×
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 5571

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 Ане Макаровой


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
    6 месяцев 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
Что скрывает «Прогноз бюджета Яндекс.Директ»?
Михаил Мухин
14
комментариев
0
читателей
Полный профиль
Михаил Мухин - Здравствуйте! 1-2. Считает стенд. Ссылка на него дана, но могу повторить: online.p-c-l.ru/competition/task/card/id/106. Нажмите на кнопку "Начать" и заранее приготовьте прогноз бюджета Яндекс. Суть расчета: перебор комбинаций всех ставок на всех фразах, построение бюджетных когорт - бюджетов с одинаковым СРС, отбор в каждой когорте бюджета с максимальным количеством кликов и ..., да упорядочивание этих бюджетов по мере возрастания СРС, причем берем не все, а с фиксированным шагом. 3. Гугл считается через поправочные коэффициенты. Мы перевариваем океан данных и представляем их. На удивление, получается не менее, хотя и не более точно, как и прогноз Яндекс. Конечно, нужно понимать, что это очень примерные прикидки, фактически перевод неточного прогноза Яндекс в удобочитаемую форму, не больше. Самое интересное начинается, когда применяешь метод бюджетных когорт к измерению показателей фраз на реальной рекламной кампании в режиме 48х7. Первые результаты очень хорошие. Если хотите присоединиться к бесплатному тестированию, напишите Эльвире r-support@r-broker.ru. В теме укажите "хочу присоединиться к тестам Умного управления рекламой"
#SEOnews14: мы празднуем – вы получаете подарки!
Анна Макарова
362
комментария
0
читателей
Полный профиль
Анна Макарова - Гость, добрый день! С победителями мы связывались сразу после розыгрыша. Если мы вам не написали, значит, ваш номер не выпал. Но не расстраивайтесь, у нас обязательно будут новые розыгрыши!
Ссылочное продвижение локальных сайтов: ТОП худших SEO-методов
demimurych
5
комментариев
0
читателей
Полный профиль
demimurych - о господи. это для регионального сайта? в яндексе? где у сайта по региону конкурентов меньше чем выдачи на двух страницах из которых перваш это реклама москвы? потешно ей богу. ктото чего то не понеимает.
Как ускорить сайт на WordPress, чтобы получить 100/100 в Google PageSpeed Insights
Георгий
1
комментарий
0
читателей
Полный профиль
Георгий - Все что рекомендуется в этой статье есть у w.tools. Ни разу не пожалел что подключился. Своя CDN сеть, кеш статики и динамики, минификация js\css и кешируемого html, оптимизация всех типов картинок и еще куча всего полезного. Сайт летает и я не знаю проблем. Могу рекомендовать от души.
«Аудит, чтобы ты заплакала…», или Что делать, когда получил сторонний аудит сайта
Евгений
1
комментарий
0
читателей
Полный профиль
Евгений - Воообще, на самом деле здесь двоякое впечатление от таких аудитов. Конечно, для полного глубокого анализа и подготовки рекомендаций по сайту - нужны доступы к системам аналитики и инструментам вебмастера. Но если оценивать подобные аудиты с точки зрения чистого SEO (которое все больше и больше становится лишь малой частью digital-маркетинга, лишь одним из каналов) - они имеют место быть. Но с оговоркой, что они сделаны с учетом анализа конкурентов/отрасли. Современные инструменты и алгоритмы позволяют делать это маркетологам в автоматическом режиме, и даже давать рекомендации - возможностями машинного обучения уже никого не удивишь. Да, полное перечисление "мифического" списка ошибок, построенного по предикативным правилам, да еще и с учетом устаревших особенностей ПС - это явный признак некачественного аудита. В первую очередь потому, что эти "ошибки" следует рассматривать в качестве рекомендаций от ПС (как и говорится в справочнике вебмастера у Яндекса/Google). Однако если эти данные даются с отсылкой на данные о конкурентах, об отрасли, используются методы ML и Natural language processing для обработки исходных данных, кластеризации запросов, классификации страниц/запросов/сайтов, определения структуры документа - такие отчеты имеют право на существование. Но ключевым моментом является то, что подобные инструменты достаточно сложны в разработке, а значит требуют квалифицированных специалистов для их разработки. Которых просто нет у студий рассылающих подобные "сео отчеты". Подобные отчеты по "ошибках" тоже неплохой источник информации, но лишь на 0 этапе анализа сайта. И в принципе, теоретически, возможно почти полное составление "хороших аудитов" без участия маркетолога, на основе лишь открытых данных сайта/внешних источников, но только при соответствующем применении всех современных возможностей анализа данных и рекомендательных систем. И в любом случае подобный "хороший отчет" требует конечного заключения от эксперта.
От мечты стать юристом к собственному SMM-агентству. Как найти себя в современном цифровом мире
Виктор Брухис
5
комментариев
0
читателей
Полный профиль
Виктор Брухис - Статья выглядит так, как пожелали редакторы и интервьюер) Вопросы к интервью подбирал не я)) Хотя, в целом я согласен с вашим видением. А за пожелание удачи большое спасибо!
BDD 2019: Как перестать убивать время на сбор и обработку тонны данных для SEO-аудита
Kosta Bankovski
4
комментария
0
читателей
Полный профиль
Kosta Bankovski - Спасибо за приятные слова! Буду и дальше делиться наработками ;)
Как провести анализ содержания страниц товаров и категорий
Никита Седнин
3
комментария
0
читателей
Полный профиль
Никита Седнин - Спасибо!
Как вывести сайт в ТОП 10 Google в 2019 году
Роман
1
комментарий
0
читателей
Полный профиль
Роман - Вот скажите пожалуйста, Мне разработали сайт на мою фирму, www.линк.kz и теперь надо решить, сео продвижение у нас стоит около 25000 - 30000 руб. в месяц, для меня сумма не маленькая стоит ли оно того? или можно просто оптимизировать сайт в плане СЕО и выходить в ТОП за счет трафика?
Как я пытался купить CRM-систему, но мне ее поленились продать
Kristina
1
комментарий
0
читателей
Полный профиль
Kristina - Очень рекомендую CRM-систему польской фирмы Firmao. Все функции настраиваются в соответствии с индивидуальным потребностям компании! Советую попробовать бесплатную демо-версию, чтобы попробовать все необходимые функции, без лишних кнопок и траты дополнительных финансов! :) Сайт: firmao.ru/info
ТОП КОММЕНТАТОРОВ
Комментариев
910
Комментариев
834
Комментариев
554
Комментариев
540
Комментариев
483
Комментариев
373
Комментариев
362
Комментариев
262
Комментариев
249
Комментариев
171
Комментариев
156
Комментариев
137
Комментариев
121
Комментариев
107
Комментариев
97
Комментариев
97
Комментариев
96
Комментариев
82
Комментариев
80
Комментариев
77
Комментариев
67
Комментариев
60
Комментариев
59
Комментариев
57
Комментариев
55

Отправьте отзыв!
Отправьте отзыв!