Как маркетологи, мы любим видеть результаты работы кампании. Нет ничего лучше ощущения, когда мы можем сказать: «Эта кампания выглядит одной из сильнейших в квартале».
Показатели отклика превосходят базовые. Конверсии растут. Тысячи клиентов воспользовались предложением. Слайд с результатами практически пишется сам по себе: кампания сработала. Но так ли это?
Представьте, что бренд электронной коммерции отправляет скидку 20% на сумму корзины покупателю, который и так собирался оформить заказ. Или стриминговый сервис предлагает бесплатный месяц подписчику, который уже планировал продлить подписку. Или банк дает кэшбэк клиенту, который в любом случае воспользовался бы кредитной картой.
Клиент принимает предложение и совершает конверсию. Система засчитывает это как конверсию, вызванную кампанией.
Но если они все равно собирались совершить конверсию, действительно ли стимул что-то изменил?
Фактически маркетинг не стимулировал эти конверсии. Он заплатил за результат, который и так с высокой вероятностью произошел бы, приписал себе заслугу и при этом уступил в маржинальности.
Это обнажает серьезное «слепое пятно» в традиционном подходе маркетологов к персонализации. Мы научились очень хорошо предсказывать, кто склонен к действию, но не обязательно то, на кого маркетинг может повлиять.
Это переход от предрасположенности к эффекту воздействия – и он меняет то, как маркетологи таргетируют клиентов, распределяют стимулы, измеряют производительность и доказывают свой вклад в P&L.
Большинство кампаний по таргетингу сегодня начинаются с предрасположенности: кто с наибольшей вероятностью совершит конверсию?
Модели предрасположенности помогают маркетологам выявлять клиентов, которые с большей вероятностью совершат покупку, продление, апгрейд или возврат на основе их прошлого поведения. Это делает их чрезвычайно полезными для приоритизации аудиторий и концентрации маркетинговых усилий там, где конверсия более вероятна.
Но есть одна вещь, которую предрасположенность не может нам подсказать: изменил ли маркетинг решение клиента на самом деле?
Рассмотрим двух подписчиков, которые кажутся склонными к продлению. Один уже решил остаться, потому что ему нравится сервис, в то время как другой все еще не определился, и правильный толчок действительно может убедить его остаться. Тот же стимул может быть излишним для первого и решающим для второго.
Но именно здесь модель предрасположенности дает сбой: она фокусируется только на вероятности продления. Поэтому маркетолог может предложить стимулы обоим подписчикам и засчитывать каждое последующее продление как маркетинговый успех, из-за чего эффективность маркетинга выглядит лучше, чем есть на самом деле.
Результатом является скрытая неэффективность. Стимулы достаются клиентам, которым они были не нужны, сообщения достигают людей, не нуждавшихся в убеждении, а маржа незаметно тает. Тем не менее, высокие показатели конверсии и использования предложений могут маскировать эти затраты, которые могут проявиться лишь позже в отчетах о прибылях и убытках или ежеквартальных бизнес-обзорах. Фундаментальная проблема заключается в том, что маркетинг измеряет то, что произошло после вмешательства, а не то, что изменилось благодаря ему.
Эффект воздействия преодолевает это ограничение, фокусируясь на том, изменит или повлияет ли вмешательство на поведение клиента. Вместо вопроса «Кто с наибольшей вероятностью совершит конверсию?», эффект воздействия спрашивает: какое действие, если таковое вообще требуется, сделает этого клиента более склонным к действию, чем без этого действия?
Он оценивает «инкрементальный (приростной) эффект» маркетингового вмешательства, которым может быть стимул, рекомендация, другой канал, лучший момент или полное отсутствие каких-либо действий.
Это дает маркетологам гораздо более полезный способ мышления об аудиториях. Он по сути разделяет клиентов, которые склонны к действию, и клиентов, чьи решения маркетинг действительно может изменить. Некоторые клиенты совершат действие независимо от маркетингового вмешательства. Некоторых можно убедить. Другие вряд ли отреагируют на все, что бы вы ни предприняли. А для остальных другое сообщение может все только испортить.
Понимание инкрементального эффекта
Это порождает очевидный вопрос: как узнать, действительно ли маркетинг изменил поведение клиента?
В идеале это потребовало бы анализа двух версий одного и того же клиента: того, кто получает маркетинговое вмешательство, и того, кто его не получает. Затем мы могли бы сравнить результаты.
Конечно, это невозможно. Поэтому мы можем использовать следующее по эффективности решение: контрольную группу, сформированную на основе случайной выборки.
До начала кампании небольшая группа подходящих клиентов случайно отбирается для получения нулевого воздействия, в то время как остальные получают опыт, выбранный с помощью ИИ. Затем мы сравниваем результаты. Разница показывает нам, что маркетинг реально добавил сверх того, что клиенты и так сделали бы с большой вероятностью.
Возьмем 100 000 клиентов, подходящих для кампании. Предположим, 90 000 получают опыт, выбранный ИИ, а 10 000 случайно выбранных клиентов не получают ничего. Поскольку группы были разделены случайным образом, их результаты дают нам полезное сравнение.
Теперь предположим, что 10% клиентов, получивших вмешательство, совершают конверсию, то есть 9 000 клиентов. На первый взгляд, маркетинг может записать эти конверсии в актив. Но затем мы смотрим на контрольную группу и обнаруживаем, что 8% совершили конверсию, вообще ничего не получая.
Это меняет дело.
Кампания не обеспечила полный показатель конверсии в 10%. Поскольку 8% вероятно совершили бы конверсию в любом случае, это дает расчетный прирост в 2 процентных пункта, обусловленный вмешательством.
Применяя это к 90 000 клиентов, получивших воздействие, мы получаем:
Клиенты, совершившие конверсию после получения воздействия ИИ (10% от 90 000): 9 000
Клиенты, которые совершили бы конверсию в любом случае (8% от 90 000): 7 200
Разница (9 000 – 7 200): 1 800 – это дополнительная конверсия, созданная в результате вмешательства.
Эти 2 процентных пункта имеют значение. Они представляют собой расчетный прирост, созданный вмешательством – конверсии, на которые маркетинг реально повлиял.
Для директора по маркетингу это меняет обсуждение рентабельности инвестиций (ROI). Вместо вопроса «Сколько клиентов совершили конверсию?» они могут спросить: «Сколько дополнительных клиентов совершили конверсию благодаря тому, что мы сделали, и стоила ли эта прибавка стоимости затрат на ее достижение?»
Это гораздо более прочная основа для принятия решений о том, куда тратить стимулы, медиаресурсы, сообщения и маркетинговые технологии.
Тем не менее, это показывает нам средний прирост эффекта по всей группе. Это еще не говорит о том, на каких конкретных клиентов действительно было оказано влияние, или о том, создало бы другое предложение, сообщение, канал, момент или полное отсутствие действий большую ценность для каждого из них.
Это следующий шаг: переход от измерения эффекта воздействия к использованию его для обоснования самого решения.
Для практического применения эффекта воздействия требуется ИИ-нативная персонализация 1:1 в реальном времени
В то время как базовая модель эффекта воздействия рассматривает сравнение «воздействие против отсутствия воздействия», взаимодействие с клиентами представляет собой гораздо более широкое поле для принятия решений. Для каждого клиента платформа должна выбирать между различными сообщениями, предложениями, рекомендациями, опытом, каналами, моментами или полным отсутствием действий. Каждый вариант может оказывать разное влияние на одного и того же человека.
Возникает вопрос: какое действие с наибольшей вероятностью изменит результат для этого конкретного человека?
Здесь и кроется главная возможность — сделать инкрементальный эффект частью самого процесса принятия решений при каждом взаимодействии с клиентом. Это и есть персональная работа в реальном времени в формате «1:1». Цель заключается не просто в том, чтобы определить действие, на которое клиент с наибольшей вероятностью отреагирует. Задача состоит в том, чтобы выяснить, какое действие с наибольшей вероятностью изменит поведение клиента в сторону достижения бизнес-цели с учетом того, что он делает прямо сейчас.
Рассмотрим покупателя, который часто реагирует на скидки и добавляет в корзину последний оставшийся товар. Модель склонности может порекомендовать очередную скидку, поскольку исторически этот покупатель их использовал. Моделирование прироста (uplift-моделирование) может показать, что покупка и так весьма вероятна, так как товар последний, и в таком случае система решит не предлагать никаких стимулов, сохранив маржинальность без ущерба для конверсии.
Аналогично представьте себе банковского клиента, который ранее проявлял большой интерес к кредитным картам. Однако после зачисления зарплаты он начинает изучать досрочное погашение ипотеки. Модель склонности может продолжать отдавать приоритет предложению по карте. Uplift-моделирование сравнивает, какое из доступных действий с наибольшей вероятностью повлияет на клиента именно сейчас — например, инвестиционная консультация, вариант досрочного погашения, другое сообщение или отсутствие вмешательства, — при этом учитывая критерии приемлемости и ограничения политики.
В каждом случае ключевой вопрос звучит не так: «Что этот клиент, вероятно, сделает?». Он звучит так: «Какую разницу произведет каждое возможное действие по сравнению с альтернативами?».
Ответ на этот вопрос в моменте требует ИИ-нативной платформы взаимодействия с клиентами, где история клиента, актуальные намерения, принятие решений на основе ИИ, выбор контента и предложений, исполнение и обучение работают вместе на одной платформе. Исторические данные обеспечивают контекст для старта. Поведение в реальном времени определяет релевантное действие, которое имеет наибольшее значение прямо сейчас. Механизм принятия решений ранжирует доступные действия в соответствии с бизнес-целью, агентская оркестрация реализует выбранный опыт, а результат определяет дальнейшие шаги.
Следовательно, прирост не может оставаться лишь инструментом измерения, который используется после проведения кампании. Он должен стать частью самого решения, помогая платформе оптимизировать инкрементальный эффект — для каждого конкретного клиента и в каждый момент времени в реальном времени.
Отсутствие действия может быть лучшим решением
Это подводит нас к важному обсуждению того, что считать лучшим действием. Традиционно платформы взаимодействия с клиентами создавались для того, чтобы что-то отправлять: сообщение, предложение, рекомендацию или напоминание. Uplift вводит не менее важную опцию — решение не предпринимать никаких действий.
Отсутствие действий позволяет сохранить маржу, когда клиент и так готов совершить покупку. Это помогает предотвратить усталость от коммуникации, если отправка очередного сообщения снизит вовлеченность. Это позволяет избежать нерелевантного кросс-селла после того, как сигнал в реальном времени изменил потребности клиента. Это также создает четкую основу для сравнения, которая улучшает будущие решения.
Это не означает, что нужно сокращать количество взаимодействий в качестве универсальной стратегии. Это означает вмешательство там, где вмешательство дает положительный ожидаемый эффект. Стандарт меняется с «Конвертируется ли этот человек?» на «Улучшит ли это решение результат по сравнению с альтернативами?».
Роль маркетолога: определите результат до того, как ИИ его оптимизирует
В ИИ-нативной платформе взаимодействия с клиентами искусственный интеллект оптимизирует то, что мы просим его оптимизировать.
Если цель состоит в повышении частоты откликов, у модели есть все основания выбирать клиентов, наиболее склонных к ответу, включая тех, кто не нуждается в каком-либо вмешательстве. Если цель состоит в увеличении валовой конверсии, модель может отдавать предпочтение агрессивным скидкам, которые увеличивают количество заказов, но снижают маржинальность по вкладу.
В обоих случаях модель может работать именно так, как задумывалось. Проблема заключается в том, что цель отражает видимый результат, но не обязательно созданную ценность.
ИИ может определить, как лучше всего достичь цели. Маркеры по-прежнему несут ответственность за то, чтобы цель представляла ценность, ради которой стоит стараться.
Другими словами, маркетологи должны определять успех через бизнес-результат, на который взаимодействие должно оказать инкрементальное влияние — как можно более четко и точно. В зависимости от сценария использования это может означать прибыльную конверсию, дополнительную выручку, завершенный онбординг, удержание клиентов или снижение затрат на обслуживание.
Но определение правильного результата — это лишь половина работы маркетолога. Маркетологи также должны определить границы, в пределах которых ИИ может его преследовать. Они устанавливают, что система может и не может делать в своих попытках стимулировать инкрементальный эффект. Сюда входит установка границ в отношении затрат на стимулы, частоты контактов, права клиента на участие, использования каналов, клиентского опыта, рисков и других бизнес-ограничений. Результат говорит ИИ, как выглядит успех, в то время как защитные барьеры определяют приемлемые пути его достижения.
Как CleverAI™ превращает Uplift в действие
CleverAI™, интеллектуальный уровень нашей ИИ-нативной платформы взаимодействия с клиентами, делает uplift частью решения, а не просто метрикой, анализируемой после кампании. Маркетологи определяют бизнес-результат и ограничения, в то время как CleverAI™ объединяет долгосрочную историю клиентов с намерениями в реальном времени, чтобы понять, что важно для каждого клиента прямо сейчас.
Его встроенный механизм принятия решений оценивает и ранжирует доступные сообщения, предложения, рекомендации, каналы, возможности взаимодействия и вариант бездействия на основе их ожидаемого инкрементального эффекта. Затем агентская оркестрация выполняет выбранное действие, пока момент все еще актуален.
Каждый результат подпитывает цикл обучения, а контрольные сравнения помогают отделить поведение, вызванное вмешательством, от поведения, которое произошло бы в любом случае. Это позволяет CleverAI™ постоянно улучшать решения, которые формируют дополнительное поведение клиентов, а не просто прогнозируют его.
Измеряйте разницу, которую создает маркетинг
Склонность останется ценной, потому что она помогает маркетологам понять, что клиенты, вероятнее всего, сделают. Но конверсия, которая происходит после вмешательства, не обязательно является конверсией, вызванной им. Uplift привносит это недостающее различие и смещает фокус с поиска тех, кто с наибольшей вероятностью откликнется, на создание инкрементальных результатов.
Для маркетологов это означает определение бизнес-результата, на который стоит повлиять, установление границ, в пределах которых ИИ может действовать, и измерение эффекта по сравнению с тем, что произошло бы при иных обстоятельствах. Иногда правильным вмешательством будет предложение, сообщение, рекомендация или опыт. Иногда это будет полное отсутствие действий. Имеет значение лишь то, изменило ли решение результат в достаточной степени, чтобы оправдать его стоимость.
Поскольку ИИ принимает все больше решений на уровне клиентов, стандарты успеха должны расти вместе с ним. Вопрос больше не звучит просто так: «Сколько клиентов откликнулось?». Он звучит так: «Сколько из них отреагировали иначе, потому что маркетинг принял правильное решение?».