Professional Documents
Culture Documents
rabatowania
w oparciu o modele uczenia maszynowego ML.
Cel
Celem projektu z firmą OmegaCode jest dynamiczne oferowanie klientom Chroma rabatów,
które aktywizują klientów nie zamawiających oraz pozwolą zwiększyć wartość klientów
aktywnych przy zachowaniu możliwie najniższych możliwych rabatów.
Implementacja techniczna
Mamy dwa modele:
- dla klientów aktywnych i
- klientów nieaktywnych
Klienci aktywni
będą objęci dwoma rodzajami rekomendacji (rabatów)
- STATYCZNYMI
Te rabaty będą obowiązywały dłuższy okres - 7, 14, 30 dni. Docelowo mają posiadać
płytszy rabat na szerszy asortyment. Te rekomendacje są generowane na podstawie
historii zakupowej klienta lub klientów jemu podobnych.
- DYNAMICZNYMI (jeszcze nie wdrożone)
Te rabaty są przyznawane na podstawie aktywności klienta w serwisie, np. po jakich
stronach chodzi, co klika, ile czasu spędza na danej stronie / produkcie, skąd do
naszego serwisu przyszedł. Te rabaty mają krótszy okres ważności - 1,3,5 dni -
mogą mieć głębszy rabat i z reguły dotyczyć będą konkretnego produktu / grupy
produktów. Ich celem będzie zagranie na emocjach - wyższy ale krótkotrwały rabat.
Ma to za zadanie “wygrać” zamówienie przed np. oczekiwaniem na odpowiedź z
wyceną od konkurencji.
Klienci nieaktywni
Jest to model aktywizujący i jest przedłużeniem programu premium-35. Kiedy klient przy
braku aktywności przez ponad 3 miesiące trafia do tego modelu, otrzymuje kod rabatowy na:
● 35% dla agencji i wszystkie produkty
● 30% dla firm i detalu
W pierwszych miesiącach działania modelu rabat jest wysoki aby sprawdzić jak “dużego
bodźca” potrzeba aby klienci zaczęli reagować. W dalszej części gdy dane na to pozwolą
będziemy szukać niższego, suboptymalnego punktu.
Jest to próba “wygrania” klienta ponieważ trzeba włożyć więcej wysiłku (inwestycji) aby
odzyskać klienta który kupuje gdzieś indziej.
W przypadku tych klientów zadanie jest też utrudnione ponieważ jeśli klienci są nieaktywni,
nie odwiedzają serwisu i nie mamy zgód to nie mamy jk do nich dotrzeć. Jeżeli jednak są
nieaktywni ze względu na nieatrakcyjne warunki - ale serwis odwiedzają - wtedy pokażemy
im pop-up z kodem.
Na tej podstawie informacji zwrotnej od nas model się uczy i dopasowuje w przyszłości
rabaty lepiej.
Przykład sprawdzenia czy klient ma przypisany kod oraz z jakim rabatem zamawiał w
przeszłości
Klient z przykładu zamawiał w przeszłości (przed programem premium-35) z rabatem 35%
rabat ten wynikał jednak z minimalnego stałego rabatu 35% a nie z przynależności do
programu.