Обучаем ML модель предсказывать LTV.
Создаем рабочий отчет для маркетолога.
Строим сквозную аналитику по рекламным кампаниям.
Собираем данные о затратах и кликах из всех рекламных кабинетов и связываем эти данные с покупками пользователя на сайте.
Создаем основной маркетинговый отчет.
В этом отчете по каждой кампании видим:
- сколько денег потратили на эту кампанию;
- сколько платящих пользователей эта кампания привлекла;
- сколько стоил каждый привлеченный пользователь (Cost Per User);
- средний Lifetime Value (LTV) этого пользователя – какой доход за все время он нам принес.
LTV/CPU = <1– Кампания убыточная.
LTV/CPU = >1 – Кампания эффективная.
LTV/CPU = >2 – Кампания прибыльная.
Оценить, эффективна ли запущенная кампания как можно быстрее, а не через несколько месяцев.
В этом месте приходит на помощь ML.
- диагноз;
- сложность диагноза;
- продолжительность лечения;
- user name;
- план лечения;
- дата первой оплаты;
- дата последней оплаты;
- оплаты постоянные или клиент разово попробовал;
- NPS (насколько готов рекомендовать сервис другим людям);
- UTM (из какого канала пришел и т.д.).
Рассчитываем эффективность рекламных кампаний.
Мы считаем рекламную кампанию эффективной, если пользователь нам заплатил больше денег, чем мы потратили на его привлечение.
Если пользователь заплатил в 2 раза больше денег, чем мы потратили, то это кампания прибыльная.
Если пользователь заплатил меньше чем мы потратили, то кампания убыточная.
Оценка кампаний 2021−04 апреля прошлого года по состоянию на февраль 2022 года — видно, что есть кампании которые уже окупились (зеленые), а некоторые остались убыточными.
Проблема в том, что финальный LTV пользователя мы узнаем только через полтора-два года, потому что пользователи платят каждый месяц длительное время.
А маркетологу нужно понимать эффективность кампании существенно быстрее, в идеале с первой покупки пользователя.
- дату рождения;
- возраст;
- возрастную группу;
- пол;
- цель лечения;
- статус лечения;
- наличие беременности или кормления грудью
- планирование беременности;
- наличие аллергии;
- наличие других медицинских симптомов.
Как только первый пользователь, пришедший по рекламной кампании, совершил хотя бы одну покупку, мы предсказываем его LTV и, соответственно, узнаем окупятся ли затраты на его привлечение.
Со 2-й и последующих покупок предсказание уточняется.
Для каждого пользователя мы знаем его фактический LTV и время жизни на проекте.
На основании этих данных обучаем ML-модель, которая предсказывает LTV, исходя из параметров нового пользователя, который совершил первую покупку.
Добавляем информацию о прогнозе LTV в основной маркетинговый отчет.