Как и большинство издательств, холдинг Mediahuis, штаб-квартира которого находится в Бельгии, сталкивается с серьезной задачей: не просто преобразовать потенциальных читателей в цифровых подписчиков, но, что более важно, сохранить свою текущую базу пользователей.
Mediahuis издает более 30 новостных СМИ в Бельгии, Нидерландах, Ирландии, Люксембурге и Германии. В портфолио холдинга входят телеканалы, радио и маркетплейсы. Компания начала свою работу с данными шесть лет назад, и сегодня в команде по обработке данных трудится 40 человек. Они занимаются моделированием и глубокой аналитикой, чтобы новые пользователи охотнее оформляли подписку, а старые – продлевали ее.
Джессика Булте, бизнес-партнер по работе с данными Mediahuis, выступая в конце апреля на конференции WAN-IFRA Digital Media Europe в Вене, объявила, что благодаря усердию их data-команды только за последние три месяца им удалось увеличить общее количество подписчиков более чем на 14% и превысить отметку в 1,8 миллиона человек.
A/B-тестирование
Она считает, что A/B-тестирование играет решающую роль в понимании наилучшей стратегии привлечения анонимных пользователей к регистрации, их конвертации и удержания. И это то, чем Mediahuis занимается уже много лет, как и другие издатели.
Однако непрерывное A/B-тестирование требует больших усилий. По словам Булте, чем сложнее становится экономика подписки с появлением новых технологий, тем больше ручного труда для этого требуется: «Вы пользуетесь разными инструментами, тестируете разные области, и внезапно наступает хаос. Это также медленный процесс. Одновременное выполнение двадцати A/B-тестов неэффективно, потому что вы не сможете определить, что сработало в каждом конкретном случае».
«Например, издатель может провести A/B-тест, в котором тест B работает лучше для 70% его пользователей по сравнению с тестом A. Итак, есть явный победитель, – продолжила Булте. – Однако перспектива «победитель получает все» не столь очевидна. Если издатель использует результаты теста B для своих пользователей, он не учитывает 30%, для которых тест A показал лучшие результаты».
В частности, это напрямую отразилось на решении задачи по охвату более молодой аудитории: до сих пор большинство подписчиков изданий Mediahuis – пожилые люди.
Модель склонности
Следующей их идеей стало моделирование склонности. Оно включает в себя методы построения прогностических моделей, которые предсказывают вероятность того, что потенциальные клиенты купят подписку, основываясь на их поведении в прошлом.
Булте описала процесс создания прогностической модели следующим образом:
сбор данных (first-party data и поведенческие данные);
очистка этих данных;
выявление закономерностей;
составление прогнозов.
«Модели машинного обучения отлично подходят для выявления прошлых тенденций на основе наборов данных, их изучения и прогнозирования новых моделей поведения для новых пользователей, – сказала она. – Это помогает нам разделить огромный пул пользователей на разные подгруппы: люди, которые с большой вероятностью совершат покупку; люди, которые могли бы ее купить, но пока сомневаются; и люди, которые наверняка покупать не станут».
Модель склонности, подготовленная на основе данных, по-прежнему требует человеческих усилий, на этот раз направленных на дифференциацию различных аудиторий. «Это может снова внести хаос во всю аналитическую работу, которую вы проводите», – заметила Булте.
По ее словам, ключевым моментом здесь является не прогностическая модель, а модель, которая может автоматизировать повседневные задачи и улучшить персонализированное взаимодействие с клиентами.
«Если модель машинного обучения по-прежнему требует от вас выполнения большого количества ручной работы, A/B-тестирования и использования этих данных для принятия решений, значит, вы работаете по принципу обоснования данных (data-informed)», – заявила Булте.
Решение, которое сработало для Mediahuis, состояло в том, чтобы переключиться с подхода data-informed на подход data-driven, то есть на действительно управляемый данными способ, при котором тестирование остается за алгоритмом.
Модель следующего наилучшего действия
Сегодня их команда по обработке данных приступила к экспериментам с моделированием следующего наилучшего действия. Это включает в себя те же начальные этапы сбора и очистки данных. Однако в данной модели пользователи связаны с маркетинговыми кампаниями, которые они видели и/или с которыми взаимодействовали.
Эта модель извлекает уроки из прошлых действий клиентов и прогнозирует шаги, которые необходимо предпринять для оптимизации потребительской ценности микроаудиторий в долгосрочной перспективе, основываясь на нескольких возможных переменных.
Модель следующего наилучшего действия эффективнее модели склонности в том смысле, что она информирует команду по обработке данных о действиях, которые они должны предпринять после того, как пользователь подписался, с точки зрения маркетинга.
«С помощью этой модели вы действительно можете приступить к персонализации пользователей из разных категорий, – сказала Булте. – Вы знаете, какие кампании им показывать, не привлекая для этой работы сотрудников, потому что ваша модель данных извлекла уроки из предыдущих действий клиентов и теперь готова увеличить ценность вашего предложения. Это также отличный способ повысить средний доход от одного пользователя (ARPU)».
Модель оттока
Моделирование оттока помогло Mediahuis ориентироваться на сегментированные группы пользователей и продавать свои продукты тем группам, где была зафиксирована высокая вероятность оттока.
Пользователи, проявившие высокую склонность к оттоку, получали телефонные звонки от маркетинговой службы Mediahuis. Это увеличило их удержание на 14,17% всего за три месяца. Пользователям из категории «сомневающихся» было отправлено по почте видео, в котором подчеркивалась важность брендов Mediahuis. Это увеличило их удержание на 9%.
В течение нескольких месяцев команда по обработке данных продолжит работу над оптимальной моделью следующего наилучшего действия. Булте добавила, что модель «Склонность к покупке» находится в разработке с марта, и следующим шагом станет проведение новой серии динамических A/B-тестов.
Неха Гупта, корреспондент WAN-IFRA
Скриншот: mediahuis.be
Материал опубликован в августовском номере журнала «Стратегии и практика издательского бизнеса. WAN-IFRA-ГИПП Magazine»
Все материалы свежего номера читайте здесь (скачать pdf)
