Телеком-оператор хотел увеличить доход за счет продвижения более дорогих тарифных планов и дополнительных услуг. Для этого у него были накоплены исторические данные, но чтобы использовать их, нужно было подключить машинное обучение. Мы помогли клиенту разработать ML-модели, чтобы повысить конверсию механик up-sell и cross-sell. В итоге он получил дополнительно $2,28 млн от продаж. Подробности читайте в нашем кейсе.

Задача: увеличить продажи тарифов и услуг

Мобильный оператор хотел повысить эффективность маркетинговых кампаний по двум основным тарифам. По ним накопили историческую базу для анализа, но не использовали ее, так как не было инструментов. Тогда клиент обратился к вендору с экспертизой в big data — так начался наш проект.

Команда Eastwind оказывала телеком-оператору экспертную поддержку при работе над проектом. Совместными усилиями нужно было:

• построить аналитические ML-модели Next Product to Buy (NPTB), чтобы прогнозировать вероятность покупки тарифов;
• интегрировать ML-модели в процесс создания маркетинговых кампаний;
• масштабировать подход на другие продукты оператора.

Опираясь на данные от заказчика мы помогли ему построить ML-модели NPTB, что позволило повысить конверсию рекламных кампаний и получить дополнительный доход от них. 
 

Решение: таргетировали абонентов с высокой вероятностью отклика и масштабировали подход

Сначала мы помогли мобильному оператору построить NPTB-модели, чтобы выявить абонентов, готовых перейти на более дорогие тарифы, и стимулировать их к этому.

Алгоритм работы выглядел так:

1. Подготовили исторические данные по тарифам для машинного обучения. Мы проанализировали структуру и качество сырых данных от мобильного оператора, отформатировали их в единые типы и очистили (устранили выбросы, пропуски, дубликаты). Это позволило создать основу для обучения ML-моделей.
2. Создали витрину признаков. На основе данных о географии, расходах, поведении и интересах абонентов мы выбрали ключевые признаки, нормализовали и стандартизировали их. После этого упорядочили их по приоритетам и сформировали витрину.
3. Разработали ML-модели для каждого тарифа. С их помощью выявляли абонентов, склонных к покупке конкретного тарифа.
4. Сформировали списки целевых абонентов. Ежемесячно составляли перечни тех, кто с высокой вероятностью заинтересуется предложением и откликнется на рекламную кампанию. Именно этой аудитории оператор направлял персонализированные предложения.
5. Масштабировали ML-модели на дополнительные услуги. После того, как получили положительные результаты по первым ML-моделям, мобильный оператор запустил еще шесть новых продуктов. Сначала их продвигали с помощью телемаркетинга, чтобы собрать данные для анализа. Когда статистики накопилось достаточно, на ее основе мы разработали отдельные ML-модели для каждого продукта.
6. Продолжили обучать ML-модели. Мобильный оператор собирал данные телемаркетинга по продаже тарифов и дополнительных услуг, чтобы обучать модели дальше и повышать точность прогнозов.

Благодаря итерационной работе с данными мы вместе с заказчиком непрерывно повышали точность ML-моделей и успешно реализовали проект.
 

Итоги: $2,28 млн дополнительного дохода за год

ML-модели помогли увеличить конверсию маркетинговых кампаний, что привело к росту продаж и ARPU абонентов. В итоге за год проект принес $2,28 млн дохода.



Использование машинного обучения позволило:

• повысить точность сегментирования аудитории;
• увеличить конверсию в механиках cross-sell и up-sell;
• масштабировать подход на новые продукты.

Команда Eastwind помогла мобильному оператору выстроить полный цикл работы с ML-моделями от подготовки данных до интеграции результатов в маркетинговые кампании. Все это привело к ощутимому финансовому эффекту.

Запишитесь на консультацию, и мы расскажем, как использовать данные для увеличения прибыли вашего бизнеса.