Предиктивна аналітика для ритейлерів

Предиктивна (прогнозна) аналітика в ритейлі використовує Big Data та алгоритми штучного інтелекту (AI - artificial intelligence), дані про купівельну поведінку. За допомогою математичних моделей така аналітика виявляє закономірності в поведінці клієнтів і передбачає їх поведінку в майбутньому. Це допомагає оптимізувати бізнес-процеси у ритейлі.

Існують труднощі з обробкою великої кількості даних про клієнтів і про те, щоб змусити ці дані працювати на вашу користь.

У цій статті ми познайомимо вас з 10 предиктивними аналітичними моделями у трьох категоріях: вірогідні моделі, моделі кластеризації та колаборативна фільтрація. Кожна з них допомагає збільшити дохід і при цьому задовольнити запити клієнтів за допомогою цілеспрямованого та сегментованого маркетингу.

Вірогідне моделювання

Ймовірна модель - це перше, що думають люди, коли чують термін "предиктивний аналіз". Він прогнозує майбутню поведінку клієнтів.

До цієї категорії входять такі моделі:

1. Визначення життєвої цінності клієнта

Алгоритми визначають скільки часу клієнт залишиться з вашою компанією. Вже з моменту першої покупки ви отримуєте про клієнта багато цінної інформації: email, демографічні та географічні дані.

Порівнюючи нового клієнта з існуючими, можна досить точно спрогнозувати життєву цінність клієнта.

Така інформація дуже корисна, вона допомагає прийняти та реалізувати стратегічно важливі маркетингові рішення.

Використовуючи результати аналізу визначення цінності клієнта, з'являється сенс інвестувати у ті маркетингові кампанії, які принесуть вам більше користі.

2. Визначення потенційних клієнтів

Дана модель прораховує ймовірність того, що клієнт клікне на посилання в електронному листі. Жоден маркетолог не хоче дратувати своїх клієнтів, щоб вони відписуватися від розсилки.

Використовуючи модель визначення потенційних клієнтів, можна надіслати клієнту вузько таргетовані листи, знизивши тим самим кількість відмов від підписки та збільшивши конверсію.

3. Визначення ймовірності першої покупки

Ця модель оцінює дані потенційних клієнтів, такі як: кліки на листи email розсилки та взаємодію з сайтом, щоб визначити, хто з них і наскільки готовий зробити першу покупку.

З такою інформацією, можна змінити систему знижок та сформувати вигідні пропозиції для збільшення прибутку. Клієнти, які готові зробити у вас покупку, не потребують великих знижок. Але, є клієнти, які сумніваються купувати чи ні, і перебувають в очікуванні більш привабливих пропозицій.

4. Визначення ймовірності наступних покупок

Як тільки клієнт зробив першу покупку, вашою метою стає збільшити оборот та прибуток від наступних покупок.

Ця модель оцінює перші покупки, щоб виявити клієнтів, готових і надалі у вас купувати. Аналіз дає можливість визначити клієнтів, які потребують заохочення у вигляді подарунків або знижок. В результаті, така модель допомагає збільшити оборот та прибуток від покупок кожного клієнта вашої бази.

Моделі кластеризації

Кластеризація - це ще одна назва сегментації клієнтської бази. Кластерний аналіз сегментує базу даних клієнтів, враховуючи набагато більше змінних, ніж змогла б врахувати людина. Два кластери можуть відрізнятись за 30-ма і більше показниками. Ці відмінності називаються "ДНК" кластера.

Поширеними алгоритмами кластерного аналізу є: аналіз купівельної поведінки, аналіз кошиків та аналіз брендових переваг. Розглянемо кожен із них докладно.

1. Аналіз купівельної поведінки

Цей алгоритм аналізує як поведінку клієнтів під час покупки. Чи вони використовують сайт або кол-центр? Чи купують більше у період акцій та знижок? З якою частотою роблять покупки? Скільки грошей витрачають? Яка перерва між покупками? 

Аналіз купівельної поведінки допомагає обрати правильний канал спілкування із клієнтом. Наприклад, клієнти, які купують товари лише зі знижками, найімовірніше, будуть зацікавлені брати участь у тотальних розпродажах за низькими цінами. І навпаки, клієнти, які зазвичай купують товари за повною ціною, ідеально підходять для участі в акціях для просування нової лінійки товару.

2. Аналіз корзин

Цей алгоритм кластерного аналізу групує клієнтів, виходячи з того, які товари (категорії товарів) вони купують.

Аналіз купівельних корзин потрібен, коли ви вирішуєте, які товари пропонувати тій чи іншій групі клієнтів у торговому залі або за допомогою смс/емейл-розсилки.

3. Аналіз брендових переваг

Цей алгоритм визначає, яким брендам покупці віддають перевагу. Коли бренд випускає новий продукт, важливо зрозуміти кому з клієнтів вашого магазину це буде цікаво.

Аналіз брендових переваг надає більші відомості про товари інших виробників, які можуть зацікавити ваших клієнтів.

Колаборативна фільтрація

У маркетингу моделі колаборативної фільтрації позначають загальним терміном "рекомендації". Ці алгоритми побудови рекомендацій стали популярним завдяки Amazon з подібними пропозиціями: "Якщо вам подобається цей товар, вам можуть сподобатися наступні товари…".

Виділяють такі три базові типи рекомендацій:

• Up-sell  рекомендації;
• Cross-sell рекомендації;
• Next-sell рекомендації.

1. Up-sell рекомендації 

Вони застосовуються до клієнтів у момент покупки товару: здійснення покупки онлайн, покупки через кол-центр або безпосередньо в магазині.

Класичним прикладом є комплексні пропозиції у McDonalds. І такі приклади можна знайти у кожній індустрії. Ви можете запропонувати велику упаковку або акцію з примоткою окремого товару за більш привабливою ціною.

Більшість up-sell рекомендацій, прив'язуються до конкретного SKU та формують пропозиції щодо купівлі супутніх товарів разом із ключовими.

 2. Cross-sell рекомендації

Cross-sell (Кроссел) - підвищення ціни продажів за рахунок пропозиції додаткових товарів до основних.

Застосовується у момент здійснення покупки. На відміну від up-sell рекомендацій, які пропонують супутні товари до основних товарів, рекомендації по крос-продажам покликані запропонувати іншу продукцію, яку купуватимуть з ходовими товарами.

Cross-sell рекомендації формулюються так: «клієнт, який купує такі товари, схильний до покупки наступних товарів…». Якщо клієнт погоджується слідувати рекомендаціям по крос-продажам, можна запропонувати йому невелику знижку. Як і рекомендації щодо підвищення продажів, рекомендації щодо крос-продажу враховують визначення товарної позиції. У підсумку до кожного товару пропонується супутній товар для реалізації крос-продажів.

3. Next-sell (післяпродажні) рекомендації

Рекомендації формуються після здійснення покупки клієнтом. Результат цих рекомендацій виражається у формі листа подяки або листа, що підтверджує покупку поштою. Next-sell рекомендації індивідуальні для кожного клієнта та враховують всю інформацію про клієнта, а не лише його останню покупку.

Приклад використання післяпродажних рекомендацій описане у книзі "Маркетинг на основі даних' Марка Джеффрі. У книзі розповідається, як гіпермаркет товарів для ремонту, використовуючи дані про клієнтів, з'ясував, що клієнти, які будують літні тераси або альтанки, незабаром замислюються і про покупку гриля чи мангалу. Потім гіпермаркет запустив кампанію наступного продажу, пропонуючи таким клієнтам купити гриль, після того, як вони купували все необхідне для будівництва літніх терас.

Отримуйте більше користі з ваших ритейл-даних, застосовуючи зазначені моделі.

Моделі предиктивної (прогнозної)  аналітики мають великий потенціал, і вони приносять значну користь, але тільки в тому випадку, якщо ви поєднаєте їх із щоденними маркетинговими кампаніями. Інтегруйте платформу предиктивної  аналітики у систему реалізації маркетингу. Пов'яжіть її з сервісом email-розсилки, сайтом, кол-центром та/або касовою системою.

Краще почати з інтеграції однієї діючої моделі, яка допоможе вести ефективну маркетингову кампанію, ніж застосовувати одночасно всі 10 моделей, не знаючи, яку саме вибрати у прогнозному аналізі.