Problem:
Rosnąca liczba akcji promocyjnych wspieranych mailingami prowadziła do przesycenia klientów komunikacją marketingową. Jedna z sieci retail w Polsce chciała ograniczyć liczbę wysyłek na jednego klienta przy jednoczesnym zwiększeniu ich relewantności pod względem promowanego asortymentu. Jak wykorzystać model scoringowy do 4-krotnego wzrostu konwersji?
Rozwiązanie:
Zbudowany został model scoringowy (machine learning) przewidujący prawdopodobieństwo zainteresowania danego klienta promowanym asortymentem. Powstało elastyczne narzędzie do zautomatyzowanego tworzenia modeli obsługiwane przez specjalistów ds. komunikacji. Sukces modelu zaowocował projektem jego rozbudowy o kolejne źródła danych dla zwiększenia dokładności prognoz.
Efekty:
- 4-krotny wzrost konwersji w grupach targetowanych przy pomocy modelu
- Ograniczenie o około 60% kosztów przygotowania dedykowanych modeli dla każdej kampanii
- Większa elastyczność działania i skrócenie czasu oczekiwania na model. Dedykowany model scroingowy dla kampanii może być stworzony w ciągu mniej niż jednego dnia roboczego
Źródła danych:
- Systemy transakcyjne
- Program lojalnościowy
- Kalendarz akcji promocyjnych
- Ruch na stronie internetowej
