Об автоматизации и эффектах рассказали эксперты McKinsey & Company
В последнее время одним из ключевых юз-кейсов применения больших данных является персонализация и управление ценностью клиентской базы (CVM – customer value management). Этот юз-кейс известен каждому из читателей – все мы когда-то получали письма, смс и push-нотификации в приложениях. И все мы знаем, что если делать персонализацию «неправильно», то эффект на бизнес будет отрицательный. В попытках увеличить охват базы и частоту коммуникаций некоторые компании начинают слать сообщения каждую неделю и чаще, переходя в категорию «спам». Чтобы этого не случилось, надо делать более персонализированные коммуникации, а не более частые. И именно этот вызов сейчас является ключевым для многих В2С компаний.
Число кампаний ограничено только изобретательностью продуктовых команд и маркетологов. По одному сценарию одновременно может быть запущено несколько сотен кампаний. И когда сценариев 10 или 15 – это тысячи кампаний в месяц и десятки тысяч в год.
Человеку не справиться с такими объемами, и над моделями по каждому сценарию создается дополнительная надстройка – движок NBA (next best action). Он автоматизирует приоритизацию и запуск продуктовых кампаний по всем сегментам абонентов. Для каждого действия (конкретное предложение, канал коммуникации и то, каким текстом мы предложим клиенту продукт или услугу) движок возвращает ожидаемую выручку, которую это действие принесет.
Команда McKinsey работала над NBA в рамках проекта в крупной В2С компании из Восточной Европы. Его первый уровень — отдельные модели — создавала собственная команда клиента по большим данным, а второй уровень – непосредственно NBA – делали дата-саентисты фирмы.
Первый интересный аспект с точки зрения data science заключается в том, что модель NBA получилась очень живая. Она заряжена на конверсию кампаний и непрерывно обновляется. В одном месяце побеждают одни действия, в другом другие – в зависимости от того, какие кампании были успешнее в предыдущем периоде.
Второй интересный аспект – значительные объемы данных. Десятки миллионов клиентов, и для каждого клиента в разных каналах может быть сформировано 100–200 продуктовых предложений. То есть нужно оценивать потенциальный эффект от миллиардов вариантов.
Разработка NBA-движка заняла три месяца. Отлаженное взаимодействие с командой клиента по ИТ- и data science позволило быстро вывести проект в продакшн.
Разбор эффектов: от частного к общему
Результаты оцениваются как на уровне отдельных кампаний, так и в финансовом выражении для компании в целом. Хорошо ли настроена система CVM, какой эффект она оказывает на показатели бизнеса? Как выделить эффект отдельно взятой кампании? А если изменились бизнес-показатели, как определить, какие именно из сотен и тысяч факторов на это повлияли: CVM, реклама на ТВ, действия конкурентов или иные макроэкономические факторы?
Найти точные ответы позволяет А/Б-тестирование. Мы выбираем сегмент клиентов, на которых хотим запустить конкретную кампанию, из этого сегмента выделяем небольшую контрольную группу, репрезентативную всему сегменту. Оставшаяся группа – целевая. Кампания запускается только на целевую группу, а контрольная группа – look-alike-клиенты – продолжают жить, как и раньше.
Для отдельных кампаний выделяются локальные контрольные группы, а для замера эффекта всей программы CVM – единая контрольная группа, репрезентативная всей клиентской базе. При оценке эффекта ориентируются не только на денежные показатели – сравнивается также отток, NPS, количество жалоб и звонков в колл-центр в целевых и контрольных группах и многие другие показатели в соответствии со стратегией компании. Ограничение данного подхода состоит в том, что на контрольных группах компания не зарабатывает, но это необходимые издержки подхода test & learn для пополнения знаний о факторах, которые влияют на решения абонентов и оценки результатов.
CVM вчера, сегодня и завтра
Если 5–6 лет назад у большинства игроков не было сильной функции аналитики данных, то за последние 2–3 года ситуация улучшилась. Сегодня телеком и ритейл сектор стал источником передовой практики и задает тон для других бизнесов в сегменте B2C. Финансовые организации, страховые компании и другие участники рынка также обращаются к теме персонализации как к новому источнику роста.
В большинстве телекоммуникационных и ритейл компаний сегодня уже выстроен прочный каркас CVM. Отлажен итеративный процесс test & learn, почти все сценарии покрыты моделями, и полностью проскорена абонентская база.
В зоне роста остаются вопросы, связанные с организационной зрелостью, более глубокая автоматизация процессов, увеличение скорости запуска продуктов и адаптация персонализированных триггерных кампаний. А также — развитие концепции CVM as a service — разработка совместных с партнерами предложений за счет комплексного знания о клиентах и обученных моделей.
Огромным источником роста будет также выступать генеративный искусственный интеллект (GenAI). Уже сейчас многие компании проводят эксперименты по персонализации, используя GenAI, ведь это позволяет кратно увеличить уровень персонализации. Ведь таким образом можно персонализировать текст, графику и медиа ряд для каждого отдельного клиента. Это кроет в себе огромный потенциал, но также огромные риски. Ведь до сих пор GenAI может выдавать различного рода «галлюцинации», и некоторые из них могут спровоцировать всплеск негатива в медиа. Поэтому поставить это на поток пока сложно, но многие компании работают над этим. С большой вероятностью, через пару лет это станет основной персонализации, но до этого момента требуется проделать значительную работу.
Авторы: Дулатбек Икбаев, партнер McKinsey & Company; Денис Емелянцев, партнер McKinsey & Company; Дмитрий Устинов, младший партнер McKinsey & Company; Илья Дуров, руководитель проектов McKinsey & Company; Алексей Татаренков, team lead аналитической команды McKinsey & Company