Данные — повсюду. Мы используем их для отслеживания продаж, прогнозирования поведения клиентов и оптимизации процессов. Но вот в чем загвоздка: большинство аналитических инструментов расскажут вам что произошло, но не почему это произошло. На сцену выходит казуальный вывод — метод, который раскрывает причинно-следственные связи и помогает бизнесу принимать более умные и эффективные решения.
Команда онлайн-маркетплейса Worthy и дата-сайентисты продемонстрировали, что казуальный вывод — это не абстрактная теория, а конкретный инструмент, который приносит реальные результаты. Вот как они использовали его, чтобы прокачать свой бизнес.
🎯 Проблема: как сделать общение с клиентами эффективным
Представьте: Worthy помогает людям продавать свои ювелирные изделия через аукцион. Но чтобы сделка состоялась, клиент должен отправить свой товар для оценки — критический этап. Чтобы подтолкнуть клиентов (лидов) к отправке, менеджеры по продажам (АЕ) связываются с ними по телефону, email или через чат.
Но вот незадача: не все взаимодействия полезны. Некоторые клиенты отправят свои вещи в любом случае, а других излишняя настойчивость, наоборот, оттолкнет. Так как же понять, с кем стоит связываться и когда?
Традиционные модели lead scoring ранжируют лидов по вероятности конверсии, но они не отличают корреляцию от причинности. Модели uplift идут дальше, оценивая дополнительный эффект от взаимодействия, но часто полагаются на предположения, основанные на корреляции. В таких сферах, как AdTech, где каждый клиент стоит дешево, этого достаточно. Но в кейсах с высокой стоимостью, как B2B-продажи, казуальные методы незаменимы: они дают конкретные причинно-следственные выводы.
🔍 Решение: казуальный вывод на практике
Команда проанализировала данные прошлых взаимодействий с клиентами, используя казуальный вывод, чтобы ответить на ключевой вопрос: увеличивает ли контакт с этим лидом вероятность того, что он отправит свой товар?
В основе подхода лежит CATE (Conditional Average Treatment Effect) — показатель, который оценивает, как действие (например, звонок клиенту) влияет на результат (отправка товара) при конкретном контексте (характеристики клиента, история взаимодействий и т.д.). Это не просто прогноз вероятностей — это определение реального эффекта действия.
На основе этого команда разработала персонализированную политику контактов: приоритет был отдан лидам, которые с наибольшей вероятностью отреагируют положительно, а те, на кого контакт не повлияет, были отодвинуты на второй план.
📈 Результаты: данные решают
Политику проверили в трехмесячном A/B-тесте, и результаты впечатляют:
- Уровень отправок среди целевых лидов вырос на 22%
- Новая политика рекомендовала связаться с 66% лидов (вместо 22% по старой), избегая при этом лишних контактов с "бесполезными" лидами
На рисунке показана Qini-кривая — показатель точности uplift-модели. Коэффициент Qini составил 0.71: на графике кривая модели заметно поднимается над случайной линией. Это означает, что CATE-модель успешно находит тех, кому контакт действительно полезен. Но важный момент: примерно на 80% целевой аудитории кривая резко идет вниз — это сигнал, что дополнительные контакты начинают вредить. Вывод? Не стоит связываться со всеми подряд. Оптимальный порог — ключ к успеху.
Использование CATE-модели позволяет бизнесу фокусировать ресурсы там, где они действительно приносят результат, максимизируя эффект от действий и избегая ненужных усилий. Никаких дополнительных затрат: только умные решения, которые сократили количество ненужных звонков, а также меньше усталости клиентов и более масштабируемая политика.
Этот подход уже стал неотъемлемой частью операционной стратегии Worthy, превращая казуальный вывод в повседневный инструмент оптимизации бизнес-процессов.
🧩 Почему это важно
Это не просто маркетинговая победа для Worthy — это сигнал для всего бизнеса: в мире, одержимом предсказательными моделями, казуальный вывод меняет правила игры. Речь больше не о том, что может произойти и о том, что вызывает это событие.
Представьте, что вы точно знаете: какой маркетинг даст конверсии, какая ценовая стратегия увеличит прибыль, какие клиенты действительно нуждаются в вашем звонке. Это и есть обещание казуального вывода.
Так что в следующий раз, глядя на дашборд с предсказаниями, спросите себя: Я знаю, почему это работает? Если ответ — нет, возможно, пришло время познакомиться с миром казуального анализа.
🚀 Хотите узнать, как этот подход сработает для вашего бизнеса? Давайте поговорим о причинности.