Business Case Study

Оптимизация операционных показателей федеральной сети кинотеатров

Разработка и внедрение системы предиктивной реактивации клиентов на основе глубокого анализа данных DataBox

20 слайдов | Спецкурс: Консалтинг на основе анализа данных

Overview

Проект структурирован по классической консалтинговой рамке из 5 этапов

1. Подготовка
Цели и гипотезы

2. Диагностика
Анализ 360°

3. Дизайн
ML-моделирование

4. Итоги
ROI и Эффекты

5. Внедрение
Roadmap

Данный подход обеспечивает сквозную прослеживаемость от бизнес-проблемы до технической реализации и финального финансового результата.

1. Подготовка

Снижение органического трафика требует перехода от стратегии привлечения к стратегии удержания

Текущая ситуация

Рынок кинопроката в 2024-2025 гг. характеризуется изменением структуры контента. Стоимость привлечения нового клиента (CAC) выросла на 24% год к году. При этом внутренняя база лояльности используется лишь на 15% от своего потенциала.

Ключевой риск: Потеря "ядра" аудитории из-за отсутствия релевантного предложения в периоды отсутствия блокбастеров.

Бизнес-задача

Сформировать механизм, позволяющий предсказывать интерес пользователя к "нишевому" контенту и возвращать его в кинотеатр в будние дни, когда средняя загрузка залов минимальна.

1. Подготовка

Цели проекта декомпозированы на операционные, финансовые и технические метрики

Финансовые цели

Рост выручки по сегменту "спящих" клиентов на 12.5 млн руб./мес.
Увеличение среднегодового LTV на 15%.
Окупаемость проекта (Payback period) < 4 месяцев.

Технические цели

Сбор и очистка данных из 4+ источников.
Разработка модели с метрикой ROC-AUC > 0.82.
Автоматизация выгрузки триггеров в CRM-систему с задержкой < 1 часа.

2. Диагностика

Организационный анализ выявил разрыв между маркетинговой активностью и реальным спросом

Структура клиента

Объект: Федеральная сеть кинотеатров "Синема-Тех". Централизованный офис маркетинга, 45 региональных представительств. Единая база лояльности DataBox.

Продукт: Широкий прокат + событийное кино.
Каналы: Мобильное приложение (500к уст.), Email, SMS.

Проблема процессов: Текущий маркетинг работает по принципу "Push All". Все клиенты получают одинаковые уведомления о главных премьерах, что ведет к росту отписок (Churn rate по рассылкам — 2.1% в месяц).

2. Диагностика

Финансовые показатели за 2023-2025 гг. подтверждают негативный тренд удержания (Retention)

[График: Динамика визитов по когортам]

Анализ когорт показывает, что клиенты, пришедшие в 2023 году, совершают повторный визит в 2024 году лишь в 18% случаев.

Детализация отчета

Выручка: Стабильна (+2% за счет цены), но объем трафика упал на 14%.
Маржа: Снижается из-за роста операционных расходов на содержание залов при низкой посещаемости в будни.
Доп. доход: Спад продаж в баре на 8% из-за изменения портфеля клиента.

2. Диагностика

Бенчмаркинг подтверждает наличие нереализованного потенциала в 6-10 п.п. загрузки

12.2%
Наш кейс

18.5%
Рынок РФ (ср)

24.0%
Мировой лидер

Gap-анализ: Отставание от рынка обусловлено низкой эффективностью работы со "вторым визитом". Лидеры используют системы AI-рекомендаций для заполнения утренних и дневных сеансов.

2. Диагностика

Анализ маркетинговых инструментов выявил неэффективное распределение бюджета

Эффективность каналов (As-Is):

Email: Open Rate 12%, CTR 0.8%.
Push: Open Rate 4%, Conversion 0.5%.
Social: Высокий охват, низкая атрибуция к продажам.

Проблема "релевантности"

В ходе интервью с отделом маркетинга выявлено, что сегментация проводится вручную по 2-3 признакам (пол, возраст). Глубокие поведенческие паттерны (Affinity к актерам, режиссерам, времени сеанса) игнорируются.

2. Диагностика

Результаты качественного анализа: боли сотрудников и ожидания клиентов

"Мы видим, что залы пустуют во вторник, но у нас нет инструмента, чтобы пригласить именно тех людей, которым понравится текущий арт-хаус фильм."

— Руководитель отдела планирования расписания

"Данные в DataBox копились годами, но мы использовали их только для выдачи бонусных карт, а не для аналитики спроса."

— IT-директор

2. Диагностика

Оценка кадрового потенциала выявила нехватку Data-компетенций в штате

Роль	Наличие	Оценка компетенций
Маркетологи	6 чел.	Высокие (Креатив), Низкие (Данные)
IT-поддержка	4 чел.	Средние (Администрирование)
Data Analysts	0 чел.	—

Рекомендация: Для реализации проекта необходимо привлечение внешнего консалтинга на этапе дизайна и найм 1-2 внутренних аналитиков для поддержки системы.

3. Дизайн

Сбор и интеграция данных: формирование "Озера данных" для обучения модели

DataBox API: Первичные транзакции, ID билетов, способы оплаты, использование бонусов.
CRM Logs: История заходов в приложение, время просмотра страниц фильмов.
External API: Скрапинг данных о фильмах (бюджеты, кассовые сборы, оценки критиков).
Survey Data: Результаты опросов после посещения (NPS).

Очистка данных: Исключение выбросов (корпоративные закупки), обработка пропусков в профилях клиентов (65% заполненность).

3. Дизайн

Формализация Target Variable: переход от абстрактных целей к математической задаче

Target: Binary Classification (0/1)

Будет ли совершена покупка билета (True) конкретным пользователем (User_ID) на конкретный фильм (Movie_ID) в течение следующего окна прогноза (7 дней).

Почему бинарная?

Это позволяет бизнесу четко определить действие: если P > threshold, мы отправляем оффер. Это снижает затраты на избыточные коммуникации и сохраняет лояльность.

Ожидаемые классы:

1: Покупка совершена.
0: Отсутствие покупки в целевой период.

3. Дизайн

Feature Engineering: создание 150+ признаков для повышения точности прогноза

User Behavioral Features

Дней с последнего визита (Recency).
Доля вечерних сеансов.
Любимый тип зала (Standard vs Premium).
Среднее кол-во билетов в заказе.

Contextual Affinity Features

Совпадение жанра с историей посещений.
Интерес к конкретному актеру (коэффициент сродства).
Чувствительность к скидкам (использование промокодов).

3. Дизайн

Архитектура решения: каскад моделей для максимизации точности отбора

Используемый алгоритм: LightGBM Classifier с оптимизацией гиперпараметров через Optuna.

Кросс-валидация: Time-series split (учет временной зависимости).
Метрики: F1-score (баланс Precision/Recall) и Lift.

Бизнес-процесс после внедрения: Еженедельный запуск скоринга всей базы -> Выделение ТОП-5% склонных к покупке -> Автоматическая отправка уведомления.

4. Итоги

Результаты A/B тестирования подтвердили превосходство ML-подхода над экспертным

1.4% Конверсия (Control Group) Случайная выборка / Масс-маркет

5.8% Конверсия (Test Group) ML-таргетинг

Вывод: Мы получили 4-кратный прирост эффективности контактов при снижении объема рассылок на 60%.

4. Итоги

Расчет ROI и финансового влияния на EBITDA в годовом исчислении

Показатель	Месяц (Прогноз)	Год (Прогноз)
Доп. выручка (Incremental)	4.2 млн руб.	50.4 млн руб.
Затраты на внедрение (CAPEX)	1.5 млн руб.	—
Затраты на поддержку (OPEX)	0.3 млн руб.	3.6 млн руб.
Чистый эффект	3.9 млн руб.	45.3 млн руб.

Срок окупаемости: Менее 1 месяца после полноценного развертывания.

4. Итоги

Стратегические преимущества: данные как долгосрочный актив компании

Лояльность: Снижение уровня спама повысило индекс удовлетворенности клиентов (CSAT).
Переговоры со студиями: Теперь мы можем гарантировать дистрибьюторам охват именно целевой аудитории (например, любителей хорроров).
Инфраструктура: Построено готовое решение, которое можно масштабировать на продажи в баре и онлайн-кинотеатр.

5. Внедрение

Техническая интеграция и автоматизация маркетингового цикла

Система интегрируется в существующий IT-ландшафт через шину данных. Модель разворачивается в Docker-контейнере.

Технологический стек: Python (FastAPI), Airflow (оркестрация), PostgreSQL (хранилище признаков), MLflow (трекинг моделей).

5. Внедрение

Трансформация операционной модели и обучение команды

Создание роли Data Product Owner внутри отдела маркетинга.
Проведение обучающих воркшопов по интерпретации результатов модели.
Внедрение KPI для менеджеров, завязанных на "Инкрементальную выручку", а не на "Охваты".

5. Внедрение

График реализации проекта: от MVP к промышленной эксплуатации

W1-W3
Анализ и ETL

W4-W7
Разработка ML

W8-W10
Тесты и Пилот

W11-W12
Roll-out

Проект готов к масштабированию

Переход на Data-Driven модель консалтинга позволяет не только закрыть текущий Gap в доходах, но и создать устойчивое конкурентное преимущество.

Спасибо за внимание!

Вопросы и обсуждение