Skyeng — крупнейшая в России EdTech-компания, которая насчитывает 150 000+ студентов. Для их привлечения мы разработали систему овербукинга, которая помогает потенциальным ученикам за пару кликов записываться на вводные уроки, а нам — увеличивать продажи и лояльность методистов.

Большинство наших студентов начинают обучение после бесплатного вводного урока, записаться на который можно самостоятельно в личном кабинете. Сервис для записи выглядит как расписание с доступными датами и временем занятий.

Казалось бы, все отлично: потенциальные ученики самостоятельно записываются на вводные уроки, но…в трех случаях из пяти не приходят.

Раньше мы не могли предугадать, состоится ли занятие, планировали меньше вводных уроков и:

• в 60% случаев оплачивали час работы методиста по минимальной ставке, т. к. ученик не приходил на урок. Методист не получал ожидаемый доход, а мы увеличивали затраты на персонал;
• ограничивали возможность методистов увеличить премиальную часть зарплаты: чем меньше учеников приходило на вводные уроки, тем ниже было количество продаж;
• давали потенциальным ученикам меньше возможностей выбрать время и записаться на занятие.

Затем мы внедрили систему овербукинга. Теперь с помощью ML-модели в реальном времени рассчитываем вероятность выхода потенциальных учеников на уроки и с учетом этой вероятности распределяем уроки между методистами.

Что мы хотели получить?

Главная цель — снизить стоимость привлечения клиентов, увеличить выручку и повысить лояльность методистов.

Сопутствующая задача — обеспечить методистам необходимое количество вводных уроков для достижения KPI и мотивировать их вовремя составлять расписание: пока методист не отметит время в календаре как доступное, мы не можем записать на него ученика.

Цели внедрения овербукинга отвечают стратегическим целям бизнеса:

• автоматизировать повторяющиеся процессы и функции, увеличивая выручку сотрудников и компании;
• создавать лучший UX для ученика внутри системы, поддерживать высокую скорость трансформаций;
• привести долю менеджеров от СЕО до исполнителей к необходимому уровню с учетом лучших практик ФОТ (Фонда оплаты труда), GMV (валовой стоимости товара), ratio (ликвидности) и RPE (дохода на одного сотрудника).

Для этого нам было нужно:

• выводить меньше методистов в день и более продуктивно использовать их рабочие часы;
• обеспечить методистам больше вводных уроков, чтобы сотрудничество было выгодно всем;
• увеличить мотивацию методистов и количество успешных вводных уроков;
• предложить потенциальным клиентам больше окон для вводных уроков, подстроиться под их предпочтения.

Что мы сделали

С помощью ML-модели предсказания загрузки:

• Обеспечили очередь на вводный урок из нескольких учеников: если один не придет, скорее всего, придет другой. Вероятность выхода рассчитывается исходя из 50+ показателей: интервального распределения поведения клиентов в течение дня, распределения потока в течение недели, возраста, пола, канала привлечения клиента и т. д. За год выходимость выросла на 20% у всех методистов в сумме.

• Увеличили occupancy (загрузку методиста) до 60%. Ранее в определенные интервалы она достигала нуля.

• Увеличили на 15% количество продаж с вводных уроков и на 30% — премиальную часть выплат методистов. Лояльность выросла, отток сократился.
• Обеспечили клиентов методистами с оптимальным набором скилов.
• Предоставили клиентам больше возможностей записываться на уроки в удобное время.

С октября 2022 по октябрь 2023 года мы сократили:

• в 2 раза — расходы на методистов;
• в 4,6 раза — количество неотработанных вводных уроков;
• расходы на привлечение новых клиентов.

Оптимизировать привлечение клиентов полезно для всего бизнеса:

• Возможность проводить больше вводных уроков и приоритизация заявок от более теплых к более холодным увеличила количество успешных продаж на вводных уроках и прибыль.
• Назначение нескольких вводных уроков на одно окно помогло сократить расходы на штат методистов.
• Большее количество окон для вводных уроков повысило лояльность клиентов, которые могут записаться на занятие в удобное время.

Система овербукинга работает так:

1. Определяем тип методиста по присвоенным ему тегам.
2. Создаем план с доступным методисту количеством заявок разного типа.
3. Назначаем методистов на поступившие заявки в соответствии с планом.
4. Методист проводит вводный урок по самой приоритетной заявке. Если ученик не пришел, методист может распоряжаться временем по своему усмотрению: например, заняться саморазвитием, заполнить отчеты или дозваниваться до другого ученика, с которым были договоренности о встрече.

Через 30 минут методист должен перейти к следующей заявке.

Чтобы увеличить посещаемость вводных уроков, мы действовали в несколько этапов:

1. Создали распределительную модель на основе статистики выхода потенциальных клиентов на вводные уроки.

Мы написали математическую формулу расчета вероятности: переменными стали каналы и время отправки заявки, день и время вводного урока, тип потенциального клиента (корпоративный или нет), сезон и т. д.

На момент запуска достоверность предсказания была низкой: 0,2 из 1. На старте выходимость клиентов на вводные уроки составляла 40%, а в 60% мы оплачивали методистам часы простоя.

Чтобы приблизиться к достоверности в 1, мы начали совершенствовать модель.

2. Для этого подключили ML-специалистов.

Аналитики собрали данные и обозначили три критерия, по которым можно было рассчитать вероятность выхода клиента на вводный урок:

Теплота трафика:

• Если потенциальный клиент сам зашел на сайт, выбрал время и оставил заявку, вероятность выхода на урок будет высокой — около 90%.
• Если клиент оставил заявку на обратный звонок, но записался только после звонка из отдела продаж, вероятность будет ниже — около 60–70%.
• Если клиент записался через холодный канал (телемаркетинг), вероятность выхода будет минимальной: примерно 1 к 10.

С учетом теплоты трафика мы записываем на один слот методиста определенное количество учеников: например, четыре из холодного трафика и одного из теплого. Эта формула помогла нам поднять вероятность выхода на вводный урок с 0,2 до 0,4 и сэкономить ресурсы: вместо 10 методистов мы выводим 5, и они с высокой вероятностью проводят вводный урок и достигают своих KPI.

Время записи:

В определенные часы вероятность выхода потенциальных учеников на вводный урок выше, в другие — ниже. Например, шанс, что клиент придет на занятие в понедельник в 8 утра, ниже, чем во вторник в семь вечера.

Мы рассчитали такие интервалы с учетом праздничных и выходных дней и дополнили ими прошлые расчеты на основе теплоты трафика.

Все это позволило дать клиентам больше возможностей выбрать время, а нам — поднять вероятность выхода на вводные уроки до 0,7.

С помощью овербукинга мы за год:

• Увеличили на 20% выходимость на вводный урок у всех методистов в сумме.
• Увеличили загрузку методиста (occupancy) до 60%. Этот результат промежуточный. До внедрения овербукинга в определенные интервалы дня occupancy методистов достигала нуля. Сейчас мы на середине пути, конечная цель — 90%.

Если ученик не пришел на вводный урок по английскому и у методиста есть компетенции в других дисциплинах, мы можем перевести его на другое направление и дать возможность совершить продажу: заработать деньги и для себя, и для бизнеса.

• Сократили расходы на методистов: выводим в день 5 сотрудников вместо 10.
• Сократили количество неотработанных вводных уроков в 4,7 раза: с 230 до 81.

• Увеличили на 15% количество продаж с вводных уроков: с 28 до 43%.

Это дало методистам возможность увеличить премиальную часть зарплаты, а бизнесу — увеличить доходы от продаж онлайн-курсов.

• Сократили расходы на привлечение новых клиентов: овербукинг помогает каждому методисту продавать на 15% больше.

• Повысили лояльность методистов. По результатам опроса eNPS, доля критиков сократилась с 57 до 17%, а доля промоутеров выросла с 23 до 51%.

• Сократили отток методистов с 24 до 3%.

До внедрения ML-модели у клиентов было меньше возможностей записаться на вводный урок. Если один человек выбрал конкретную дату и время, другой терял возможность записаться на то же окно, хотя записавшийся клиент в 60% случаев не приходил.

Новая система позволяет нам рассчитать, с какой вероятностью придет каждый клиент, и записать несколько человек с учетом этой вероятности на один слот.

— А если придут все?

— ML-модель учитывает в расчетах множество переменных, поэтому шанс, что случится такое совпадение, ничтожно мал (примерно 1 к 100). Но если это все-таки произойдет, в работу сразу включатся наши администраторы. В режиме реального времени они выведут дополнительного методиста, а если таких не окажется, предложат клиенту перенести урок.

Также мы ввели систему тегов для клиентов, которая помогает распределять заявки на вводные уроки между методистами с учетом специализации.

В Skyeng есть методисты, которые работают только с детьми, есть те, кто специализируется на взрослых, а есть универсалы. Теги в системе овербукинга помогают распределять эти заявки между методистами в зависимости от приоритетов.

Например, любой методист может провести вводный урок для взрослого с низким уровнем английского, но не каждый — для взрослого с высоким. Методисты-новички, например, сначала работают только с одним направлением и постепенно осваивают новые. Они получают простые заявки, чтобы освободить опытным методистам время для работы со сложными.

Материальная мотивация

Благодаря системе овербукинга:

• У методистов появилось больше возможностей увеличить премиальную часть зарплаты — после внедрения системы ставка методистов выросла в среднем на 40–60% по всем направлениям.

Если методист ставит в своем расписании вводный урок, он понимает, что ученик с высокой долей вероятности придет и ему можно будет предложить курсы.

• Нагрузка на методистов стала распределяться равномерно, поэтому методисты при составлении графика стали выбирать более популярные слоты под клиента: если раньше количество заявок на вводные уроки в некоторые интервалы дня превышало ресурсы методистов, после внедрения системы количество неотработанных вводных уроков сократилось в 4,7 раза.

Нематериальная мотивация

Система овербукинга обеспечивает методиста нагрузкой: это дает чувство надежности и уверенности в компании, а также мотивирует развивать свои скилы. Ведь чем шире его профиль, тем больше вводных уроков для потенциальных клиентов он может проводить.

Мы применили в образовании систему овербукинга (сверхбронирования), которая ранее использовалась в основном авиакомпаниями и гостиницами.

В нашей системе заявки на вводные уроки распределяются между методистами с учетом вероятности выхода ученика на занятие.

ML-модель определяет вероятность выхода на урок каждого клиента исходя из совокупности факторов: канала и времени отправки заявки, дня и времени назначенного вводного урока, особенностей потенциального клиента (возраст, направление учебы и т. д.), сезона и т. д. С учетом этой вероятности система назначает несколько вводных уроков на одно время к одному методисту. Из нескольких учеников с высокой вероятностью придет хотя бы один, и у методиста будет возможность совершить продажу.

Мы еще стремимся к идеальному показателю, но на текущем этапе добились поставленных промежуточных целей. Если раньше соотношение выхода на урок и пропуска составляло 40/60, сейчас цифры стали другими: 70/30.

В 30% случаев, исходя из скилов методиста, менеджер может направить его на вводный урок по другому предмету: например, если к одному специалисту не пришел ни один клиент, а к другому пришло сразу несколько.

Система овербукинга помогла увеличить:

• на 20% — выходимость на вводный урок у всех методистов в сумме;
• на 15% — количество продаж с вводных уроков и на 30% — премиальную часть выплат методистов;
• до 60% — загрузку методиста (occupancy): до внедрения овербукинга в определенные интервалы дня occupancy достигала нуля.

Мы сократили:

• в 2 раза — расходы на методистов;
• в 4,6 раза — количество неотработанных вводных уроков;
• расходы на привлечение новых клиентов: овербукинг помогает методисту продавать на 15% больше.

Система помогла:

• повысить лояльность методистов: после внедрения овербукинга ставка методиста выросла в среднем на 40–60% по всем направлениям;
• равномерно распределять нагрузку на методистов и обеспечить более оптимальное расписание вводных уроков: методисты понимают, что урок с высокой долей вероятности состоится, и при составлении графика выбирают более популярные у клиентов слоты;
• предоставить ученикам больше возможностей записаться на вводный урок в удобное время.

Систему, которую мы внедрили, можно применить не только в образовании. Она подходит для любой B2C-сферы, где:

• есть встреча с клиентом;
• на вероятность выхода клиента влияет совокупность факторов: канал, из которого он приходит, возраст, время записи и т. д.

Например, медицинские организации могут использовать овербукинг для записи пациентов.

Мы планируем развивать систему: аналогичного решения на рынке нет, и после доработки ее можно будет адаптировать для большинства отраслей и бизнесов. Нам предстоит, в частности:

• интеграция системы овербукинга в 1С для автоматизации расчета окладной и премиальной частей выплат методистам;
• организация планирования графика работы методистов на 10 недель вперед;
• доработка приоритизации раздачи вводных уроков в зависимости от эффективности методиста: чем лучше будут результаты методиста, тем более горячие заявки он будет получать;
• создать автоматические уведомления при нехватке методистов в разрезе предметов.