Подписаться на новости
logo logo
Сообщество робототехников

Модель Uplift: как магазины решают, давать клиентам скидку или нет

Модель-Uplift-как-магазины-решают-давать-клиентам-скидку-или-нет
Понедельник, 3 Декабря 2018, в 12:54
Искусственный интеллект

Желтые акционные ценники часто появляются на витринах магазинов и супермаркетов. Но как именно магазины определяют, на что делать скидку и насколько большую, чтобы в итоге не уйти в минус? О нескольких рабочих методах на прошедшей AI Conference рассказал Валерий Бабушкин из X5 Retail Group. Предлагаем ознакомиться с адаптированной версией его выступления.

Валерий Бабушкин — начальник отдела по управлению развития данных в X5 Retail Group («Пятерочка», «Перекресток», «Карусель»). Он также руководит группой аналитики «Яндекс.Советника» и преподает в ВШЭ. Эксперт специализируется на машинном обучении и Deep learning.

 

Модель-Uplift-как-магазины-решают-давать-клиентам-скидку-или-нет-1

 

Битва за клиентов

Отток покупателей — проблема, с которой постоянно сталкиваются отдельные магазины и крупные сети. С помощью современных технологий можно спрогнозировать, с какой вероятностью покупатель больше не придет в магазин и не будет пользоваться услугами компании. В этом помогает модель оттока, основанная на алгоритмах машинного обучения. Решение выдается на основе анализа предыдущего поведения покупателей. К сожалению, никакой практической пользы такая информация не несет.

Например, модель способна вычислить, что человек перестанет делать покупки в определенном магазине с вероятностью в 90%. Но алгоритм при этом не даст рекомендаций, что нужно сделать для удержания такого покупателя.

Можно попробовать «вслепую» предложить человеку скидку, не зная при этом, нужна ли она ему в принципе. У клиента может быть четыре реакции на подобное предложение, и только одну из них можно считать позитивной.

 

  • Пользователь купил продукцию, которую не приобрел бы без скидки. Хороший результат: коммуникация окупилась, клиент доволен ценой.

  • Пользователь разорвал с фирмой все отношения или назло не совершил покупку, потому что ему надоела реклама. Негативный результат.

  • Клиент покупает товар, который приобрел бы и без скидки. Плохой результат для компании: деньги на коммуникацию с пользователем потрачены зря.

  • В компании предложили скидку, но пользователь не совершил покупку. Негативный результат: компания зря потратила деньги и время на контакт.

 

Если это отправка платных СМС, а у компании 25 тысяч клиентов, то огромная сумма уходит в никуда, а телефон покупателя засоряется ненужным спамом (что в результате может привести к полному отказу от услуг компании). Учтем к тому же, что такие рассылки не бывают единичными.

Таким образом, модель оттока не предлагает путь решения проблемы, подтвержденный данными. Но на это способно Uplift-моделирование. Оно позволяет магазину не действовать наугад, а вычислить вероятность позитивной реакции на скидку.

 

Читайте также: «Машинное обучение в сервисах «Яндекса»: рассказывает представитель компании»

 

Что такое Uplift-моделирование

Любая акция для магазина — это потраченные деньги. И главная задача — понять, окупаются затраты или в них нет смысла. Выгода покупателя в случае правильно и вовремя запущенной акции — получить нужные товары за минимальную стоимость.

Uplift (аплифт) — это модель воздействия на поведение потребителя, которая помогает оптимизировать маркетинговые решения. Она позволяет запланировать и вовремя предложить акции и особые цены тем людям, кому они нужны и выгодны.

Uplift для каждого потенциального участника промоакции вычисляется как разница между прогнозами вероятности покупки: если предложить человеку скидку и если не давать ее.

 

Модель-Uplift-как-магазины-решают-давать-клиентам-скидку-или-нет-3

Из презентации спикера

К примеру, покупатель получил скидку. Вероятность, что он купит товар, выросла до 70%. Если не получил, то она составляет 50%. Uplift при этом — 20% (разница вероятностей). Зная, сколько стоит коммуникация с клиентом, компания может посчитать, какую прибыль принесут ей эти 20%. В результате можно решить, выгодна ли скидка для привлечения и удержания покупателя.

В рамках тестирования X5 Retail Group применила Uplift-моделирование к аудитории в 500 тысяч человек. В результате акция, где компания использовала этот метод, привела к росту среднего чека и конверсии.

После использования модели Uplift компания уже наверняка знает, какие действия будет выгоднее предпринять, а также кому и когда нужно предлагать скидки и особые условия. В частности, если у магазина пять миллионов пользователей, а скидка подействует только на два миллиона, рассылки должны охватывать только два. Остальное будет пустой тратой денег, а сообщения получат люди, которым скидки и акции попросту неинтересны.

 

Читайте также: «Цифровые сотрудники в компаниях: что такое RPA и как роботы помогают людям работать?»

 

Как работает Uplift: различные подходы

Для того чтобы Uplift-модель работала, в первую очередь нужно собрать данные, которые составят базу для обучения. Для этого формируют стартовую группу: это клиенты, которые похожи между собой по ряду показателей.

Например, в отдельную группу можно выделить 2000 покупателей, у которых совпадают предпочтения по продуктам. Из них случайным образом отбирают 1000 человек, отправляют им рассылку о скидках, остальным при этом ничего не приходит. Самое важное — проследить за последующими изменениями в метрике: что происходит с конверсией и средним чеком.

Есть разные подходы к составлению Uplift-моделей, самый эффективный из них — предсказывать и моделировать Uplift напрямую. Метод был описан в 2013 году: он основан на построении дерева решений, которое позволяет быстро смоделировать целевое воздействие на клиентов. В 2013 году было сложно использовать этот подход, поскольку не хватало вычислительных мощностей, но сегодня с этим нет никаких проблем.

Модель-Uplift-как-магазины-решают-давать-клиентам-скидку-или-нет-2

Для подобного Uplift-моделирования нужны данные о купленных товарах и о профиле покупателей, а модель сама отбирает максимально похожих пользователей. Потому необходимо накопить максимум информации о клиентах: всю историю покупок, возраст, пол и прочие данные.

В X5 Retail Group для одной только модели оттока используется порядка 600 фичей. Берется история за последние семь недель, и предсказывается поведение покупателя на восьмую неделю. При этом берется в расчет много параметров: что клиент покупал, как он покупал, средний чек. В X5 Retail Group также есть продукт «Профиль пользователя», фичи которого можно использовать в абсолютно любой модели.

 

Всем ли подходит Uplift?

Uplift-моделирование полезно прежде всего крупным компаниям, которые давно существуют на рынке. Это объясняется тем, что построить модель можно только на определенных данных — клиентской базе, которой у новичков попросту нет.

Магазину этот метод позволяет выстраивать более качественное взаимодействие с клиентами и увеличивать прибыль. Покупатели, в свою очередь, получают возможность выгодно приобрести те продукты или услуги, которые их больше всего интересуют.

 

Скачать полную презентацию спикера можно по ссылке.

 

Узнать больше интересного

рейтинг

370

просмотров

0

комментариев

порекомендовать друзьям

комментарии

Нет комментариев

Гость

Дорогие друзья! Помните, что администрация сайта будет удалять:

  • Комментарии с грубой и ненормативной лексикой
  • Прямые или косвенные оскорбления героя поста или читателей
  • Короткие оценочные комментарии ("ужасно", "класс", "отстой")
  • Комментарии, разжигающие национальную и социальную рознь