Персонализация давно стала почти обязательным пунктом в презентациях о цифровой трансформации. Собираем данные о клиенте, строим модель склонности к покупке, выбираем наиболее подходящее предложение — и ожидаем рост конверсии.
Но есть менее эффектный и, на мой взгляд, более интересный вопрос:
какой прирост продаж должна обеспечить персонализация, чтобы инвестиции в неё вообще имели экономический смысл?
В рамках командного MBA-проекта мы исследуем этот вопрос на примере авиационного ритейла. В качестве публичного кейса выбрали Emirates и два маршрута — Дубай–Мумбаи и Дубай–Эр-Рияд.
Внутренних данных авиакомпании у нас нет, поэтому поставили себе дополнительное ограничение: построить бизнес-кейс на публичных данных, собственных наблюдениях рынка и явно обозначенных предположениях.
Для начала максимально сузили задачу. Вместо большой платформы персонализации рассматриваем две дополнительные услуги: платный выбор места и дополнительный багаж. Цена услуги не персонализируется. Модель должна определить, что предложить конкретному пассажиру и в какой момент это сделать.
Дальше начинается математика.
На основании расписания, типов воздушных судов, их вместимости и опубликованного среднего коэффициента загрузки мы получили оценку около 208 тыс. пассажиров за 90 дней на двух маршрутах.
Но 208 тыс. пассажиров — ещё не аудитория эксперимента. Для персонализации нужен идентифицированный клиент с достаточным набором данных. Публичной доли таких пассажиров Emirates не раскрывает, поэтому используем сценарии. В базовом — 40%, или около 83 тыс. пассажиров. При A/B-тесте 50/50 экспериментальная группа составит примерно 41,7 тыс. человек.
Теперь предположим исходную долю покупателей платного выбора места 15%, дополнительного багажа — 20%, а персонализация дает +6% относительного прироста.
Это не +6 процентных пунктов. Для выбора места 15% превращаются в 15,9%, а для багажа 20% — в 21,2%.
В результате получаем примерно 375 дополнительных покупок мест и 500 покупок багажа. При принятых в модели средних чеках это около $45 тыс. дополнительной выручки за три месяца в экспериментальной группе.
Кажется, можно показывать результат руководству.
Но именно здесь начинается наиболее интересная часть:
$45 тыс. дополнительной выручки ещё не означают, что в решение стоит инвестировать.
Нужно учесть маржинальность дополнительных продаж, стоимость команды разработки, эксплуатацию, инфраструктуру и масштабирование. А затем перейти к свободному денежному потоку, NPV, IRR, сроку окупаемости и главному для нашего исследования вопросу:
какой минимальный прирост продаж должна доказать модель, чтобы инвестиция окупилась?
В статье разбираю всю цепочку — от оценки пассажиропотока и A/B-эксперимента до границы, где задача машинного обучения превращается в задачу инвестиционного анализа.