Предиктивная аналитика в ретейле
Для ретейлеров пандемия и самоизоляция стали очередной проверкой на прочность. Пока продуктовые ретейлеры наращивали объемы продаж и с помощью ИТ пытались отладить управление графиком персонала, непродуктовый ретейл искал срочное решение проблем в онлайне. Фактически единственной альтернативой закрытию бизнеса оказались продажи в Интернете. Даже если сайт компании находился в зачаточном состоянии, она срочно настраивала стандартные инструменты для e-commerce: лидогенерацию, генерацию трафика и продаж. Ключевой проблемой оставалось привлечение внимания потенциальных клиентов к своему ресурсу. А делать это стало еще сложнее, поскольку из-за падения реальных доходов и под влиянием стресса от вирусной угрозы и длительного режима самоизоляции люди в принципе начали меньше покупать.
Если новые клиенты не очень активны, возможно, следует большее внимание уделять взаимодействию со старыми? Но как с ними в принципе контактировать, когда полностью закрылся офлайн-канал, а онлайн-канал всегда был вторичным?
Так, у Samsonite все магазины не работали с марта до 5 мая. И когда в Австрии открылись первые магазины (43 торговых точки), в течение двух недель не было ни одной продажи. Это означает, что клиенты, однажды отказавшиеся от покупок товара определенного бренда, возвращаются с большим трудом. Компании, которая во время изоляции лишилась возможности напоминать о себе клиентам в привычном канале, пришлось задействовать онлайн-инструменты лояльности, чтобы вернуть продажи.
Таким образом, в столь сложных обстоятельствах, когда покупательский интерес находится на очень низком уровне, маркетологам нужно не только привести потенциального покупателя на сайт ретейлера, но и показать ему именно те товары, которые ему с большой вероятностью понравятся, иначе покупка не состоится. Узнать предпочтения клиентов помогают исследователи данных, Data Scientists. С помощью инструментов предиктивной аналитики они среди всех клиентов выделяют людей с общими паттернами поведения, формируют кластеры, и в дальнейшем для каждого кластера можно с помощью ИТ подготовить максимально персонализированное предложение. Посмотрим более детально, как это работает.
Зачем нужна кластеризация
Ретейл и прежде сегментировал своих клиентов, только делал это по формальным признакам – например, по возрасту, полу, месту проживания, но такая информация ничего не говорила об их предпочтениях, интересах, образе жизни. Механическая сегментация, конечно, позволяла избежать очевидных ошибок в формировании торгового предложения – не рекламировать пенсионерам беспроводные гарнитуры, а мужчинам – средства женской гигиены. Однако подобный подход все равно был очень схематичным. Выявить действительно однородные группы – со схожим отношением к покупкам, с одними и теми же проблемами – помогает кластеризация. Эта математическая процедура основана на статистическом подходе и позволяет программным способом выделить наиболее значимые параметры потребительского поведения покупателей. Затем, опять же программными методами, можно сформировать для множества выявленных небольших групп торговые предложения и продвигать их по разным каналам.
Если мы видим, что покупатель оплачивает товары для детей, а также косметику и БАДы, то можем предложить, к примеру, аптекарям продвигать свои товары согласно той же логике: чтобы кассиру, пробивающему чек с подгузниками и детским жаропонижающим, на экран автоматически выводилась подсказка «Предложите витамины и биологически активные добавки». Аналогично и на сайте – чтобы при показе товаров из одной категории автоматически подтягивались популярные позиции из связанной категории.
Пример кластеризации покупателей аптечной сети
Подключение рекомендательных сервисов к сайтам интернет-магазинов дает хорошие результаты. После того как ювелирный магазин UNO de 50 стал на своем сайте анализировать просмотры товаров, брошенную корзину и сочетания товаров в одном чеке, а потом на основании полученных данных делать персональные предложения посетителям сайта, выросли многие показатели: за первые три месяца количество уникальных просмотров увеличилось на 35%, а число переходов на товар, добавленный в ленту рекомендаций, повысилось на 90%.
Как формируется персональное предложение. Процесс в деталях
Когда дата-аналитик сформировал кластеры покупателей, необходимо прогнозировать, какой товар с какой долей вероятности каким кластерам покупателей можно предлагать. Зная предпочтения покупателей конкретного кластера, специалист выстраивает для него таблицу вероятности покупки конкретного товара.
Для «Детского мира» с клиентской базой порядка 12 млн человек и около 200 тыс. товаров в активном ассортименте такая таблица может состоять более чем из 240 млрд ячеек – по горизонтали – люди, по вертикали – товары. От такого количества данных Excel сломается, а машинному обучению эта задача по зубам.
Таблицу можно отфильтровать по наибольшей вероятности покупки (нас интересует от 50%) – тогда мы увидим всех, кто наверняка купит эти товары. Одновременно можно будет узнать, кто из покупателей ничего не приобретает и создает отток. С помощью таблицы мы пробуем предложить этому сегменту покупателей несколько видов товара и смотрим, как среагируют клиенты.
Возможно предсказывать покупку товаров не только здесь и сейчас, но и в течение длительного времени. Так, компания «Петрович», специализирующаяся на розничной торговле строительными материалами, по покупке фундаментных блоков может рассчитать, когда клиенту предложить материалы для следующих этапов работ – для стен, крыши и отделки.
Еще одна классическая для ретейла ситуация – когда плохо продается определенный товар. Мы сортируем таблицу по приоритету его покупки и видим, каким клиентам с какой вероятностью он будет интересен. Например, в нашей базе мы нашли 200 тыс. клиентов, которые купят товар с вероятностью 70%, а у нас на складе 150 тыс. штук. Имеет смысл разослать им предложение и, даже если отклик будет неполный, велика вероятность хотя бы частично освободиться от так называемого «слоу мувера».
Опыт компаний
Сеть фирменных магазинов LEGO хотела с помощью предиктивной аналитики увеличить продажи новой игры серии Х, и мы приступили к работе с данными.
Выяснилось, что 4,6% всей аудитории торговой сети покупали предыдущие серии, а значит, скорее всего, и новинку тоже приобретут. Оставшиеся более 95% никогда не покупали интересующие нас товары, но после их кластеризации мы получили еще две группы: 35% по своему покупательскому поведению оказались близки к тем, кто совершал покупки товаров ранних серий, а 60% были совсем не похожи на потенциальных покупателей и им можно было вообще не предлагать новинку. Но ради эксперимента LEGO все же сделало рекламную рассылку всем и получило следующие результаты: в кластере, напоминающем потенциальных покупателей, конверсия составила почти 0,85% (зеленая группа), а в кластере «не похожих» конверсия оказалась ниже 0,1% (оранжевая группа).
Эксперимент подтвердил гипотезу: 60% аудитории стоило направить предложение о приобретении совершенно другого товара, а то сообщение, которое они получили, не сработало. Мы не только потеряли возможность предложить релевантный товар, но и впустую понесли затраты на ненужную коммуникацию.
Достаточный объем данных, стоимость и распределение ролей
Предиктивная аналитика еще новый маркетинговый инструмент, а ретейл, конечно, очень неоднороден, поэтому настороженность многих компаний понятна: а будет ли эффективно машинное обучение в конкретном сегменте отрасли? В таком случае стоит сначала провести пилотный проект и по его результатам принимать решение о запуске сервиса в продуктивную эксплуатацию. Начинать использование технологий машинного обучения следует со встраивания моделей в существующие процессы и системы (например, CRM), чтобы получить максимально быструю отдачу.
Правда, на первых этапах развития онлайн-канала аналитикой данных заниматься рано, поскольку у компании еще нет устойчивого трафика и, по сути, нечего анализировать. Любая подобная работа начинается, когда уже собран определенный объем данных. Например, чтобы проанализировать покупки в LEGO, нужна база не менее 50 тыс. человек, каждый из которых совершил минимум две-три покупки.
Руководители ИТ-подразделений крупнейших ретейлеров понимают, что легче отдать задачу опытному стороннему подрядчику, чем искать специалистов внутри, особенно если подобного проекта в компании никогда не было. Нужно искать компании, состоящие из отраслевых специалистов и команды Data science. Эффективными можно назвать проекты, когда их результаты передаются вместе с исходными кодами, модели реализуются на технологиях open source и по итогам проекта в компании-заказчике формируется свой центр компетенции.
Если компания готова финансировать развитие собственной ecomm-команды, это будет наилучшей инвестицией, поскольку после проекта и свои специалисты останутся, и появятся средства, привлеченные благодаря использованию предиктивной аналитики, и генерация клиентского трафика этим путем продолжится. К слову, при постоянной работе в этом направлении модель, непрерывно находящаяся в процессе самообучения, лучше узнаёт данные и точнее делает предсказания.
Если же привлечение Data Scientists вам не по карману (особенно сейчас, в кризисный период), оптимально использовать возможности предиктивной аналитики по принципу облачных сервисов или решений SaaS (Software as a Service).
Опубликовано 24.06.2020