Аналитическое решение для оптимизации маркетинговых кампаний. Кейс Ингосстрах

Ингосстрах — страховая компания, которая работает на международном и внутреннем рынках с 1947 года и предоставляет защиту для физических и юридических лиц.

Это универсальный страховщик федерального уровня и один из лидеров отечественного страхового рынка. Сегодня в компании работает более восьми тысяч сотрудников. Российское рейтинговое агентство Эксперт РА присвоило Ингосстраху высочайший рейтинг A++.

Ситуация до старта проекта

В сфере страхования применяются инструменты оптимизации коммуникаций, основанные на предиктивной аналитике. Процесс оптимизации предложений включает в себя сложный математический алгоритм, который состоит из выбора клиентов, товаров и каналов общения.

У компании ограниченные возможности и ресурсы для этого:

• бюджет;
• пропускная способность каналов;
• доли продуктов;
• политика компании, регулирующая время звонков.

До 2022 года в России SАS Customer Intelligence был одним из популярных решений по управления взаимоотношениями с клиентами и маркетингом, предназначенный для предприятий среднего бизнеса в различных отраслях. В 2022 году Ингосстрах пересмотрел свой выбор в пользу отечественного решения.

Проблема

Компания имеет большую клиентскую базу. Из-за этого возникают сложности в формировании эффективной коммуникации с клиентами. До 70% клиентов при навязчивых коммуникациях отказываются от услуг. Стояла задача увеличить отклик потребителей и перейти на отечественное ПО без потери качества и эффективности.

В 2022 году получилось достигнуть следующие цели:

• Замена модуля системы, вычисляющего наиболее оптимальную связку «клиент, канал, предложение» для группы клиентов.
• Инструмент, автоматизирующий процесс выбора предложений по каждому клиенту и учитывающий все ограничения для маркетинга.

В 2023 году была поставлена новая задача: развитие оптимизатора с целью увеличения производительности и обеспечения поддержки сценарного анализа при подготовке маркетинговых кампаний.

Решение

Ингосстрах выбрал систему Reshape Marketing Optimization. Этот подход, основанный на данных и продвинутой аналитике.

За данной системой стоят сложные математические расчеты. Ведь в этом процессе нужно грамотно расставить приоритеты, выбирая клиентов, товары и каналы общения, учитывая большое количество ограничений. Решение задачи сводится к линейному программированию.

Задача линейного программирования — оптимизация линейной целевой функции при наличии ограничений. Математическая задача в общем виде состоит в определении наибольшего или наименьшего значения целевой функции.

Целевая функция:

F(x_{1},x_{2} )=c_{1}x_{1}+c_{2}x_{2}\rightarrow min/max

Решения функции от переменных x_{1}, x_{2} и параметры (а, b, c)

Система прямых ограничений:

\begin{cases}a_{11}x_{1}+a_{12}x_{2}\leq b_{1} (1)\\x_{1}\geq b_{2}(2) \\x_{1}+x_{2}\leq b_{3}(3)\\x_{1}\geq0,x_{2}\geq0\end{cases}

В данном случае целевая функция рассчитывает максимально возможную прибыль при условии, что:

• (1) — расходы на кампанию не должны превышать бюджет;
• (2) — продукт x_{1} должен быть предложен не менее b_{2} клиентам;
• (3) — общее число контрактов с клиентом не должно превышать b_{3}.

В рамках данной модели устанавливаются конкретные ограничения, включающие в себя параметры, такие как количество коммуникаций, видов продукции и доступных каналов взаимодействия. Последующим этапом является формулирование цели — достижения определенного экономического показателя. В данном случае — это ожидаемая доходность.

Для каждой формы коммуникации устанавливается соответствующая оценка, представляющая потенциальный доход компании в случае положительного отклика. Естественно, каждая коммуникация требует финансовых затрат, поэтому существуют ограничения ресурсов на бюджет.

Всего существует около 20 различных типов ограничений, учитывая параметры для каналов, продуктов и клиентов, это приводит к формированию сотен и тысяч ограничений в целом.

Линейная целевая функция

Модель прогоняет данные с учетом всех ограничений и предлагает решение, которое будет наилучшим в плане ожидаемой доходности. Рассмотрим каждый этап подробнее.

Естественно, данные необходимо подготовить и провести прогноз. Это заняло два первых этапа:

• Получение балла:
  1. Получение списков клиентов.
  2. Проверка соответствия баллам.
• Прогноз доходности:
  1. Расчет прогноза дохода для каждого клиента по каждому продукту и каналу коммуникаций.

Следующим шагом данные фильтруются. Добавляются параметры для оптимизации.

• Ограничение и фильтры:
  1. Применение клиентских фильтров.
  2. Применение доступности клиента и возможностей предложить продукт.
  3. Анализ истории контактов с клиентом.
• Параметры оптимизации:
  1. Бюджет.
  2. Емкость каналов.
  3. Политика контактов.
  4. Доля продуктов в портфеле.

Следующим важным шагом было построения тактической и оперативной модели. На них остановимся более подробно.

При оптимизации проекта появился запрос увеличить выборку от 1 000 000 до 1 500 000 000 и сегментировать клиентов до 2 500 групп. Рассмотрим, как этого удалось достигнуть на примере задачи о размещении склада.

График зависимости времени от числа бинарных переменных

При увеличении переменных вдвое наблюдался феномен экспоненциального роста времени, которое увеличивается в 16 раз. Эта нелинейность проявлялась как при увеличении размерности, так и при ее уменьшении. Этим удалось воспользоваться.

Например, задачу, решаемую за 10 минут, разбивают на 10 подзадач. При этом время решения каждой подзадачи сокращается до 1% от изначального времени, что приводит к общему уменьшению в 100 раз.

В данной задаче возникла сложность в разделении переменных. Например, при делении клиентов они могут использовать общие ресурсы. Тактическая модель в данной системе становится интеллектуальным подходом, который классифицирует клиентов и оценивает их потенциал. В зависимости от возможной прибыли каждой группы ресурсы выделяются пропорционально, что позволяет их эффективно использовать. Все предложения разбиваются на партиции.

Тактическая модель:

• Работает с агрегированными предложениями в разрезе продуктов, каналов, сегментов.
• Выделяет ресурсы для каждой партиции предложений в зависимости от их прибыльности.

Оперативная модель:

• Выбирает конкретные предложения в рамках партиции.
• Дает точную оценку результатов кампании.
• Параллельно могут рассчитываться несколько партиций.

Этапы работы системы

Для каждой указанной группы (партиции) требуется небольшой временной интервал, составляющий 1-2 минуты. Эффективное использование вычислительных алгоритмов позволяет параллельное выполнение задач, что оптимизирует процесс.

Loginom выступает в роли замены зарубежных продуктов, обеспечивая запуск расчетов в цикле параллельно. Этот двухуровневый подход позволил успешно провести необходимые вычисления. В данной системе в Loginom происходит расчет задачи оптимизации и подготовку отчетов для аналитиков.

Еще Loginom отвечает за подготовку данных, фильтрацию клиентов и коммуникаций, которые будут включены в итоговый список.

На выходе получается результат, определяющий рекомендации по предложению продукта конкретному клиенту в определенном канале коммуникации. Он включает в себя ожидаемую доходность, затраты с учетом выбранного канала коммуникации, а также чистую ожидаемую прибыль.

Пример на выходе из оптимизатора:

Операционная модель на выходе даст список клиентов, для каждого из них будет предложен конкретный продукт. По результатам проводится коммуникация в определенном канале. Расчет операционной модели — это результирующий пул данных, которые можно использовать для запуска проектов и передачи в соседнее подразделение.

Результаты

Оптимизированные коммуникации повысили эффективность маркетинговых кампаний и продаж, обеспечивая более точное таргетирование и взаимодействие с потенциальными клиентами.

Ингосстрах выделяет следующие результаты от внедрения системы:

1. Увеличился сбор на одну коммуникацию минимум от 3 до 5 раз.
2. Сократилось время на сбор и подготовку. От несколько недель до 1-2 дней, т.е. минимум в 7 раз!
3. Появилась возможность стоить прогноз доходности.

Данный проект был выполнен компаний Reshape Analytics для Ингосстраха. Исполнитель выделяет следующие результаты от применения платформы Loginom:

• Появился подход для решения больших задач планирования.
• Сократилось время расчета сценария минимум в 10 раз!
• Появилась возможность быстрого сценарного анализа, а также расчет 1 000 000 000 предложений.

Перспективы проекта

Исполнитель может доработать систему для применения в других компаниях. Возможны следующие дополнительные функциональности:

• Аналитический модуль сегментации клиентов.
• Модуль индивидуального предложения для каждого клиента.
• «Портрет клиента» в зависимости от его поведения.
• Калькулятор эффектов акционных механик.
• Прогнозирование поведения клиентов в рамках программы.
• Пост-акционная аналитика.

Подробнее об оптимизации маркетинговых кампаний в выступлении Глеба Заходякина, аналитика-разработчика в Reshape Analytics, старшего преподавателя в Высшей школе бизнеса НИУ ВШЭ и Дмитрия Фронского, руководителя направления Сектора монетизации данных в Ингосстрах:

pdfАналитическое решение для оптимизации маркетинговых кампаний.pdf

Если вы хотите применять аналитическую low-code платформу Loginom для решения задач бизнеса, свяжитесь с нами.

Другие материалы по теме:

Алгоритмы кластеризации на службе Data Mining

Построение единой аналитической системы для компаний среднего бизнеса и производств