Скоринг сервиса для выявления лояльных клиентов

Размещено на http://www.allbest.ru/

СКОРИНГ СЕРВИСА ДЛЯ ВЫЯВЛЕНИЯ ЛОЯЛЬНЫХ КЛИЕНТОВ

Веденкин А.А.

МФ МГТУ им. Н.Э. Баумана

В данной работе был создан скоринг сервис, задачей которого является выявление лояльных клиентов на партнерском ресурсе. Созданный сервис собирал данные с пользовательских ресурсов, агрегировал и обрабатывал их, подставлял в математическую модель и отправлял вывод сервису предоставления рекламных услуг.

Ключевые слова: пользователь, скоринг-сервис, интернет-ресурс, партнер, клиент, try&buy предложение, продукт, алгоритм, модель, трафик, прогноз.

SKORING SERVICE FOR IDENTIFICATION OF LOYAL CUSTOMERS

Vedenkin A.A.

In this paper, a scoring service was created whose task is to identify loyal customers on a partner resource. The created service collected data from user resources, aggregated and processed them, substituted them in a mathematical model, and sent the output to the service providing advertising services.

Keywords: user, scoring service, internet resource, partner, client, try&buy proposal, product, algorithm, model, traffic, prognosis.

Введение

Значительное увеличение трафика (количество пользователей на партнерских площадках) не влияло на ограничение предоставление рекламы. С владельцами большинства продуктов была достигнута договоренность, при которой ограничивается не количество предоставляемой рекламы, а издержки (для различных типов рекламных услуг они разные). Все это вызвало необходимость создание сервиса, который бы уменьшил издержки, увеличил количество используемого трафика и уменьшил издержки владельца продукта.

Цель работы -- оптимизировать избыточный трафик и увеличить конверсию от предоставления рекламы на партнерских ресурсах, а также внедрение полученных результатов в уже имеющуюся программу предоставления услуг.

Разработка сервиса. Разработку сервиса по выявлению лояльных клиентов можно разделить на 4 этапа: сбор данных о пользователях на интернет ресурсах партнеров, обработка полученных, создание математической модели, тестирование и интеграция сервиса в работу программы предоставления услуг. [2]

Данные с партнерских ресурсов собирали и ранее, но их было недостаточно, чтобы построить эффективную модель, поэтому было решено переработать логику сбора данных: ускорить процесс сбора; увеличить количество данных, которые возможно получить с конкретного ресурса; добавить возможность владельцам продуктов добавлять коэффициенты. [1] [4]

Обработка собранных данных осуществляется ежесуточно во время наименьшей нагрузки на сервер или начинается в 3 часа ночи по московскому времени, если задержка более суток. Вся суть обработки - агрегация собранных данных. Чтобы уменьшить время обработки была введена возможность параллельной агрегации, что увеличило нагрузку на базу данных, но значительно уменьшило время выполнения обработки. Агрегированные данные группируются для каждого типа интернет ресурса (музыкальный, новостной и тд.), чтобы в будущем можно было прогнозировать выручку нового интернет ресурса. Далее каждому параметру дается некое вероятностное значение, которое получено в результате агрегации, -- это вероятность того, что пользователь воспользуется рекламным предложением и приобретет продукт. Каждый пользователь уникален, поэтому мы точно знаем, где он получил рекламное предложение, его параметры (данные для агрегации) и статус покупки продукта. [4][6]

Создание математической модели -- самый долгий процесс разработки. Сначала упор делался на то, что можно сделать некий прогноз на будущий день, исходя из данных прошлых недель. То есть прогноз на день недели основывался на данных того же дня недели, но неделями ранее. Но получилось то, что при быстром изменении трафика (сотрудничество с новыми партнерами) слабо влияло на результат. Поэтому было решено использовать некий вес. У данных, полученных неделей ранее, вес самый большой, а у последней - самый маленький, а также было введено ограничение на количество недель с проверяемыми данным. Данная модель оказалась наиболее правильной из всех испробованных (были основанные на последних днях, днях другого месяца и другие). Решить проблему праздничных дней, к сожалению, пока что не удалось.

Главные причины:

1. многие партнеры запрещают показ рекламы в праздники;

2. появляется огромное количество пользователей, огромное количество тяжело прогнозируемых пользователей;

3. некоторые владельцы продуктов не желают использовать рекламу;

4. самая главная -- нет возможности собрать данные о прошлом периоде, так как сервис был запущен недавно (на момент написания статьи).

Поэтому изменению подвергся только доступный трафик, который высчитывался исходя из имеющихся данных о прошлом периоде.

Тестирование проходило сначала на одном ресурсе (собственном). Были получены результаты, внесены доработки для интеграции на все ресурсы. После всех проверок: нагрузочная проверка, проверка на отказоустойчивость, проверка на стороне пользователя и проверка на стороне сайта. Все проверки кроме последней прошли успешны. Для последней были внесены доработки по уменьшению времени ожидания от сервера, чтобы не влиять на работу ресурса. После интеграции на все ресурсы были решены все проблемы из-за большого количества обращений к сервису. [5]

1. Большая нагрузка на сервер из-за чего не всегда удавалось вернуть ответ. Решение -- увеличение числа серверов и изменение настроек балансировщика нагрузки.

2. Большая нагрузка на базы данных. Были добавлены недостающие индексы и изменена структура хранения.

Математическая модель. Обработанные (агрегированные) данные состоят из идентификатора свойства, названия свойства, количество лояльных клиентов, количество нелояльных клиентов, сколько недель назад был получен результат, вес свойства (отношение лояльных клиентов к общему числу пользователей). Происходит прогнозирование веса для нового дня по формуле: [3]

Размещено на http://www.allbest.ru/

где

, x>1

Размещено на http://www.allbest.ru/

После того как все веса будут посчитаны отбрасываются те, у которых значение в интервале от 0.48 и 0.52. Это делается для уменьшения время расчета данных о пользователе. [3]

Рисунок 1. График распределения трафика

Красный -- использованный трафик. Его значение примерно 95-98%, это означает, что мы используем почти весь трафик интернет ресурсов.

Белый -- предоставленные рекламные предложения. В разные дни имеет разные значения, так как количество пользователей зависит и от числа используемых интернет ресурсов, и от рекламных предложений для конкретного периода. В конце график показывает 100% -- сбой визуализации, вызванный техническими проблемами, в реальности он примерно такой же, что и в остальные дни.

Розовый -- клиенты, воспользовавшиеся этой услугой. Этот показатель во многом зависит от конкретных услуг, но четко видно, что, начиная с февраля, происходит рост данного показателя. Расхождение в разных днях связано с тем, что в разный период показываются разные рекламные предложения, помимо постоянно группы, поэтому данное значение может изменяться.

Результат, который был необходим достигнут -- мы используем почти весь трафик партнерских ресурсов (красный), но предоставляем только тем пользователям, которые с наибольшей вероятностью воспользуются услугой.

скоринг сервис лояльный клиент

Размещено на http://www.allbest.ru/

Рисунок 2. Сравнительный анализ сервиса скоринга

На примере одной из рекламных моделей (предоставление продукта с бесплатным пробным периодом) можно увидеть, что до использования сервиса скоринга 44% клиентов отказались пользоваться им на платной основе, 31% перестал пользоваться после первого месяца, 6% после второго и т.д. Только 11% клиентов используют данный продукт на протяжении более 5 месяцев.

После внедрения сервиса скоринга ситуация изменилась:

1. только 32% отказались от данного продукта в течение бесплатного периода;

2. 27% пользователей пользуется услугой на протяжении более 5 месяцев.

Эти данные показывают, что сервис стал лучше находить клиентов, которым данный продукт понравился (27% против 11%), а также увеличилось число людей, которых данный продукт заинтересовал (68% против 56%). Данные взяты только для одного продукта, который использовался с самого начала внедрения сервиса скоринга.

Вывод

Безусловно необходимо разработать алгоритм работы в праздничные дни, чтобы сервис работал корректно в любой день календарного года. Получение большего числа свойств со стороны партнера и производителя услуг -- главная идея оптимизации текущего алгоритма. Уменьшить нагрузку на сервера, так как при увеличении числа пользователей, нагрузка также увеличивается.

Список литературы

1. Математическое моделирование: Идеи. Методы. Примеры. -- 2-е изд., испр. -- изд. Физматлит, 2001.

2. Петров А.А., Поспелов И.Г. Шананин А.А. Опыт математического моделирования экономики. -- изд. Энергоиздат, 1996.

3. Гасанов О.С., Таранов Я.Р. Скоринг при управлении кредитными рисками [Электронный ресурс]. http://naukovedenie.ru/PDF/37EVN416.pdf (Дата обращения 28.02.2018).

4. Руководство по программированию на C# [Электронный ресурс]. https://msdn.microsoft.com/ru-ru/library/67ef8sbd(v=vs.120).aspx (Дата обращения 14.08.2017).

5. Руководство по PHP http://php.net/manual/ru/index.php [Электронный ресурс]. (Дата обращения 12.06.2017).

6. Доккументация по PostgreSQL [Электронный ресурс]. https://www.postgresql.org/docs/ (Дата обращения 12.12.2017).

Размещено на Allbest.ru