Ещё

Как мы завоевываем лояльность клиентов с помощью технологии больших данных 

Фото: RB.ru
Что мы любим больше всего в сфере услуг? Когда к нам относятся индивидуально. Это повышает и нашу лояльность, и вовлеченность, а за ними растет и средний чек. Но насколько такое отношение возможно, если услуга потоковая и рассчитана на большое количество клиентов? Технологии Big Data позволяют их изучить и сделать лучшее кастомизированное предложение для конкретного человека. Этим приемом воспользовался World Class и получил положительный результат.
Спорт — это уже давно нечто большее, чем тренировка, это образ жизни. Эту мысль подтвердили и исследования World Class. Проанализировав свою клиентскую базу, компания пришла к выводу, что люди, которые помимо абонемента покупают и другие услуги фитнес-клуба, чаще возвращаются, чтобы продлить годовое членство. Далее компания рассмотрела структуру покупок и выделила приоритетные направления для предложений: групповые тренировки, персональные тренировки, участие в спортивных мероприятиях клубов и услуги SPA-салона. Именно эти услуги выбирали клиенты, которые продляли спортивный абонемент.
Коллаборативная фильтрация в деле
Далее настал черед больших данных. В качестве подрядчика для разработки рекомендательной системы World Class привлек «Студию данных».
Перед командой была поставлена задача сформировать рекомендательную систему на основании накопленных данных об использовании дополнительных сервисов фитнес-клубов: SPA-услуги, индивидуальные и групповые тренировки, спортивные мероприятия.
При построении рекомендательной системы была использована коллаборативная фильтрация. Этот подход основан на том, что если одному человеку нравятся продукты A, B, C, D, а другому продукты B, C, D, E, то велика вероятность, что первому также понравится продукт Е, а второму А.
На практике этот подход реализуется через решение матриц с использованием библиотек Python.
Для решения задачи World Class была построена гигантская матрица, каждый ряд которой — это клиент, а каждый столбец — это услуга фитнес-клуба. Затем библиотека Python запускала формулу матричной факторизации, в результате были получены векторы клиентов и векторы услуг. Далее чтобы сделать клиенту индивидуальное предложение, коллаборативная фильтрация сравнивала вектор выбранного клиента с векторами других членов фитнес-клуба, находила наиболее похожие. В результате сравнения человек получал в качестве предложения услуги, которыми пользовались люди с векторами сходными с его.
Но, конечно же, проект был не без сложностей. По определенной массе клиентов не было никакой информации об используемых услугах. Поэтому система учитывала не только прошлые покупки клиентов, но и сравнивала профили в личном кабинете: пол, возраст, вид членства, посещения. Также для определенной выборки предложения делались случайным образом, а на результате воспользовался — не воспользовался услугой система дообучалась.
От высоких технологий к реальной жизни
Рекомендательная системы дает рекомендации, но их нужно еще правильно донести клиентам. Для предложений были использованы различные каналы: личный кабинет на сайте, мобильное приложение, Wi-Fi в клубах, устные рекомендации в самом пространстве фитнес-клуба и на стойке ресепшен. С электронными каналами оказалось договориться проще, чем с людьми.
Из курьезных случаев: система порекомендовала услугу окраски волос для мужчины, сотрудники забраковали предложение, а позже оказалось, что мужчина действительно прибегает к окраске волос. Так что для мотивации персонала были изменены KPI сотрудников клуба.
А теперь перейдем к цифрам, немного сухим, но приятным. Потребление дополнительных услуг выросло в среднем на 10% на одного клиента. Отток снизился на 14%. Самое главное, клиенты клуба, кто воспользовался рекомендациями, стали пользоваться на 58% больше услугами компании в целом.
Кейс был представлен на Big Data Conference.
Материалы по теме:
Что большая четверка мобильных операторов делает с нашими данными
Наше поведение — товар (и мы больше этого не боимся)
12 кейсов и 12 технологических решений для анализа больших данных
Как оценить маркетиговую кампанию: 5 советов и кейсов по работе с Big data
Зачем изучать большие данные: рассказывает эксперт в ИТ и криптографии Анатолий Темкин
Фото на обложке: Unsplash
Комментарии
Читайте также
Новости партнеров
Новости партнеров
Больше видео