Рекомендательная система, разработанная c применением технологий машинного обучения, определяет направления для перелета, наиболее релевантные интересам пассажиров S7 Airlines. Все рекомендации используются для персонализированных коммуникаций с клиентами авиакомпании в автоматическом режиме.
Для работы системы специалистами CleverDATA (входит в группу компаний ЛАНИТ) и S7 Airlines был организован централизованный сбор данных пассажиров из большого объема внутренних источников данных авиакомпании и внедрена система управления тегами и аналитикой. На основе полученной информации была разработана и протестирована серия моделей машинного обучения для определения рекомендаций по авианаправлениям. Для формирования моделей использовались данные о предыдущих перелетах пассажиров и активности пользователей на сайте. Полученные рекомендации применяются в персонализированных коммуникациях с пассажирами в автоматическом режиме.
По результатам А/В-тестирования для ряда сегментов пассажиров блок рекомендаций направлений перелётов на сайте, выполненный с помощью машинного обучения, показал значительный рост конверсии из просмотров в бронирования, чем такой же блок, формируемый специалистами вручную. Для email-рассылок также зафиксирован положительный результат работы моделей машинного обучения. Отмечено улучшение показателей по всем кампаниям на основе автоматических рекомендаций по сравнению со случайно сформированным набором рекомендаций.
Реализованный сценарий в S7 Airlines является первым шагом на пути построения персонализированных коммуникаций с пассажирами. Никита Матвеев, директор по управлению данными S7 Group, отметил: «Технологии машинного обучения, работа с большими данными — это не просто веяние моды. Мы хотим автоматически подбирать для наших пассажиров именно те предложения и контент, которые наиболее интересны им. Так мы сможем повысить эффективность коммуникаций и в целом пассажирский опыт».
При разработке рекомендательной системы использовались программные продукты CleverDATA, включая DMPkit, платформу для организации собственных решений в части сбора, хранения и обработки пользовательских данных.
«Задача рекомендательной системы — не только сделать релевантное предложение, но и выстроить максимально эффективную коммуникацию с каждым потребителем, учитывая оптимальную частоту коммуникаций, удобное время и правильную последовательность взаимодействий в различных каналах. Такой персонализированный подход помогает налаживать более тесный контакт между бизнесом и клиентом, положительно влияя, как на бизнес-показатели, так и на уровень лояльности к бренду со стороны конечных потребителей. Для формирования системой правильных рекомендаций важно обеспечить корректный процесс работы с данными — объединить как можно больше источников информации о своих потребителях, задействовав сведения об активности на сайте, о потребительском поведении из CRM-системы и о предыдущих коммуникациях в каналах email-рассылок и онлайн-рекламы. Все это является ценным „топливом“ для обучения аналитических моделей рекомендательной системы», — прокомментировал Денис Афанасьев, генеральный директор CleverDATA.
