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.

Нова економічна реальність: які тренди визначатимуть ринок у 2025 – досвід TERWIN, Arcelor Mittal, Kvertus, BRAVE1, Starlight media, ГК «Молочний альянс» та 40 провідних управлінців та державних діячів.

11 квітня на Business Wisdom Summit дізнайтеся, як розширювати партнерства, зміцнювати довіру до бренду та виходити на міжнародні ринки. Реальні стратегії та досвід компаній, які вже зробили цей крок.

Забронювати участь

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.