Как персонализировать контент в банковском приложении. Опыт Банка Хоум Кредит и Rubbles
0
6752
Инновации, Партнерский материал
С внедрением платформы Rubbles Customer Insight для персонализации маркетинговых коммуникаций Банк Хоум Кредит получил +21% к проникновению финансовых продуктов среди клиентов, читающих сторис в мобильном приложении, и +10% к оборотам у партнёров, продвигаемых в этих публикациях.
Исследователи McKinsey&Company утверждают, что за счёт грамотного подхода к персонализации на основе аналитики клиентских данных финансовые организации могут получать от 5% до 15% дополнительной выручки. Опыт Банка Хоум Кредит этот тезис подтверждает.Директор департамента по работе с клиентской базой Банка Хоум Кредит Сергей Зотов и руководитель проектов персонализации Rubbles Иван Одинцов на примере сторис в мобильном приложении рассказывают, какие алгоритмы и подходы помогли достичь таких результатов.
Мобильное приложение как канал для взаимодействия с клиентами через контент
Банк Хоум Кредит — частный банк с клиентской базой более 47 млн человек. Главной точкой касания банка с клиентами является мобильное приложение. Ежедневно более 420 тыс. пользователей платят через него за услуги и товары, оформляют банковские продукты, получают финансовые консультации. Поэтому команда по работе с клиентской базой Банка Хоум Кредит направляет значительные усилия на улучшение клиентского опыта внутри приложения через персонализированный контент.
В этом банку уже несколько лет помогает компания Rubbles, специализирующаяся на решениях на базе анализа данных для крупного бизнеса. Для эффективного управления персонализированными маркетинговыми коммуникациями в мобильном приложении были выбраны CVM-платформа Rubbles Customer Insight и набор разработанных Rubbles моделей управления контентом. Также в рамках объединённой команды аналитиков, копирайтеров, дизайнеров и кампейн-менеджеров Банка Хоум Кредит и Rubbles был выстроен новый процесс работы с контентом — от идеи до запуска коммуникационных кампаний.
Этот процесс состоит из следующих этапов:
1. Определение оптимальной частоты выпуска контента.
2. Составление контент-плана.
3. Сегментация и таргетинг.
4. Настройка ранжирования контента в ленте.
5. Тюнинг контента под узкий сегмент клиентов.
Рассмотрим каждый этап по порядку и расскажем, какие подходы и алгоритмы нам помогают наиболее эффективно их проходить. Для того чтобы наша статья была максимально наглядной и конкретной, изложим ниже процесс для сторис (аналог ленты сторис из социальных сетей).
1. Определение оптимальной частоты выпуска контента
Чтобы определить, как часто нам нужно выпускать новые сторис (например, раз в месяц или каждый день), потребовалось собрать данные о том, сколько времени живет контент конкретно в этом канале, а именно — как долго в среднем эти публикации читают и через какое время к ним пропадает интерес. Для этого мы опубликовали несколько сторис с длинным сроком жизни и посмотрели, через какое время клиенты перестают их читать.
В случае Банка Хоум Кредит оказалось, что срок жизни контента — примерно 30 дней. Поэтому новую порцию сторис мы решили выпускать каждый месяц. Таким образом, в текущем месяце мы готовим публикации на следующий. Исключение — сообщения на горячие темы, которые появляются внезапно и отрабатываются на ходу.
2. Составление контент-плана
Контент-план описывает количество сторис по различным темам, которые будут сделаны на следующий месяц. Обычно это решают эксперты от бизнеса, исходя из целей банка. Но мы параллельно с этим используем предсказательную модель, с помощью которой рассчитываем оптимальное количество сторис по каждой теме на основе данных о клиентах.
Работает модель следующим образом:
— У нас есть описание каждого клиента: его данные профиля, какие сообщения ему транслировались, насколько активно он их читает, какие темы он отмечал как понравившиеся, а какие «дизлайкал».
— ML-модель предсказывает показатель Reed rate для конкретного клиента в зависимости от комбинации тематик сторис и их количества. Например, можно спрогнозировать, каким будет Reed rate для Ивана Иванова, если мы покажем ему одну сторис по новым сервисам, 4 — на тему лайфстайл, 10 — по управлению финансами.
— Далее для каждого клиента наша модель рассчитывает оптимальное количество сторис по разным темам, чтобы получить максимальный Read rate.
— Зная оптимальное распределение по темам для каждого клиента, мы можем рассчитать оптимальный набор сторис для всей базы. Это и будет контент-план на следующий месяц.
3. Сегментация и таргетинг
На какую аудиторию таргетировать ту или иную коммуникацию, определяет контент-менеджер. Это достаточно творческий процесс, в котором он опирается на следующие подходы к сегментации:
• по анкетным данным;
• по метрикам используемых клиентом финансовых продуктов;
• по транзакционным данным;
• по потребляемому контенту в прошлом.
Разберём последние два подхода как наиболее интересные.
Сегментация по транзакционным данным
В рамках этого подхода мы строим сегменты на основе данных по клиентским покупкам. Например, мы можем из общей базы клиентов выделить тех, кто регулярно покупает кофе или часто летает на самолёте. Для лучшего понимания природы транзакций каждой из них присваиваются теги. На это работают модули Insights и Merchant Cleaner, входящие в Rubbles Customer Insight.
Merchant Cleaner — готовая обновляемая база данных, в которой каждому продавцу соответствуют теги, описывающие его транзакции. Таким образом, каждую транзакцию мы можем описать облаком тегов.
Insights — система предсозданных триггеров и моделей, описывающих реальную жизнь клиентов, — позволяет выделять интересы клиентов, формировать их поведенческий профиль и подбирать соответствующий контент.
Сегментация по данным потребления контента
Вы наверняка замечали в соцсетях, что когда вы прочитали или «лайкнули» какой-то пост про рестораны, например, то вам чаще в ленте выдается контент про рестораны. Это результат работы таргетинга на основе данных о потреблении контента.
Для сегментации по данным потребления контента мы используем похожий принцип — группируем пользователей в зависимости от того, какие сторис они прочитали/оценили в прошлом. А далее алгоритм content based fitting подбирает для них контент, близкий тому, что им ранее понравился.
4. Настройка ранжирования контента в ленте
На мобильном устройстве клиента обычно видны 4–5 сторис, а остальные скрыты. Отсюда возникает задача правильной расстановки превью сторис в ленте. Для этого у нас есть алгоритм ранжирования, реализованный внутри продукта Rubbles DXS (Digital Experience System). Он определяет порядок сторис в ленте, опираясь на несколько параметров:
● общий Read rate (более кликабельные сторис идут вперед);
● личный Read rate клиента по теме сторис (наиболее интересные темы для клиента показываются чаще и ближе к началу ленты);
● прочтение коммуникации (прочитанные сторис идут в конец ленты);
● новизна сторис (чем свежее — тем ближе к началу ленты);
● бизнес-вес коммуникации.
Последний из этих параметров — бизнес-вес коммуникации — настраивается вручную. Если мы хотим продвинуть важную для банка сторис, то увеличиваем этот показатель, и сторис показывается в самом начале ленты.
В рамках заложенного алгоритма ранжирования многие параметры можно кастомизировать под аудиторию заказчика и текущие бизнес-цели. И контентная команда непрерывно занимается этим. Например, недавно мы значительно увеличили читаемость историй за счет оптимизации их скрытия из ленты конкретных клиентов. Проведя ряд экспериментов, мы обнаружили, что оптимально скрывать сторис через 15 дней после показа без прочтения, через 7 дней после показа и прочтения или через 4 дня после прочтения и клика. В результате мы добились увеличения читаемости на 7%.
5. Тюнинг контента под узкий сегмент клиентов
Есть практика, когда один и тот же контент мы видоизменяем в зависимости от предпочтений клиента. Обычно это делается на ценных для банка сторис, конверсия по которым важна. Например, для промокампании по кредитным картам «120 дней без %» мы создавали несколько сторис с уникальным креативом под разные аудитории на основе транзакций в зависимости от хобби. Read rate по ним был на 30% выше, чем у общей публикации, которую мы запускали на всех.
Заключение
Внедрение процессов персонализированных коммуникаций на основе платформы Rubbles Customer Insight положительно отразилось на бизнесе Банка Хоум Кредит. Мы доказали, что при правильном подходе с опорой на клиентские данные сторис могут отлично работать на кросс-продажи.
Сергей Зотов, директор департамента по работе с клиентской базой Банка Хоум Кредит: «Чем глубже персонализация и адаптация контента под специфику и транзакционный профиль клиента, тем выше конверсия. Совместно с Rubbles мы уже достигли более чем 20%-ного роста проникновения продуктов банка по клиентам, читающим наши коммуникации в приложении, и 10%-ного увеличения безналичного оборота по банковским картам по партнёрским программам. Плюс важно отметить, что сторис служат также каналом для оперативного оповещения клиентов, а это разгружает контакт-центр и помогает дополнительно экономить. Благодарим команду Rubbles за эффективные цифровые инструменты, профессиональное решение наших задач с ориентиром на результат».
Иван Одинцов, руководитель проектов персонализации Rubbles: «Мы только в начале пути с подбором креатива под сегменты, но уверены, что за этим будущее, особенно учитывая семимильное развитие генеративного ИИ и reinforcement learning. Мы видим в этом огромное поле для роста и развития наших технологических решений по персонализации. Например, в ближайшем будущем мы планируем анализировать Tone-of-voice клиента при звонках в колл-центр и в чатах поддержки, а затем подбирать Tone-of-voice текста коммуникаций в зависимости от его вербального профиля. И это не предел».
В этой статье мы лишь прошлись по верхам процесса управления контентом на основе клиентских данных. Подробнее мы его разобрали на конференции «Big Analytics». Просмотреть её в записи можно по ссылке.
Партнерский материал
Рекламодатель: ООО "РАБЛЗ"
