Алексей Шиховец, руководитель отдела маркетинга CleverDATA и эксперт курса «Big Data с нуля» Нетологии, рассказал Rusbase, как обеспечить рост повторных покупок и снизить стоимость удержания постоянных клиентов.
Алексей Шиховец
Руководитель отдела маркетинга CleverDATA
Большие данные активно используют маркетологи в онлайн-рекламе и маркетинговых коммуникациях. Они позволяют оптимизировать расходы в логистике и производстве. Яркий пример — работа американской компании оптовой и розничной торговли Walmart, огромной сети магазинов.
Они обрабатывают около 2,5 петабайт (2500 терабайт) данных каждый час из 200 внутренних и внешних источников, отслеживая ситуацию в торговых точках. И в соответствии с меняющимся поведением клиентов компания оперативно корректирует цены на товары.
При этом, оснастив датчиками собственный автопарк, компания собирает данные о передвижении машин с товарами в режиме реального времени. Благодаря этой информации ритейлер оптимизирует собственные поставки товаров и логистику в целом.
Методы анализа больших данных построены на технологии машинного обучения. С её помощью формируются алгоритмы, которые способны находить скрытые взаимосвязи, дообучаться, строить прогнозы и тем самым оптимизировать бизнес-процессы и формировать рекомендации. Большие данные как технология позволяют отработать гораздо большее количество гипотез, чем в состоянии сделать человек, тем самым помогая совершенствовать процессы, своевременно реагировать на различные изменения и сокращать потери денег и других ресурсов.
Как это работает
В 2017 году мы получили предложение от британского партнера Beauty Brains оптимизировать маркетинговые коммуникации на основе больших данных для трёх британских интернет-магазинов косметики и средств ухода.
Нам нужно было понять интересы аудитории каждого бренда, чтобы персонализировать email-рассылки, обеспечить рост повторных покупок и снизить стоимость удержания постоянных клиентов.
У каждого магазина своя аудитория и свой накопленный объём ценных данных о покупках из CRM-систем. Именно собственные данные о потребительском поведении наиболее ценны для последующей обработки и формирования правильных выводов.
Какие данные мы собирали
Мы начали со сбора всех доступных данных о потребительском поведении существующей клиентской базы из популярных среди интернет-магазинов систем Magento и Shopify. В поле зрения попала информация о покупках, составе корзины, среднем чеке, времени заказов, частоте покупки того или иного товара среди постоянных клиентов и многое другое.
Кроме этого, мы проанализировали обратную связь клиентов на email-рассылки от интернет-магазинов с товарными предложениями. Учитывались:
- данные об открытии писем и переходов по ссылкам из используемых сервисов типа Mailchimp и Dotmailer;
- данные о последующей активности на сайте, включая просмотр конкретных карточек товаров и страниц товарных категорий, данные о совершении покупки после рассылки.
Эти данные доступны для большинства компаний, включая молодых. Наиболее ценные данные о клиентах и аудитории можно найти в CRM, маркетинговых инструментах, а также сервисах интернет-аналитики, платформах по управлению контентом.
Мы также отслеживали активность повторных посещений постоянных клиентов, собирая данные по просмотрам товаров до совершения покупки.
Таким образом, объединяя всю собираемую информацию о каждом потребителе, мы сформировали полноценный образ каждого клиента для соответствующего интернет-магазина с его набором предпочтений, привычек и уникальных особенностей.
Например, привычка просматривать письма по утрам или поздно вечером, время совершения покупок — так, отправка письма утром или вечером может оказаться решающей для совершения покупки.
Кроме этого, профиль клиента формируют:
- данные о времени нахождения на сайте до совершения покупки;
- содержание корзины — конкретные товары и категории товаров, которые приобретал клиент;
- частоту покупок, откликов на SMS-рассылку, откликов на email-рассылку — открывает ли потребитель письмо, игнорирует ли или совершает переход и покупает.
Мы отслеживаем, какие продукты вызывают интерес, какова реакция на скидки, а также данные о новых просмотрах каких-либо категорий товаров на сайте и других триггеров, говорящих о намерении совершить покупку.
Учитывая все эти сведения, мы обеспечиваем максимально персонализированный подход и выбираем наиболее оптимальные каналы для коммуникаций, время, частоту, товар или группу товаров для рекомендации по правильной цене.
Мы своевременно реагируем на появляющиеся сигналы о намерениях клиента.
Зачем всё это
Информация о предыдущих покупках, а также отклике на коммуникации позволяет определить:
- оптимальный размер скидки;
- время жизни клиента и его общую ценность (LTV);
- вероятность повторных покупок.
На основе этой информации вы можете автоматически формировать сегменты для запуска кампаний через email и Facebook.
К примеру, есть потребители, которые нуждаются в дополнительной мотивации в виде скидки или бонуса для совершения повторной покупки. А есть те, кто более лоялен к бренду и будет приобретать товар без какой-либо скидки, — для них нужно персональное предложение. Аудиторию, которая с высокой вероятностью повторит покупку без дополнительного стимула, можно исключать из кампаний.
Как это работает на практике
Клиент А. Покупает каждый месяц один и тот же шампунь для волос. Понимая частоту таких покупок, нет причин делать дополнительные акции на этот товар для этого клиента. Гораздо эффективнее предложить ему через месяц купить вместе с шампунем кондиционер для волос, а также попробовать маску того же бренда — вероятность увеличить таким образом корзину выше.
Клиент B. Совершил разовую покупку туалетной воды и духов и после этого ничего не покупал. Однако, как мы видим из данных о его активности в email и на сайте, он просматривает общие корпоративные рассылки от интернет-магазина и периодически интересуется темой декоративной косметики. Есть вероятность, что клиент В изучает сайт, а совершает покупки в другом месте. Предложение набора теней со скидкой может послужить решающим стимулом совершения покупки для такого типа клиента.
У каждого потребителя свои особенности, которые маркетологу не всегда просто определить и выработать соответствующую стратегию взаимодействия. Практическая польза Data Science в этом случае — в минимизации вовлечённости человека в процесс определения кому, что, когда предложить, чтобы повысить шансы на совершение покупки и увеличить размер корзины. Машина сама учится, формирует нужные сегменты аудитории и автоматизирует персонализированные коммуникации с каждым потребителем.
Схема реализации:
Результат применения Big Data в бизнесе
Технологии машинного обучения и Big Data позволяют формировать правильные выводы: какой аудитории что предлагать, какое рекламное сообщение показывать — и другие параметры для максимально персонализированных коммуникаций. На примере трёх интернет-магазинов с ассортиментом более 500 товаров мы обработали данные 100 тысяч потребителей, включая данные об активностях в email-рассылках, на сайте и в онлайн-рекламе.
В результате за неделю мы получили от 40 до 100 полностью автоматизированных рекламных кампаний для каждого бренда.
На основе технологий машинного обучения, в том числе нейронных сетей, построенная рекомендательная система сама формирует целевые сегменты аудитории, тем самым минимизируя влияние человека.
Есть определённые триггеры, которые мы выяснили в ходе сбора данных, по которым можно оценивать некоторые параметры. Например, мы увидели группу людей, которые просматривают почту по утрам, до рабочего дня, а потом возвращаются вечером домой и покупают увиденный товар. Мы понимаем, что имеет смысл продублировать им товарное предложение вечером через дополнительный канал. Однако за счёт возможностей машинного обучения выводы формируются автоматически — машина определяет это самостоятельно и подсказывает, что, когда и где предложить пользователю для максимальной вероятности отклика.
Так нам удалось поднять повторные продажи примерно в три раза, при этом open rate писем увеличился в среднем на 70%, а конверсия из получивших письмо выросла на 83%.
- Научитесь принимать решения на основе data-driven подхода
- Узнаете, как прогнозировать поведение клиентов и визуализировать результаты
- Сможете выстроить сквозную аналитику в компании с нуля
Как это работает у других
По данным Forbes, одна из крупнейших американских розничных сетей Macy’s имеет более 800 магазинов и 73 миллиона товарных позиций. Пересмотр цен требовал большого количества времени (более четырёх часов в день), а также он был недостаточно качественным и требовал постоянных корректировок.
После внедрения SAS Institute (настраиваемые системы Business Intelligence для финансового менеджмента, управления рисками, маркетинга, управления цепочками поставок) компании удалось снизить время, затрачиваемое на пересмотр цен, в 22 раза, то есть теперь пересмотр осуществляется практически в реальном времени. Издержки на оборудование сократились на 70%.
Система оперирует историческими данными о структуре спроса за последние несколько лет и данными об имеющихся товарных запасах как по бизнесу и категориям в целом, так и с детализацией от уровня артикула (SKU) и торговой точки, — и приводит их в соответствие. Также учитываются данные о запланированных скидках и промоакциях.
Российская сеть «Рив Гош» также использует обучаемую систему предсказания поведения покупателей на базе Machine Learning. «В первые дни использования точность персональных товарных рекомендаций по конкретным артикулам составила 33%. Ритейлер получил возможность повысить лояльность клиентов, увеличить продажи и снизить издержки на маркетинговые акции за счет адресной работы с потенциальными покупателями. Разработанное решение выполняет два ключевых сценария.
Первый — выявление из всех держателей карт лояльности (2,6 млн человек) тех, кто потенциально может совершить
покупку в ближайшие две недели.
В рамках второго сценария система делает прогноз двух топовых покупок по каждому из этих клиентов, определяя из
десятков тысяч товарных наименований конкретные позиции до уровня артикула (SKU).
Обладая этими данными, ритейлер может существенно повысить вероятность тех или иных продаж, своевременно предлагая скидки интересующему сегменту клиентов, а также снизить затраты на их привлечение. При этом размер самой скидки в рамках допустимых значений система рассчитывает для каждого покупателя индивидуально.
В выявленной группе клиентов повторные обращения за покупками составили около 47%, тогда как в среднем по клиентской базе этот показатель равен 22%. Кроме того, их средний чек оказался на 42% больше, чем у остальных покупателей.
Методами машинного обучения удалось определить «золотой сегмент» держателей карт лояльности.
За выбранный промежуток времени они принесли компании порядка 7% дохода, составляя всего 1% от общей клиентской базы. Состав, численность и параметры этого сегмента меняются динамически, и система учитывает это в режиме реального времени. Компания «Рив Гош» отметила, что применение технологий Big Data и Machine Learning изменило их взаимодействие с клиентами и открыло для них новые перспективы.
Мнение автора и редакции может не совпадать. Хотите написать колонку для Нетологии? Читайте наши условия публикации. Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к Телеграм-каналу Нетологии.
