Попасть в девяточку: как с помощью сегментации увеличить конверсию на 473%

Покажи мне свои данные, и я скажу, кто ты

Хорошо, что все необходимое есть у банка в наличии. Во-первых, это данные. Большие данные. Мы храним до 2 тысяч параметров по каждому из 20,5 млн клиентов: начиная от стандартных анкетных данных (год рождения, адрес, телефон и т.д.) и заканчивая версией браузера операционной системы в телефоне или, например, количеством визитов за границу.

Во-вторых, банк уже несколько лет активно занимается развитием компетенций Data Science, в частности, использованием машинного обучения для расчета вероятностей в различных бизнес-процессах (например, при расчете кредитного лимита). Поэтому главную ставку мы сделали на построение моделей лидскоринга.

Как это работает?

Допустим: у нас есть миллион клиентов, у которых нет страховки, а мы очень хотим, чтобы она у них появилась. Тогда мы берем 1% от имеющейся у нас базы и запускаем на них соответствующее рекламное сообщение. Кто-то из этих клиентов соглашается, а кто-то нет. Полученные результаты мы «скармливаем» алгоритму машинного обучения, который определяет, что общего у тех, кто выполнил целевое действие, и у тех, кто не выполнил. В результате мы получаем математическую модель, которая позволяет предсказать реакцию любого клиента банка на это сообщение. Теперь нам достаточно прогнать через эту модель оставшиеся 99% базы и отобрать тех клиентов, вероятность выполнения целевого действия у которых максимальна.

В среднем, использование скоринговых моделей, повышает конверсию в 5-7 раз, но в некоторых случаях рост может составлять и невероятные 15-20%! Например, в начале года, стремясь остановить колоссальные оттоки депозитов, мы построили скоринговую модель, которая предсказывала, кому из клиентов нужно звонить с предложением вернуть вклад в банк, а на кого этот звонок не окажет никакого влияния. По сравнению с обычным «веерным» обзвоном мы получили рост конверсии с 0,5% до 7,8%, т.е. почти в 16 раз!

Не что, а как

Но, к сожалению, скоринг не дает ответы на все вопросы. Ведь даже зная, что и кому предложить, крайне важно то, как именно мы сделаем наше предложение.

Недавно мой знакомый опубликовал в Facebook скрин с непрочитанными входящими сообщениями от одного известного интернет-магазина. В течение года они отправляли ему email с одной и той же темой, которая касалась скидок. Но скидки не являются решающей мотивацией для моего знакомого, поэтому ни одно он не открыл.

Возьмем наш самый популярный банковский продукт — карту «Универсальная». У карты очень много замечательных свойств, но только одно из них является для каждого из нас решающим. Для техногика важен доступ к интернет-банку Приват24 и бесконтактной оплате. Для человека, живущего от зарплаты до зарплаты — возможность пользоваться бесплатно кредитным лимитом до 55 дней. Для модницы — выпуск карты с индивидуальным дизайном и т.д.

Мы можем использовать машинное обучение, сплит-тестирование, нейрокопирайтинг и т.д., но если в теме email или в первом абзаце вашего рекламного предложения мы не задели одну из ключевых мотиваций клиента — он просто не станет читать дальше.

9 реальных психотипов клиентов

Как понять, какая мотивация будет решающей для каждого конкретного клиента, особенно учитывая, что у нас их больше 20,5 миллионов человек?

И тогда я вспомнил, что когда-то читал у Ф. Котлера о модели сегментации клиентов, построенной на ценностях и стиле жизни (VALS). Ее разработали в 70-х годах в США, чтобы предлагать новые продукты для рынка с учетом того, чего хочет каждый из этих сегментов.

На ее основе и с учетом огромного массива данных мы разработали собственную модель, которую назвали «iСегментация». На первом этапе создания модели нам очень помог консультант по маркетингу Андрей Прудиус, и в итоге мы выделили 9 сегментов, краткое описание которых представлено в таблице.

Построив модель, мы начали тестирование. Для этого мы взяли существующую email-рассылку с темой письма «Ваша карта совершенно бесплатно!», и преобразовали его в соответствии с моделью сегментации. До сегментации это событие показывало конверсию (целевое действие — оформление карты) на уровне 0,53%. После сегментации мы получили результаты, которые удивили даже нас. 

От +18 до +473% в зависимости от сегмента! Признаюсь честно (теперь уже можно), до проведения эксперимента в глубине души я сомневался в эффективности метода. Уж очень теоретично все это выглядело. Но после нескольких похожих экспериментов я понял, что ВСЕ рекламные коммуникации банка теперь будут осуществляться только по этой технологии.

Что вы можете сделать на основании этой информации уже сегодня?

Моя рекомендация — разобраться в теме, начать усиленно собирать данные и пробовать строить свои собственные скоринговые модели. Это абсолютно реально, есть множество открытых библиотек машинного обучения и сервисов, которые позволяют не разрабатывать все с нуля, а использовать готовые решения. Я совру, если скажу, что это будет очень быстро и просто, но если вы не займетесь этим сегодня, то завтра может быть уже поздно. 

Дальше — посмотрите на стандартную модель VALS, поделите имеющуюся базу хотя бы на основании здравого смысла на указанные сегменты и попробуйте следующую рассылку адаптировать под ключевые ценности. Кстати, если вы пользователь мобильного приложения Приват24, вы можете отсканировать этот QR-код и узнать, к какому сегменту относит вас наша модель, а также получить шпаргалку по типам сегментов и основным мотивациям.