Продуктова оптимізація маркетплейсу на прикладі BUKI: як при падінні трафіку в кризу збільшити дохід компанії

В колонці для AIN.UA Олександр Ярусевич, CPO та співзасновник EdTech-платформи для пошуку репетиторів BUKI розповідає на власному прикладі, як оптимізувати продукт, збільшити дохід та покращити показники компанії під час кризи.

Криза, спричинена пандемією COVID-19, мала негативний вплив на економічну діяльність усього світу. Через зменшення платоспроможності громадян та регулярні карантинні обмеження багато компаній не просто недоотримали заплановані доходи, а навіть були вимушені оголосити про банкрутство. Попри те, що ми працюємо в EdTech, області, яка показала неймовірний ріст (сотні відсотків, мільярди $ піднятих інвестицій) за цей період – у нас усе було менш райдужно. Щоб зрозуміти чому так, трохи заглибимось у нашу бізнес-модель.

BUKI – це lead-generation-маркетплейс, який з’єднує викладачів та студентів у будь-якому місці. Ви можете знайти собі викладача як у вашому місті, щоб займатись офлайн, так і для занять онлайн.

І відсоток останніх на нашій платформі до початку пандемії не перевищував 20%. З введенням обмежень пересування кількість запитів на онлайн заняття справді драматично виросла (майже у 2 рази), але варто пам’ятати про офлайн частину (становила 80%), яка впала майже до нуля. В результаті ми зайшли в кризу з загальним падінням майже 2х кількості запитів на викладачів відносно до карантинного періоду.

Ситуацію ускладнювало те, що BUKI — лідер ринку в Україні по пошуковій видачі й, відповідно, компенсувати цю різницю шляхом маркетингового росту через SEO й Adwords було просто нереально. Саме тому ми прийняли рішення максимально сфокусуватись на оптимізації продукту. В результаті ми не просто вирівняли показники до попередніх, а й закрили рік з ростом доходу у 2х YoY (2020 рік до 2019 року). В цій колонці ми розповімо, як і що для цього було зроблено.

Оптимізація продукту напередодні кризи

У серпні 2019 року компанії виповнилось 5 років. Уже на той момент ми стали впевненим лідером ринку України з пошуку репетиторів, одним з найбільших сервісів в Польщі, Казахстані, Нігерії та запустили ринок Іспанії. До нас приєднались десятки тисяч викладачів (на цей момент понад 80.000) і сотні тисяч клієнтів (на цей момент понад 600.0000). 

Вже тоді було здійснено сотні продуктових доопрацювань, різних A/B-тестів, які сукупно з маркетингом давали дуже хороший ріст з року в рік. Але, як зазначалось вище, для перекривання такого значного падіння ринку (понад 2х) наш ріст продуктових метрик був занадто повільним.

Чи можливо збільшити дохід, якщо трафік падає?

Формула доходу для маркетплейсу нашого типу досить проста:
Дохід = трафік * рівень конверсії на різних етапах воронки * середній чек. 

Якщо ми хочемо збільшити дохід при сталому або падаючому трафіку, то потрібно працювати над двома іншими змінними – розміром середнього чека та коефіцієнтами конверсії. 

Якщо при нашому типі бізнес-моделі (викладач оплачує одноразову комісію за кожного нового учня, еквівалентну тижневому доходу з цього учня) можливість впливати на середній чек є дуже обмеженою, то з конверсіями усе навпаки. Досить складний флоу клієнта дає можливість розбити воронку на велику кількість етапів і хірургічно точно покращувати певну частину продукту (конверсію на даному етапі).

Приблизний вигляд воронки руху клієнта BUKI від моменту входу на сайт і до взяття відгуку зображено на схемі. 

Умовно її можна поділити на два великих блоки: клієнтський (більше на фронті) і репетиторський (більше на беку) та на велику кількість проміжних етапів. Покращення коефіцієнтів конверсії (переходу) на кожному з цих етапі – це складний, довготривалий і постійний процес. Тому ми виділимо три основних пункти, робота по яких принесла найбільший вклад в покращення коефіцієнтів конверсії: 

1. Алгоритми ранжування репетиторів у каталозі;
2. Робота з прихованими транзакціями та обходом платформи;
3. Покращення загального UI/UX анкети та каталогу викладачів.

Ранжування репетиторів у каталозі

Каталог репетиторів —  це сторінка, з якої починають знайомство з сервісом 70-80% клієнтів і яка передує подачі заявок більше, ніж 90% користувачів. На рішення клієнта щодо створення заявки на сайті впливає видача репетиторів у каталозі, заповненість анкети, фото, підтвердження кваліфікації, інформація про освіту, відгуки інших учнів тощо. Тож логічно, що система ранжування, яка формує видачу в каталозі, має враховувати всі ці параметри привабливості анкети викладача для клієнта. 

Водночас ранжування в каталозі має вплив не тільки на конверсію відвідувача в заявку, але також на обробку залишених заявок. Навряд заявка на співпрацю з репетитором, що востаннє відвідував сервіс рік тому, має високі шанси на оплату. Отже, з одного боку анкети репетиторів повинні ранжуватися за привабливістю для клієнтів, а з іншого – за ефективністю їхньої роботи на платформі. Ідеальна система ранжування повинна балансувати між цими, іноді зовсім протилежними, показниками.

Нам довелося зробити 5 ітерацій змін в ранжуванні, щоб поступово врахувати усі параметри які б однаково задовільняли й клієнтів, і сам маркетплейс. Прикладами таких змін в ітераціях могли бути: 

1. Зміни вагових коефіцієнтів балів для того чи іншого параметру;
2. Додавання нових параметрів таких як оцінки клієнтів, час відгуку на заявку, швидкість звітування, вчасність оплати й  інші;
3. Можливість пройти додаткову верифікацію з реальною людиною й отримати статус «Перевірений репетитор»;
4. Врахування новачків, які нещодавно приєднались до сервісу;

Раз в 1-2 місяці ми впроваджували оновлення ранжування, набирати статистично достовірну кількість заявок та оплат для тесту і тільки тоді приймати рішення про ефективність кожного окремого пункту в формулі ранжування репетиторів на каталозі. Зараз репетитор у своєму кабінеті бачить 18 параметрів з деталізацією, що характеризують його рейтинг і позицію на маркетплейсі BUKI. 

В результаті роботи над ранжування викладачів ми збільшили конверсію з відвідувача (user) в заявку (lead) на:

• 23% в Україні; 
• 38% в Польщі; 
• 28% в Казахстані.

Окрім того, новий алгоритм ранжування позитивно вплинув на збільшення конверсії й на другому етапі воронки: з заявки (lead) в оплату (payment). Варто зазначити, що паралельно йшли десятки A/B-тестів з різними змінами UI/UX анкети та каталогу викладачів, які теж частково вплинули на цей показник.

Все таємне згодом стає явним або боротьба з обходом платформи

Транзакції, що здійснюються поза платформою – болюча тема для кожного маркетплейсу. Це явище настільки поширене, що навіть справжні гіганти у світі маркетплейсів страждають від його фінансових наслідків. Кому з нас бодай раз в житті не пропонували анулювати оренду житла на сайті чи скасувати поїздку в таксі в обмін на «знижку». Агрегаторам таксі більшою мірою вдалося побороти цю схему шляхом впровадження фінансового покарання пасажирів за скасовані поїздки. Booking та Airbnb й зараз мають справу з певним відсотком втрат через обхід платформи.

Схожа схема працює не тільки у випадку оренди житла чи поїздок в таксі. На платформі BUKI обмін контактами між клієнтом та репетитором відбувається ще до того, як сервіс отримує оплату за надані послуги. Тому завжди існує потенційний ризик, що виконавці піддаватимуться спокусі уникнути комісії. Водночас ми не можемо заперечувати факту існування органічного рівня відмов – учню та репетитору не завжди вдається домовитися про співпрацю, адже на це можуть впливати різноманітні людські фактори.

Рішенням даної проблеми в нашому випадку став простий математичний інструментарій. Ми зробили базове припущення, що середній рівень відмов конкретного репетитора не має сильно відрізнятись від загального середнього серед усіх викладачів (з поправкою на кількість заявок за весь час), адже вірогідність ситуації, в якій учень та репетитор не можуть з певних причин домовитися про співпрацю має флуктувати приблизно біля одного значення для всіх виконавців на цьому ринку. 

Наступним кроком було визначення медіанного показника відмов більшості репетиторів (в нашому випадку у 95% виконавців), після якого спостерігається значне зростання відсотка втрачених заявок. Якщо показник відмов репетитора значно вищий від середнього показника, то існує висока ймовірність того, що це не випадковість, а індикатор неефективної співпраці з сервісом. Простіше кажучи, якщо репетитор втрачає більшу частину заявок сервісу це може означати, що:

• Викладач недостатньо якісно надає свої послуги й клієнти від нього просто відмовляються;
• Або викладач погано взаємодіє з заявками на платформі (повільно відповідає, затримує комунікацію з клієнтом, має занадто обмежений графік занять тощо);
• Або викладач приховує факт домовленості з учнем від сервісу, щоб не сплачувати комісію.

В кожному з цих випадків BUKI програє, адже недоотримує доходу, або надає поганий користувацький досвід клієнтам. Для тих репетиторів, хто значно перевищує органічний показник відмов, ми впровадили автоматичну систему попередження та блокування. Якщо після попередження репетитор не покращує свій показник ефективності, система його блокує – спочатку тимчасово, з можливістю реабілітуватися і продовжити роботу з сервісом, а потім постійно, якщо покращення не відбулось. 

Під час першого релізу алгоритм заблокував 3% неефективних викладачів. Усі профілі заблокованих репетиторів були мануально переглянуті спеціалістами з команди підтримки й в абсолютній більшості кейсів вони підтвердили (з власного досвіду роботи з викладачем, по коментарях в заявках), що блокування пройшло коректно. 

В результаті нам вдалося:

• Збільшити % викладачів, які надають кращі послуги й ефективніше працюють з платформою;
• Зменшити практично до мінімуму кількість викладачів, які обходять сервіс; 
• Збільшили конверсію з заявки (lead) в оплату (payment) на:
  • 19% в Україні; 
  • 37% в Польщі; 
  • 35% в Казахстані;
• Зменшити кількість негативних відгуків клієнтів про неефективну роботу репетиторів. 

Для розуміння того, що далеко не усі тести й гіпотези завершувались успішно, додамо ще один кейс.

Натхненні успіхом нового алгоритму через 2 місяці ми вирішили підняти планку попередження і блокування + невеликі доопрацювання, оскільки думали, що є ще значне місце для покращення. Недостатньо глибоко проаналізувавши потенційний результат (переглянути й співставити тисячі профілів дуже часозатратна робота) ми зерелізили. І це було фіаско – кількість листів, повідомлень і дзвінків від викладачів зашкалювала. Ми досить швидко проаналізували більшість звернень і зрозуміли, що блокування подекуди зачіпає профайли ефективних виконавців. Додавши невеликі доопрацювання, ми сильно вибачились перед нашими викладачами за незручності й відкотили до попередньої версії.

Продуктова оптимізація в кризу – підсумки

Події 2020 року дуже по-різному вплинули на індустрії / компанії – довели до банкрутства одні й дали величезний імпульс для інших. Нам пощастило бути в області EdTech, яка дуже стрімко росла, але водночас і не пощастило, оскільки близько 80% запитів на BUKI приходило саме на пошук офлайн-викладачів. Різке падіння ринку не тільки не зламало нас, а й надало додаткової мотивації, яку ми сфокусували на оптимізації ефективності продукту й основних продуктових метрик. В результаті ми не просто перекрили показники падіння, а й закрили рік з ростом доходу у 2х YoY (2020 рік до 2019 року). 

Виділимо основні моменти, які допомогли нам показати такий ріст і, можливо, допоможуть вам в розвитку вашого продукту:

• Виділити й сфокусуватись на основних продуктових метриках, просування по яких може дати найбільший вплив. Це критично важливо в умовах кризи (обмеженості часу і ресурсів);
• Ні ви, ні ваші клієнти НЕ знають чого вони хочуть. Єдиний шлях дізнатись – науковий підхід з великою кількістю статистично достовірних тестів (A/B і інших);
• Робота над моделями / алгоритмами, які унеможливлюють абр мінімізують обхід користувачами платформи – критична для будь-якого маркетплейсу. В іншому випадку звести юніт-економіку з достатньо низькою маржинальністю (як правило у більшості маркетплейсів) майже нереально;
• Принцип Штанги: 90% ваших тестів і гіпотез направлені на мінорні зміни (порвати кнопку, текстовку, розміщенні блоків) робляться постійно і дають гарантований прогнозований середній кумулятивний результат за рік, але не дуже великий. Ще 10% ваших тестів і гіпотез направлені на радикальні зміни (бізнес-модель, ринок, ЦА, новий продукт і інше). Більшість з них НЕ зайде, але 1-2 успішні гіпотези за рік можуть дати прирости на десятки відсотків, або навіть в рази;
• Не ускладнювати продукт на перших ітерація нової гіпотези, використовуйте MVP підхід. Пам’ятайте, що більшість гіпотез НЕ будуть успішними, тому не витрачайте зайвий час і ресурси, поки не отримаєте хоча б базову валідацію. Це збереже вам сотні годин часу і десятки тисяч доларів.

Зараз, оперуючи продуктом з суттєво вищими показниками конверсій та ефективності на різних етапах воронки, ми знову активно включились в роботу з маркетингом і масштабуванням на нових ринках. Навіть встигли запустити кілька нових під-продуктів і ринок Мексики, де зараз уже понад 1000 викладачів.

Автор: Олександр Ярусевич, CPO & співзасновник BUKI