Loyalty World Forum 2017 обсудили цели и методики предписательного анализа данных в программах лояльности.

Тезисы выступления:

  • Повышение CLTV на фоне контрольной группы - цель программ лояльности при дефиците клиентов
  • Персональные предложения, максимизирующие долгосрочную доходность от клиента: экономика и этика в одном флаконе
  • Поэтапное масштабирование с исключением убыточных сегментов для каждой активности – путь к программе лояльности с гарантированной прибыльностью
  • Кейс: индивидуальные предложения с персонифицированными параметрами повысили доходность на 3-6%, ROMI от 75% до 475% (по итогам 18 недель, включая расходы на СМС, доп. бонусы и оценку долгосрочных доходов)

Спасибо участникам за вопросы о статистическом анализе: мы специально проводим перекрестную проверку и исторический анализ результатов предписаний, чтобы убедиться в их эффективности для повышения долгосрочной доходности клиентов.


На платформе LifeStyle Club начала работать программа лояльности «На все 100%» с персональными предложениями покупателям

29.07.16
На платформе LifeStyle Club начала работать бонусная программа лояльности «На все 100%» сети АЗС Псковнефтепродукт.

Основной инструмент программы - персональные предложения покупателям. Индивидуальные оферты предлагаются покупателям из сегментов с доказанным увеличением прибыльности в сравнении с контрольной группой.

LifeStyle Marketing участвует в проекте как генеральный подрядчик: разработчик концепции, экономического и правового обоснования, технологии, сценария, а также как разработчик программного обеспечения и специального оборудования.

Индивидуальные предложения по АИ-95 повысили прибыльность клиентов АЗС за 15 последующих недель на 5% по сравнению с контрольной группой

22.04.16
Индивидуальные предложения на топливо АИ-95, учитывающие историю покупок клиентов АЗС, повысили их прибыльность за 15 последующих недель более чем на 5% по сравнению с контрольной группой.

Все четыре типа предложений: двойные и тройные бонусы на три и пять недель показали достоверный положительный результат с учетом расходов на дополнительные бонусы и СМС.

При этом увеличение прибыльности клиентов достигает 18%, если исключить убыточные поведенческие сегменты, автоматически обнаруженные подсистемой LifeStyle Segmentation.

Плохая новость для управленцев: аналитики не умеют готовить проекты решений на основе данных

15.09.15
Все полученные нами предложения по кейсу сводятся к тому, что для уменьшения ущерба от пожара нужно уменьшить количество пожарных, ведь чем больше пожарных на пожаре - тем больше ущерб!
Чем больше пожарных - тем больше ущерб
При этом полезная рекомендация должна была быть как минимум «предоставьте больше данных - только результата и управляемого показателя недостаточно!».

И такая ситуация - не исключение, а правило. Чем больше хирургов участвует в операции, тем выше смертность. Спрос (обычно) регулируется ценой, поэтому чем выше спрос - тем выше цена. Но это не означает, что всегда при повышении цены будет повышаться спрос.

В реальной жизни управление всегда подстраивается под реальность, и результат - тоже ее следствие. Так что пока аналитики проходят переобучение и заодно смену парадигмы, придется управленческие решения на основе данных готовить самим.

1. При прочих равных.

Управленческие решения всегда принимаются с оговоркой «при прочих равных». Поэтому и данные для выбора варианта действий должны быть максимально однородны.

На практике для каждого варианта действий нужно создать контрольную группу, на что и был намек в виде ссылки на презентацию в задании.

2. Скрытые характеристики

Если контрольных групп нет, то нужно хотя бы исключить влияние всех имеющихся значимых факторов. Чем ближе характеристика к истинной причине изменений, тем выше ее прогнозная сила. Исключение влияния таких характеристик или выделение только сравнимых сегментов позволит принимать верные управленческие решения.

Например, в случае с пожарными добавление в анализ площади возгорания и типа объекта позволило бы выделить их влияние и дальше анализировать только дополнительное влияние количества пожарных.

Для этого необходимо проверять все потенциально значимые характеристики, которые можно сформировать по всем имеющимся данным. В рознице мы обычно кроме традиционных SKU, RFM, даты (реже - анкет), в качестве характеристик используем все ключевые слова в описании предложений и товаров в разрезе естественных периодов (время суток, день недели) чтобы гарантированно не упустить важную зависимость.

Несмотря на большую сложность проверки сотен тысяч гипотез, это обычно оправдано, и система уверенно находит, что орешки нужно продавать любителям покупать «ПИВО» по вечерам, а напитки в таре по поллитра или с «хэш-тегом» #40% наиболее эмоционально заряжены :)

3. Дальновидность и анализ всех последствий

Важно сравнивать долгосрочные результаты. Исследования показывают, что покупатели при отсутствии в продаже любимого товара могут заменить его на более дорогой, и краткосрочно анализ чеков покажет хороший результат. Но долгосрочно продажи падают до 60%, хотя замена некоторых «любимых» товаров в определенных потребительских сегментах оказывается лучше и CLV клиента возрастает.

Анализировать нужно изменение доходности по всем товарам, а не только акционных. Компенсация от поставщика - хорошо, и ее стоит добавить к доходам, но часто раздражение от неуместных предложений или канибаллизация товаров более высокого ценового сегмента окажется больше всех временных выгод.

Вот такие плохие новости, уважаемые управленцы. Клиентов нужно беречь и глубоко анализировать, а принимать решения на несравнимых и неполных данных - крайне недальновидно и опасно. Вас предупреждали.

Проверьте себя в принятии решений на основе данных (приз)!

13.09.15

Коллеги, принимающие решения на основе данных! Предлагаем проверить себя на простом, но интересном кейсе.

На графике - зависимость между результатом и управляющим показателем, которая наблюдалась у компании в прошлом (как видно, зависимость не линейная).

Проверьте себя в принятии решений на основе данных (приз)!

Что бы Вы порекомендовали этой компании, если ее цель - получение _наименьшего_ результата?

От решения зависят жизни людей!

П.С. Каждому, кто предоставит полезную в реальной жизни рекомендацию, по желанию предоставляем корпоративную лицензию на систему LifeStyle Segmentation с модулем прогноза долгосрочного влияния товаров-драйверов для клиентоориентированного управления ассортиментом!
(http://www.slideshare.net/Maxi…/lifestyle-marketing-49723339)
Предложение действительно в течение двух суток!


Влияние акции скидок на анализ товаров-драйверов

15.07.15
Проблема анализа результатов действий - в том, что на одного клиента в один момент нельзя одновременно и подействовать и не подействовать. Поэтому невозможно узнать результат обоих вариантов и посмотреть разницу.

Также некорректно сравнивать воздействие на клиента в разные моменты: во второй раз у него уже будут другие потребности, будет другое настроение, погода, ассортимент, конкурентная ситуация и кто знает какие еще факторы.

Но бизнес - это систематическая многократная деятельность, и мы в любой момент можем случайным образом разделить клиентов на две максимально похожие группы, подействовать только на одну из них, и изучить отличие результатов. Все остальные факторы, кроме воздействия, в обеих группах действуют одинаково хаотично, поэтому отличие двух групп будет состоять из результатов воздействия и шума от остальных факторов. Чем больше клиентские группы, тем больше усредняется и сглаживается шум и лучше на его фоне виден результат. Именно этот способ рекомендован в серьезных исследованиях в медицине и доказательном маркетинге.

В качестве примера, рассмотрим воздействие ситуации отсутствия любимого товара в продаже, и внешний фактор - скидка на этот любимый товар.

В момент очередного посещения магазина, клиенту может не повезти, и его любимого товара не окажется в продаже. Запомним, был ли любимый товар в продаже во все моменты посещения торговой сети каждым клиентом. Получится две группы наблюдений: воздействия и контрольная.

Отсчитаем от каждого наблюдения одинаковые периоды и сравним среднюю понедельную прибыль от клиента в группе воздействия и в контрольной. Если отсутствие товара в продаже - редкая ситуация, то все дополнительные факторы, влияющие на продажи, с ней не связаны, и отличие графиков иллюстрирует результат воздействия в среднем за этот период: www.slideshare.net/MaximDrobyshev/lifestyle-marketing-49723339.

Скидка на любимый товар также будет действовать на обе группы клиентов: у которых в момент наблюдения был прискорбный инцидент отсутствия в продаже любимого товара, и на тех, кому в этот момент повезло.

Прибыль от покупки в момент наблюдения будет, конечно, посчитана с учетом скидки на любимый товар (если он был в продаже). Что отражает тот факт, что это влияние анализируется в ситуации предоставления скидки, и в другой ситуации такое влияние будет несколько отличаться.

При построении прогнозной модели, если эта разница существенна и лучше объясняется наличием скидок, а не другими факторами, LifeStyle Segmentation выделит такие наблюдения в соответствующие подсегменты на дереве решений по дате или по проценту скидки, если эти данные были указаны. В последнем случае, при введении подобных скидок в будущем для прогнозов результата воздействий будут использоваться статистика воздействий именно в этой ситуации.

Бонусы не суммируются и поэтапная обработка

02.07.15

Одна из компаний попросила настроить акцию, в которой бонусы в зависимости от суммы покупки по шкале до 40% начисляются исходя из посещений в течение месяца, но не суммируются с другими акциями.

Для этих целей предусмотрено поэтапное взаимодействие акций и программ между собой: первая группа акций накапливает возможные бонусы в специальной переменной, а новая акция может их обнулить, если ее бонусы больше.

После этого все акции могут сформировать правильные сообщения, в зависимости от того, будут ли по ним начисляться бонусы или нет.

Также акция не должна была распространяться на некоторые точки обслуживания и только на одно юридическое лицо, что видно на скрин-шоте в условии. Один из параметров «Сумма покупок» из шкалы условий показан в развернутом виде со всеми возможными атрибутами.

Бонусы не суммируются и поэтапная обработка


Клиентоориентированное управление ассортиментом - долгосрочное полное влияние товаров-драйверов

23.06.15
Презентация: Клиентоориентированное управление ассортиментом - долгосрочное полное влияние товаров-драйверов

Тезисы к графикам в презентации:
1. Клиентоориентированное управление ассортиментом требует учета влияния товаров-драйверов на долгосрочную полную ценность покупателей (CLV), в отличие от традиционных методов (ABC, basket – анализ).
2. Данные продаж в программе лояльности за счет случайных перебоев поставок содержат готовый эксперимент для прогноза долгосрочного результата исключения определенных товаров из ассортимента
3. Отсутствие в продаже любимого товара в момент покупки часто приводит к замещению его менее подходящим или более дорогим, и иногда даже увеличивает средний чек, но может приводить к дальнейшему падению выручки от покупателя в разы
4. Для оценки влияния некоторых товаров (с учетом дубликатов и опечаток) бывает недостаточно статистики. Влияние всех товаров с определенными ключевыми словами позволяет делать достоверные выводы и в этом случае
5. Прогнозная модель влияния исключения товаров-драйверов из ассортимента на полную выручку позволяет принимать дальновидные клиентоориентированные решения с учетом изменения трендов во времени

Смотреть презентацию

Проверка достоверности прогнозной модели: видеогид

27.05.15

Многие системы прогнозирования не проверяют чувствительность прогнозов к случайным совпадениям.

В ролике показано, как с помощью Microsoft Excel можно за 3 минуты проверить достоверность прогнозной модели и заодно методику ее формирования.

http://www.youtube.com/watch?v=2X0CxkLrqbM


<< Первая < Предыдущая 1 2 3 4 5 6 7 8 9 10 Следующая > Последняя >>

JPAGE_CURRENT_OF_TOTAL


Связаться с нами

Свяжитесь с нами для профессиональной консультации при выборе программы лояльности