Повышение эффективности промо-предложений в результате оптимизации индивидуальных параметров для аптек

Заказчик:: АО “Акрихин”
Руководитель проекта со стороны заказчика: Сергей Исаев

Директор по цифровым направлениям бизнеса
Поставщик: GlowByte
Год завершения проекта: 2023
Сроки выполнения проекта: Декабрь, 2022 - Июль, 2023
Масштаб проекта: 250 человеко-часов
Цели: Цель проекта – маркетинговая оптимизация акционных предложений для роста продаж и увеличения рентабельности инвестиций в маркетинг (ROI).

АО “Акрихин” развивает собственную В2В e-commerce-платформу для работы с малыми и средними аптечными сетями. Для стимулирования продаж на платформе регулярно формируются персональные акционные предложения для аптек. Каждое предложение содержит в себе параметры: минимальную сумму заказа, размер начисляемого бонуса и прочие.

Акционные предложения формировались на основе существующей модели кластеризации аптек и коммерческой политики. Для повышения отклика аптек при сохранении фокуса на рентабельность проводимых акций были созданы новая модель кластеризации и модель оптимизации создания акционных предложений. Созданная модель оптимизации позволила корректировать параметры акции с учётом прогнозирования вероятности их принятия клиентами, а также с учётом прогнозирования изменения прибыли как по отдельному предложению, так и по совокупности предложений для аптеки.
Результаты: Тестирование проводилось в 3 тыс. аптеках и доказало эффективность внедренного инструмента: за последние 4 недели суммарная выручка от предложений для тестовой выборки относительно контрольной выборки оказалась выше на 160%, gross profit – на 140%.

Уникальность проекта

Автоматизированный подход к оптимизации персональных В2В-предложений практически не представлен на аптечном рынке. Чаще всего формируются общие акции вместо персональных, а сам процесс формирования акция происходит вручную. Уникальность данного проекта состоит в комплексности подхода к решению задачи формирования наиболее привлекательных и рентабельных предложений. С одной стороны, решается задача выбора оптимального ассортимента для повышения вероятности того, что предложение будет принято, с другой – рассчитывается оптимальный размер бонуса и минимальной суммы заказа для повышения возврата инвестиций в маркетинговый бюджет.

Для реализации различных бизнес-целей в ходе проекта реализованы следующие сценарии использования:

- увеличение выручки за период,
- повышение маржинальности,
- повышение рентабельности инвестиций (ROI) в маркетинговый бюджет.

Использованное ПО: Для реализации проекта было использовано IDE JupyterHub. В качестве БД использовали PostgreSQL. Для задач прогнозирования и оптимизации применялись свободно распространяемые библиотеки Catboost, Scikit Learn, NLopt, Numpy, Pandas, Scipy, Matplotlib, Pickle, Seaborn.
Сложность реализации: В ходе реализации проекта приходилось решать несколько непростых задач:

- оптимизировать сразу нескольких показателей предложений: выручку, прибыль и возврат на инвестиции(ROI);
- оптимизировать ассортимент: необходимо было увеличить представленность портфеля в аптеках, а не продавать бестселлеры;
- для каждого предложения рассчитывать минимальный размер заказа таким образом, чтобы обеспечить инкрементальный прирост продаж;
- выбрать оптимальную модель, фичи и подбор гиперпараметров;
- оптимизировать используемые ресурсы и время работы модели.
Описание проекта: В рамках проекта решались три задачи.

Первая задача – создание новой кластеризации аптек.

Вторая – прогнозирование вероятности принятия клиентом предложения.

Третья связана с оптимизацией параметров предложения: ассортимента, минимальной суммы заказа и размера маркетингового бонуса.

Для задач оптимизации использовалась многоуровневая оптимизационная модель. Первый уровень оптимизации подбирает продукты для предложения, максимизируя ожидаемое количество принятых предложений.

Оптимизационный алгоритм второго уровня решает нелинейную задачу подбора оптимального размера бонуса и суммы заказа, максимизируя прогнозируемые ROI, выручку и маржинальность.

Кроме того, оптимизационная модель учитывает следующие ограничения:

- диапазон допустимых размеров бонусов,

- максимальный/минимальный маркетинговый бюджет на начисление бонусов на период,

- минимальную сумму заказа, ассортимент.

Проект является совместной работой команд АО "Акрихин" и GlowByte.
География проекта: Все регионы РФ