Analityka Biznesowa: Wykorzystanie uczenia maszynowego do zatrzymania klientów

Dodane przez Adam - pon., 04/09/2018 - 14:13
Weź pod uwagę możliwości uczenia maszynowego w kontekście zarządzania siłownią oraz tego, jak można je wykorzystać do przekształcania danych o klientach w użyteczne informacje.
Analityka Biznesowa: Wykorzystanie uczenia maszynowego do zatrzymania klientów

Gdybym zapytał cię, jakie są największe czynniki powodujące, że klienci opuszczają Twoją siłownię, co byś mi powiedział?

Zwykle jest to kombinacja różnych czynników, z których większość nigdy nie jest wymieniana głośno lub wspominana w ankietach dotyczących odejścia klientów.

W większości przypadków jest to jednak po prostu utrata motywacji.

Choć nie ma narzędzia pozwalającego zmierzyć spadek motywacji, istnieje wiele czynników, które klienci wykazują - nawet nieświadomie - i które mogą dać ci znać, że tracą motywację lub rozważają odejście.

Identyfikacja tych czynników nie jest łatwa dla zwykłych ludzi czy nawet najlepszych analityków danych. Tak duża liczba informacji jest praktycznie niemożliwa do przetworzenia i przejrzenia.

Jednak dzięki uczeniu maszynowemu można wybrać pewne zestawy danych dotyczące klientów i ich zachowań, które komputery będą mogły przetworzyć. Ostatecznie pomogą ocenić ryzyko rezygnacji klienta oraz odpowiednio go zaangażować, aby zapewnić lepszą retencję na siłowni.

Krótkie wprowadzenie do uczenia maszynowego i sztucznej inteligencji

Sztuczna inteligencja (z ang. AI) to proces wykorzystywania złożonego zestawu algorytmów do podejmowania decyzji na podstawie danych, które są wydobywane, analizowane i przetwarzane.

Uczenie maszynowe jest istotnym elementem sztucznej inteligencji wykorzystywanym do podejmowania decyzji poprzez znajdowanie korelacji między różnymi, często niepowiązanymi zbiorami danych.

Ostatecznie uczenie maszynowe pełni rolę analityka, a sztuczna inteligencja - silnika podejmującego działania na podstawie danych.

Różnice pomiędzy poszczególnymi firmami rozbijają się o niepowtarzalne zbiory danych, indywidualne wyniki i podjęte działania. W niniejszym artykule przyjrzymy się w jaki sposób Target wykorzystał uczenie maszynowe w jednej ze swoich kampanii marketingowych online.

Uczenie maszynowe - przypadki użycia

Kiedy Andrew Pole z Target został zapytany przez swoich kolegów z marketingu, czy byłby w stanie prawidłowo przewidzieć czy dana kobieta jest w ciąży na podstawie jej zachowań zakupowych, z chęcią podjął wyzwanie.

Firma Target, podobnie jak wiele firm z branży fitness, zrozumiała, że utrzymanie klientów jest znacznie mniej kosztowne niż pozyskanie nowych.

Firma chciała dotrzeć do przyszłych matek, aby zakupiły wszystkie produkty ciążowe. Wiedziano, że istnieje duże prawdopodobieństwo, że będą one nadal dokonywać zakupów w tym sklepie jako kompleksowym rozwiązaniu dla wszystkich swoich potrzeb zakupowych.

Tak więc Pole wykorzystał uczenie maszynowe, aby przypisać prawdopodobieństwo, że dana kobieta jest w ciąży, na podstawie jej decyzji zakupowych. Okazało się, że przyszłe matki często kupowały rzeczy takie jak duże torebki, które służyły im jako torby na pieluchy, specjalne balsamy, suplementy i inne rzeczy typowe dla przyszłych matek.

Wykorzystując te dane, przypisywali każdej klientce pewne prawdopodobieństwo. Jeśli osiągnęła lub przekroczyła pewien procent tego progu, wchodziła do kampanii, w której otrzymywała kupony na produkty ciążowe.

Algorytm był tak dokładny, że zdenerwowany ojciec podszedł do jednego z kierowników w sklepie Target i zażądał informacji, dlaczego jego córka otrzymuje kupony na produkty ciążowe, skoro nie jest jeszcze w ciąży.

Kierownik bardzo przeprosił za pomyłkę. Kilka dni później chciał ponowić przeprosiny ale ojciec dziewczyny przerwał mu wyjaśniając, że się pomylił i że jego córka rzeczywiście jest w ciąży.

Jak można sobie wyobrazić, Target zauważył ogromne rezultaty tej kampanii, a wiele innych firm zaczęło wykorzystywać analizę predykcyjną opartą na uczeniu maszynowym do kierowania swoimi kampaniami marketingowymi i sprzedażowymi.

Uczenie maszynowe a retencja uczestników siłowni

Jak już wcześniej wspomniano, każda siłownia posiada mnóstwo danych o klientach, które wykorzystuje z różnych powodów. Jeśli chodzi o użycie różnych zbiorów danych w celach retencji, proces ten jest zazwyczaj rozpatrywany z perspektywy frekwencji.

Choć frekwencja jest zdecydowanie silnym sygnałem, może być myląca, jeśli jest to jedyny wskaźnik, na który zwracamy uwagę.

Dlatego tak ważne jest uwzględnienie jak największej liczby różnych zbiorów danych, aby lepiej zrozumieć, dlaczego ludzie opuszczają Twoją siłownię.

Niektóre zbiory danych, które mogą być brane pod uwagę przy ocenie ryzyka rezygnacji, to m.in:

  • Historia frekwencji
  • Zakupy detaliczne
  • Postępy w realizacji celów
  • Zaangażowanie online
  • Rezerwacje zajęć a rzeczywista frekwencja
  • Długotrwałość kontraktu
  • Dane demograficzne

To tylko kilka ze zbiorów danych, które można wykorzystać do określenia konkretnych informacji związanych z rezygnacją. W większości przypadków istnieją setki czynników, które wpływają na określenie odsetka osób zagrożonych. Na potrzeby tego artykułu posłużymy się przykładami, które opierają się tylko na kilku z nich.

Przy stosowaniu modeli bazujących na przewidywaniu ważne jest zdefiniowanie jak największej liczby cech, które po zsumowaniu pozwolą przewidzieć prawdopodobieństwo wystąpienia danego wyniku.

Na przykład wszyscy wiemy, jak wygląda jabłko. Gdybyśmy jednak chcieli wytrenować komputer do przewidywania prawdopodobieństwa, że coś jest jabłkiem, musielibyśmy najpierw określić jego cechy:

  • Czerwone
  • Okrągłe
  • Owoc
  • Waży od 70 do 100 gramów

Jeśli jakiś obiekt ma ¾ tych cech, to prawdopodobieństwo, że jest to jabłko, wynosi 75%.

Zdefiniowanie określonego wyniku dla rezygnacji jest nieco inne, ponieważ nie istnieje jedna uniwersalna lista atrybutów, które określają, czy ktoś zrezygnuje z zakupu.

Jednak uczenie maszynowe może przetwarzać szereg czynników i zachowań, które były powszechne u osób, które zrezygnowały w przeszłości, znaleźć korelacje i wykorzystać je do przypisania prawdopodobieństwa istniejącym klientom.

Na przykład załóżmy, że duża liczba klientów, którzy zrezygnowali w przeszłości, miała następujące punkty danych:

  • W ciągu ostatnich dwóch tygodni 3x uczestniczyli w zajęciach na siłowni
  • Wielokrotnie raz w miesiącu kupowali hurtowo suplementy, takie jak białko w proszku, BCAA, przedtreningówki itp., ale przestali je kupować w ciągu 4-6 tygodni przed rezygnacją
  • Należą do grupy demograficznej o najwyższym prawdopodobieństwie rezygnacji
  • Nie osiągnęli 50% swojego początkowego rocznego celu treningowego w ciągu 7 miesięcy od rozpoczęcia treningu.

Algorytm oznaczyłby te zachowania jako bardzo rozpowszechnione wśród klientów z takimi zbiorami danych i przypisałby wyższe prawdopodobieństwo rezygnacji przyszłym klubowiczom, którzy wykazują takie cechy i zachowania.

Dlatego tak ważne jest, aby zmaksymalizować ilość wprowadzanych danych lub wskazówek. Innymi słowy, im więcej danych masz na temat swoich klientów, tym więcej korelacji będzie w stanie znaleźć moduł Analityki Biznesowej.

Nie oznacza to jednak, że należy zadawać im niepotrzebne lub nieistotne pytania.

Wystarczy, że w procesie rejestracji zadasz kilka pytań, które pozwolą Ci ich poznać, a uczenie maszynowe pozwoli na zbieranie danych behawioralnych, gdy użytkownicy zaczną wchodzić w interakcje z Twoimi aplikacjami, urządzeniami, stroną internetową, a nawet recepcją.

Po skonfigurowaniu sygnałów związanych ze zbieraniem danych, uczenie maszynowe będzie uczyć się o użytkownikach siłowni i zacznie przewidywać procentowy wskaźnik ryzyka rezygnacji na podstawie dostarczonych informacji.

Następnie możesz zautomatyzować korespondencję, którą chcesz wysłać do podzielonych na grupy klientów, którzy przekroczyli określony próg procentowy ryzyka. W ten sposób masz szansę by utrzymać ich zaangażowanie i zapobiec rezygnacji.

Wykorzystanie automatyzacji do zatrzymania użytkowników

Wszystkie dane i spostrzeżenia na świecie nie będą wiele warte, jeśli nie będzie za nimi stała zautomatyzowana kampania, która przyniesie oczekiwane rezultaty.

Na przykład, użytkownicy mogą zostać podzieleni na segmenty według ryzyka rezygnacji i otrzymać konkretne oferty za pomocą ukierunkowanych komunikatów, aby zapewnić jak największe szanse na zaangażowanie i utrzymanie użytkowników.

Netflix robi dokładnie to samo dzięki analizie prawdopodobieństw i automatyzacji. Na podstawie tego, co oglądałem i co oglądali ludzie podobni do mnie, Netflix wie, jakie treści dodawać i wysyła mi wiadomości o tych treściach z tematem: "Adam, właśnie dodaliśmy film, który może Ci się spodobać".

To nie jest ręcznie napisana notatka. Jest to automatyczna wiadomość, którą wysyłają do tysięcy osób na podstawie ich upodobań w zakresie treści. Dla innych osób może to być inna oferta, inny serial, a nawet inna tematyka.

Tak samo mogą postępować siłownie. Tworzysz różne wiadomości dla każdej sytuacji i automatyzujesz ich wysyłanie do swoich klientów.

W przypadku klientów, którzy są bliscy rezygnacji, może to być oferta obniżonego lub darmowego pakietu treningów personalnych, obniżona stawka za przedłużenie umowy, a nawet darmowy towar, który należy odebrać na siłowni, aby zachęcić ich do ćwiczeń.

Wystarczy ustalić wskaźniki, które użytkownicy muszą spełniać, aby wpisać się w te kryteria. Następnie wiadomości będą automatycznie wprowadzać użytkowników do kampanii na podstawie ich atrybutów i zdarzeń, które miały miejsce.

Sztuczna inteligencja zacznie oceniać, które z rozwiązań osiągają najlepsze wyniki, a następnie zautomatyzuje je w zależności od sytuacji, klienta i innych danych, które zapewnią, że wiadomość, którą otrzyma użytkownik, będzie jak najlepiej dopasowana do jego potrzeb.

Po utworzeniu treści dla każdej sytuacji, która według Ciebie może wystąpić lub skłaniać do wysłania wiadomości, określeni użytkownicy, którzy spełniają te kryteria, otrzymają właściwy komunikat.

W ten sposób, dzięki całej analityce stojącej za automatyzacją, można zwiększyć wskaźniki utrzymania użytkowników w oparciu o korelacje danych, które w innym przypadku byłyby niemożliwe do znalezienia.