Большая часть работы по предиктивной аналитике в маркетинге дает цифры, которые никто не использует. В CRM появляется показатель оттока, каждую ночь запускается модель склонности, панель мониторинга показывает прогнозный диапазон на следующий квартал, а команда продолжает принимать те же решения, что и раньше. Прежде чем что-либо строить, стоит задаться вопросом: какое решение изменится, если прогноз окажется высоким или низким, и у кого есть полномочия внести это изменение? Если вы не можете ответить на обе части, проект — это отчетность, переодетая в костюм науки о данных.
Хорошая новость заключается в том, что полезное прогнозирование в маркетинге редко бывает сложным. Модели, которые оправдывают себя в наших аккаунтах, не отличаются гламуром: оценка пожизненной ценности клиента, достаточно точная для установления потолка ставок на привлечение, вероятность оттока, достаточно точная для ранжирования списка на удержание. Ничто из этого не должно быть точным. Они должны быть верными по направлению и доступными до крайнего срока принятия решения, что является гораздо более низкой планкой, чем предполагают большинство команд, и гораздо более сложной в операционном плане.
Четыре прогноза, которые меняют ваши действия
Начните с прогнозируемой ценности клиента при привлечении, потому что это исправляет самую распространенную ошибку в платных медиа: делать одинаковую ставку для каждой конверсии. Когда ранние сигналы отличают клиента, который, скорее всего, купит три раза, от того, кто, скорее всего, купит один раз, вы можете позволить себе платить больше за первого и должны отказаться платить много за второго. Это единственное изменение обычно улучшает общую эффективность больше, чем любая работа с аудиторией или креативом, проводимая параллельно.
- Прогнозируемая пожизненная ценность при регистрации, используется для установки потолков ставок и глубины приветственной цепочки.
- Вероятность оттока или прекращения активности, используется для ранжирования ограниченного списка на удержание, а не для рассылки всем подряд.
- Следующая лучшая категория, используется для решения, какое из трех писем отправить, а не для написания текста.
- Спрос по SKU и региону, используется для приостановки расходов на товары, которые закончатся на этой неделе.
- Ожидаемая реакция на скидку, используется для удержания предложений от клиентов, которые купили бы и так.
Последнее заслуживает большего внимания, чем получает. Обычные модели склонности определяют, кто, скорее всего, купит, что приводит к тому, что команды отправляют скидки именно тем людям, которым скидка была не нужна. То, что вам действительно нужно, — это прирост (uplift): разница, которую вносит воздействие. Это требует контрольных групп и немного больше внимания, и это разница между акцией, которая увеличивает маржу, и той, которая тихо ее раздает.
Какие данные вам действительно нужны
Меньше, чем предполагают поставщики, и чище, чем у вас есть. Для большинства потребительских компаний история транзакций с датами и значениями, базовый источник привлечения и несколько событий вовлеченности дадут вам большую часть достижимой точности. Где команды проигрывают, так это в целостности: дубликаты записей клиентов, возвраты, не отраженные в выручке, тестовые заказы, оставленные в обучающей выборке, и изменение отслеживания полгода назад, которое молча изменило значение события.
Потратьте первые две недели любого проекта по предиктивной аналитике в маркетинге на этот аудит, а не на выбор модели. Мы отложили больше проектов из-за ненадежных данных о выручке, чем из-за недостаточного объема. Грубое правило: если вы не можете воспроизвести отчетную выручку за прошлый квартал из исходной таблицы с небольшой погрешностью, вы не готовы ничего прогнозировать на ее основе.
Точность — неверная метрика для заголовка
Модель оттока с точностью девяносто процентов звучит отлично, но может быть бесполезной, потому что если только пять процентов клиентов уходят, прогноз о том, что никто не уйдет, дает девяносто пять. Важно то, содержит ли верхняя часть ранжированного списка значительно больше уходящих клиентов, чем случайная выборка, и достаточно ли велик этот прирост, чтобы оправдать затраты на вмешательство.
Не менее важна калибровка. Если модель говорит тридцать процентов, примерно тридцать процентов этих клиентов должны уйти. Некалиброванные баллы хороши для ранжирования и опасны для бюджетирования, и команды регулярно умножают «сырой» балл на средний чек, чтобы получить цифру выручки под риском, которая не имеет под собой никаких оснований. Проверяйте калибровку до того, как любая цифра покинет аналитическую команду.
Постройте цикл до модели
Заранее решите, как прогноз дойдет до точки действия. Балл в таблице хранилища, который кто-то экспортирует в электронную таблицу каждый понедельник, будет использоваться три недели, а затем забудется. Балл, записанный обратно в поле CRM, на которое отдел продаж уже смотрит, или отправленный в рекламную платформу как сигнал ценности, используется бесконечно, потому что его использование никому ничего не стоит.
Планируйте деградацию с первого дня. Модели дрейфуют, когда бизнес меняется: новый ценовой уровень, другой микс каналов привлечения, ограничение поставок. Установите процедуру мониторинга, которая ежемесячно сравнивает прогнозируемые результаты с реализованными и запускает переобучение, когда разрыв превышает порог, о котором вы договорились, пока все были спокойны. Без этого модели деградируют незаметно, а доверие команды ко всем прогнозам падает вместе с ними.
Сохранение честных ожиданий
Прогнозы — это диапазоны, и представление их в виде отдельных чисел приглашает к неправильному виду подотчетности. Дайте диапазон, укажите допущения и четко скажите, чего модель не видит: акции конкурентов, макрошоки, изменение политики каналов. При таком подходе предиктивная аналитика в маркетинге становится нормальной частью планирования, а не периодическим разочарованием, и споры смещаются от того, верить ли цифре, к тому, что с ней делать, — а это именно то, что нужно.
Читать далее: ИИ-оптимизация
Связанная услуга: Оптимизация с ИИ