«Группа Лента» — один из крупнейших российских ретейлеров, работающий во множестве форматов: гипермаркеты, супермаркеты, магазины у дома, дрогери — магазины-дискаунтеры в формате самообслуживания, а также строительные магазины. Покупателям предоставляется возможность совершать покупки онлайн, используя как собственные сервисы Группы, так и сервисы онлайн-партнеров. Сейчас под управлением компании находится 346 гипермаркетов, 395 супермаркетов, 4396  магазинов у дома, 2 041 магазин дрогери, 118 магазинов сети «Реми» и 26 магазинов «Дом Лента» общей торговой площадью около 3,9 млн кв. м в более чем 650 населенных пунктах России.

Программа лояльности «Ленты» охватывает больше 50 млн покупателей — ежедневно магазины группы посещают более 4 млн человек. Клиент в этом контексте — не вообще покупатель и не сегмент, а конкретный участник программы лояльности, узнаваемый по своей карте: история покупок, полученные коммуникации и действующие согласия на контакт. Все решения — какое предложение показать, в каком канале и когда — принимаются на основе данных анкеты участника программы. Однако по мере роста объема коммуникаций с покупателями и увеличения числа каналов ключевым фактором эффективности — прироста товарооборота и маржи на рубль затрат на коммуникацию — становится не только проработка отдельных сценариев, но и их согласованность на уровне клиента. Добавление новых кампаний — как собственных, так и совместных с поставщиками — не всегда давало пропорциональный эффект, а в ряде случаев приводило к каннибализации: все большую роль играло распределение коммуникаций с учетом ограниченного ресурса клиента — его внимания и частоты контактов. В этих условиях фокус сместился к управлению коммуникациями как единой системой и их оптимизации на уровне каждого клиента.

Галина Кардаева: «Внедрение оптимизатора позволило существенно улучшить ключевые бизнес-метрики при снижении затрат на коммуникации. Мы достигли одновременного роста доходности и снижения затрат за счет более точного управления коммуникациями»

«Гипер Лента» внедрила систему оптимизации маркетинговых предложений на базе решения CM Ocean Optimum в контуре управления ценностью клиентов (Customer Value Management, CVM). Для каждого клиента выбираются предложение и канал доставки с учетом пропускной способности канала и бюджета кампании — сегментный подход уступает место принципу 'segment of one': задача релевантности предложения, максимизации конверсии и доходности решается для каждого клиента индивидуально, а не на уровне клиентских групп. О реализации проекта рассказали Галина Кардаева, директор по маркетингу торговой сети «Гипер Лента», и Владимир Носиков, директор платформы CVM-маркетинга CM Ocean компании Data Sapience, — номинанты на премию Data Award.

— Какие задачи требовалось решить?

На момент старта проекта уже использовались достаточно продвинутые инструменты персонализации, включая модели отклика и прироста (uplift), а также техники сплит-тестирования (A/B) для оценки инкрементального эффекта. Следующим шагом стало обеспечение выбора оптимального предложения конкретно для каждого клиента с учетом его ценности на уровне всей системы коммуникаций. При этом было важно одновременно учитывать все ограничения: бюджеты, емкость каналов, контактная политика, обязательства по отдельным предложениям, чтобы затем масштабировать этот подход на всю клиентскую базу. В масштабах всей базы персональные предложения подбираются для каждого конкретного клиента: персональные скидки, конкретные товары или категории, выбор канала коммуникации под баланс вероятности отклика в канале и стоимости коммуникации, причем учитывая общие цели CRM. Отдельная задача — сделать управление этими сценариями доступным для бизнеса без постоянного вовлечения ИТ.

— Какой подход выбрали для реализации проекта?

Изначально проект выстраивали как совместную работу команд из «Гипер Лента», GlowByte и Data Sapience как отражение стыка бизнеса, данных, моделей и промышленной ИТ-архитектуры. Сознательно был выбран подход с запуском в эксплуатацию минимальной версии (Minimum Viable Product, MVP), чтобы быстро собрать первый рабочий контур, проверить ключевые гипотезы и подтвердить, что оптимизационный подход применим к реальному процессу управления ценностью клиентов «Ленты». Ключевая гипотеза формулировалась так: если тот же набор предложений и тот же бюджет распределить с помощью оптимизатора, а не по корпоративным правилам приоритизации, то суммарный прирост товарооборота вырастет без увеличения числа контактов. Гипотезу проверяли сплит-тестом: контрольная группа получала коммуникации по действующей логике, тестовая — по плану, рассчитанному оптимизатором.

Первый этап включал аудит доступных данных и используемых моделей, сбор и формализацию бизнес-требований, а также согласование оптимизационной задачи. Параллельно шло проектирование архитектуры, которая должна позволять не только быстро запустить первый «боевой» сценарий, но и масштабировать решение дальше. У «Ленты» сильная ИТ-команда и внутренняя экспертиза, поэтому решение должно внедряться с расчетом на его дальнейшее развитие собственными силами. После этого была развернута платформа, настроен первый сценарий и проведена оценка его эффективности.

Выбор был сделан в пользу платформы CM Ocean — продукта CM Ocean Optimum, помогающего подразделению CRM получать максимум от работы с клиентской базой и выполнять KPI, используя методы анализа больших данных. Продукт изначально ориентирован на задачи маркетинговой оптимизации с учетом конкретных бизнес-ограничений. Для «Гипер Ленты» было важно, что этот продукт позволяет работать не на уровне отдельных кампаний, а решать задачу оптимального распределения коммуникаций с учетом всех каналов, предложений и целевой функции. Дополнительным фактором в пользу выбора данного продукта была скорость его внедрения — время от старта проекта до промышленной эксплуатации не должно превышать нескольких месяцев. Фактически проект занял около трех месяцев. Кроме того, требовалось именно масштабируемое решение, не требующее разработки логики с нуля.

Рис. 1. Оптимизация — не отдельный процесс, а шаг внутри цикла: результат каждого запуска возвращается в модели и в ограничения следующего

— Что представляет собой платформа?

Сегодня решение развернуто в контуре «Ленты», работает в Kubernetes-кластере и встроено в корпоративную ИТ-среду, масштабируясь по мере роста нагрузки. По сути, CM Ocean Optimum — это вычислительный слой, получающий на вход пространство допустимых коммуникаций: персональные предложения клиенту, доступные каналы, история контактов и прогнозные оценки эффекта коммуникаций и отклик по доступным каналам. Решение встроено в новый бизнес-процесс оптимизации: после подготовки входных данных и настройки сценария рассчитывается итоговый план коммуникаций и возвращается в контур целевого маркетинга. На выходе бизнес получает уже не набор отдельных гипотез, а готовый список коммуникаций — кому, какое предложение и по какому каналу отправлять с учетом целевой функции и всех ограничений.

Рис. 2. Пример выбора предложения для одного покупателя. Вариант с самым высоким откликом не обязательно лучший — тот, что принес бы больше всех, закрыт контактной политикой

— Как устроено оптимизационное ядро решения?

Ядро платформы — математическая оптимизация. Пользователь задает сценарий как набор бизнес-ограничений, правил отбора и целевой функции, которой может быть, например, максимизация суммарного прироста розничного товарооборота, выручки, прибыли, откликов. Либо, наоборот, требуется найти способ минимизации затрат. Затем сценарий преобразуется к формальному математическому виду и решается задача смешанного целочисленного программирования (поиск наилучшего решения). Иначе говоря, платформа должна выбрать из очень большого массива строк «клиент — оффер — канал» набор с наилучшим значением целевой функции при соблюдении всех ограничений: по клиенту (сколько контактов и в каких каналах допустимо реализовать для одного человека за период, какая пауза между сообщениями должна быть, какие предложения нельзя показывать вместе), по каналу, по офферу, по бюджету, по контактной политике и другим бизнес-параметрам.

В случае «Ленты» расчет опирался на прогнозы моделей прироста и бизнес-правила для предложений, у которых нет моделей (это новые или редкие офферы, по которым еще не накоплено статистики для обучения; для них бизнес задает условия отбора клиентов, приоритет и экспертную оценку ожидаемого эффекта). Такой подход позволяет не просто ранжировать предложения, но и формировать математически обоснованный план коммуникаций сразу по всей клиентской базе. На текущем объеме данных требуется не более 10 минут для обработки более чем 10 млн предложений для клиентов, но архитектура масштабируется под практически любое количество данных. Реально проверенная граница — 600 млн строк входных данных за 2,5 часа.

Владимир Носиков: «В таких проектах решает не сложность математики, а честность постановки: пока ограничения не названы в рублях и в емкости каналов, оптимизировать нечего»

— Что было самым сложным в проекте?

Корректно формализовать бизнес-логику так, чтобы математическая модель действительно отражала реальные приоритеты бизнеса, сохраняя фокус на клиенте, и позволяла находить оптимальный баланс коммуникаций, создающий ценность для бизнеса, оставаясь при этом релевантным для самого клиента. В логике CVM одновременно действуют разные требования: где-то важно максимизировать отклик (долю клиентов, совершивших целевое действие после коммуникации: активировавших предложение или купивших товар из нужной категории), где-то — выручку или маржу, где-то — соблюсти лимиты по каналам и контактную политику, а где-то — выдержать обязательные объемы по отдельным предложениям.

Другая сложность проекта — подготовка качественных входных данных и прогнозов эффекта, в конечном счете определяющих прикладную ценность оптимизации. Определенную сложность вызвало встраивание решения в рабочий процесс команды управления отношениями с клиентами так, чтобы результат оптимизации был не только точным, но и управляемым с точки зрения бизнеса.

— Какие результаты достигнуты?

Внедрение оптимизатора позволило существенно улучшить ключевые бизнес-метрики: конверсия выросла на 11%, дополнительный товарооборот — на 12%, маржинальность — на 10%, при этом затраты на коммуникации снизились на 24%. Таким образом, был достигнут одновременный рост доходности и снижение затрат за счет более точного управления коммуникациями.

Кроме того, проект обеспечил переход от сегментированного подхода (предложение и канал назначаются группе похожих клиентов целиком) к управлению клиентскими коммуникациями на уровне каждого конкретного клиента ('segment of one'). Теперь для каждого клиента определяется его индивидуальная оптимальная связка «предложение — канал — момент контакта», что позволяет точнее управлять клиентской ценностью и эффективнее распределять инвестиции на маркетинг.

— Перспективы проекта?

Следующий этап развития связан с переходом к управлению клиентской ценностью одновременно на уровне каждого клиента и всей базы. Имеется потенциал расширения применения оптимизации: подключение новых каналов, увеличение числа предложений и развитие сценариев взаимодействия. При этом меняется роль моделей — если ранее они использовались для оценки отклика и инкрементального эффекта отдельных коммуникаций, то теперь становятся частью единого контура принятия решений, обеспечивая управление коммуникациями на уровне клиента.

Кроме этого планируется шире применять подходы на основе больших языковых моделей. Ключевое направление — углубление персонализации, а именно: переход от выбора отдельных предложений к управлению всей совокупностью взаимодействий, включая частоту, последовательность и сочетание коммуникаций. В перспективе это означает динамичное управление клиентским опытом, а не подбор отдельных предложений. Например, если клиент две недели не реагирует на push-сообщения, то система сама снижает частоту в этом канале и переносит контакт туда, где он отвечает, а вместо очередной скидки предлагает то, что удерживает его в категории.

Николай Смирнов (nsmirnov@osp.ru) — независимый автор (Москва).