Autor: Daniel Szulc

Zainteresowanie tematem sztucznej inteligencji (AI) nie słabnie. Niemalże każdego dnia pojawiają się zapowiedzi kolejnych przełomów w tej dziedzinie. Publiczność najbardziej ekscytuje się osiągnięciami tzw. generatywnej AI. Są one najbardziej spektakularne i wywierają największe wrażenie. Rozmowa z komputerem w języku naturalnym, komputer malujący obrazy albo tworzący film na podstawie podanego mu scenariusza przemawiają do wyobraźni.  Warto jednak pamiętać, że AI to także bardziej prozaiczne modele, które, działając w tle i bez przykuwania aż tak wielkiej uwagi, odgrywają istotną rolę w wielu procesach biznesowych w tym także w marketingu. Zdarza się, że nie przynoszą jednak spodziewanych korzyści a ich działanie bywa rozczarowujące. Jakie błędy mogą przyczyniać się do takich sytuacji i co zrobić, aby ich uniknąć?

Niewłaściwie sformułowany problem

Zdarza się, że już na samym początku projektu AI pojawia się fundamentalny kłopot. Jest nim wyraźny rozdźwięk między rzeczywistą potrzebą biznesową a definicją problemu, do którego rozwiązania zabiera się zespół AI. Przykładowo zespół marketingowy stawia sobie za cel zmniejszenie liczby odchodzących klientów. Zamierza wykorzystać do tego specjalną akcję obejmującą kupony z atrakcyjnymi rabatami. Naturalnie budżet na te działania jest ograniczony. W pierwszym kroku zespół chce zidentyfikować klientów najbardziej zagrożonych rezygnacją.

Zleca więc komórce AI opracowanie modelu szacującego prawdopodobieństwo odejścia dla każdego klienta. Team AI wywiązuje się ze swojego zadania znakomicie. Buduje model o bardzo dużej dokładności predykcji. Dział marketingu postanawia więc wykorzystać model i kwalifikować do akcji osoby o największym prawdopodobieństwie odejścia aż do wyczerpania budżetu. Akcja się odbywa. Całkiem dużo zagrożonych konsumentów zostaje. Wszyscy mają poczucie dobrze wykonanej pracy i racjonalnie wykorzystanego budżetu. Czy jednak rzeczywiście budżet został wykorzystany optymalnie? Czy można było coś zrobić lepiej? Okazuje się, że tak.

Zamiast prawdopodobieństwa odejścia można było przewidywać szansę pozytywnej reakcji na akcję. Z pozoru drobna różnica. Może jednak przynieść diametralnie lepsze efekty. W zastosowanym wariancie kwalifikowano osoby najbardziej zagrożone. Wśród nich były jednak osoby, których nie da się przekonać do pozostania żadną akcją. Są to bardzo często właśnie osoby ze szczytu listy zagrożonych – sfrustrowane obsługą klienta, rozczarowane jakością produktu, już od jakiegoś czasu poszukujący alternatywnego dostawcy. Wykorzystując budżet na tych konsumentów, pominięto konsumentów o nieco niższym (ale wciąż wysokim) ryzyku, którzy były jednak bardziej podatne na zmianę decyzji dzięki przeprowadzonej akcji. Pewna cześć budżetu została zmarnotrawiona na próbę przekonania tych, których przekonać się nie dało. Równocześnie nie wykorzystano możliwości przekonania tych, na których decyzję można było jeszcze wpłynąć. Lepsze, bardziej precyzyjne zdefiniowanie problemu w kontekście oczekiwanego efektu biznesowego pozwoliło by na skorzystanie w dużo większym stopniu z możliwości jakie daje zastosowanie algorytmów AI.

Niewłaściwe mierniki sukcesu

W wielu sytuacjach przyjęcie niewłaściwych wskaźników może prowadzić do błędnych decyzji. Bywają one związane także z rezygnacją z narzędzi, które. Jedna z prężnie działających na rynku polskim firm dysponowała zbudowanym specjalnie dla niej systemem predykcyjnym AI pozwalającym na spersonalizowną rekomendację oferty, która miała być zawarta w wysyłanym mailingu. Firma miała bardzo szerokie portfolio produktów i wiele konkurujących ze sobą ofert. Stworzony system miała za zadanie dobierać relewantną dla danego konsumenta i jednocześnie maksymalizującą możliwy do osiągnięcia zysk, komunikację. Chodziło także o to, by nie bombardować konsumenta zbyt dużą liczbą komunikatów. Główną obawą była rezygnacja z otrzymywania mailingów przez „zaspamowanych” klientów. Szczycono się tym, że wskaźnik „unsubscribe” utrzymuje się na bardzo niskim poziomie. W warunkach silnej presji wyników sprzedażowych, zaczęto jednak postrzegać limitowanie liczby komunikatów jako przeszkodę w realizacji celów. Managerowie przypuszczali, że zwiększenie liczby wysyłanych wiadomości przyniesie większą sprzedaż. Obawiano się jedynie zwiększonego odsetka rezygnacji z subskrypcji.

Przeprowadzony został quasi-eksperyment, polegający na zwiększeniu liczby komunikatów przy jednoczesnej obserwacji wskaźników sprzedażowych oraz odsetka rezygnacji. Sprzedaż wzrosła a podwyższenia wskaźnika odejść nie zaobserwowano. Zachęciło to dalszego zwiększania liczby komunikatów aż do całkowitej rezygnacji z utrzymywania wspomnianego narzędzia AI. Firma zrobiła więc krok wstecz. Model został odrzucony na rzecz „eksperckiego” kwalifikowania konsumentów do komunikacji. Pozostający na stabilnym poziomie odsetek rezygnacji utrzymywał decydentów w przekonaniu, że liczba wysyłek, oczywiście jeśli pozostanie w jak to ujęto „granicach zdrowego rozsądku”, nie zniechęca klientów do subskrybowania. Głosy zespołu data science, który próbował przekonać do szerszego spojrzenia na problem, zostały zignorowane. Popełniono szkolny błąd.

Managerowie zignorowali uwidaczniający się spadkowy trend wskaźnika otwarć (open rate). Zaawansowany model został odrzucony i uznany za zbędny koszt. Nie wzięto pod uwagę, że konsumenci mogą być do tego stopnia przesyceni, że zaczynają ignorować wiadomości od tego nadawcy. Przestają je otwierać, a co za tym idzie, nie dbają także by kliknąć w link „wypisz mnie”. Możliwość utrzymania długotrwałej relacji i możliwości generowania zysków z komunikacji w przyszłości, poświęcono na rzecz krótkotrwałego efektu sprzedażowego.

Błędy w komunikacji pomiędzy zespołem marketingowym a zespołem AI

Wspólnym mianownikiem obu przytoczonych wcześniej sytuacji jest w istocie brak odpowiedniej komunikacji między zespołem marketingu a zespołem AI. W pierwszym przypadku można było przekazać do zespołu AI więcej informacji dotyczących celu biznesowego i kontekstu (w tym także ograniczeń budżetowych) projektu. Dałoby to szansę na bardziej adekwatną definicję problemu i pełniejsze wykorzystanie możliwości, jakie daje zaawansowane modelowanie. W konsekwencji przełożyłoby się to na lepsze wykorzystanie budżetu i wyższe ROI. W drugim przypadku należało przyłożyć większą wagę do zgłaszanych przez zespół AI wątpliwości co do definicji problemu i przyjętego miernika. Pozwoliłoby to na uniknięcie, kosztownej w dłuższym okresie, błędnej decyzji o powrocie do starych metod i odrzuceniu potencjału AI.

Sukces projektu i pełne wykorzystanie możliwość AI wymaga dobrej komunikacji i współdziałania ekspertów od marketingu z ekspertami AI. W osiągnięciu takiego stanu może pomóc unikanie następujących błędów:

• zbyt ogólnie zdefiniowany cel biznesowy („chcemy ograniczyć liczbę odchodzących klientów” to o kilka poziomów szczegółowości za mało),
  
  
• nieostre definicje fundamentalnych pojęć (niekiedy wyzwaniem jest zdefiniowanie co to znaczy, że klient odszedł),
  
  
• brak określenia kontekstu i rzeczywistego celu biznesowego w briefie przekazywanym do zespołu AI,
  
  
• ukrywanie przez zespół marketingowy przed zespołem AI braków w zrozumieniu specyfiki i możliwości rozwiązań AI,
  
  
• związane z powyższym nadmierne oczekiwania wobec rezultatów projektu albo uznanie z góry, że AI nie może pomóc w rozwiązaniu danego problemu marketingowego,
  
  
• ukrywanie przez zespół AI przed zespołem marketingowym braków w rozumieniu zagadnień z dziedziny marketingu i kontekstu projektu,
  
  
• związane z powyższym ograniczenie się zespołu AI do literalnej interpretacji dostarczonego briefu,
  
  
• posługiwanie się „nowomową” branżową,
  
  
• nadmierne skupienie się na technikalniach kosztem utraty przez zespół AI perspektywy biznesowej i realnego celu projektu.
  

Podsumowanie

Przytoczone w artykule przykłady to tylko wierzchołek góry lodowej. Niektórzy mogą postrzegać obie sytuacje jako proste, wręcz szkolne błędy. To dobrze. To znaczy, że są już na wyższym poziomie rozumienia specyfiki pracy z projektami AI. Tam także jednak czyhają pułapki. Dla innych nawet te dwa przytoczone przykłady mogą otwierać oczy, skłonić do refleksji i poszukać podobnych problemów we własnych projektach. To też dobrze. To znaczy, że stawiają kolejny ważny krok na drodze do pełniejszego wykorzystania potencjału jaki drzemie w marketingowych zastosowaniach AI. W każdej sytuacji należy pamiętać, że do zastosowania AI z sukcesem potrzebna jest dobra komunikacja i współpraca zespołu data science/AI z zespołem marketingowym.

(R)ecency, (F)requency, (M)onetary value to klasyka analizy marketingowej. Wszyscy to znamy. Wielu z nas korzysta. Każdy z nas rozumie. Czy jednak na pewno? Analiza RFM ma bez wątpienia wiele zalet i dlatego też jest w użyciu już od wielu lat. Warto poznać jednak także jej wady i ograniczenia. Po to by stosować ją właściwie i nie usiłować rozwiązywać przy jej pomocy problemów, których nie jest w stanie rozwiązać.

RFM w praktyce

Podejście RFM jest metodą segmentacji klientów, która opiera się na trzech głównych wskaźnikach:

• Recency (ostatni zakup): określa, jak (nie)dawno klient dokonał zakupu.
• Frequency (częstotliwość zakupów): mierzy, jak często klient dokonuje zakupów.
• Monetary (wartość zakupów): określa, ile klient wydaje podczas każdego zakupu.

Zakładając, że mamy dane o transakcjach klientów, dla każdego z nich obliczamy wartość trzech wymienionych wcześniej wskaźników (R, F, M). Następnie wartości dla każdego wskaźnika dzielimy na grupy (przykładowo 3), gdzie grupa I to czołowa 1/3 klientów pod względem danego wskaźnika, grupa II do środkowa 1/3 klientów, a grupa III to najsłabsza 1/3 klientów. Dla lepszego zrozumienia rozważmy przykład konkretnego klienta. Klient ten ostatnio dokonał zakupu 15 dni temu, a więc całkiem niedawno. Kupuje średnio 2 razy w miesiącu, co w przypadku tej bazy konsumentów jest wysoką częstotliwością. Jego średni paragon jednak to zaledwie 50 zł, co jest na tle innych klientów stanowi bardzo niską wartość.

Nasz przykładowy klient jest zatem w czołowych grupach pod kątem R i F oraz w najsłabszej grupie ze względu na M. Może go zatem oznaczyć R-1, F-1, M-3. Przy takim podziale konsument może trafić do 1 z 27 segmentów (3R x 3F x 3M = 27) Warto zaznaczyć, że dla każdej grupy kategoryzować można również na więcej niż 3 przedziały. Wszystko zależy od tego, ile segmentów RFM chcemy uzyskać. Jak już wspomniałem wcześniej – przy podziale na 3 uzyskujemy 27 segmentów. Przy podziale na 4 mamy 64 segmenty. Jeśli będziemy dzielić na 5 to liczba segmentów wzrośnie aż do 125. Przy podziale na 6 uzyskamy 216 segmentów, a jeśli zakres każdej z 3 zmiennych zdecydujemy się dzielić na 10 przedziałów to łączna liczba segmentów osiągnie aż 1000.

Jakie zalety ma RFM?

Wśród zalet podejścia RFM możemy wskazać m.in.:

• Prostota i łatwość interpretacji –  wynika z niewielkiej liczby zmiennych (trzy), prostego do wytłumaczenia sposobu przeprowadzenia analizy i co za tym idzie intuicyjnej interpretacji  powstających segmentów.
• Relatywna szybkość przeprowadzenia analizy.
• Brak konieczności posiadania specjalistycznego oprogramowania.
• Stosunkowo niskie wymagania, co do znajomości metod statystycznych.

Do czego prowadzi prostota analizy RFM?

Niestety wymieniona wśród zalet prostota, jest źródłem także jednej z najistotniejszych wad podejścia RFM. Ograniczenie liczby wymiarów do 3 (R,F,M) ułatwia interpretację wyników, ale jednocześnie zawęża powstający w ten sposób profil konsumenta. Podsumowanie aktywności transakcyjnej konsumenta przy pomocy 3 liczb, jest często zbyt daleko idącym uproszczeniem. Może dawać bardzo zniekształcony (a wręcz zafałszowany) obraz klienta. Ilustruje to poniższy przykład.

Diagram pokazuje czterech klientów z zauważalnie różnymi wzorcami zakupowymi, ale identycznymi cechami pod względem ostatniego zakupu, częstotliwości zakupów i stażu (pierwszego zakupu).

Ten sam problem dotyczy także wartości wydatków. Klient, który wydaje zawsze 50 zł i klient, który wydaje raz 1 zł a raz 99 zł, będą mieli taką samą średnią wartość paragonu.

Kolejnym ograniczeniem metody RFM jest pomijanie pozatransakcyjnych aspektów zachowań konsumentów. Chociażby takich jak interakcje z kierowaną do nich komunikacją marketingową, kontakty z różnymi punktami styku z firmą (np. reklamacji, telefonów do call center) czy aspekty demograficzne (np. w niektórych branżach częstotliwość i wydatki mogą się zmieniać wraz z wiekiem).

Wśród ograniczeń RFM warto wskazać również skupienie na historii. RFM podsumowuje zachowania zakupowe konsumentów od pewnego do pewnego momentu. Pomaga posegmentować klientów w oparciu o ich przeszłe transakcje. RFM nie mówi jednak nic o ich przyszłych zachowaniach. Sam w sobie nie ma żadnej mocy predykcyjnej.

Istnieją rozmaite wariacje i rozwinięcia modelu RFM. Dodawane są do niego nowe zmienne (np. RFD, RFE, RFM-I) lub modyfikowany jest sposób ich kalkulacji.  Celem jest przezwyciężenie wspomnianych wcześniej ograniczeń. Nie zmieniają one jednak fundamentalnego problemu a więc próby opisania złożonych zachowań konsumentów przy pomocy kilku zagregowanych liczb.

Na czym polega pułapka RFM?

RFM może stać się więc pułapką przede wszystkim, gdy:

• jest głównym (lub wręcz jedynym) narzędziem, jakie wykorzystujemy do analizy oraz planowania strategii i działań komunikacyjnych.
• Wyniki RFM są nadinterpretowane tzn. wyciągane są z nich wnioski, do których metoda ta nie daje podstaw.

W pierwszym przypadku pomijamy istotną część danych o konsumentach jakie można by wykorzystać, pracujemy w oparciu o bardzo wąski obraz konsumenta i ryzykujemy połączenie w ramach jednego segmentu konsumentów o zupełnie odmiennych wzorcach zachowań.

Drugi przypadek dotyczy przede wszystkim wykorzystywania RFM do predykcji przyszłych zachowań konsumentów zwłaszcza na poziomie mikro. Manifestować się to może m.in. w zakładaniu, że konsument osiągający najwyższe wartości wskaźników RFM będzie w przyszłości utrzymywać się w najlepszym „segmencie” . To oczywiście może być prawda. Nie decydują o tym jednak wyłącznie przeszłe zakupy, ale wiele innych czynników, których RFM, co do zasady nie uwzględnia.

Jakie są alternatywy dla RFM?

Jak już zauważyliśmy wcześniej główne ograniczenia wykorzystania podejścia RFM sprowadzają się do:

• Zbyt uproszczonego obrazu konsumenta i tym samym dużego ryzyka błędu segmentacji.
• Braku możliwości predykcji zachowań konsumentów.

Do rozwiązania pierwszego problemu znakomicie nadają się segmentacje wielowymiarowe oparte o uczenie maszynowe. W ich przypadku liczba uwzględnianych czynników może być niemal nieograniczona. Segmenty są definiowane w sposób algorytmiczny. W taki sam sposób przypisywani są też do nich konsumenci. Kosztem większej szczegółowości jest nieco trudniejsza interpretacja. Doświadczony analityk potrafi jednak zwizualizować segmenty w taki sposób, aby były łatwo rozumiane przez menedżerów.

Problem predykcji najlepiej rozwiązywać przy pomocy dedykowanych do tego metod i algorytmów budowy modeli predykcyjnych. Modele takie nie tylko ograniczają się do analizy danych historycznych ale rozpoznają specyficzne wzorce zachowań pozwalające na predykcje przyszłości. Predykcja taka może być prowadzona na poziomie pojedynczego konsumenta (a nie segmentu) i pozwalać na pełną personalizację działań. Wśród konkretnych metod warto tutaj wspomnieć o modelach sekwencji zachowań opartych o głębokie uczenie maszynowe.

Podsumowanie

Znany i popularny model RFM może być bardzo użytecznym narzędziem. Pod warunkiem jednak, że będzie właściwie interpretowany i stosowany ze świadomością jego ograniczeń. To świetne narzędzie, żeby spojrzeć na bazę konsumentów „z lotu ptaka”. Gdy zależy nam jednak na bardziej szczegółowym obrazie oraz predykcji przyszłych zachowań konsumentów, należy zwrócić się w stronę narzędzi wyspecjalizowanych do rozwiązywania tego typu problemów.

Gdy pod koniec 1971 roku Ray Tomlinson, amerykański inżynier i programista, wysłał pierwszą w historii wiadomość email, nie mógł sobie zdawać sprawy z tego, jakie zastosowania znajdzie jego wynalazek. A już na pewno nie pomyślałby, że ktoś przy pomocy tego typu wiadomości będzie przekonywał innych do kupowania swoich produktów. Jednak, ponad 50 lat od pierwszej wiadomości, email marketing jest jednym z najważniejszych kanałów komunikacji marketingowej. Wyzwaniem pozostaje natomiast utrzymanie skuteczności tego kanału. Mogą w tym pomóc narzędzia AI. Zanim jednak zacznie się je stosować, warto zadać sobie pytanie od czego należy zacząć?

Skuteczny email marketing – jak zacząć?

Wiem, że to co zaraz napiszę, zwłaszcza jeśli ktoś będzie to czytał w oderwaniu od kontekstu, zabrzmi banalnie, ale czasami warto wrócić do fundamentów. A fundamentalną zasadę marketingu emailowego można streścić w taki sposób: jeśli klient nie otworzy maila, nie dowie się co chcieliśmy mu przekazać. A jeśli nie zrobi tego, nie będzie szansy na wykonanie akcji, do której chcielibyśmy go przekonać. Przygodę z email marketingiem należy zatem rozpocząć od skłonienia  klienta by nasz mailing w ogóle otworzył. Tymczasem marketerzy wiedzą ze swoich statystyk wskaźnik open rate, że zazwyczaj większość emaili jest ignorowana lub wręcz usuwana bez otwierania. Dlaczego?

W naszych rozważaniach pominiemy wiadomości, które są w sposób oczywisty spamem. Jeśli nie znam adresu nadawcy, nie zapisywałem się by otrzymywać takie emaile lub wyglądają one podejrzanie, najmądrzejszym co mogę zrobić, to je jak najszybciej usunąć. Interesują nas zatem wszystkie pozostałe emaile i odpowiedź na pytanie, dlaczego odbiorcy ich nie czytają. Otóż według raportu firmy SARE wśród głównych przyczyn kasowania maili bez otwiercia odbiorcy wskazują:

• dostaję zbyt wiele wiadomości od jednego nadawcy (31,9% odpowiedzi),
• tytuł nie jest interesujący (33,4%).

Powody te stanowią ponad 65% wszystkich przypadków. Co interesujące i pozytywne z punktu widzenia osób odpowiedzialnych za komunikację marketingową, na oba te czynniki nadawca ma wpływ i jest w stanie lepiej ukierunkować i spersonalizować swoje działania email marketingowe. Zatem można powiedzieć, że wystarczy wysyłać na skrzynki klientów mniej wiadomości i pisać bardziej interesujące tytuły , a zwrot z inwestycji będzie wyższy. Proste, prawda? Niestety wszyscy wiemy, że nie do końca tak jest. Zaryzykowałbym nawet stwierdzeniem, że w wielu przypadkach będzie to zwyczajnie trudne.

Prowadzenie kampanii mailingowych. W jaki sposób poprawić ich skuteczność?

Dla pierwszego powodu, trudność stanowi określenie ile to jest „zbyt wiele”. Czy raz w tygodniu to już zbyt wiele? A może dopiero raz dziennie to zbyt wiele? A może dla jednego użytkownika trzy razy w tygodniu to zbyt wiele, ale dla innego nawet cztery razy w tygodniu jest jeszcze ok? A może… No właśnie. Różnych scenariuszy jest właściwie nieskończenie wiele. Nie sposób wszystkich wymienić, a co dopiero przetestować. Do tego nie powinniśmy przecież zakładać, że zainteresowanie i cierpliwość klienta są niezmienne w czasie.  Sposobem na rozwiązanie tego zagmatwanego problemu mogą być jedynie modele AI oparte o uczenie maszynowe. Na podstawie historycznych i ciągle napływających nowych danych są w stanie dokonywać bardzo dokładnej predykcji i optymalizacji odpowiedniej częstotliwości wysyłek dla każdego pojedynczego konsumenta. Ciągle się przy tym doskonalą i dostosowują się do zmian w oczekiwaniach odbiorcy. Są w stanie wychwycić nawet bardzo subtelne sygnały „przegrzania” grup docelowych i zarekomendować zmniejszenie tempa. Ktoś może powiedzieć: ale to wszystko wygląda na skomplikowane i pewnie drogie we w wdrożeniu i utrzymaniu, lepiej bądźmy ostrożni i po prostu rzadziej wysyłajmy emaile. Trudno się z takim stanowiskiem nie zgodzić. Nie jest to jednak strategia optymalna. W przypadku klientów skłonnych otwierać twoje wiadomości częściej i reagować zakupem, tracisz w ten sposób dużą część potencjalnych przychodów. Nie wykorzystujesz zatem potencjału swojej bazy kontaktowej.

Przejdźmy do drugiego problemu, czyli nieinteresującego tytułu. Słyszę już głosy jakie pojawiają się w głowach niektórych z Czytelników. – Zaraz nam będzie coś pisał o testowaniu i AI, a my przecież i bez AI robimy testy, i to dużo. 

Z przytaczanego już wcześniej raportu firmy SARE wynika, że około 84% nadawców przeprowadza testy przed wysyłką kampanii. Jednak tylko w przypadku niespełna 17% są testy A/B/X. Jedna z firm, z którymi miałem styczność, przeprowadza przykładowo testy tytułu wiadomości. Przygotowywane są trzy warianty tytułu. Następnie wybierana jest losowo grupa około 15% bazy kontaktów. Grupa ta dzielona jest na trzy równe części, z których każda otrzymuje jeden wariant tytułu. Wariant, który w ramach wysyłki pilotażowej osiągnie najwyższy open-rate jest następnie wysyłany do pozostałych 85% adresatów.  Mamy więc testy, mamy segmentację, mamy optymalizację, jest ok. Ciśnie się jednak na usta pytanie: co tak właściwie przetestowaliście i na jakie pytanie uzyskaliście odpowiedź? Czy na pewno wybraliście najlepszy wariant tytułu, czy tylko najlepszy spośród trzech zaproponowanych? Skąd wiecie, że nie ma 20 innych wariantów, z który każdy jest lepszy od zwycięskiego wśród testowanych trzech? Nie wiemy, ale nawet gdybyśmy chcieli sprawdzić więcej tematów wiadomości to uzyskamy mało liczne grupy. Cóż więc zrobić, aby tytuł w email marketingu był skuteczny i przekładał się na wyższe konwersje?

E-mail marketing a AI

Tak, niektórzy z Czytelników na pewno się już domyślają, teraz przyszedł czas na pisanie o AI. Oparty o głębokie uczenie neuronowe model jest w stanie kumulując dane o aktualnie i historycznie wysyłanych wiadomościach, przewidzieć reakcję i oszacować najbardziej prawdopodobny wskaźnik otwarć dowolnego tytułu. Zadziała nawet dla tytułu jakiego nigdy wcześniej nie wysyłaliście. Naprawdę. A jeśli nawet model będzie w takim wypadku nieco mniej pewny swojej predykcji to Was o tym poinformuje. Pamiętać tylko trzeba, że sam tytuł to zbyt mało informacji. W końcu, wracając do fundamentów (albo banałów, jak kto woli), ważne jest nie tylko co mówimy ale do kogo to mówimy, a nawet kiedy to mówimy. Ta sama wiadomość może być zupełnie inaczej zrozumiana: jeden się ucieszy, a drugi obrazi.

Nie wystarczy więc model AI rozumiejący tytuł wiadomości, ale oderwany od kontekstu. Pozbawiony informacji o grupach odbiorców, cechach klientów, historii relacji firmy z nimi, historii ich zakupów, momentu. Potrzebny jest system integrujący dane o tych zjawiskach i dostarczający modelowi AI odpowiedniego kontekstu. Ogólny schemat można zobaczyć poniżej.

Dzięki poprawnie zdefiniowanemu, wytrenowanemu i skalibrowanemu modelowi możemy testować różne warianty tytułów i uzyskiwać informacje jak na przykładach poniżej. Liczba wariantów może być dowolna, tak samo jak liczba segmentów. I co najlepsze, aby przeprowadzić test i oszacować spodziewaną otwieralność nie musimy wysyłać ani jednego emaila do twoich odbiorców. Wszystko możemy przeprowadzić korzystając z symulacji komputerowej.

Prowadzenie skutecznego email marketingu – podsumowanie

Ray Tomlinson zapytany wiele lat później jaka była treść pierwszego emaila w historii, odpowiedział, że nie pamięta. Najważniejsze było to, że wiadomość dotarła na adres odbiorcy. Treść nie była ważna. Nie miała żadnego znaczenia. W komunikacji marketingowej jest dokładnie odwrotnie. Samo dotarcie emaila to za mało. Ważna jest treść maila. Ważny jest też interesujący tytuł. Bo bez tego znaczna część adresatów nie odczyta treści.

Dzisiejsi konsumenci są stale zalewani przekazami różnych marek. Wiele marek wysyła wiele komunikatów, wieloma kanałami. Powoduje to, że trudno przyciągnąć i zatrzymać na dłużej uwagę konsumenta. Jednocześnie łatwo konsumenta zmęczyć komunikacją i sprawić, że będzie na nią zwracał coraz mniejszą uwagę. Tym samym ważniejszy niż kiedykolwiek wcześniej staje się odpowiedni dobór treści, wysyłanie jak najbardziej dopasowanego do konsumenta przekazu oraz ograniczanie wiadomości, które nie są interesujące i zwiększają jedynie ryzyko uniewrażliwienia się konsumenta na przekaz.

W rozwiązaniu problemu pomaga modelowanie predykcyjne. Systemy oparte o uczenie maszynowe są w stanie z dużą dokładnością przewidzieć zainteresowanie konsumenta danym rodzajem wiadomości czy oferty. Artykuł na konkretnym i aktualnym przykładzie (z maja 2023) pokazuje, jak w praktyce zastosować wspomniane narzędzia. Ze względu na najwyższy standard zachowania poufności, liczby, które zaprezentujemy będą przeskalowane lub pokazane jako indeksy. Wiernie odwzorują jednak zaobserwowane różnice i efekty.

Problem tradycyjnego podejścia do targetowania mailingu i potrzeba zmiany

Organizacja, której dotyczy przykład, jak wiele innych, przez długie lata stosowała metodę tzw. „maksymalizacji przychodów” z bazy komunikacyjnej poprzez szerokie i częste wysyłki. Czyli w praktyce wysłano informację o ofercie do wszystkich konsumentów, którzy mieli zgodę na komunikację danym kanałem. W nielicznych wypadkach przy pomocy kryteriów eksperckich zawężano nieco komunikowaną bazę. Opierano się jednak na prostych kryteriach typu: kupił kiedykolwiek wcześniej promowany produkt, nie kupił produktu X w ciągu ostatnich 6 miesięcy, jest w kobietą w wieku powyżej 55 lat itp. Wyniki przez długi czas były bardzo dobre i nikt nie widział potrzeby zmian w stosowanym procesie. W pewnym momencie zaczęto jednak obserwować powolny spadek wskaźnika otwieralności maili (tzw. open rate). Trend spadkowy zaczął być wyraźny. W połączeniu ze zmniejszającą się liczbą nowo pozyskiwanych konsumentów, skłoniło to organizację do refleksji czy da się lepiej pracować z istniejącą bazą. Co zrobić, żeby odwrócić trend spadającego zainteresowania wysyłaną komunikacją?

Zapadła decyzja o przetestowaniu włączenia uczenia maszynowego i analityki predykcyjnej do procesu doboru konsumentów do kampanii mailingowych. Przygotowaliśmy system modelowania predykcyjnego generujący „szyte na miarę” każdej kampanii modele scoringowe. Ogólna architektura systemu przedstawiona jest na schemacie poniżej.

Wykorzystanie modelowania predykcyjnego w targetowaniu mailingu

Na potrzeby treningu modelu jakie dane wejściowe wykorzystanych zostało ponad 100 zmiennych z wymienionych na schemacie obszarów. Model budowane są w oparciu o zaawansowane algorytmy, będące w stanie poradzić sobie z taką mnogością atrybutów i wyekstraktować z nich jak najwięcej informacji o faktycznym profilu konsumenta. Finalnym efektem jest oszacowanie prawdopobieństwa zainteresowania daną komunikacją przez każdego konsumenta. Następnie wykorzystywane jest to do ostatecznej selekcji konsumentów do kampanii.

Wyniki zmian w procesie targetowania komunikacji spełniły (a nawet w pewnych aspektach przekroczyły) oczekiwania. Aby dowieść przydatności modelu przeprowadziliśmy eksperymenty. Połowa bazy była przedmiotem selekcji starym sposobem, druga zaś była selekcjonowana przy pomocy predykcji modelu. Trzeba przy tym zaznaczyć, że w obu grupach korzystaliśmy dokładnie z tych samych maili – ten sam temat, dokładnie taka sama kreacja. Również moment wysyłki był ten sam. Żaden z tych czynników nie mógł zatem wpłynąć na wyniki eksperymentu. Jedyną różnicą pomiędzy grupami był sposób selekcjonowania konsumentów.

Efekty zastosowania modelowania predykcyjnego

W grupie targetowanej przy pomocy modelu udało się blisko 14-krotnie ograniczyć liczebność komunikowanej grupy – na każdy 100 komunikowanych przy tradycyjnych kryteriach przypada zaledwie 7 komunikowanych według procesu opartego o model predykcyjny.

Jednocześnie tak niewielka grupa wygenerowała podobną (bo zaledwie o około 2% niższą) sprzedaż.

Zostało to osiągnięte dzięki znacząco wyższej (3-krotnie) konwersji w grupie przypisywanej do kampanii w nowy sposób. A także dużo (4-krotnie) większej średniej wartości paragonu w tejże grupie.

Zawężenie komunikowanej grupy pozwoliło ograniczyć ją do naprawdę zainteresowanych ofertą. Świadczy o tym dużo wyższy wskaźnik open rate (3,2 x wyższy) oraz click to open rate (prawie 2x wyższy). Wskaźnik „click to open rate” jest w tym przypadku obliczany jako CTOR = LC/LO, gdzie LC to liczba konsumentów, którzy kliknęli w linka z  maila, a LO to liczba konsumentów, którzy otworzyli maila. O ile wskaźnik open rate jest w dużym stopniu zależny od tematu wiadomości, to wyższy wskaźnik CTOR świadczy o faktycznym zainteresowaniu treścią i ofertą, która zawarta jest w mailu.

Targetowanie mailingu w oparciu o model predykcyjny – podsumowanie

Dzięki zastosowaniu zaawansowanego narzędzia data science w postaci modelu predykcyjnego udało się osiągnąć:

– lepsze dopasowanie komunikacji do zainteresowań i potrzeb konsumenta

– znaczące zmniejszenie liczby komunikowanych w danej kampanii z minimalnym uszczerbkiem dla wyniku sprzedażowego (nieco ponad 2%)

– zmniejszenie „przesytu” komunikacyjnego – konsument będzie w nowym procesie otrzymywał komunikację rzadziej ale będzie ona lepiej dopasowana

Dokładny wpływ modelu i nowego procesu targetowania na trend otwieralności i klikalności mailingów, może być zbadany dopiero w dłuższym okresie i wymaga co najmniej kilku miesięcy obserwacji. Pierwsze odnotowane wyniki wyglądają jednak obiecująco i dają podstawy do oczekiwania odwrócenia wyraźnego negatywnego trendu widocznego w miesiącach przed wprowadzeniem modelu scoringowego.

Na koniec warto podkreślić, że zaletą systemu jest otwartość jego architektury na nowe źródła danych. W przypadku udostępnienia nowych zmiennych zostaną one automatycznie włączone w proces treningu modelu i wykorzystane do predykcji. Ważną cechą opisywanego rozwiązania jest także zdolność modelu do aktualizowania się w miarę napływu nowych danych w tym danych dotyczących zrealizowanych kampanii i ich skuteczności. Dzięki temu model automatycznie będzie dostosowywał się do zmieniających się potrzeb i zachowań konsumentów oraz ich reakcji na wysyłaną komunikację. Gwarantuje to użyteczność systemu także w długim horyzoncie czasowym.