Як зробити масові розсилки ефективними та прибутковими за допомогою АІ – поради від eSputnik

Чому одні компанії стикаються з низькою ефективністю масових розсилок, тоді як інші успішно покращують свої показники? Відповідь криється у виборі підходів та інструментів. Перші зазвичай покладаються лише на власні ресурси та експертизу, уникаючи нового. У той час другі активно вивчають і пробують нові інструменти, балансуючи з перевіреними підходами.

Зараз це особливо актуально у контексті широкого використання штучного інтелекту. Він допомагає створювати персоналізований користувацький досвід, який потім конвертується у продажі та надає конкурентну перевагу на ринку. У часи, коли приходять сотні неактуальних повідомлень щодня, сегментація та персоналізація стають ключовими факторами успіху. Згідно з дослідженням McKinsey & Company, 71% споживачів очікують на персоналізований контент від бізнесів. Це означає, що масові розсилки можуть бути не лише неефективними, а й завдати шкоди репутації бренду.

У цій статті українська CDP eSputnik продовжує тему про можливості АІ для ecommerce-бізнесів та ділиться, як за допомогою інструментів штучного інтелекту можна перетворити масові розсилки на ефективний і прибутковий інструмент маркетингу. А також читачі RAU отримають від eSputnik ранній доступ до знижок на Black Friday.

Як інструменти АІ допомагають покращити сегментацію даних

Припустимо, що у ритейлера є база з мільйонами клієнтів — скарб, який може приносити неймовірні прибутки. Але без постійної роботи з цими контактами він перетворюється на тягар для маркетолога, перед яким постає низка запитань:

• Як знайти серед безлічі контактів саме тих, хто готовий купувати сьогодні?
• Як не загубитися в океані даних та не втратити можливості для зростання?
• Як запустити кампанію, що принесе прибуток, а не збитки?

Щоб відповісти на ці питання, спочатку потрібно зробити вибір: чи продовжувати покладатися на ручну сегментацію, витрачаючи безліч часу та ресурсів команди, чи перейти до предиктивної сегментації на базі АІ, яка здатна аналізувати мільйони записів за лічені секунди. Нижче розглянуто, чому перше вже не працює для великих ecommerce-бізнесів і як штучний інтелект може стати ключем до ефективності роботи та отримання прибутку.

Обмеження ручної сегментації даних

Ручна сегментація на стратегічному рівні дозволяє сформувати сегменти, з якими бізнесу варто працювати в першу чергу — тут експертиза маркетолога однозначно перевищує технічні можливості АІ. Проте на тактичному рівні її використання стає менш ефективним. Це стосується всіх каналів, але особливо це відчутно при роботі з відносно дорожчими з них (Viber та SMS), адже може принести збитки.

Припустимо, що у маркетолога інтернет-магазину є велика клієнтська база: одні покупці здійснюють замовлення регулярно, інші придбали щось лише раз пʼять років тому, а деякі купували активно, але останнім часом не здійснювали замовлення — аудиторія досить різна. Найпростіше і найменш ефективне, що можна зробити у такому випадку, — взагалі не застосовувати сегментацію. Якщо маркетолог вирішив піти цим шляхом і запустив sms-розсилку з акційною пропозицією на всю базу, він отримав наступні результати:

Як бачимо, це призвело до збитків. Зробивши висновки, маркетолог висуває гіпотезу, що з більшою ймовірністю до купівлі вдасться залучити клієнтів, активних протягом 90 днів. Результати вже кращі:

Проте, ручна сегментація має обмежені можливості, що створює такі складнощі:

• використання поверхневих даних про клієнтів — суттєво знижує ефективність таргетингу;
• людський фактор — призводить до неправильного вибору аудиторії та неефективних кампаній;
• неминучі проблеми масштабування — з’являються зі збільшенням кількості клієнтів: точність сегментації знижується, а сам процес стає дедалі тривалішим і складнішим.

Чи можна уникнути цих ризиків? Так, якщо застосовувати інструменти АІ, які здатні ефективно аналізувати та враховувати набагато більше даних.

Предиктивна сегментація як рішення

Цей інструмент базується на використанні нейронних мереж та обробці великих масивів даних. Його мета — прогнозувати майбутню поведінку клієнтів з високою точністю. Серед переваг предиктивної сегментації:

• уникнення помилок, які є невід’ємною складовою ручних методів;
• врахування більшої кількості факторів для сегментації, серед яких — поведінкова активність та взаємодія з сайтом або застосунком;
• можливість прогнозувати вірогідність здійснення покупки на основі аналізу подібності до інших покупців та патернів минулих покупок.

Якщо згаданий раніше уявний маркетолог вирішив використати не ручну, а предиктивну сегментацію для розсилки, йому в пригоді стане метрика чутливості (recall) предиктивної моделі. Вона показує, наскільки добре модель охоплює всіх потенційних покупців усередині обраного сегмента. Якщо мета — охопити якомога ширшу аудиторію, приміром, для інформування про новинки в асортименті, рекомендовано встановлювати вище значення recall (на рівні 70-80). А якщо необхідно звузити аудиторію, але збільшити конверсію, рекомендовано використовувати нижче значення (в межах 50-60).

В омніканальній CDP eSputnik спростили роботу з recall, створивши чотири готових сегменти:

• Надійні покупці — клієнти з дуже високою ймовірністю здійснення покупки. Вони постійно беруть участь у маркетингових кампаніях і мають велику історію повторних замовлень.
• Потенційні покупці — клієнти з середньою та високою ймовірністю здійснення покупки. Вони добре реагують на сезонні розпродажі, запуск продуктів і персоналізовані рекомендації.
• Невизначені покупці — клієнти з середньою та низькою ймовірністю покупки. Вони можуть бути зацікавлені, але ще не переконані, тож потребують додаткових пропозицій та активностей.
• Малоймовірні покупці — клієнти з дуже низькою ймовірністю покупки. Вони тривалий час не робили замовлень.

Перші два сегменти оптимальні для збільшення конверсій та продажів, а останні два можуть використовуватися або для виключення з кампаній, або для реактиваційних пропозицій. Усвідомивши можливості врахування чутливості, маркетолог проводить ще дві розсилки (з різними показниками recall). Дані своїх експериментів він заносить у порівняльну таблицю і бачить результати, що підтверджують ефективність предиктивної моделі:

У порівнянні з ручними методами, предиктивна сегментація значно покращує ефективність масових розсилок саме завдяки можливості аналізувати більшу кількість даних та враховувати їх під час прийняття рішень.

Новий рівень персоналізації товарних рекомендацій

Персональні товарні рекомендації стали невід’ємною частиною успішних маркетингових стратегій в ecommerce. Пропозиції, що базуються на даних про поведінку покупців, забезпечують індивідуальний підхід, підвищують рівень задоволеності клієнтів та сприяють зростанню прибутку.

Щоб досягти більшої ефективності, товарні рекомендації використовують протягом всього шляху клієнта до замовлення:

• у директ-каналах, які повертають користувача на сайт або застосунок;
• на різних сторінках сайту (від головної до кошика перед купівлею та Thank you сторінки після підтвердження замовлення);
• у мобільному застосунку.

Омніканальність взаємодії дозволяє створити безперервний досвід для клієнта, незалежно від того, який канал він використовує. Завдяки цьому можна залучати користувачів у різних точках контакту та підвищувати ймовірність конверсії на кожному етапі шляху до покупки.

Як будуються традиційні моделі рекомендацій

Наразі існує кілька традиційних варіантів побудови рекомендацій.

Контентна фільтрація передбачає, що АІ аналізує інформацію про ​​товари, з яким взаємодіяв клієнт, і на основі цих даних формує пропозиції. В фокусі алгоритму — параметри кожного товару. Приміром, якщо людина переглянула п’ять різних спортивних костюмів, система буде пропонувати ще більше варіантів інших спортивних костюмів. Якщо ж людина переглянула кросівки, спортивний костюм і рюкзак одного бренду, саме він і стане спільною ознакою, тож надалі система буде пропонувати покупцю інші речі цього ж бренду.

До переваг такої моделі можна віднести відносну простоту інтеграції, можливість рекомендувати нішеві або нові товари. Проте серед ключових недоліків — неможливість враховувати складніші послідовності, щоб передбачити інтереси клієнта та побудувати подальші рекомендації.

Інший варіант — системи рекомендацій з колаборативною фільтрацією. Ця модель може будуватися двома варіантами:

• на основі вподобань клієнтів, коли АІ знаходить покупців, схожих на конкретних клієнтів, і пропонує товари, яким віддають перевагу схожі користувачі;
• на основі зв’язків між товарами — якщо клієнт вже виявляв інтерес або купував деякі з них, йому будуть пропонувати товари, які часто купують з обраними.

Колаборативна фільтрація на основі користувачів і на основі об’єктів

Серед переваг цього методу: широка різноманітність рекомендацій, можливість працювати з мінімальними метаданими про товари, а також здатність виявляти неочевидні патерни поведінки користувача. Але у таких систем є і недоліки: обробка великих обсягів даних може бути досить дорогою, пошук подібностей ускладнюється через брак даних про взаємодію клієнта з товаром, а також виникають труднощі у створенні рекомендацій для нових користувачів або нових груп товарів.

Є і компромісний варіант — гібридні моделі, що поєднують попередні варіанти. Вони працюють з ширшим діапазоном уподобань клієнтів, дають більш точні рекомендації та зменшують обмеження попередніх методів. Разом з тим, вони потребують більше ресурсів, складніші у впровадженні і вибагливіші до підтримки.

Незважаючи на численні переваги, 63% компаній зазначають, що одним із головних ризиків використання АІ є неточність рекомендацій. Це зумовлено такими обмеженнями традиційних моделей, як:

• не враховують контекст та послідовність дій користувача;
• мають складність у формуванні пропозицій користувачам, про яких відсутня достатня кількість історичних даних;
• складні в інтеграції.

На противагу традиційним моделям омніканальна CDP eSputnik впровадила потужнішу альтернативу — трансформену модель у поєднанні з технологією Large Language Model (LLM) — яка допомагає бізнесу досягати вражаючих результатів.

Як працює трансформерна модель

Аналіз історії. Спочатку модель аналізує всю історію користувача.

Перетворення даних. Історичні дані перетворюються у форму, яку трансформерна модель здатна розуміти.

Порівняння та аналіз. Трансформер порівнює дані між собою, визначає важливість покупок, їх зв’язки, та контекст.

Генерація рекомендацій. Трансформер генерує рекомендації, які логічно випливають з минулих покупок.

Ось реальний кейс ритейлера, який досяг зростання ключових показників завдяки впровадженню товарних рекомендацій на базі АІ. Для Liki24 товарні рекомендації принесли збільшення конверсії масових розсилок та переходів на сайт.

LLM (large language model або велика мовна модель) використовує передові можливості штучного інтелекту ШІ з розуміння мови для глибшого аналізу поведінки користувачів, їхніх уподобань та характеристик товарів. Застосування цих моделей дозволяє підвищити точність товарних рекомендацій, надаючи клієнтам більш релевантні та персоналізовані пропозиції.

Традиційна модель vs трансформерна

Якщо покупець замовив на сайті футболку, кросівки і велосипед, традиційні моделі ймовірно пропонуватимуть альтернативи цих товарів: ті ж бренди, але інші кольори, або схожі товари інших брендів. Натомість трансформерна модель зрозуміє, що клієнт захоплюється велоспортом, і запропонує шолом чи екіпірування для велоспорту.

Основні переваги трансформеної моделі:

• Висока точність — безумовна перевага трансформеної моделі у порівнянні з традиційними підходами. Завдяки їй підвищуються конверсії та середній чек.
• Глибоке розуміння клієнта, яке дозволяє будувати складні взаємозвʼязки і пропонувати більш релевантні товари.
• Гнучкість у роботі з даними. Трансформерна модель працює як з неповними історичними даними, так і з новими користувачами без історії. Вона здатна бачити контекст, який дозволяє запропонувати більш релевантні рекомендації.

Порівняльні характеристики традиційної та трансформеної моделей рекомендацій

Оновлена модель рекомендацій омніканальної CDP eSputnik вже принесла клієнтам вражаючі результати.

Впровадження моделі рекомендацій на базі АІ: з чого почати

Варто пам’ятати, що треба врахувати для впровадження нової рекомендаційної моделі, та з якими складнощами можна зустрітися на цьому шляху.

1. Якісний збір даних з усіх джерел. Щоб рекомендації були максимально точними та релевантними, важливо отримати повне уявлення про клієнтів. Для цього слід зібрати дані з усіх доступних джерел: сайту, застосунку, рекламних кампаній тощо в єдину систему. Це дозволить моделі працювати з повною вибіркою та краще розуміти поведінку та потреби клієнтів.
2. Вибір платформи. Ретельно обрати інструмент для впровадження рекомендаційних моделей. Важливо врахувати здатність платформи обробляти великі обсяги даних, налаштовувати сценарії персоналізації та інтегруватися з різними каналами комунікації. Краще обрати інструмент, що дозволить масштабувати рішення за потреби.
3. Налаштування моделі. Цей етап потребує найбільшого стратегічного залучення — тут важливо визначити ключові параметри, на яких базуються рекомендації, сформувати сегменти аудиторії та обрати типи пропозицій, з яких розпочнеться робота з рекомендаційними моделями.
4. Тестування та оптимізація. Запустіть A/B тестування для різних сегментів аудиторії, перевірте ефективність рекомендацій і, за необхідності, оптимізуйте їх, виходячи з результатів дослідження. Переконайтеся, що все працює коректно і приносить необхідні результати.
5. Масштабування. Для більшої ефективності товарні рекомендації варто використовувати не лише для email-розсилок, а у всіх каналах взаємодії з клієнтами: на сайті, у мобільному застосунку, SMS та Viber-розсилках та інших директ-каналах. Масштабування моделі дозволяє значно підвищити рівень персоналізації та збільшити лояльність клієнтів.

Разом з тим, під час впровадження моделі рекомендацій можливі певні труднощі. Ось основні з них.

• Складність інтеграції. Особливо для компаній, що не мають глибокого досвіду в роботі з великими даними та АІ. Важливо співпрацювати з досвідченими провайдерами, які надають підтримку на всіх етапах — від налаштування інфраструктури до інтеграції системи з існуючими процесами.
• Недостатність даних. Щоб модель працювала ефективно, необхідно мати великий обсяг різноманітних даних про клієнтів. Однак для багатьох компаній це може бути викликом. Рішенням стане використання Customer Data Platform, яка збирає, уніфікує, сегментує та активує дані аудиторії. Також у випадку браку даних важливо обрати інструмент АІ, здатний працювати з неповними даними, зберігаючи при цьому точність рекомендацій. Тут описана інструкція по вибору платформи для роботи з клієнтськими даними, також можна завантажити детальний RFP для підрядника.
• Опір команди змінам. Нові технології часто викликають спротив у працівників через страх складнощів або незрозумілість інструментарію. Важливо забезпечити навчання команди та чітко продемонструвати переваги такої моделі та швидкі результати від впровадження. Це мотивуватиме команду та полегшить подальші етапи адаптації до нової системи.

Основні висновки

Масові розсилки стають набагато ефективнішими з використанням персоналізації на базі штучного інтелекту. Завдяки предиктивній сегментації та товарним рекомендаціям на основі АІ, бізнеси можуть якісніше відповідати на потреби клієнтів, що покращує взаємодію та призводить до зростання конверсії.

Використання оновленої рекомендаційної моделі клієнтами CDP eSputnik вже змінює ринок, дозволяючи бізнесам досягати нового рівня ефективності. Врахування поведінкових даних та послідовність дій користувачів забезпечує високу релевантність рекомендацій та покращує клієнтський досвід.

Впровадження AI — це ключ до збереження конкурентоспроможності та досягнення вражаючих результатів в ecommerce. Треба починати досліджувати та впроваджувати інновації вже сьогодні, аби збільшити прибуток та зміцнити свої позиції на ринку. А щоб це було максимально вигідно для бізнесу — CDP eSputnik дарує знижку в 25% на всі річні тарифи за промокодом CDP-BF-2024. Пропозиція діє до 29 листопада 2024 року.