Развитие долгосрочных отношений со зрителями Бигбилет

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.