हमने एयरलाइनों के समाधान को देखते हुए एक परिचयात्मक पाठ की लागत को आधा कर दिया

एक मुक्त परिचयात्मक पाठ स्काईेंग स्कूल सुविधा है। एक संभावित छात्र उस पर मंच से परिचित हो सकता है, अपने अंग्रेजी के स्तर की जांच कर सकता है, और अंत में, बस मज़े कर सकता है। स्कूल के लिए, परिचयात्मक सबक बिक्री फ़नल का हिस्सा है, इसके बाद पहला भुगतान होता है। यह एक परिचयात्मक पाठ मेथोडोलॉजिस्ट द्वारा आयोजित किया जाता है - एक विशेष व्यक्ति जो एक शिक्षक और एक विक्रेता को जोड़ती है, उसके समय का भुगतान इस बात पर ध्यान दिए बिना किया जाता है कि ग्राहक ने पहला पैकेज खरीदा है या नहीं, और वह सबक के लिए बिल्कुल दिखाई दिया। अनुपस्थिति एक बहुत ही सामान्य घटना है जिसके कारण एक पाठ की कीमत बहुत अधिक हो जाती है।

इस लेख में, हम बताएंगे कि कैसे, एयरलाइनों के विश्लेषणात्मक मॉडल और अनुभव की मदद से, हम परिचयात्मक पाठ की लागतों को लगभग आधे से कम करने में सक्षम थे।

स्काईेंग बिक्री फ़नल में पांच चरण होते हैं: साइट पर पंजीकरण करना, परिचय पाठ, परिचयात्मक पाठ में प्रवेश के साथ बिक्री की पहली पंक्ति को कॉल करना, बिक्री की दूसरी पंक्ति, पहले पैकेज के लिए भुगतान करना। इससे पहले, पहली कॉल के बाद, हमने एक विशेष परिचयात्मक पाठ पद्धति के लिए एक पाठ का समय निर्धारित किया, जो उस समय छात्र की प्रतीक्षा कर रहा था। यदि किसी व्यक्ति ने साइन अप किया है और नहीं आया है, तो कार्यप्रणाली अपना समय बर्बाद कर रही है, और स्कूल इस समय के लिए भुगतान करने के लिए पैसे बर्बाद कर रहा है। आधे मामलों में औसतन अनुपस्थिति होती है; एक तिहाई ग्राहक प्रारंभिक पाठ के बाद पहला पैकेज खरीदते हैं। इस प्रकार, भुगतान में एक प्रारंभिक पाठ में रिकॉर्डिंग से रूपांतरण केवल 0.15 है। पुरानी योजना में एक सफल (भुगतान में परिवर्तित) परिचयात्मक पाठ ने हमें 4,000 रूबल की लागत दी, और हमें इसके बारे में कुछ करना था।

आप इसे आसानी से मना कर सकते हैं, लेकिन इस मामले में, लीड से भुगतान तक अंतिम रूपांतरण महत्वपूर्ण रूप से कम हो जाएगा, जो हमें शोभा नहीं देता। हमें दूसरे समाधान की तलाश करनी होगी, मॉडल, गणना और प्रयोग का निर्माण करना होगा।

पहला पैनकेक

हमने एयरलाइंस के अनुभव की ओर रुख किया, विशेष रूप से ओवरबुकिंग के अभ्यास के लिए। वाहक जानते हैं कि टिकट खरीदने वाले 100% यात्री शायद ही कभी उड़ान में होते हैं, और इसका लाभ विमान में सीटों की तुलना में अधिक टिकट बेचकर उठाते हैं। यदि अचानक सभी यात्री लैंडिंग के लिए पहुंचते हैं, तो आप उन स्वयंसेवकों को खोज सकते हैं, जो अगली उड़ान में अगले बन्स के लिए उड़ान भरने के लिए तैयार हैं। एयरलाइंस इस प्रकार अपने लाभ को बढ़ाती हैं, और हम एक समान विधि द्वारा लागत को कम कर सकते हैं।

इसलिए: हम किसी विशिष्ट व्यक्ति को रिकॉर्ड देने से इनकार करते हैं, हम परिचयात्मक पाठ के तरीकों के एक पूल का निर्माण करते हैं, हम उनके बीच आवेदनों को इस उम्मीद में बिखेरते हैं कि आधा दिखाई नहीं देगा। और यदि अधिक आ गया है, तो हम आपको एक और दिन के लिए साइन अप करने का सुझाव देंगे। हमने ऐसे एमवीपी को परीक्षण में लॉन्च किया और तुरंत महसूस किया कि हमने सब कुछ गलत किया है।

परिचयात्मक पाठ में प्रवेश करने वालों में से आधे आंकड़े हैं, वास्तव में, उस समय, दिन, चैनल के आधार पर अनुपात भिन्न होता है जिसमें से व्यक्ति आया था। इसके अलावा, किसी पाठ को स्थगित करने के प्रस्ताव के जवाब में संभावित छात्रों में से 80% से अधिक या तो तुरंत गिर जाते हैं, या दूसरे रिकॉर्ड से नहीं आते हैं। यह सब इस तथ्य को जन्म दे सकता है कि बुरे दिनों में हम एक तिहाई ग्राहकों को खो देंगे। परीक्षण को बंद कर दिया गया और स्मार्ट तरीके से सब कुछ करने के लिए चला गया।

मॉडल, पूर्वानुमान, बहुपद

सबसे पहले, यह पता लगाना आवश्यक था कि परिचयात्मक पाठ में प्रवेश करने वालों के अनुपात को क्या निर्धारित करता है। पहला अवलोकन यह है कि यह मार्केटिंग चैनल पर निर्भर करता है कि व्यक्ति कहां से आया है। हम इन चैनलों को भुगतान में रूपांतरण के दृष्टिकोण से "हॉट" में विभाजित करते हैं, जहां रूपांतरण अधिक है, "गर्म" और "ठंडा", जहां यह कम है; यह पता चला कि "चैनल तापमान" एक ही तरह से परिचयात्मक पाठ के आउटपुट में रूपांतरण को प्रभावित करता है।

विमानन सादृश्य को जारी रखते हुए, हमने अलग-अलग चैनलों से लीड के लिए अलग-अलग "चेक-इन डेस्क" बनाया, उन्हें इस चैनल की ऐतिहासिक संभावना के अनुरूप गुणांक के साथ रखकर: 0.8, 0.4 और 0.2। "हॉट" चैनलों के लिए, हम अधिक कार्यप्रणाली आवंटित करते हैं, "ठंडा" - कम। इसने बेहतर काम किया, लेकिन फिर भी बुरे दिनों में "प्रस्थान" के 20% से अधिक मामले थे (ऐसी परिस्थितियां जहां अधिक ग्राहक परिचयात्मक पाठ में भाग लेते हैं, वहां से मुक्त कार्यप्रणाली थी)। उन्होंने एक तरफ 0.1: के मार्जिन को जोड़कर गुणांक बढ़ाने की कोशिश की, जितना अधिक हम कार्यप्रणाली से बाहर निकलते हैं, उतने ही कम हम ग्राहकों को खो देते हैं, दूसरे पर - परिचयात्मक पाठ के संचालन की लागत बढ़ रही है।

इन टिप्पणियों से, दूसरी एमवीपी बढ़ी। प्रत्येक नामांकित व्यक्ति के लिए, हम परिचयात्मक पाठ में उसके जाने की संभावना का पूर्वानुमान लगाते हैं। हम 95% के विश्वास स्तर के साथ एक संयुक्त संभावना वितरण और विश्वास अंतराल बनाते हैं। दुर्लभ मामलों के लिए जब अधिक ग्राहक योजनाबद्ध तरीके से सामने आ रहे हैं, हम कार्यप्रणाली के एक आरक्षित पूल को रखते हैं - शिक्षक जो वर्तमान में गैर-जरूरी काम में लगे हुए हैं जैसे कि निबंध की जाँच करना।

किसी विशेष छात्र के पूर्वानुमान की गणना करने के लिए, हमने अपने ऐतिहासिक डेटा के आधार पर एक सांख्यिकीय मॉडल बनाया और कई कारकों को ध्यान में रखते हुए: चैनल, क्षेत्र, बच्चे / वयस्क, निजी / कॉर्पोरेट क्लाइंट, रिकॉर्डिंग से परिचय के समय तक।

मॉडल निम्नलिखित अवधारणाओं के साथ काम करता है:

• स्लॉट : परिचयात्मक पाठ की तारीख और समय;
• सुधार कारक : इस दिन और घंटे पर एक असामान्य निकास की संभावना;
• आवेदन वजन : किसी दिए गए ग्राहक के बाहर निकलने की स्वीकार्य संभावना;
• प्रस्थान : अनारक्षित अनुप्रयोग (ग्राहक से बाहर, सभी कार्यप्रणाली व्यस्त हैं);
• सरल कार्यप्रणाली : यह भविष्यवाणी की तुलना में कम निकला, लोग बेकार बैठे हैं;
• प्रतिबंध : विश्वास अंतराल पर%, जिसके बाद मॉडल स्लॉट में आदेश जोड़ने पर रोक लगाता है।

प्रत्येक स्लॉट में एन मेथोडोलॉजिस्ट होते हैं, और स्लॉट में एक सुधार कारक k (100 के आधार के साथ) होता है। मॉडल के लिए उपलब्ध कार्यप्रणाली की संख्या को गोल (एन * के / 100) के रूप में परिभाषित किया गया है। जब कोई एप्लिकेशन दिखाई देता है, तो मॉडल अपना वजन निर्धारित करता है , स्लॉट में पहले से ही ऐसे वजनों का योग देखता है, और स्लॉट को निर्धारित करता है यदि उपलब्ध है, तो इस एप्लिकेशन को जोड़ने के परिणामस्वरूप, स्लॉट में एप्लिकेशन वेट का योग कार्यप्रणाली की संख्या से अधिक नहीं है। मॉडल का मूल्यांकन करने के लिए मैट्रिक्स हैं: प्रस्थान का अनुपात (न्यूनतम करने के लिए आवश्यक), स्लॉट लोडिंग (अधिकतम), ग्राहक द्वारा परिचयात्मक पाठ के लिए प्रतीक्षा समय (न्यूनतम)। परिवर्तनीय मॉडल मापदंडों में आवेदन वजन और प्रतिबंध शामिल हैं ।

यह अनुमान लगाने के लिए कि कितने ग्राहक जारी किए जाएंगे, संभावनाओं के उत्पाद के लिए सूत्र का उपयोग किया गया था:

आउटपुट के सभी संभावित संयोजनों को ध्यान में रखते हुए, हम प्राकृतिक संभावना वितरण के बहुत करीब पहुंच जाते हैं। एक सौ ग्राहकों के लिए वितरण इस तरह दिखता है:

इस पर विश्वास अंतराल को लागू करते हुए, हम मॉडल की आक्रामकता को समायोजित कर सकते हैं। उदाहरण के लिए, प्रतिबंध को बाईं ओर स्थानांतरित करना इसे बढ़ाता है, अर्थात। हम समान संख्या वाले मेथोलॉजिस्ट के साथ अधिक क्लाइंट जारी करते हैं, और दाईं ओर एक शिफ्ट इसे कम कर देता है, क्योंकि प्रतिबंध पहले से चालू है। 90% और 57% के प्रतिबंध के साथ उदाहरण:

इसके अलावा, मॉडल की आक्रामकता को एक सुधार कारक द्वारा समायोजित किया जा सकता है: एक कमी इसे कम करती है, एक वृद्धि इसे बढ़ाती है। यह तब उपयोगी है जब हम जानते हैं कि किसी विशेष दिन / घंटे पर, कुछ बाहरी कारक असामान्यता बना सकते हैं।

संभावनाओं के गुणन के सूत्र ने खुद को परीक्षणों में अच्छी तरह से दिखाया, लेकिन एक कम्प्यूटेशनल दृष्टिकोण से मुश्किल था, इसलिए हमने इसे बहुपदों के साथ फिर से लिखा:

मॉडल के नुकसान में शामिल हैं:

• इस तथ्य के कारण कि यह ऐतिहासिक डेटा पर आधारित है, यह बाहर निकलने के अचानक परिवर्तनों के लिए अच्छी तरह से प्रतिक्रिया नहीं करता है;
• यदि मेथोडोलॉजिस्ट के पास बल की घटना है और वह स्लॉट से बाहर चला जाता है, तो यह एक लगभग गारंटीकृत प्रस्थान है, प्रबंधकों को तत्काल पाठ को पुन: सौंपने की आवश्यकता है;
• यदि चैनलों की "हीट" की डायनामिक मार्किंग गिर जाती है, तो मॉडल गलत तरीके से क्लाइंट के बाहर आने की संभावना का अनुमान लगाता है।

इस मॉडल का उपयोग करने के परिणामस्वरूप, हमने ग्राहकों को कम से कम नुकसान के साथ परिचयात्मक पाठ पर 45% तक की बचत प्राप्त की।

मशीन लर्निंग क्यों नहीं?

क्योंकि सांख्यिकीय मॉडल बहुत अच्छी तरह से काम करता है, और एमएल का उपयोग करके मौजूदा पूर्वानुमान की सटीकता में सुधार करने के बजाय, एमएल डेवलपर्स के प्रयासों को अन्य कार्यों के लिए निर्देशित करना अधिक लाभदायक है।

उदाहरण के लिए, हम एक संभावित ग्राहक के लिए एक स्कोरिंग प्रणाली विकसित कर रहे हैं, जो दूरस्थ रूप से बैंकिंग के समान है। स्कोरिंग का उपयोग करते हुए, बैंक ऋण चुकौती की संभावना निर्धारित करते हैं, और हम पहले भुगतान की संभावना निर्धारित कर सकते हैं। यदि यह बहुत कम है, तो एक परिचयात्मक पाठ के आयोजन पर संसाधन खर्च करने की कोई आवश्यकता नहीं है; यदि, इसके विपरीत, यह बहुत अधिक है, तो आप तुरंत ग्राहक को भुगतान पृष्ठ पर भेज सकते हैं।

लेकिन यह कहानी दूसरी बार की है।