Система персональных рекомендаций

Каждому человеку ежедневно на электронную почту приходит множество самых разных писем: личных и рабочих писем, уведомлений от сервисов, на которые они подписаны, и, конечно, спама. По данным www.statista.com ежедневно во всем мире отправляется более 300 млрд email-сообщений – примерно по 75 писем на каждого пользователя электронной почты. В первую очередь, для повышения open rate важно определить, кому именно стоит направлять ваше предложение. Разделите потенциальных клиентов на 3 группы: кто купит без дополнительной стимуляции; клиенты, которые не купят ваш товар в любом случае, и потребители готовые купить товар после получения маркетинговой рассылки о вашем товаре. Последняя группа и есть наша целевая аудитория.

Стоимость услуги рассчитывается индивидуально и начинается от 1 000 000 рублей. Финальная цена проекта формируется в зависимости от объёма работ: разработка ИТ‑стратегии, подготовка технического задания, формирование ФТТ, оценка эффективности бизнес‑процессов, аудит внедрённых решений и контроль качества реализации.

Возможности модели

• Алгоритмы машинного обучения позволяют определить группу клиентов, которые с максимальной вероятностью откликнутся на ваше предложение
• Анализ исторических данных (история покупок и коммуникаций, отклики на предыдущие рассылки, состав продуктовой корзины и др.)
• Формирование профилей клиентов по вероятности отклика на предложение с определенной группой товаров
• Использование механизмов отсечения сегмента лояльных покупателей, которые купили бы товар в любом случае
• Интеграция с CRM-системой для осуществления коммуникаций

Преимущества модели

• Позволяет повысить конверсию путем отправки маркетингового предложения клиентам, которые могут быть в нем заинтересованы

Модель помогает сформировать персональную и нужную клиенту информацию в требуемое время.

• Позволяет снизить возможное раздражение клиентов от постоянных рассылок, которые им не интересны

Модель учитывает статус потенциального клиента в компании, его интересы и активность, отклики на предыдущие письма.

В качестве источников информации могут выступать исторические данные, доступные в CRM и смежных системах: история покупок и коммуникаций, отклики на предыдущие рассылки, состав продуктовой корзины и др.

Модель самостоятельно определяет важные данные и устанавливает закономерности. Далее система выделяет целевую группу «убеждаемых» потребителей и ранжирует их по вероятности совершения покупки.

ML-модель успешно используется с инструментами CRM-системы. Далее в CRM формируются динамические списки клиентов и осуществляется необходимая коммуникация по различным каналам: email, SMS, push, звонок оператора КЦ и др.

Важно понимать, что эффективность решения зависит от качества предоставленных данных и периода использования модели. Благодаря самообучению предиктивные модели учатся находить причины с каждым разом лучше.

Результаты внедрения

• Сохранение актуальной базы контактов

Ваши предложения получают только целевые потребители

• Сокращение стоимости целевого контакта на 15-30%

Оптимизация средств на коммуникацию, благодаря отказу от клиентов, которые точно не отреагируют на ваши предложения

• Рост конверсии маркетинговых рассылок с 0,5-1% до 25%

Концентрация усилий на клиентах, готовых рассмотреть ваше предложение в настоящее время

 Стек технологий