Предсказательная аналитика помогает бизнесу легче понять целевую аудиторию и выбрать эффективные способы повлиять на ее поведение. Раньше компании могли только анализировать историю покупок клиента вручную и делать ему подходящие предложения. С появлением предиктивного анализа они получили новый инструмент: ИИ-модели, которые предсказывают покупательское поведение с точностью до 85%, рассказывает Владимир Кичатов, директор по маркетингу «Телфин».

Предиктивная аналитика — это методика предсказания будущих событий, и в частности поведения клиентов, на основе анализа исторических данных. Строить гипотезы о спросе и покупательной способности компании могли всегда, в том числе с помощью SWOT-анализа и описательной статистики. Но появление больших языковых моделей сделало этот процесс многократно легче и точнее. Раньше не было возможности так быстро статистически обрабатывать большие массивы данных, как это делают сегодня нейросети. Анализируя бигдата, ML-алгоритмы  выявляют поведенческие паттерны и логические зависимости событий. Затем они строят предсказательные модели, прогнозируя события  (покупки) и их характеристики (цены). При этом различные алгоритмы могут быть настроены на решение разных типов задач в зависимости от потребностей бизнеса. 

Задачи, которые решает предиктивный анализ  

Одно из главных преимуществ предиктивной аналитики в том, что с ее помощью можно делать достаточно узконаправленный анализ, сегментируя аудиторию вплоть до отдельного клиента. Образно говоря, микросегментом, объектом анализа в данном случае является личность. А его результаты, данные о поведении и характеристиках клиента, становятся основой для создания и применения новых инструментов гиперперсонализированного маркетинга. Это позволяет в хорошем смысле манипулировать клиентом и повышать продажи. Предиктивная аналитика используется во многих сферах бизнеса, однако эффективнее всего она на сегодняшний день применяется в онлайн-ритейле и в крупных продуктовых сетях, где есть много данных о поведении клиентов за долгий период. 

Алгоритм работы предиктивной аналитики

На первом этапе в предикативном анализе ставятся задачи, которые необходимо решить. Это могут быть рост среднего чека, сокращение оттока клиентов, повышение эффективности рекламной кампании с ее оценкой по заданным параметрам и другие. Для их решения используются различные инструменты, такие как прямая реклама, промоакции, направленные на узкий сегмент целевой аудитории или даже на конкретного человека. Именно предиктивная аналитика создает условия для того, чтобы все эти инструменты использовались с максимальной эффективностью. 

Затем собираются данные о клиентах и их покупках (о количестве покупок и, по возможности, об их датах), о просмотрах карточек товара, о действиях с корзиной и избранным, переходах к просмотру отзывов, о самых просматриваемых товарах и страницах. Кроме того, в предиктивной аналитике задействуются также данные и характеристики клиентов по полу, возрасту, месту проживания — на их основе модели будут предсказывать поведение других представителей целевой аудитории, которые, возможно, совершили лишь одну покупку. Данные для обработки с помощью алгоритмов компании берут из разных источников: в первую очередь это CRM, ERP, кассовые системы. Кроме того, данные могут поступать из систем телефонии, таких как виртуальные АТС, где фиксируются записи звонков, продолжительность разговоров и эмоциональный тон. Эти метрики позволяют ML-алгоритмам учитывать не только покупки, но и прямые взаимодействия с клиентами, повышая точность прогнозов поведения.

В целом модели машинного обучения способны оценивать до 1000-2000 характеристик. Эти данные позволяют строить прогнозы будущих действий покупателя, так как у ИИ уже есть представления о его предпочтениях, привычках и, например, типичных реакциях на прежние промоакции. 

В зависимости от результатов предиктивного анализа  строятся сценарии рекламных кампаний, которые могут быть нацелены на узкие сегменты целевой аудитории. Для разных групп клиентов используются свои методы: от простого информирования до персонализированных рассылок с предложением товара или услуги, скидок и бонусов. 

Перед полноценным запуском рекламных кампаний, предложенных ИИ, всегда требуется период пробных внедрений, их мониторинга и итераций, для чего проводится A/B-тестирование. 

Как предиктивная аналитика подводит клиентов к покупке 

Рекламные кампании, разработанные с помощью предиктивной аналитики, позволяют, например, существенно повысить онлайн-продажи: конверсия лидов в покупателей может составлять примерно 20-40%. Вовремя сделанное напоминание о распродаже, отправленная ссылка на товар, попап с предложением скидки заставляют клиентов задерживаться на сайте, возвращаться на него и покупать. Например: клиент заходит на сайт и проводит на нем какое-то время. Взяв данные о его поведении за исторический период, ИИ-модели способны предсказать с высокой вероятностью, что этот человек и в следующую сессию не сделает покупки. Значит, ему необходимо показать рекламный попап со скидкой на товар, которым он интересуется. При этом предложение должно быть ограниченным по времени действия — это стимулирует к покупке. 

Другой вариант повышения продаж с помощью предиктивного анализа: модели обрабатывают данные обо всех товарах и чеках конкретного интернет-магазина и определяют, какие из них обычно покупаются вместе. Затем покупателю предлагается подборка сопутствующих товаров: рассылкой или с помощью баннеров при оформлении заказа в корзине. 

Особенно хорошо работает предиктивная аналитика для продуктового ритейла, крупных сетей. Благодаря данным из программ лояльности они получают доступ к долгой и подробной истории взаимодействия с конкретным клиентом. У них есть возможность видеть его покупки в динамике. Насколько высока частота покупок, настолько же и более точными становятся предиктивные модели. Например, с их помощью можно сегментировать группы покупателей, которым не стоит предлагать скидки на базовые продукты, которые они постоянно покупают. Это позволит бизнесу избежать ненужных затрат. Зато этой же категории посетителей имеет смысл предложить новые марки предпочитаемых ими продуктов, что с высокой вероятностью заставит их расширить свою корзину. Причем благодаря геолокации возможно информировать посетителей о новых предложениях и акциях с помощью пуш-уведомлений в тот момент, когда они находятся в магазине. Особенность предиктивной аналитики как раз в том, что буквально для каждого покупателя с ее помощью можно составить индивидуальный пул каналов коммуникаций и предложений, которые будут доставлены ему в оптимальное время.

Ошибки и риски в предиктивной аналитике

Самый важный этап при настройке систем предиктивной аналитики — подготовительный. Именно во время сбора данных, которые требуются моделям для построения прогнозов, могут происходить сбои и искажения. Если используются устаревшие данные, то общая точность предиктивных моделей снижается с 80 до 70-75%. Самый простой пример: человек переехал, а модель порекомендует предлагать ему скидки в расположенном рядом офлайн-магазине. Однако еще более сложная проблема — недостаток адекватных данных для обучения моделей и построения прогнозов в принципе. Если компания еще не набрала достаточную аудиторию и работает недавно, ей лучше не заниматься предикативным анализом, потому что точности добиться не получится, и затраты на внедрение ИИ не оправдаются. В таком случае лучше использовать доступные любой компании способы автоматизации маркетинга для совершенствования рекламных кампаний. 

Однако модель всё равно не будет работать со стопроцентной точностью, даже если в нее загрузить проверенные и обширные данные. Погрешности неизбежны, но вот уровень снижения точности можно контролировать с помощью постоянной валидации данных. Идеала нет, потому что иначе многие вещи оказались бы слишком просты, и каждый мог бы, например, предсказывать поведение курсов валют и котировок акций. Понятие риска, которое сопровождает любой бизнес, ушло бы в прошлое. Пока это не так. 

Как оценивать результативность предиктивной аналитики

Обычно для этого используется методика оценки воздействия рекламных сообщений на разные целевые группы. Аудитория делится на части, для каждой инициируется своя рекламная кампания и проводится оценка ее эффективности. При этом одна группа становится объектом еще и для дополнительного слоя активностей, связанных с гиперперсонализированным маркетингом. Здесь возможны неожиданные эффекты: например, запущенная на отдельный товар скидка приведет целевую аудиторию в офлайн-магазины. Там покупатели могут оставить больше денег, чем планировалось, купив сопутствующие товары и расширив корзину.

Предиктивная аналитика эффективна при организованных коммуникациях  

Предиктивная аналитика помогает найти подход к каждому клиенту, снизить число уходов с сайта без покупки и брошенных корзин, повысить продажи в офлайн-магазинах за счет информирования о скидках и акциях, и появлении новых марок. Однако чтобы применять ее эффективно, необходимо постоянно собирать и хранить данные о покупках и клиентах. Для этого в компании должны быть выстроены интегрированные коммуникации и системы, позволяющие хранить информацию о клиентах и их взаимодействии с бизнесом. Как минимум, в компании  должны быть ВАТС и CRM, интегрированная с телефонией и мессенджерами. Иначе ценные данные будут теряться, а значит, компания не сможет добиться точности предсказательного анализа.