Вернуться назад

Уменьшение оттока клиентов в сети ресторанов быстрого питания

Перед компанией стояла задача кластеризовать клиентскую базу сети пиццерий для улучшения аналитики продукта, формирования маркетинговых активностей и снижения оттока клиентов.

Несмотря на активное расширение за счёт открытия новых пиццерий и положительной юнит экономики у компании был ряд сложностей с анализом клиентской базы, прогнозирования выручки, отсутствовал инструмент для быстрой проверки гипотез.


Подготовительный этап

На ознакомительном этапе работ был сделан поверхностный анализ качества данных. Изучение показало, что хотя в данных есть определённые неточности, в частности в ряде заказов есть ошибки по времени доставки (ноль или более суток), данных из CRM достаточно для работы, они неплохо структурированы, а ошибки можно будет отфильтровать и скорректировать на них результат.

Также сразу были сделаны определённые выводы по эффективности применения промокодов и подарочных сертификатов и отвергнуты некоторые гипотезы по возможным причинах ухода клиентов (было выявлено, что нет заведомо “невкусной” пиццы).

После этого было принято решение о реализации полноценного проекта.


Реализация проекта

Перед использованием моделей машинного обучения была проведена предобработка данных:

  • были отсеяны служебные заказы,
  • созданы фильтры для отменённых заказов,
  • разделены заказы в ресторане и с доставкой,
  • сделана другая предварительная работа с данными.

Как и в любой задаче машинного обучения в данной задаче были важны синтетические параметры - параметры, которые являются производными от изначальных данных (например, простые - среднее время между заказами, время прошедшее с последнего заказа или такой экзотический как синус угла наклона кривой частоты заказов).

За время нашей работы с рекомендательными системами, вариантов подобных параметров для разных категорий бизнеса было протестировано большое множество, поэтому в рамках продукта Celado Unchurn данная задача решается гораздо быстрее, чем если делать с нуля.

Для представления результатов в BI системе Qlik Sense был разработан персональный дашборд, отражающий как общие параметры бизнеса (выручку по пиццериям и видам заказов), так и листы с кластеризацией клиентов по вероятности оттока и для планирования маркетинговых активностей.

Кроме склонности к уходу, были также выделены группы клиентов -

  • вегетарианцы,
  • заказывающие пиццу на работу,
  • заказывающие пиццу домой,
  • пользователи промо,
  • пользователи сертификатов,
  • Были выделены 9 сегментов по LTV.

  •  

Подобная сегментация позволила делать более персонализированные обращения к клиентам.

Дополнительно были составлены тепловые карты по географии заказов для выявления мест для открытия новых филиалов сети.

В завершении к дашбордам были подключены данные из google analytics, по которым можно было анализировать, по каким рекламным каналам приходят клиенты с большим LTV.


Проверка качества прогноза оттока

Для проверки качества определения склонности клиентов к оттоку, клиентом была запланирована тестовая промо.

В каждую из групп “Ушедшие”, “Активные”, “Уходящие” были разосланы смс сообщения с промо кодом.

Как и ожидалось наибольшую активность показала группа “активные”, так как они бы в любом случае совершили покупку, активность группы ушедшие была менее 5 % процентов, активность “уходящих” была чуть ниже активных и у них был ниже средний чек, однако существенно выше тех, кто в соответствии с нашими алгоритмами окончательно ушёл.

Выборочное телефонное интервью с “уходящими” показало, что это были люди, которые в целом довольны пиццей, но либо заказывают в разных местах от случая к случаю, либо имеют ограниченный бюджет на заказ еды в ресторане. То есть как и предполагалось, небольшая скидка или другой бонус подтолкнули этих людей к заказу.

За первые несколько месяцев отток был снижен на 9%, средний чек был увеличен на 15%. Увеличение среднего чека оказалось побочным положительным эффектом внедрения. Это было особенностью поведения клиентов при получении промо-кодов, что было выявлено на стадии первоначальной проверки данных и гипотез.


Почему это важно?

Одним из важных факторов, влияющих на продолжительность покупок клиентом, является то, сколько времени этот клиент уже покупает. То есть разовые покупки через небольшое время превращаются в привычку (особенно, если это подкрепляется хорошими программами лояльности). Таким образом если в нужный момент подтолкнуть колеблющегося клиента к покупке, то это даст не только разовую покупку, но и сделает его более лояльным и с большой вероятностью он продолжит покупать продукт без дополнительных стимулов.

Другие статьи по этой теме

Прогнозирование и сокращение оттока клиентов с помощью машинного обучения

Становится одним из ключевых направлений бизнеса.

Система прогноза оттока клиентов

Как прогнозирование может обеспечить безопасность ценных клиентов

Контакты
ООО Селадо

г. Москва, метро Павелецкая, Павелецкая набережная д. 2 стр 3, офис 106, БЦ LoftVille

+7 (495) 003-91-37
Свяжитесь с нами: