Повышение эффективности маркетинговой кампании в сегменте B2C
КЛИЕНТ
Заказчик — финансовая организация, производящая разнообразные виды операций с деньгами и оказывающая финансовые услуги юридическим и физическим лицам.
ВЫЗОВ
Заказчику необходим был ожидаемый эффект от использования алгоритмов MACHINE LEARNING, в виде повышения эффективности маркетинговых кампаний, а именно:
- Роста конверсии от рассылок
- Сокращения нерезультативных контактов
- Более глубокого понимания клиентов
РЕШЕНИЕ
Этапы Решения задачи повышения эффективности от рассылок с использованием алгоритмов машинного обучения:
- разработка предиктивной модели, результатом которой стал список клиентов с предсказанной вероятностью подачи заявки на анализируемый банковский продукт
- разработка модели кластеризации, результатом которой стал список клиентов для рассылки с выделенными кластерами
На первом этапе для построения модели были определены клиенты, имеющие транзакционную активность за 3 месяца до отчетной даты
- Было выделено больше двух сотен переменных данных, а также социально-демографические характеристики и данные о тратах в разрезе сегментов бизнес-направлений
- Алгоритмом классификации стал Gradient boosting
На втором этапе для кластерного анализа были использованы клиенты, вероятность отклика по которым больше или равно обозначенной показательной величины
- Количество зависимых переменных сократилось до двух десятков. Сегментация проводилась на основе данных о поле, возрасте, месте проживания, а также на основе данных о тратах за три месяца разрезе сегментов бизнес-направлений
- Список для рассылки был разделен алгоритмами на конечное кол-во кластеров
- Для кластеризации был использован метод K—means
Общая схема процесса выглядела так:
ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ
Фактический эффект от использования алгоритмов MACHINE LEARNING:
- Уровень конверсии в отчетном квартале: за первый месяц повысился более чем на 300%, за второй месяц повысился более чем на 270%, за третий месяц более чем на 1000%
- Были четко определены 5 сегментов для точечной персонифицированной рассылки
Обозначенные инструменты позволили заказчику:
В части маркетинга:
- Персонализировать маркетинг
- Обозначить Real-time маркетинг
- Сегментировать клиентов
- Построить социальные графов и пр.
В части продаж:
- Выстроить Предиктивную аналитику
- Спрогнозировать LTV
- Спрогнозировать отток и пр.
В части Службы безопасности
- Выявить клиентов, совершающих мошеннические операции
Обнаружить скрытые связи и «серые» схем и пр.
ТЕХНОЛОГИИ И ИНСТРУМЕНТЫ
Основная разработка производилась с использованием языков программирования Python и PL/SQL
остались вопросы?
