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

Big Data (большие данные) — это способ собирать и анализировать огромные объемы данных о покупках и клиентах. Эта технология меняет ритейл уже сегодня. Магазины отслеживают каждую покупку, каждый клик, каждое действие клиента. Эти данные помогают точно предсказывать, что нужно покупателю. Магазины быстрее пополняют полки и предлагают нужные товары. Те, кто не использует Big Data, теряют клиентов и деньги. Они не успевают предложить то, что нужно, когда это нужно.

Компании знают, что данные важны, но часто не понимают, как с ними работать. Мы собрали примеры, чтобы показать, как ритейлеры превращают информацию в прибыль.

Изменение ландшафта ecommerce и традиционного ритейла 

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

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

Ритейлеры 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 ритейл 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% ритейлеров 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 г.г. (в млн. долларов):

Главные возможности применения Big Data в ритейле

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 ритейле:

• 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 ритейлеров 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. 

Основные выводы

1. Внедрите Big Data — не теряйте клиентов: Начните использовать данные и алгоритмы. Если вы этого не сделаете, ваш магазин начнет проигрывать конкуренцию.
2. Откажитесь от догадок: Перестаньте угадывать, что нужно клиентам. Анализируйте данные и принимайте решения на основе фактов. H&M, используя алгоритмы, сократил ассортимент и сохранил продажи.
3. Действуйте осознанно: Превращайте данные в действия. Оптимизируйте ассортимент, предсказывайте спрос, улучшайте маркетинг. Говорите с клиентами на их языке, а не на своём.
4. Персонализируйте каждый шаг: Настраивайте предложения под каждого клиента. Следите за его поведением и покупками. Так вы удержите клиента и увеличите его ценность для бизнеса.
5. Постоянно экспериментируйте: Не стойте на месте. Пробуйте новые подходы, тестируйте их, находите лучшие решения. Внедряйте предиктивные технологии на всех этапах, от сайта до рассылок.
6. Давайте конкретные предложения: Знаете, что нужно клиенту? Предлагайте ему это. Не пытайтесь продать всё сразу. Если он купил одежду, предложите ему вещи его размера.
7. Напоминайте о следующей покупке: Если понимаете, что клиенту скоро понадобится тот же товар, предупредите его заранее. Это укрепляет связь и стимулирует повторные покупки.