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