Analýza promokódů HoppyGo
Team Invalid Syntax: Karolína Kamlerová, Petra Knotková
Našimi mentory jsou Tomáš Mátl a Bára Spáčilová z Colours of Data.
Proč HoppyGo?
Kája pracuje ve startupu, který se podílí na hodně zajímavých projektech, takže má i dost zajímavá data. K Hoppy nás přivedl především fakt, že nám tato data byla velmi rychle a jednoduše poskytnuta a také to, že tuto analýzu, na které v rámci našeho projektu pracujeme, si analytici týmu HoppyGo plánovali udělat sami. Naše závěry budou tedy relevantní pro rozhodování obchodního týmu ohledně dalších kroků při zlepšování této služby.
Co je HoppyGo?
HoppyGo je služba, která propojuje vlastníky aut a řidiče, kteří si chtějí auto pronajmout, a to prostřednictvím mobilní aplikace a zároveň umožňuje bezpečné sdílení aut díky partnerství s pojišťovacími partnery.
Hlavní cíl práce
Celý náš projekt jsme zahájily schůzkou s project leaderem HoppyGo, na jejímž základě jsme se rozhodly zanalyzovat efektivitu promokódů prodávaných na Slevomatu od ledna do konce března 2018 (s platností kupónu do konce dubna 2018). Záměrem slevové akce bylo přilákání nových zákazníků a zvýšení povědomí o službě mezi lidmi.
Naším cílem je zjistit, zda tyto promokódy nové zákazníky opravdu přilákaly, kolik již stávajících zákazníků se ke službě díky Slevomatu vrátilo, kolikrát byl promokód zakoupen jedním člověkem, nebo jaké procento ze všech realizovaných jízd bylo odjeto s použitím kupónu.
Fungování promokódu
Voucher v hodnotě 555,- stál 55,- a byl platný na právě jednu jízdu (v rámci které řidiči mohli ujet až 300 km/den). Pokud se nevešli do daného limitu, museli si za každý další ujetý km připlatit.
Použité metody
Data jsme obdržely ve formátu PostgreSQL. Pro čištění, spojování tabulek a filtrování jednotlivých dat jsme se rozhodly použít SQL a to i díky výše zmíněnému formátu, ve kterém nám byla data poskytnuta. Abychom mohly pracovat ve Snowflaku, transformovaly jsme je pomocí Keboola Connection. Abychom byly schopné odpovědět na dané otázky, vytvořily jsme si několik menších tabulek a s každou pracovaly zvlášť. Rozhodly jsme se nepsat delší scripty s vnořenými selecty, ale spíše si krok za krokem procvičit základy. Jako poslední krok jsme zpracovaly RFM analýzu zákazníků. Použily jsme Python script stažený z GitHubu a podle templatu vytvořily v SQL vstupní tabulku s potřebnými daty. Výsledky jsme vizualizovaly pomocí Tableau.
Obsah dat
Poskytnutá data obsahují informace v pěti sekcích a celkem se jedná o 29 různých tabulek. Relevantní pro nás bylo použít informace ze sekce “rental”, ve které jsou záznamy o jednotlivých jízdách, cenách a délkách výpůjček a konkrétních zákaznících. Dále jsme pracovaly s daty ze sekce “car” a “market”, ze kterých jsme zjistily značky a konkrétní modely půjčovaných aut.
Poprvné jsme si data zobrazily pomocí TeamSQL, ale nakonec jsme se, jak už bylo řečeno, rozhodly pracovat v odzkoušeném Snowflaku.
Mimo jiné schéma obsahuje sekci “legal” a “insurance”, nicméně pro naše potřeby nejsou tato data relevantní.
Jako první jsme si vytvořily joinováním šesti tabulek jednu velkou, ze které jsme následně vycházely při tvoření daších selectů. Tato tabulka zobrazuje jednotlivé výpůjčky, jejich délku, uživatele a konktétní auta.
Abychom zjistily, kolik nových zákazníků tyto promokódy přivedly, pomocí následujících selectů jsme vytvořily tabulku. V té jsme očíslovaly všechny dosavadní jízdy každého zákazníka (seřazené od nejstarší), který si v tomto roce koupil voucher na Slevomatu.
V řádcích, kde se hodnota ‘číslo_jízdy’ rovná 1 a zároveň ‘czk_value’ má hodnotu 555.00, jsme mohly rozpoznat nového uživatele.
Akce na Slevomatu
Data jsme zpracovaly a nás čekala další výzva — vizualizovat výsledky. Rozhodly jsme se pro Tableau, se kterým máme minimum zkušeností, ale zase je to super příležitost se s tímto nástrojem naučit pracovat.
Tabulku vytvořenou ve Snowflaku jsme tedy vložily do Tableau a jednotlivá data jsme začaly postupně analyzovat.
Hlavním cílem akce na Slevomatu nebylo zvýšení tržeb, ale přilákání nových zákazníků a zvýšení povědomí o této službě. Vzhledem k tomu, že podobná akce již proběhla v létě 2017, tak Hoppy mělo jasné cíle, které byly postaveny na předchozí Slevomatové zkušenosti (věděli, kolik nových zákazníků chtějí mít a kolik výpůjček by mělo přes tyto vouchery celkově proběhnout). Cílem bylo, aby minimálně 60% zákazníků, kteří voucher využijí, jelo s Hoppy poprvé v životě a aby se realizovalo minimálně 60 jízd. A jak to dopadlo?
Zjistily jsme, že se celkem prodalo 144 poukázek. Využito (respektive projeto), jich nakonec bylo 128. Nás především zajímalo, kolik voucherů bylo použito úplně novými zákazníky, kteří si přes Hoppy nikdy žádné auto v minulosti nepůjčili. Těch byl přesně 40. Na druhou jízdu s Hoppy bylo využito 21 voucherů a na třetí 17.
Dále jsme chtěly zjistit, kolik jednotlivých lidí tyto vouchery využilo. Těchto 128 poukázek uplatnilo 61 zákazníků, z nichž celkem 40 jelo s Hoppy poprvé v životě. To znamená, že target 60% byl splněn (celkem si poprvé auto půjčilo 66% zákazníků). Očekávání ohledně počtu jízd bylo dokonce překročeno o 113% .
Další otázka spočívala v tom, jestli si noví zákazníci koupili pouze jeden voucher, který využili a tím jejich využívání Hoppy skončilo, či se vrátili a půjčili si auto na další jízdu (na další poukázku). To znázorňuje následující graf:
Jak již bylo řečeno, slevomatová akce přilákala 40 nových zákazníků. Z tohoto počtu se následně 16 lidí vrátilo a na nový voucher si půjčilo další auto. Jak lze z grafu vidět, slevovou akci využili i stávající zákazníci Hoppy, kteří si auta pravidelně půjčují. Voucher opravňoval zákazníky si půjčit jakékoliv auto na 24h za 55 Kč a tak nás zároveň i zajímalo, jaká auta si lidé nejčastěji půjčovali a na kterou jízdu.
Také jsme zjišťovaly, jestli zákazníci opravdu využili celých 24h, během kterých mohli půjčené auto používat.
I když jsme věděly, že hlavním cílem bylo přilákat co nejvíce nových zákazníků, zajímalo nás, jak se tato akce vyplatila z pohledu nákladů. Následující graf znázorňuje sumu příjmů z jednotlivých jízd každého zákazníka, který využil tuto službu přes promokód. S ohledem na citlivost těchto informací u grafu nejsou uvedené přesné částky. V celkovém součtu byl příjem z jízd projetých s kupónem ze Slevomatu vyšší než náklady, které Hoppy na tuto akci vynaložilo.
Hoppy celkově
I když naším cílem byla analýza akce na Slevomatu, rozhodly jsme se podívat na Hoppy celkově. Data, která nám byla poskytnuta, obsahovala všechny historické jízdy, tak se nabízelo si Hoppy znalyzovat ve větším měřítku.
Dost nás zajímalo, jaká auta se nejčastěji půjčují.
Mezi nejčastějšími modely aut se objevují střední třídy osobních aut jako Octavia a Passat, levnější kategorie jako Fabia nebo Camry. Dále nákladní auta pro účely stěhování, elektroauto a i oblíbený brouk Hugo.
RFM analýza
Abychom zjistily, kdo jsou zákazníci Hoppy Go, zvolily jsme RFM segmentaci. Analýza pracuje s následujícími daty:
- doba od poslední jízdy (Recency)
- počet jízd (Frequency)
- celkový objem utracených peněz (Monetary)
V jednotlivých kategoriích se zákazníkům přiřazují hodnoty od nejlepší (1) po nejhorší (4) z čehož následně vzniká 3-místné skóre pro každého z nich.
Použily jsme Python script z GitHubu a pracovaly s ním v Jupyteru.
Zákazníky jsme oskórovaly pomocí zadaných kritérií a v Tableau vytvořily následující grafy:
Z obou grafů je patrné, že nedávná akce na Slevomatu ovlivnila obecné chování zákázníků, protože skupina Recent Customers tvoří skoro polovinu z celkového počtu. Stejně tak na heat mapě níže lze vidět, že zákazníci, kteří jeli v nedávné době, si půjčili auto opakovaně. V segmentu Frequency žádný zákazník nevyhovoval počtem jízd hodnotě 3, proto graf ukazuje pouze hodnoty 1,2 a 4.
Dá se předpokládat, že bez Slevomatové akce by výsledky vypadaly trochu jinak a skupiny Recent a Frequent by byly vyrovnanější. Stálo by za to analýzu zopakovat po několika měsících a porovnat, jestli se nynější trend v průběhu času nějak změnil. Stejná segmentace by se dala aplikovat i pouze na zákazníky Slevomatu. Díky tomu by bylo možné odhadnout, jaká část z nich se ke službě později vrátí.