Что мы любим больше всего в сфере услуг? Когда к нам относятся индивидуально. Это повышает и нашу лояльность, и вовлеченность, а за ними растет и средний чек. Но насколько такое отношение возможно, если услуга потоковая и рассчитана на большое количество клиентов? Технологии машинного обучения позволяют их изучить и сделать лучшее кастомизированное предложение для конкретного человека. Этим приемом воспользовалась сеть фитнес-клубов с нашей помощью.

Вовлеченность ведет к увеличению LTV. Эту мысль подтвердили и исследования, которые мы провели. Проанализировав свою клиентскую базу, компания пришла к выводу, что люди, которые помимо абонемента покупают и другие услуги фитнес-клуба, чаще возвращаются, чтобы продлить годовое членство и их индекс удовлетворенности выше (NPS).

Как мы это поняли? Мы построили модель оттока клиентов воспользовавшись историей за несколько лет и проанализировали основные факторы, которые влияют на лояльность клиентов в виде предикторов в модели.
Получился следующий список:

• Частота потребление дополнительных услуг
• Длительность визита
• Наличие персонального тренера
• Количество дней заморозки
• Потебление услуг СПА

Всего мы использовали более 100 предикторов, но значимость указанных была максимальной. Примерно такой же список был получен и при прогнозе NPS на уровне клиента. Соответственно, появился довольно очевидный на самом деле вывод — увеличение точек и частоты контакта приводит к увеличению «срока жизни» клиента и росту NPS (последнее, кстати, менее очевидно).

В обратную сторону вывод получился таким: увеличивая продажи дополнительных услуг, мы не только увеличиваем средний чек, но и повышаем LTV и NPS. Логичный вывод — давайте продавать больше дополнительных услуг). Для этих целей было решено сделать рекомендательную систему.

Почему рекомендательную, а не CRM?

• Требовалась полная автоматизация формирования предложений с минимальный участием человека
• Требовалась простая интеграция во все основные каналы и точки контакта: личный кабинет, сайт, приложение, reception и wifi в клубах
• Требовался охват всей клиентской базы без «дыр» в охвате, которые дает классический CRM за счет узкого профильного таргетирования
• Требовалась простая интеграция во все основные каналы и точки контакта: личный кабинет, сайт, приложение, reception и wifi в клубах
• Требовался охват всей клиентской базы без «дыр» в охвате, которые дает классический CRM за счет узкого профильного таргетирования

Мы внедрили рекомендательную систему собственной разработки: использовали достаточно много кастомной разработки и не полагались на стандартные методы типа ALS. Основной задачей было сделать рекомендательную систему настраиваемой для разных социальных и поведенческих групп для преодоления проблем с недостатком данных и холодным стартом.

Так как далеко не по всем клиентам была доступна история потребления дополнительных услуг, то при формировании рекомендаций необходимо было учитывать соц. дем и анкетные данные, а также данные, которые можно было получить как признаки из истории посещения клуба.

От высоких технологий к реальной жизни

Рекомендательная системы дает рекомендации, но их нужно еще правильно донести клиентам. Для предложений были использованы различные каналы: личный кабинет на сайте, мобильное приложение, Wi-Fi в клубах, устные рекомендации в самом пространстве фитнес-клуба и на стойке ресепшен. С электронными каналами оказалось договориться проще, чем с людьми.

Из курьезных случаев: система порекомендовала услугу окраски волос для мужчины, сотрудники забраковали предложение, а позже оказалось, что мужчина действительно прибегает к окраске волос. Так что для мотивации персонала были изменены KPI сотрудников клуба.

А теперь перейдем к цифрам, немного сухим, но приятным. Потребление дополнительных услуг выросло в среднем на 10% на одного клиента. Отток снизился на 14%. Самое главное, клиенты клуба, кто воспользовался рекомендациями, стали пользоваться на 58% больше услугами компании в целом.

Кстати, о разработке рекомендательных систем мы рассказываем в нашем курсе для аналитиков, который начнется 23 сентября. А про разработку проектов на основе ИИ можно сюда.