Как Big Data помогает увеличить продажи в ритейле

Для начала необходимо определиться, что мы будем понимать под Big Data. Рассмотрим два популярных существующих подхода в анализе данных:

1. Алгоритм, анализирующий все данные. Используется вместо построения какой-то модели (допустим, математической), работающей с ограниченным набором данных для анализа.

Хорошо известный всем пример - это товарные рекомендации, когда покупателю рекомендуют купить товар, который часто покупают вместе с тем товаром, который человек уже добавил в корзину.

В данном случае подход состоит в том, чтобы показывать клиенту рекомендации, которые (в конкретно данной модели) статистически выглядят лучше. При этом, если поменять модель, поменяется и подход.

На бытовом уровне это выглядит логичным, дает хороший результат и имеет ряд значимых преимуществ перед, например, ручной разметкой товарных рекомендаций (как минимум потому что это не требует ручного труда, снижает вероятность человеческих ошибок и т.д.).

2. С другой стороны, один из подходов с использованием Big Data состоит в том, чтобы отказаться от построения похожих статистических моделей и строить модель, которая рассчитывает вероятность покупки для каждого конкретного покупателя. Это все еще статистическая модель (в том смысле, что она использует накопленные данные и пытается «предсказать», что купит человек), но при этом расчет производится уже для каждого конкретного клиента в отдельности.

Кроме такого расчета, многие рекомендательные системы также умеют «обучаться» в реальном времени и оптимизировать не только продажи, но и остатки на складе, разделение по регионам доставки и т.д (расчет аналогично производится для конкретного склада, магазина или конкретного региона).

Второй подход более эффективен для решения бизнес-задач.

С помощью анализа больших данных можно, с одной стороны, решать все те задачи, которые бизнес уже решает:

• Где открыть следующий магазин;
• Какие маркетинговые акции запускать;
• Как спрогнозировать продажи в будущем месяце/квартале/году;
• Как выделить «ядро» аудитории;
• Насколько нужно повысить цены в следующем месяце;
• Как оптимизировать маркетинговый бюджет;
• Как предсказать, какие из клиентов перестанут быть клиентам в будущем месяце.

С другой стороны, с помощью алгоритмов Big Data можно решать те задачи, которые раньше теоретически невозможно было решить на приемлемом уровне:

• Нахождение скрытых закономерностей в поведении клиентов;
• Персональные предложения (в т.ч. те же товарные рекомендации);
• Анализ поведения клиентов в digital-маркетинговых каналах;
• и т.д.

Если для использования этих задач применяется алгоритм, анализирующий все данные, Big Data-решения просто показывают лучшие результаты (обычно сильно лучшие) по сравнению с тем, когда таких решений не было.

Когда используется модель с индивидуальным расчетом - создаются дополнительные преимущества для бизнеса «из ничего».

Одна из распространенных проблем, с которой сталкивается практически каждый офлайн- и oнлайн-ритейлер - это проблема остатков.

Для разных типов ритейла проблема формулируется по-разному:

• В Fashion-ритейле это остатки нераспроданной коллекции;
• В Food-ритейле это проблема с продуктами, у которых подходит к концу срок годности;
• В книжном ритейле это проблема «длинного хвоста», когда необходимо продать не очень популярные книги, которые потенциально интересны очень ограниченному кругу читателей.

Если немного формализовать задачу, выглядеть она будет примерно следующим образом:

Как нужно изменять (в зависимости от времени и ситуации) цену и маркетинговые уведомления? Каким клиентам отправлять предложения, чтобы получить максимально возможную прибыль за ограниченный промежуток времени?

Рассмотрим на конкретном примере. Допустим, наша задача - распродать одежду из прошлой коллекции за следующие 3 месяца - при том, что в каждом конкретном магазине осталось разное количество товаров.

Параметры, которые мы можем менять, это, например:

• Цена и предложения, которые часть клиентов получает на телефон или электронную почту;
• Цена и предложения, которые видит кассир на кассе и озвучивает их клиенту.

Самый простой способ. Устанавливаем цену в 1 рубль и отправляем рассылку по всей клиентской базе. Такой подход «решит» проблему остатков, но не принесет никакой выгоды.

Традиционный подход: организация распродажи. Каждую неделю скидка на указанные товары увеличивается.

Плюсы: подход универсальный и масштабируемый, его можно применять для всех подобных задач, и он гарантированно даст результат.

Минусы: если маркетинговые кампании создаются вручную, очень сложно менять параметры акции для каждого магазина в отдельности и менять стратегию общения с клиентами.

Классический алгоритм для решения этих проблем при работе с большими данными. Как он работает:

1. Остатки в каждом магазине разные, проходимость разная, конверсия в покупки разная. Можно указывать размер скидки в зависимости от этих параметров. Например, если мы знаем, что:

• На складе осталась 1 вещь из коллекции;
• В среднем, таких вещей продается 2 штуки в месяц;
• До конца акции 2 месяца

- то с ценой этой вещи вообще ничего не нужно делать.

2. Алгоритм «знает» о похожих распродажах в прошлом, и с помощью машинного обучения «предсказывает» продажи в зависимости от входных параметров. Нужно «попросить» алгоритм «спрогнозировать» продажи при разных входных параметрах (которые могут меняться в будущем). На выходе получим оптимальную стратегию.

3. Алгоритм можно автоматизировать: задать «границы разрешенного» (минимальная цена продажи, количество отправляемых сообщений и т.д.) и заставить его обучаться, учитывая новые еженедельные данные.

4. Кроме изменения цены, можно влиять на рекламу. Для базовой стратегии можно взять две группы людей:

• «Похожих» по своим поведенческим характеристикам, социально-демографическим данным и другим параметрам на людей, которые уже покупали эти вещи без скидки;
• «Похожих» на покупателей товаров со скидкой из предыдущих распродаж.

Снова с помощью машинного обучения можно научить алгоритм классифицировать всех клиентов на две группы:

• Не купит;
• Купит с некоторой вероятностью.

И для второй группы ввести вероятность совершения покупки. На основе вероятности можно таргетировать рекламу через все доступные маркетинговые каналы именно на этих клиентов.

Второй классический пример работы с большими данными в ритейле - RFM-сегментация клиентской базы (или, если точнее, RFM-сегментация в реальном времени).

Зачем нужна сегментация? Все слышали про правило «20/80» - если у вас традиционный бизнес, то 20% ваших клиентов (будем называть их «ядром») генерируют 80% вашего оборота. Цифры у каждого бизнеса свои, но в целом они очень похожи.

Способов использования RFM-сегментации множество:

• Анализ социально-демографических и поведенческих характеристик для создания профиля «типичного клиента» (профиль затем используется для таргетирования рекламы, анализа рекламных каналов и т.д.);
• Построение прогнозов по продажам в будущем на основе LTV (Life Time Value - «продолжительность жизни» клиента) для каждого сегмента клиентской базы;
• Разделение маркетинга и персонализация офферов для каждого сегмента в отдельности;
• И т.д.

Задача, с которой могут помочь в данном вопросе работа с большими данными и машинное обучение - это динамическая сегментация клиентов на основе ограниченного числа параметров.

Что это означает на практике: допустим, клиент регистрируется в программе лояльности. Как понять, в какой сегмент он попадет? Эта информация очень полезная. Если это клиент из «ядра», то очевидно, что работа с ним должна отличаться от работы со всеми остальными. Ведь потеря одного такого клиента равноценна потере 4 клиентов из других сегментов.

Другая связанная с этим задача - прогнозы, какие клиенты перестанут быть клиентами в ближайшие несколько недель или месяцев. Эта информация поможет вернуть часть «потерянных» клиентов за счет, например, отправки им каких-то специальных предложений и т.д.

В отличие от предыдущего кейса здесь почти невозможно построить алгоритм, дающий сколько-либо хороший результат без анализа всех данных.

Алгоритм для этого кейса:

1. Анализируются исторические данные. Определяются параметры, согласно которым клиента относят к одному из сегментов (например, в группу из RFM-сегментации, либо в группу «потенциально перестал быть клиентом»).

2. На основе полученной классификации все новые и текущие клиенты анализируются и относятся к одному из указанных сегментов.

3. Запускается соответствующая маркетинговая стратегия для каждого сегмента.

Мы видим на основе работы с нашими клиентами, что спрос на подобную оптимизацию бизнес-процессов и маркетинговых стратегий растет с каждым годом. Экономический кризис - дополнительный стимул, который заставляет компании повышать свою операционную эффективность и буквально искать прибыль с нулевым бюджетом.

Анализ данных и машинное обучение - один из хороших инструментов для этого. Он подходит практически всем компаниям: от SMB до Enterprise-сегмента вне зависимости от отрасли, и далеко не только ритейлу.

Благодарим за предоставленный материал компанию SailPlay (платформа для автоматизации B2C маркетинга).

Мнение редакции может не совпадать с мнением автора. Если у вас есть, что дополнить - будем рады вашим комментариям. Если вы хотите написать статью с вашей точкой зрения - прочитайте правила публикации на Cossa.
Подробнее: http://www.cossa.ru/152/124978/

Источник: www.cossa.ru

Комментарии: