Jak z pomocą machine learningu 4 krotnie zwiększyć szansę zakupu oferowanego produktu?
Czym i kiedy komunikować uczestnika programu lojalnościowego, aby mimo zmniejszonej ilości ofert promocyjnych uzyskać wyższy poziom skuteczności komunikacji, to pytanie, które postawiła przed sobą jedna z największych firm retailowych w Polsce. Celem projektu, który dla niej realizowaliśmy, było lepsze dopasowanie komunikacji i oferty do potrzeb oraz oczekiwań uczestników programu lojalnościowego na podstawie wykorzystania potencjału bazy danych tego programu.
Rozwiązanie:
- Opracowalismy system scoringowy, oparty na modelowaniu Look-a-like, który w zautomatyzowany sposób przewiduje prawdopodobieństwo zainteresowania danego Klienta promowanym asortymentem.
- Przy wykorzystaniu sztucznej inteligencji mogliśmy dynamicznie tworzyć grupy docelowe dla poszczególnych kampanii opartych o dane i uczenie maszynowe. Komunikacja prowadzona jest w kanałach SMS, e-mail oraz digital.
Rezulataty:
Automatyzacja procesu budowy i walidacji modeli przyczynia się do znacznych oszczędności nakładu i czasu pracy. Dzięki modelowaniu Look-a-like, wskazania systemu dla grupy uczestników programu lojalnościowego możemy wykorzystać do zwiększenia zasięgu działań komunikacyjnych również w mediach zewnętrznych. Modele tworzone przy systemie scoringowym w znacznym stopniu poprawiają skuteczność generowanej komunikacji, a rozwiązanie przez nas zaproponowane przyczynia się do zwiększania ogólnego obrotu sklepu.