26 июня 2019 Конференция-интенсив ВЕСЬ DIGITAL ЗА 1 ДЕНЬ!

Skyeng для привлечения новых клиентов проводит бесплатный вводный урок. Но половина записавшихся не приходит, и компания теряет деньги. Как они решили эту проблему и сэкономили 120 млн руб.?

Авиакомпании продают больше билетов, чем мест в самолете. Всегда будут пассажиры, опоздавшие на регистрацию, забывшие паспорт или передумавшие лететь. Без овербукинга авиаперевозчики теряли бы деньги. В Skyeng использовали эту технику, чтобы сокращать расходы на привлечение клиентов.

Проблема

Любой, кто хочет заниматься в Skyeng, проходит бесплатный вводный урок. Для нас стоимость его проведения составляет 600 рублей, а в пересчете на одного заплатившего клиента доходит до 4 000 рублей. Но половина тех, кто записался на него, не приходит.

Skyeng пытался решить проблему разными способами. В начале мы просто отказались от системы записи конкретного ученика к конкретному методисту и сделали единый «пул» методистов, вдвое меньше по численности.

Это был провал. Мы сократили затраты, но теряли до 30% клиентов, которые не соглашались договориться на другое время, если все методисты были заняты.

Потом мы сделали более сложную схему. Мы подсчитали, что люди, записавшиеся по рекомендациям друзей, с вероятностью 80% все же придут на пробный урок. А записавшиеся после общения с менеджером по продажам, сделают это лишь в 20% случаев. Поэтому мы перераспределили ресурсы и поставили больше методистов на «горячие» каналы и меньше – на «холодные». Получилось получше, хоть и ненамного – мы теряли всего до 20% новых клиентов.

Что в итоге сработало?

Мы попробовали найти факторы, влияющие на вероятность посещения вводного занятия, и сделали на их основе статистическую модель. В дело пошло все, что мы знаем о потенциальном студенте:

• день недели,

• время вводного урока,

• пол,

• возраст,

• канал, из которого он пришел,

• регион,

• временной промежуток между звонком и датой, на которую человек записался, и многое другое.

Чем больше факторов, тем ювелирнее будет предсказание. Такая модель рассчитывает вероятность того, что урок состоится, для всех записавшихся, и выдает суммарный прогноз. Исходя из него мы рассчитываем количество методистов. Аналитики написали код с моделью, а разработка внедрила его в специальной CRM, которая распределяет учеников по методистам. И это сработало! За 2018 год мы сократили затраты на вводный урок почти на 45%, то есть сэкономили около 120 миллионов рублей.

Эту модель можно улучшить

Статистические модели можно применять в любых видах бизнеса, где нужно предсказывать баланс спроса и предложения в каждый конкретный момент или даже в конкретном месте. Возможности тут широчайшие, причем не только для экономии, как это сделали мы, но и для повышения доходов.

Нашу модель можно было бы улучшить, например, используя машинное обучение для того, чтобы учитывать больше факторов и строить более точные прогнозы. Однако мы не стали этого делать, так как соотношение между ожидаемой прибылью от повышения точности прогноза и затратами на разработку и поддержку ML-модели оказалось менее выгодным, чем в ряде других задач, куда мы и направили наших специалистов по Data Science.

Автор: Глеб Сологуб

Полная статья: https://rb.ru/opinion/overbuking/