الدرس التمهيدي المجاني هو ميزة مدرسة Skyeng. يمكن للطالب المحتمل التعرف على المنصة الموجودة عليه ، والتحقق من مستواه في اللغة الإنجليزية ، وأخيرا ، استمتع فقط. بالنسبة للمدرسة ، يعد الدرس التمهيدي جزءًا من مسار المبيعات ، يليه الدفعة الأولى. يتم إجراؤه بواسطة منهجي منهجي للدرس التمهيدي - وهو شخص مميز يجمع بين مدرس ومندوب مبيعات ، ويدفع وقته بغض النظر عما إذا كان العميل قد اشترى الحزمة الأولى أم لا ، وما إذا كان قد ظهر على الإطلاق في الدرس. الغياب هو أمر شائع جدًا بسبب ارتفاع سعر الدرس.
في هذه المقالة ، سوف نصف كيف ، بمساعدة النموذج التحليلي وتجربة شركات الطيران ، تمكنا من خفض تكاليف الدرس التمهيدي بمقدار النصف تقريبًا.
يتكون مسار مبيعات Skyeng من خمس خطوات: التسجيل في الموقع ، استدعاء السطر الأول من المبيعات مع إدخال الدرس التمهيدي ، الدرس التمهيدي ، رنين السطر الثاني من المبيعات ، دفع ثمن الحزمة الأولى. في وقت سابق ، بعد المكالمة الأولى ، حددنا وقتًا للدرس لمنهج منهجي للدرس التمهيدي الذي كان ينتظر الطالب في ذلك الوقت. إذا قام شخص بالتسجيل ولم يأت ، يهدر منهج المنهج وقته ، والمدرسة تهدر المال لدفع هذا الوقت. يحدث التغيب في المتوسط في نصف الحالات ؛ يشتري ثلث العملاء الحزمة الأولى بعد درس تمهيدي. وبالتالي ، فإن التحويل من التسجيل إلى درس تمهيدي إلى الدفع هو 0.15 فقط. إن الدرس التمهيدي الناجح (الذي تم تحويله إلى الدفع) في المخطط القديم كلفنا 4000 روبل ، وكان علينا القيام بشيء حيال ذلك.
يمكنك ببساطة رفض ذلك ، ولكن في هذه الحالة ، سينخفض التحويل النهائي من الرصاص إلى الدفع بشكل كبير ، وهو ما لا يناسبنا. سيتعين علينا البحث عن حل آخر ، وبناء النماذج ، والعد والتجربة.
فطيرة الأولى
لجأنا إلى تجربة شركات الطيران ، وتحديداً إلى ممارسة overbooking. تعرف شركات النقل أن 100٪ من الركاب الذين اشتروا تذكرة نادراً ما يكونون على متن رحلة جوية ، ويستفيدون من ذلك عن طريق بيع تذاكر أكثر من مقاعد على متن الطائرة. إذا وصل جميع الركاب فجأة إلى الهبوط ، فيمكنك العثور على متطوعين من بينهم مستعدون للسفر للخبز التالي في الرحلة التالية. وبالتالي تزيد شركات الطيران من أرباحها ، ويمكننا خفض التكاليف بطريقة مماثلة.
لذلك: نحن نرفض السجل لشخص معين ، فنحن ننشئ مجموعة من علماء المنهج في الدرس التمهيدي ، وننشر التطبيقات بينهم على أمل ألا يظهر النصف. وإذا حان المزيد ، فنقترح عليك التسجيل في يوم آخر. أطلقنا مثل هذا MVP في الاختبار وأدركنا على الفور أننا قد فعلنا كل شيء خطأ.
نصف الذين يدخلون الدرس التمهيدي إحصاءات ، في الواقع ، تختلف النسبة اختلافًا كبيرًا اعتمادًا على الوقت واليوم والقناة التي جاء منها الشخص. علاوة على ذلك ، أكثر من 80 ٪ من الطلاب المحتملين ، استجابة لاقتراح تأجيل الدرس ، إما أن تسقط على الفور ، أو لا تأتي بالسجل الثاني. كل هذا يمكن أن يؤدي إلى حقيقة أننا في الأيام السيئة قد نفقد ما يصل إلى ثلث العملاء. تم إيقاف الاختبار وذهب لفعل كل شيء بطريقة ذكية.
نموذج ، توقعات ، كثيرات الحدود
بادئ ذي بدء ، كان من الضروري معرفة ما تعتمد عليه نسبة أولئك الذين يذهبون إلى الدرس التمهيدي. الملاحظة الأولى هي أنه يعتمد على القناة التسويقية التي جاء منها الشخص. نقسم هذه القنوات من وجهة نظر التحويل إلى الدفع "الساخنة" ، حيث يكون التحويل أعلى و "دافئ" و "بارد" ، حيث يكون أقل ؛ اتضح أن "درجة حرارة القناة" تؤثر على التحويل إلى إخراج الدرس التمهيدي بنفس الطريقة تقريبًا.
استمرارًا لقياس الطيران ، قمنا بإنشاء "مكاتب تسجيل وصول" مختلفة لمختلف العملاء المتوقعين من قنوات مختلفة ، حيث نوفر لهم معاملات تتوافق مع الاحتمال التاريخي لهذه القناة: 0.8 و 0.4 و 0.2. بالنسبة للقنوات "الساخنة" ، نخصص المزيد من علماء المنهجيات ، "باردون" - أقل. كان هذا أفضل ، لكن في الأيام العصيبة ، كان هناك أكثر من 20٪ من "المغادرين" (الحالات التي حضر فيها عدد أكبر من العملاء الدرس التمهيدي أكثر من وجود منهجيين مجانيين). لقد حاولوا زيادة معاملاتهم بإضافة هامش 0.1: من ناحية ، كلما زاد عدد خبراء المنهجيات ، قل عدد العملاء الذين خسرناهم ، من ناحية أخرى - تكاليف إجراء الدروس التمهيدية في ازدياد.
من هذه الملاحظات ، نمت MVP الثاني. لكل من المسجلين ، نتوقع احتمالية ذهابه إلى درس تمهيدي. نقوم بعمل توزيع احتمالي مشترك وفاصل ثقة بمستوى ثقة يبلغ 95٪. بالنسبة للحالات النادرة التي يخرج فيها عدد أكبر من العملاء عما هو مخطط له ، فإننا نحتفظ بمجموعة احتياطية من علماء المنهجيات - المعلمين الذين يشاركون حاليًا في أعمال غير ملحة مثل فحص المقالات.
لحساب التوقعات لطالب معين ، قمنا ببناء نموذج إحصائي يعتمد على بياناتنا التاريخية مع مراعاة عدة عوامل: القناة ، والمنطقة ، والطفل / البالغ ، العميل الخاص / الشركات ، والوقت من التسجيل إلى الدرس التمهيدي.
يعمل النموذج مع المفاهيم التالية:
- الفاصل الزمني : تاريخ ووقت الدرس التمهيدي ؛
- عامل التصحيح : احتمال خروج غير طبيعي في هذا اليوم والساعة ؛
- وزن التطبيق : احتمال مقبول لخروج عميل معين ؛
- المغادرة : تطبيق غير مخدوم (خروج العميل ، جميع المنهجيين مشغولون) ؛
- منهجية بسيطة : اتضح أنها أقل من المتوقع ، والناس يجلسون في وضع الخمول ؛
- تقييد :٪ على فاصل الثقة ، وبعد ذلك يحظر النموذج إضافة أوامر إلى الفتحة.
تحتوي كل فاصل على منهجيين لـ N ، وللفتحة نفسها عامل تصحيح k (مع قاعدة 100). يتم تعريف عدد علماء المنهجيات المتاحين للنموذج على أنه دائري (N * k / 100). عندما يظهر تطبيق ما ، يحدد النموذج وزنه ، وينظر في مجموع هذه الأوزان الموجودة بالفعل في الفتحة ، ويحدد الفاصل الزمني المتاح إذا كنتيجة لإضافة هذا التطبيق ، فإن مجموع أوزان التطبيق في الفتحة لا يتجاوز عدد علماء المنهجيات. مقاييس تقييم النموذج هي: نسبة المغادرين (ضرورية للتقليل) ، تحميل الفتحة (تكبير) ، وقت انتظار الدرس التمهيدي من قبل العميل (الحد الأدنى). تتضمن معلمات النموذج المتغير وزن التطبيق وتقييده .
للتنبؤ بعدد العملاء الذين سيتم إصدارهم ، تم استخدام صيغة منتج الاحتمالات:
بالنظر إلى جميع مجموعات النواتج الممكنة ، نقترب من توزيع الاحتمالات الطبيعية. يبدو التوزيع لمائة عميل كما يلي:
من خلال تطبيق فاصل الثقة عليه ، يمكننا ضبط عدوانية النموذج. على سبيل المثال ، يؤدي تغيير القيد إلى اليسار إلى زيادته ، أي نحن نطلق سراح المزيد من العملاء بنفس العدد من علماء المنهجيات ، والتحول إلى اليمين يقلل ذلك ، لأن يتم تشغيل التقييد في وقت سابق. مثال مع قيود 90 ٪ و 57 ٪:
بالإضافة إلى ذلك ، يمكن ضبط عدوانية النموذج بعامل تصحيح: حيث يقلله انخفاض ، وتزيده الزيادة. يكون هذا مفيدًا عندما نعلم أنه في يوم / ساعة معينة ، قد تؤدي بعض العوامل الخارجية إلى حدوث خلل.
أظهرت المعادلة بضرب الاحتمالات نفسها بشكل جيد في الاختبارات ، ولكنها كانت صعبة من وجهة نظر حسابية ، لذلك أعدنا كتابتها باستخدام كثير الحدود:
عيوب النموذج ما يلي:
- نظرًا لأنه يعتمد على البيانات التاريخية ، فإنه لا يستجيب جيدًا للتغيرات المفاجئة في الخروج ؛
- إذا كان لدى اختصاصي المنهج حدث قاهرة وقد خرج من مكانه ، فهذا يعد رحيلًا مضمونًا ، يحتاج المديرون إلى إعادة تعيين الدرس بشكل عاجل ؛
- إذا سقطت العلامة الديناميكية لـ "حرارة" القنوات ، فإن النموذج يقدر بشكل غير صحيح احتمال خروج العميل.
نتيجة لاستخدام هذا النموذج ، تلقينا وفورات في التكاليف تصل إلى 45٪ في الدرس التمهيدي بأقل خسائر للعملاء.
لماذا لا تعلم الآلة؟
نظرًا لأن النموذج الإحصائي يعمل بشكل جيد ، وبدلاً من تحسين دقة التنبؤ الحالي باستخدام ML ، فمن الأفضل توجيه جهود مطوري ML إلى مهام أخرى.
على سبيل المثال ، نعمل على تطوير نظام تسجيل لعميل محتمل ، يشبه عن بعد نظام مصرفي. باستخدام التصنيف ، تحدد البنوك احتمال سداد القرض ، ويمكننا تحديد احتمال الدفعة الأولى. إذا كانت منخفضة للغاية ، فليست هناك حاجة إلى إنفاق الموارد على تنظيم درس تمهيدي ؛ على العكس من ذلك ، إذا كانت عالية جدًا ، يمكنك إرسال العميل على الفور إلى صفحة الدفع.
لكن هذه القصة هي لفترة أخرى.