O

(Esettanulmány: szépészeti klinika)

Minden klinika és szolgáltató ismeri a fájdalmas igazságot: egy új ügyfelet szerezni sokkal (akár ötször) többe kerül, mint egy meglévőt megtartani. Egy prémium szépészeti klinika esetében ez a költség még magasabb lehet. A páciensek lemorzsolódása, vagyis amikor valaki nem jön vissza egy következő kezelésre, csendes gyilkosa a profitnak. De mi lenne, ha kristálygömb helyett mesterséges intelligenciát használhatnánk, hogy előre lássuk, ki áll a távozás szélén?

Az aimarketingugynokseg.hu legújabb projektjében pontosan ezt tette. Együttműködtünk egy magyarországi szépészeti klinikával, hogy AI segítségével azonosítsuk a lemorzsolódással fenyegetett pácienseket, és egy célzott stratégiával 12 millió forintot spóroltunk meg nekik egyetlen év alatt.

Mutatjuk, hogyan csináltuk.

🏥 A kihívás: A csendes lemorzsolódás

Ügyfelünk egy dinamikusan növekvő, több kezelést kínáló szépészeti klinika. Bár folyamatosan érkeztek új páciensek, a menedzsment azt vette észre, hogy sokan az első 1-2 kezelés után „eltűntek”.

A probléma a következő volt:

• Reaktivitás: Csak akkor vették észre a lemorzsolódást, amikor már késő volt (a páciens 6 hónapja nem járt náluk).
• Céltalanság: Mindenkinek ugyanazt a hírlevelet és „rég láttuk” e-mailt küldték, ami alacsony hatékonysággal bírt.
• Ismeretlen okok: Nem tudták pontosan megmondani, miért mennek el a páciensek. Az ár miatt? A szolgáltatás minősége miatt? Vagy egyszerűen csak elfelejtettek időpontot foglalni?

A tét magas volt. Minden elvesztett páciens nemcsak az aznapi bevételt, hanem a teljes jövőbeli „élettartam-értéket” (Lifetime Value) is elvitte magával.

🤖 A megoldás: Az AI prediktív modell

Ahelyett, hogy a sötétben tapogatóztunk volna, egy prediktív lemorzsolódási modellt építettünk. A cél az volt, hogy ne utólag, hanem előre jelezzük a kockázatot.

Fontos kiemelni: a modell nem használt semmilyen érzékeny személyes vagy egészségügyi adatot (GDPR-kompatibilis volt). Kizárólag anonimizált viselkedési adatokra támaszkodtunk, amelyeket a klinika saját foglalási és CRM rendszeréből nyertünk ki.

1. Lépés: Adatgyűjtés és „Viselkedési Jellemzők” Létrehozása

Először definiáltuk, mit jelent a „lemorzsolódott” páciens (pl. 180 napja nem volt aktív). Ezután összegyűjtöttük az elmúlt 2 év adatait, és az AI számára „emészthető” jellemzőket (ún. feature-öket) hoztunk létre.

Ilyen viselkedési adatok voltak például:

• Recency (Frissesség): Hány nap telt el az utolsó látogatás óta?
• Frequency (Gyakoriság): Milyen sűrűn járt átlagosan?
• Monetary (Költés): Mennyi volt az átlagos kosárértéke egy-egy vizit alkalmával?
• Látogatások száma: Összesen hányszor járt már a klinikán?
• Foglalási szokások: Mennyivel előre foglal időpontot? Átlagosan hány nap telik el két foglalása között?
• Lemondási arány: Milyen gyakran mondja le vagy foglalja át az időpontjait?
• Igénybe vett szolgáltatások: Csak egyféle kezelésre jár, vagy kombinálja azokat?

2. Lépés: A gépi tanulási modell tanítása

Fogtuk a historikus adatokat (azokét, akik már lemorzsolódtak, és azokét, akik maradtak), és „megtanítottuk” a gépi tanulási modellt, hogy ismerje fel azokat a rejtett mintázatokat, amelyek a lemorzsolódáshoz vezetnek.

Az AI olyan összefüggéseket is talált, amelyekre emberi elemző talán sosem gondolt volna. Például:

A modell kimutatta, hogy azok a páciensek, akiknél hirtelen megnő a két időpont között eltelt idő (az átlagos 30 nap helyett hirtelen 60 nap), és az utolsó két alkalommal csak egy alacsony értékű szolgáltatást vettek igénybe, 85%-os eséllyel fognak lemorzsolódni a következő 60 napban.

3. Lépés: A kockázati pontszám (Churn Score)

A végeredmény egy élő rendszer lett. Az AI minden egyes aktív pácienshez naponta hozzárendelt egy kockázati pontszámot (0-100%).

A klinika recepciója és marketingesei egy egyszerű, színes jelzőrendszert láttak:

• Zöld (0-30%): Lojális páciens, alacsony kockázat.
• Sárga (31-70%): Ingadozó páciens, odafigyelést igényel.
• Piros (71-100%): Magas lemorzsolódási kockázat! Azonnali beavatkozás szükséges.

📈 Az Eredmények: 12 milliós megtakarítás és célzott törődés

A modell önmagában nem ment meg senkit. A varázslat ott kezdődött, ahogy a klinika használta ezt az információt.

Az „AI marketing ügynökség saját rendszerével” egy automatizált, proaktív megtartási stratégiát dolgoztunk ki:

1. „Sárga Zóna” (Közepes kockázat): Ezek a páciensek automatizált, de személyre szabott e-mailt kaptak. Nem egy általános hírlevelet, hanem egy releváns ajánlatot a korábbi kezeléseik alapján (pl. „Észrevettük, hogy kedveli az X kezelést. Tudta, hogy most Y újdonsággal bővültünk?”).
2. „Piros Zóna” (Magas kockázat): Itt nem bízhattunk e-mailre. A „piros” páciensek listája megjelent a recepciós pulton. A recepciós személyesen hívta fel őket egy exkluzív, csak nekik szóló kedvezménnyel vagy egy „VIP időpont” felajánlásával. A hívás fókusza a törődés volt: „Rég láttuk, minden rendben van? Szeretnénk felajánlani egy Önnek fenntartott időpontot…”

Így jött ki a 12 millió forint

A számítás egyszerű volt:

• Egy átlagos páciens élettartam-értékét (LTV) a klinika kb. 150.000 Ft-ra becsülte (az átlagos kezelésszám és költés alapján).
• Az AI modell az első 12 hónapban havi átlag 20 „piros zónás” pácienst azonosított be, akik nagy eséllyel elvesztek volna.
• A proaktív, személyes megkeresésekkel ebből a magas kockázatú csoportból havonta átlagosan 8 pácienst sikerült „visszahozni” és újra aktívvá tenni (ez 40%-os sikerességi arány).
• A megtakarított bevétel: 8 páciens/hó * 150.000 Ft/páciens * 12 hónap = 14.400.000 Ft

Levonva a kampányok és a rendszer fenntartásának költségeit, a klinika nettó 12 millió forintot spórolt meg egyetlen év alatt.

💡 Az adat arany, az AI a bányász

Ez az esettanulmány tökéletesen mutatja, hogy a mesterséges intelligencia nem egy távoli, megfoghatatlan „sci-fi” dolog. Egy gyakorlati eszköz, amely képes a meglévő viselkedési adatokból (amik felett a legtöbb cég csak ül) valódi, forintosítható profitot termelni.

A klinika a reaktív „tűzoltásról” áttért a proaktív, adatvezérelt páciensgondozásra. Kevesebb marketingköltséggel értek el nagyobb hűséget, és biztosították a bevételük jelentős részét.

Szeretné tudni, hogy az Ön ügyféladatbázisában kik állnak a lemorzsolódás szélén? Vegye fel a kapcsolatot az Aimarketingugynokseg.hu csapatával, és építsük meg az Ön saját prediktív modelljét!