×
Россия +7 (495) 139-20-33

Big Data в современном ретейле: предиктивные технологии для роста Retention и LTV

Россия +7 (495) 139-20-33
Шрифт:
1 10677

Как меняется ландшафт современного ретейла и почему магазины, до сих пор не использующие возможности больших данных и умных алгоритмов, вскоре могут стать неконкурентоспособными?

Все понимают, что технологии Big Data внедрять необходимо, но зачастую представление об их применении довольно расплывчатое. Мы подготовили подробный материал на основе исследований и лучших российских и зарубежных кейсов.

Изменение ландшафта ecommerce и традиционного ретейла

До появления технологий персонализации, маркетологи определяли потребности клиентов исходя из опросов и анализа продаж. Однако, как выяснилось, такой подход дает результаты мало сопоставимые с реальностью.

В 2018 году H&M терпит падение прибыли на протяжении 10 кварталов подряд, что создало угрозу закрытия компании. Для стабилизации положения были использованы умные алгоритмы, позволившие убрать 40% ассортимента магазина не снизив продажи. Этот эксперимент показал, что ретейлеры не всегда знают, что действительно нужно их клиентам.

Ретейлеры обладают огромным количеством данных, которые можно анализировать и использовать как для коммуникации с клиентами, так и для оптимизации различных процессов внутри компании.

Раньше в сети Walmart работали около тысячи специалистов для анализа 24 тысяч запросов в час. Сейчас для этого используются технологии Big Data, и таким образом современный ретейл переходит от CRM-маркетинга к предиктивным технологиям.

Немного цифр:

  • Стоимость индустрии Big Data достигнет $77 миллиардов к 2023 году.
  • Компании, использующие Big Data отметили увеличение выручки на 8% при снижении общих затрат на 10%.
  • Около 50% компаний говорят о том, что использование Big Data коренным образом изменили курс действий отделов маркетинга и продаж.
  • 79% ретейлеров считают, что отказ от Big Data приведет к потере конкурентоспособности и закрытию бизнеса.

Прогноз роста рынка Big Data, основанный на выручке с 2011 до 2027 гг. (в млн долларов):

Прогноз роста рынка Big Data (2011-2027 гг.)

Главные возможности применения Big Data в ретейле

Одна из важнейших возможностей Big Data – возвращение коммуникации 1:1. До появления масс-маркета и интернет-магазинов продавцы знали своих клиентов в лицо и могли советовать товары, исходя из их предпочтений. Впервые за долгое время, персонализированное обслуживание позволяет индивидуально настраивать коммуникации с покупателями. Чем больше данных удастся собрать, тем точнее рекомендации, а значит выше конверсия и прибыль.

Главные возможности применения Big Data в ретейле:

  • формирование ассортиментной матрицы и оптимизация товарных остатков,
  • распределение товаров между и внутри торговых точек (мерчендайзинг),
  • предсказание спроса,
  • анализ данных программ лояльности,
  • ценообразование, в том числе динамическое,
  • оптимизация маркетинговых и рекламных кампаний,
  • персонализация коммуникации с пользователями во всех каналах.

Как увеличить Retention, LTV и лояльность клиентов с помощью предиктивных технологий

А теперь о самом главном: как использовать предиктивные технологии на практике? Мы хотим поделиться собственными разработками, успешно показавшими себя на российском рынке. Вы можете адаптировать их под свою компанию или брать как шаблон для создания собственных уникальных стратегий.

Персональные рекомендации в режиме real-time

Современные системы предиктивного маркетинга оценивают поведение пользователя, историю покупок и его интересы в режиме реального времени без непосредственного участия со стороны технических специалистов. Это открывает для ретейлеров широкий спектр возможностей персонализации сервиса.

Вы можете персонализировать обслуживание на любом этапе: начиная от сайта, заканчивая регулярными и триггерными рассылками. Чтобы убедиться в эффективности принятых решений, всегда проводите тщательное тестирование.

Для гипермаркета Hoff мы искали наилучшую конфигурацию блоков в карточке товара. Среди 4-х сегментов 2 показали почти нулевые приросты. В то же время выигравший сегмент дал значительный прирост среднего чека и входящего оборота на 5,8%:

Персонализация карточки товара интернет-гипермаркета Hoff

Предиктивный маркетинг в триггерной коммуникации

Интернет-магазины получают огромный массив данных о своих покупателях, на основе которого можно строить цепочки потребления. Каждая транзакция пользователя генерирует несколько цепочек, и появляется расчетная вероятность, какие покупки он совершит.

Механизм предсказания следующей покупки состоит из нескольких этапов:

  • Анализ последовательностей покупок всех клиентов.
  • Выявление статистически значимых цепочек потребления.
  • Прогнозирование совершения покупки в следующем «звене» цепочки потребления после оформления заказа.

Цепочки строятся для всех товарных категорий. Например, вот реальная цепочка потребления одного из магазинов товаров для детей:

Предиктивный анализ потребностей клиентов: реальный пример цепочек потребления

Пользователь может попадать сразу в несколько цепочек потребления, поэтому мы используем сложный механизм группировки предложений, выявляющий, что именно необходимо человеку. На основе этой информации можно составить несколько интересных кампаний. Например, персонализированная подборка в письме «Прогноз следующей наиболее вероятной покупки» (Next Best Offer) предлагает товары по интересам и предыдущим заказам:

Ключевые метрики сценария "Прогноз следующей наиболее вероятной покупки"

Похожий прием используется в сценарии «Предложение товаров повторного спроса». Алгоритм учитывает срок потребления купленных товаров и, когда необходимо пополнить запасы, отправляет клиенту письмо:

Пример письма по сценарию "Предложение товаров повторного спроса"

Использование предпочтений в регулярных рассылках и автоматизация этого процесса

Покупатели оставляют множество информации, которую можно использовать в оригинальных кампаниях. К примеру, если клиент когда-либо совершал покупку одежды, то магазин знает его размер. Это можно использовать уже на этапе формирования предложения товара. В нашем случае – в email-рассылках. Причем можно как исключать товары, которых нет в нужном размере, так и просто выделять подходящие размеры.

Чтобы акцентировать внимание на товаре, можно выделить подходящий размер. Также можно указать смежные размеры (на один больше и меньше):

Использование размеров в рассылке интернет-магазина Westland

Если у вас нет данных для персонализации, то указывайте размеры, которые есть в наличии. У большинства пользователей средние параметры, поэтому информация в письме будет с наибольшей вероятностью будет актуальна.

Работа с размерами в рассылке интернет-магазина Westland (указание размеров в наличии)

Заключение

Сейчас или никогда – это главный девиз компаний, которые еще не внедрили высокие технологии в обслуживание. Можно надеяться на исключительность и лояльных клиентов, но, к сожалению, даже в случае с такими гигантами, как H&M, это может не сработать. Big Data работает на вас и подчеркивает уникальность магазина. Так почему бы не использовать возможности по максимуму? 

(Голосов: 2, Рейтинг: 5)
Читайте нас в Telegram - digital_bar

Есть о чем рассказать? Тогда присылайте свои материалы Марине Ибушевой


Новые 
Новые
Лучшие
Старые
Сообщество
Подписаться 
Подписаться на дискуссию:
E-mail:
ОК
Вы подписаны на комментарии
Ошибка. Пожалуйста, попробуйте ещё раз.
Отправить отзыв
  • Victor S
    1
    комментарий
    0
    читателей
    Victor S
    больше года назад
    На редкость конкретная и полезная статья про Big Data в ритейле. Что и как надо делать. Я бы добавил еще адаптивных алгоритмов для формирования оптимальной карточки товара в соответствии с меняющимися предпочтениями покупателей. Станет похоже на ИИ.
    -
    0
    +
    Ответить
ПОПУЛЯРНЫЕ ОБСУЖДЕНИЯ НА SEONEWS
13 инструментов для SEO-специалиста, актуальных в 2022 году
Саша
5
комментариев
0
читателей
Полный профиль
Саша - кажись какой-то британец
Продуктовый подход в SEO: новая эпоха поисковой оптимизации
Максим
1
комментарий
0
читателей
Полный профиль
Максим - За чек-листы внутри статьи - отдельное спасибо! Не со всем внутри согласен, но доработал под себя)
Скоринг запросов: почему он необходим при сборе семантического ядра
Илья Горбачев
3
комментария
0
читателей
Полный профиль
Илья Горбачев - Сбор сезонности в последней версии находится на вкладке "Парсинг" и вызывается кликом по иконке с графиком на черном фоне. Только он собирает общую частоту, поэтому лучше собирать данные с фраз (маркеров), которые не пересекаются в реальных запросах.
Почему не стоит отказываться от SEO на этапе разработки
Максимус
3
комментария
0
читателей
Полный профиль
Максимус - Я уже сделал и сегодня в первый класс отвёл!
10 сервисов для работы с текстом в 2022 году
Юлия
3
комментария
0
читателей
Полный профиль
Юлия - Никита, вы о чем? Все подписки работают по такому принципу) Я retext давно пользуюсь, они немного подняли цену, но 399 рублей это еще ничего)) у меня на livedune только по несколько тысяч уходит. Выполнять качественно работу используя только руки не получится, а такие сервисы выручают очень Суть то не в том, что вы не воспользовались, а в том, что подписались, надо было просто отписаться и деньги бы не списали
Санкции поисковых систем: как узнать, что сайт попал под фильтры. Обзор главных инструментов
Volodyka Filipov
6
комментариев
0
читателей
Полный профиль
Volodyka Filipov - Нужно не крутить, а по честному развивать)))
Внедрение и тестирование поиска по товарам в интернет-магазине инструментов
Геннадий Sape Agency
3
комментария
0
читателей
Полный профиль
Геннадий Sape Agency - На текущий момент достаточно часто (через 2-3 фида находятся проблемы). Причина в том, что инструмент пока находится в бета-версии и фиды проходят ручную модерацию через асессоров Яндекса. Тем не менее, как правило, правки минимальны.
Прирост трафика почти на 2000% только за счет внутренней перелинковки – разбор кейса
Volodyka Filipov
6
комментариев
0
читателей
Полный профиль
Volodyka Filipov - А cmse.ru/ это ваше детище?
«Ашманов и партнёры» создали нейросеть, которая генерирует нешаблонные описания для страниц сайтов
Алексей
1
комментарий
0
читателей
Полный профиль
Алексей - Функционал есть, но он не отдельный. Он идёт в дополнение к LSI-анализу, интегрирован в него. Можете увидеть сгенерированные мета-теги на вкладке "Текст" в результатах LSI-анализа. Они будут указаны с пометкой (авто). Также сгенерированные мета-теги указаны в ТЗ для копирайтера, которое формируется по итогам анализа конкурентов.
Как сохранить клиентов и управлять онлайн-репутацией бизнеса в кризис
RocketData
1
комментарий
0
читателей
Полный профиль
RocketData - Добрый день! Да, эта информация актуальна на март 2022 года. При написании статьи мы опирались на информацию, полученную от служб поддержки геосервисов.
ТОП КОММЕНТАТОРОВ
Комментариев
910
Комментариев
834
Комментариев
554
Комментариев
540
Комментариев
483
Комментариев
385
Комментариев
373
Комментариев
262
Комментариев
249
Комментариев
171
Комментариев
156
Комментариев
141
Комментариев
121
Комментариев
115
Комментариев
100
Комментариев
97
Комментариев
97
Комментариев
96
Комментариев
80
Комментариев
77
Комментариев
74
Комментариев
67
Комментариев
63
Комментариев
60
Комментариев
59

Отправьте отзыв!
Отправьте отзыв!