Как мы завоевываем лояльность клиентов с помощью технологии больших данных
Кейс Студии Данных: рекомендательная система для сети фитнес-клубов World Class, презентованная совместно с Давидом Мелкумяном (директором ИТ World Class) на Big Data Conference 2018
Кто они, герои нашего времени? Они разные, но общее есть у всех – это ежедневная активность и регулярные занятия спортом. Как надолго стать любимым фитнес-клубом для этих людей при помощи технологии больших данных рассказывают Давид Мелкумян, директор отдела разработки в World Class, и Сергей Марин, основатель «Студии данных».
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 Big Data позволяют их изучить и сделать лучшее кастомизированное предложение для конкретного человека. Этим приемом воспользовался World Class и получил положительный результат.

Спорт – это уже давно нечто большее, чем тренировка, это образ жизни. Эту мысль подтвердили и исследования World Class. 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. Далее компания рассмотрела структуру покупок и выделила приоритетные направления для предложений: групповые тренировки, персональные тренировки, участие в спортивных мероприятиях клубов и услуги SPA-салона. Именно эти услуги выбирали клиенты, которые продляли спортивный абонемент.

Коллаборативная фильтрация в деле
Далее настал черед больших данных. В качестве подрядчика для разработки рекомендательной системы World Class привлек «Студию данных».

Перед командой была поставлена задача сформировать рекомендательную систему на основании накопленных данных об использовании дополнительных сервисов фитнес-клубов: SPA-услуги, индивидуальные и групповые тренировки, спортивные мероприятия.
При построении рекомендательной системы была использована коллаборативная фильтрация. Этот подход основан на том, что если одному человеку нравятся продукты A, B, C, D, а другому продукты B, C, D, E, то велика вероятность, что первому также понравится продукт Е, а второму А.
На практике этот подход реализуется через решение матриц с использованием библиотек Python.

Для решения задачи World Class была построена гигантская матрица, каждый ряд которой – это клиент, а каждый столбец – это услуга фитнес-клуба. Затем библиотека Python запускала формулу матричной факторизации, в результате были получены векторы клиентов и векторы услуг. Далее чтобы сделать клиенту индивидуальное предложение, коллаборативная фильтрация сравнивала вектор выбранного клиента с векторами других членов фитнес-клуба, находила наиболее похожие. В результате сравнения человек получал в качестве предложения услуги, которыми пользовались люди с векторами сходными с его.

Но, конечно же, проект был не без сложностей. По определенной массе клиентов не было никакой информации об используемых услугах. Поэтому система учитывала не только прошлые покупки клиентов, но и сравнивала профили в личном кабинете: пол, возраст, вид членства, посещения. Также для определенной выборки предложения делались случайным образом, а на результате воспользовался – не воспользовался услугой система дообучалась.
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.
Кейс был представлен на Big Data Conference. Ответы автора колонки на вопросы аудитории, которые были заданы в ходе его выступления на конференции, опубликованы ниже.
Вопрос:
Как расшифровывается NPS?
Ответ:
Net Promoter Score – общепринятый индекс удовлетворенности клиента, измеряющий готовность клиента рекомендовать услуги компании другим людям по десятибалльной шкале
Вопрос:
Цель ворлд класса – стать лав-брендом? Как долго нужно идти к этой цели в фитнес-индустрии? Какие главные качества необходимо иметь, чтобы стать лав-брендом?
Ответ:
Полагаем, что здесь идет речь про Lovemark – это образ бренда, нацеленный на создание эмоциональной связи с клиентом, повышая лояльность клиентов.

У нас это, по сути, целый комплекс мероприятий, которые уже внедрены (программа лояльности, обратная связь и так далее, на будущее – customer journey map, развитие мобильного приложения и другое). Также среди клиентов World Class достаточно много медийных личностей, деятелей культуры, профессиональных спортсменов. Все они являются неким ориентиром в стиле жизни и роли спорта.
Вопрос:
На основе каких параметров опредялется вероятность оттока? Только частота
посещения клуба?

Ответ:
Как и в любой модели машинного обучения мы использовали достаточно большое количество параметров, более 100. Наиболее значимые из них: частота использования дополнительных услуг, наличие персонального тренера, оставшееся количество дней заморозки, средняя длительность визита, потребление услуг СПА, длительность контракта и сезон. Как видим, основные значимые предикторы поведенческие и показывают уровень вовлеченности в услуги клуба
Вопрос:
Как изменился LTV или его прогноз? Или какие цели по нему ставите?
Ответ:
На горизонте наблюдений год (столько на настоящий момент работает рекомендательная система в World Class) LT вырос более чем на 30% на тех клиентах, кто принял рекомендацию
Вопрос:
Как определяется отток? Отсутствие пролонгации сразу после окончания абонемента?
Ответ:
Отток - отсутствие пролонгации в течение 3 месяцев. Для обучения модели использовался период 1 месяц: то есть, отсутствие пролонгации в течение 1 месяца
Вопрос:
Какие каналы коммуникации используют результаты рекомендательной системы ? Только Имейл рассылка?
Ответ:
Все активные и пассивные каналы World Class: ресепшн, WiFi в клубах (при заходе в WiFi показывается таргетированный рекламный баннер), ЛК, приложение и да, имейл рассылки