Советы
22 апреля 2022 г.
Предиктивная аналитика в ритейле. Как Big data и AI алгоритмы помогают оптимизировать бизнес процессы?
Предиктивная аналитика в ритейле. Как Big data и AI алгоритмы помогают оптимизировать бизнес процессы?
Юлия

Юлия

Финансовый консультант Datawiz

Предиктивная (прогнозная) аналитика для ритейлеров

 

Предиктивная аналитика в ритейле использует Big Data и алгоритмы искусственного интеллекта (AI - artificial intelligence), данные о покупательском поведении. С помощью математических моделей такая аналитика находит закономерности в поведении клиентов и предсказывает, как они поведут себя в будущем. Это помогает оптимизировать бизнес-процессы в ритейле.

Существуют трудности с обработкой растущего количества данных о клиентах и с тем, чтобы заставить эти данные работать в вашу пользу.

 

В этой публикации мы познакомим вас с 10 предиктивными аналитическими моделями в трех категориях: вероятностные модели, модели кластеризации, и коллаборативная фильтрация. Каждая из них помогает увеличить доход и при этом удовлетворить запросы клиентов с помощью целенаправленного и сегментированного маркетинга.

 

Вероятностное моделирование

 

Вероятностное моделирование это первое, о чем думают люди, когда слышат термин "предиктивный анализ". Он прогнозирует будущее поведение клиентов.

В эту категорию входят такие модели:

 

1. Определение жизненного цикла и ценности клиента (CLV- customer lifetime value)

Алгоритмы определяют, на какой период клиент останется с вашей компанией. С момента первой покупки вы уже получаете много ценной информации о клиенте: email, демографические и географические данные.

Сравнивая нового клиента с существующими, можно достаточно точно спрогнозировать его ценность в течении жизненного цикла. Такого рода информация очень полезна и помогает принять и реализовать стратегически важные маркетинговые решения.

Используя результаты анализа по определению ценности клиента в течении жизненного цикла, появляется смысл инвестировать в те маркетинговые кампании, которые принесут вам больше пользы.

 

2. Определение потенциальных клиентов

Данная модель просчитывает вероятность того, что клиент кликнет по ссылке в электронном письме. Ни один маркетолог не хочет раздражать своих клиентов и мотивировать отписываться от рассылки.

Используя модель определения потенциальных клиентов, можно отправить клиенту более таргетированые письма, снизив тем самым число отказов от подписки и увеличив конверсию.

 

3. Определение вероятности первой покупки

Эта модель оценивает данные потенциальных клиентов, такие как: клики на письма email рассылки и взаимодействие с сайтом, чтобы определить кто из них и насколько готов совершить первую покупку.

С такой информацией, можно изменить систему скидок и сформировать выгодные предложения для увеличения прибыли. Клиенты, которые готовы совершить у вас покупку, не нуждаются в предложении больших скидок. Но, ведь есть еще клиенты, которые сомневаются покупать или нет, и ждут более привлекательных предложений.

 

4. Определение вероятности следующих покупок

Как только клиент сделал первую покупку, вашей целью становится увеличить оборот и прибыль от следующих покупок.

Эта модель оценивает первые покупки, чтобы вычислить клиентов, готовых и впредь покупать у вас. Кроме того, такая модель дает возможность определить клиентов, которые нуждаются в поощрении в виде подарков или скидок. А также помогает увеличить оборот и прибыль от покупок каждого клиента из вашей базы данных.

 

Модели кластеризации

 

Кластеризация – это еще одно название сегментации клиентской базы. Кластерный анализ сегментирует базу данных клиентов, учитывая намного больше переменных, чем смог бы учесть человек. Два кластера могут отличиться по 30-ти и более показателям, эти различия называются "ДНК" кластера.

Распространенными алгоритмами кластерного анализа являются: анализ покупательского поведения, анализ корзин и анализ брендовых предпочтений.

Рассмотрим каждый из них подробно.

 

1. Анализ покупательского поведения

Этот алгоритм анализирует, как клиенты ведут себя делая покупку.

  • Используют ли они сайт или колл-центр?
  • Покупают ли больше в период акций и скидок?
  • С какой частотой делают покупки?
  • Сколько денег тратят?
  • Какой перерыв между покупками?

 

Анализ покупательского поведения помогает выбрать правильный канал общения с клиентом.

К примеру, клиенты, которые покупают товары только со скидками, вероятнее всего, будут заинтересованы участвовать в тотальных распродажах по низким ценам. Напротив, клиенты, которые обычно покупают товары по полной цене, идеально подходят для участия в промо-акциях для продвижения новой линейки товара.

 

2. Анализ корзин

Этот алгоритм кластерного анализа группирует клиентов, основываясь на том, какие товары (категории товаров) они покупают.

Анализ покупательских корзин полезен, когда вы решаете, какие товары предлагать той или иной группе клиентов в торговом зале или с помощью смс / e-mail-рассылки.

 

3. Анализ брендовых предпочтений

Этот алгоритм определяет, каким торговым маркам покупатели отдают предпочтение. Когда бренд выпускает новый продукт, важно понять, кому из клиентов вашего магазина это будет интересно.

Анализ брендовых предпочтений предоставляет более обширные сведения о товарах других производителей, которые могут заинтересовать ваших клиентов.

 

 

Коллаборативная фильтрация

 

В маркетинге модели коллаборативной фильтрации обозначают общим термином "рекомендации". Эти алгоритмы построения рекомендаций стали популярными благодаря Amazon c предложениями подобного рода: "Если вам нравится этот товар, вам могут понравиться следующие товары…".

Выделяют такие три базовых типа рекомендаций:

  • Up-sell (допродажные) рекомендации;
  • Cross-sell (перекрестные продажи) рекомендации;
  • Next-sell рекомендации.

 

1. Up-sell рекомендации

Up-sell (апсел, допродажи) - способ увеличения средней стоимости заказа и, в целом объема продаж.

Up-sell рекомендации применяются к клиентам в момент покупки товара: покупки онлайн, покупки через колл-центр или непосредственно в магазине.

Классическим примером являются комплексные предложения в McDonalds. И такие примеры можно найти в каждой индустрии. Вы можете предложить большую упаковку или акцию с примоткой для отдельного товара по более привлекательной цене.

Большинство up-sell рекомендаций, привязываются к конкретному SKU и формируют предложения по покупке сопутствующих товаров вместе с ключевыми.

 

2. Cross-sell рекомендации

Cross-sell (Кроссел) - повышение цены продаж за счет предложений дополнительных товаров к основным.

Применяется в момент осуществления покупки. В отличие от up-sell рекомендаций, которые предлагают сопутствующие товары к ключевым, рекомендации по кросс-продажам призваны предложить дополнительную продукцию, которую будут покупать вместе с ходовыми товарами.

Cross-sell рекомендации формулируются так: "клиент, покупающий такие товары, склонен к покупке следующих товаров…". Если клиент соглашается следовать рекомендациям по кросс-продажам, можно предложить ему небольшую скидку. Как и рекомендации по повышению продаж, рекомендации по кросс-продажам учитывают определение товарной позиции. В итоге к каждому товару предлагается сопутствующий товар для реализации кросс-продаж.

 

3. Next-sell (послепродажные) рекомендации

Рекомендации такого рода формируются уже после совершения покупки клиентом. Результат этих рекомендаций выражается в форме благодарственного письма или письма подтверждающего покупку по почте. Next-sell рекомендации индивидуальны для каждого клиента и учитывают всю информацию о клиенте, а не только его последнюю покупку.

Пример использования послепродажных рекомендаций описан в книге "Маркетинг, основанный на данных" Марка Джеффри.

В книге рассказывается, как гипермаркет товаров для ремонта, используя данные о клиентах выяснил, что клиенты, которые строят летние террасы или беседки, в скором времени задумываются и о покупке гриля или мангала. Затем гипермаркет запустил кампанию последующих продаж, предлагая таким клиентам купить гриль, после того как они покупали все необходимое для постройки летних террас.

Извлекайте больше пользы из ваших ритейл-данных, применяя описанные модели.

 

Модели предиктивной (прогнозной) аналитики имеют большой потенциал и приносят значительную пользу, но только в том случае, если вы свяжите их с ежедневными маркетинговыми кампаниями. Интегрируйте платформу предиктивной аналитики в систему реализации маркетинга. Свяжите её с сервисом email рассылки, сайтом, колл-центром и/или кассовой системой.

 

Лучше начать с интеграции одной действующей модели, которая поможет вести эффективную маркетинговою кампанию, чем применять одновременно все 10 моделей, не зная, какую именно выбрать в предиктивном анализе.

 

Поделиться

BI

Принимайте решения на основе реальных данных Datawiz BI