Инсайты за год работы в сфере целевого маркетинга
> Часть 4️⃣: Люди против машин 🤖

С первых месяцев погружения в ЦК меня не покидало ощущение, что с массовыми коммуникациями что-то не так. Сегмент для рассылки формируется, исходя из ограниченного набора критериев, которые предположительно позволяют выделить правильную таргет группу, которой будет релевантен контент письма/push.

Проблема в том, что таким образом мы пускаем "под одну гребёнку" клиентов с очень разной предысторией.

—

Пример (упрощённый до абсурда).

Есть 3 подписчика рекламных рассылок:
✦ сантехник Василий подписался на рассылки неделю назад, получил на прошлой неделе коробку шоколада в первом заказе
✦ тестировщица Люба уже год подписана на рассылки, но ничего не покупала
✦ адвокат Пётр отчаялся получить своё заказ, вчера в 5-ый раз посравшись по телефону с поддержкой сервиса
✦ и всех их угораздило на прошлой неделе зайти в категорию "товары для взрослых"

Маркетолог задаёт сегмент, в котором:
✦ люди не заказывали ничего на прошлой неделе
✦ заходили в категорию "18+"
✦ подписаны на рассылки
✦ не получали других писем уже два дня

В результате Вася, Люба и Петя получают одинаковое письмо, хотя история их общения с сервисом супер-разная. Но заданным в сегменте условиям они соответствуют.

—

Конечно, можно начать сегментировать глубже, расширяя набор критериев в сегменте и перенося наработанную логику в последующие рассылки. Но обосновано ли это с точки зрения трудоёмкости формирования рассылки маркетологом? Неизвестно. Суть в том, что самая правильная глубина сегментации - до одного клиента. То есть, каждый клиент - это уникальный сегмент.

В какой-то момент мне начало казаться, что эту проблему можно решить life-long триггерами. То есть в момент подписки, а ещё лучше первого появления клиента на сервисе, начинаем накапливать знания про него в контексте триггера. Коммуникацию отправляем, когда некоторые события в предыстории клиента сложились в такую цепочку, которую мы уже встречали раньше, и для которой коммуникация работает.

Но оказалось всё несколько проще. Нам повезло родиться в поколении, которому доступны инструменты, позволяющие смотреть на аудиторию именно в разрезе каждого клиента отдельно - машинное обучение шагает по планете.

То есть (тоже сильно упрощаю):
✦ обучаем модель, скармливая ей все имеющиеся знания про клиентов в структурированном виде
✦ ей же скармливаем данные про то, как конкретный клиент реагировал на каждую коммуникацию, сведя их к вектору признаков (категория товаров, цвет фона, время отправки и т.д.)
✦ модель (например, uplift) учится предсказывать, какой эффект будет от какой коммуникации
✦ в момент принятия решения о рассылке подаём на вход уже обученной модели знания про клиента и вектор признаков новой коммуникации
✦ в зависимости от того, что нам ответит модель либо отправляем эту коммуникацию, либо другую, у которой шансы на успех выше

И ML реально не обламывается учитывать вообще всё, что мы знаем про клиента, как не может ни один маркетолог (если клиентов больше 100). Да ещё и видит взаимосвязи, которые человек не в силах заметить (и никак их не интерпретирует, кроме цифры на выходе модели).

Моё субъективное мнение: вся индустрия, в итоге, придёт именно к такого класса решениям.

А потом будет какой-нибудь ещё космос - появятся модели, которые будут отрисовывать сами наиболее конверсионный контент для коммуникаций. Netflix уже не первый год экспериментирует с отображением разных обложек фильмов разным клиентам, а другие нейронки уже умеют рисовать креативы для рекламы в Facebook и сами оптимизировать их для повышения конверсии. Но до этого момента, надеюсь, я не доживу.

❗️Вывод: применение ML в целевой коммуникации может позволить выйти на новый уровень качества таргетинга, если у вас случайно завалялась пачка скучающих data scientist'ов, но это не точно.

#product #direct_marketing #marketing