Здесь может быть Ваша реклама

Подробнее
7216

Поделиться

Большие данные для региональных сетей: бюджетный путь в диджитал

Региональные сети пока еще обладают такими преимуществами как близость к покупателю и возможность обеспечить его привычными местными товарами. Однако по уровню развития технологий они зачастую не могут противостоять федералам. В то же время российский покупатель все больше привыкает к мобильным приложениям и персональным скидкам, а продвинутые компании умеют предоставлять скидки так, чтобы торговать эффективнее. Без современной программы лояльности представить будущее ритейлера уже невозможно. Но может ли региональная сеть позволить себе IT-разработки, чтобы управлять лояльностью и продажами на таком же уровне, как федеральная? В этой статье эксперты компании «Умный город» рассказывают, какие решения они уже успешно внедрили в томской сети «Лама» и сейчас внедряют в нескольких других региональных розничных компаниях.

Фото: Prostock-studio/shutterstock

Почему планирование акций вручную уже не работает?

То, что региональный ритейл чаще всего не может конкурировать с федералами по уровню закупочных цен – на российском рынке давно ни для кого не секрет. К тому же большие компании могут легко выделить солидный бюджет на развитие IT, причем, эта статья расходов не особенно ударит по их карману. Эти два фактора и оставляют регионалов в числе отстающих. 

«Любой современный ритейл, конечно, копит данные о клиентах и может сегментировать их по базовым параметрам, – рассказывает генеральный директор компании «Умный город» Виктор Горностаев. – Но в случае с региональным ритейлом это, как правило, чаще всего происходит в ручном режиме. Условно, берутся данные по чекам. Их загружают в таблицу для расчета, например, акционной рассылки. Часто получается так, что первоначальная выборка не влезает в бюджет. Тогда маркетолог пытается сузить аудиторию, допустим, по возрастным и демографическим параметрам, отсекая слишком молодых или слишком возрастных покупателей. Или заменяет дорогие товары более бюджетными».  

В итоге на подобный анализ в любом случае уходит много времени, а попытка влезть в бюджет рождает крупные агрегаты, ведущие к нецелевым тратам. Например, предложение, отправленное методом такой «ковровой бомбардировки», может получить не только постоянный и лояльный посетитель, на которого в первую очередь была нацелена акция, но и условный случайный клиент. Карты лояльности сейчас достаточно доступны, однако ее держатель не обязательно будет совершать свои обычные покупки именно в этом магазине.

Получается, что ресурсы потрачены, товар продан дешевле и в том числе тем, кому это безразлично.

К тому же маркетологи чаще всего оперируют данными, полученными за небольшой период и зачастую не могут отследить глубинные тенденции. Например, если у покупателя появляется ребенок или домашнее животное, то его поведение и корзина меняются, следовательно, и персональное предложение должно быть принципиально иным.

Плюс современные клиенты привыкли к мобильным приложениям, и хотят получать интересные предложения в режиме «здесь и сейчас», а при стандартном подходе к базе данных и ее обработке это нереально.

«Задача более современных алгоритмов – решить эту проблему, а решить ее можно лишь уменьшив участие человеческого фактора в данном процессе, – говорит коммерческий директор компании «Умный город» Роман Ткачев. – И следует помнить, что поведение покупателя невозможно описать простыми правилами вроде «Если А, то Б». Можно, например, угадать с ценовым сегментом условной колбасы, но два разных человека в данном диапазоне могут быть приверженцами разных брендов. Для примера: один из наших первых алгоритмов персональных предложений, рассчитанный на 100 тысяч клиентов, сформировал для них 30 тысяч уникальных предложений! То есть в группы по похожей модели покупательского поведения можно было объединить всего троих человек».

Фото: Natali _ Mis/shutterstock

Как узнать, что нужно клиенту, и сделать правильное предложение?

«Хороший Выбор» – система лояльности для розничных компаний нового формата. Помимо ритейла и покупателей в системе также участвуют поставщики, которые могут за счет своего бюджета предлагать скидки покупателям. Система работает в полностью автоматическом режиме (без участия маркетолога) и закрывает потребность ритейла в персональном маркетинге (конверсия до 10% в покупку).

Решение от «Умного города» на базе приложения «Хороший выбор» позволяет ритейлеру за счет шеринга получить современные технические математические решения, которые способны уменьшить издержки и помочь масштабировать бизнес. Ключевое отличие от классической системы лояльности состоит в том, что вместо кластерного анализа в системе используется анализ по графам.

В основе алгоритмов лежит возможность собирать и обогащать большие данные из множества источников. Так, чековая лента и перехватчики на кассах (подпрограммы, которые встраиваются в кассовое ПО, не влияя на работу текущей инфраструктуры) обеспечивают полной информацией о покупке. Исходя из этого, можно предположить зарплату покупателя или сумму, которую он готов тратить в сети. База данных самого ритейлера содержит информацию о товаре, который есть в наличии, его приходе, расходе и остатках. Кроме того, в обогащении данных участвуют другие асинхронные процессы, возможность сбора данных о которых вызвана интересом человека к конкретным функциям приложения «Хороший выбор».

«Все разработчики хотят получить от клиента его адресную книгу. С нами этими данными покупатели делятся добровольно, – комментирует Виктор Горностаев. – Для этого мы разработали ряд полезных функций, таких как, например, список покупок. Часто им делятся внутри семьи, параллельно открывая приложению доступ к адресной книге. Мы не используем полученные данные для рассылки спама, потому для клиента это не несет никакого риска, и пользователи с удовольствием рекомендуют эту опцию друг другу. Также у нас есть реферальная программа: можно получить скидку за приглашение друзей. Считывая адресную книгу, мы получаем список телефонов, которые могут быть зарегистрированы или не зарегистрированы в приложении. Пересечения по этим контактам позволяют нам построить социальный граф и запустить алгоритм поиска метаданных или социальных атрибутов, таких как сообщества, точки влияния и так далее». 

Другими словами, если трое близких друзей клиента постоянно пьют одну и ту же газировку, то с большой долей вероятности, такой товар можно рекомендовать и ему. Также на основе получаемых из источников данных система способна выстроить товарный граф, то есть некий список связанных между собой продуктов. 

Есть привычные популярные связки: маркетологи знают, что покупатель, приобретающий пиво, с большой долей вероятности возьмет и чипсы. Но само существование такого графа для всей системы продуктов позволяет экстраполировать экспертизу на другие категории. И, например, тот факт, что с ванильным сахаром также берут разрыхлитель для теста, может быть для маркетолога уже не столь очевидным. Однако подобное напоминание для клиента в момент покупки может оказаться полезным, что сыграет в плюс ритейлеру.

Еще один асинхронный сервис – это сервис геоданных. Покупатель может разрешить приложению отслеживать перемещения. Но даже если этого не происходит, система способна делать это при помощи мировых сервисов (за использование которых платят сами разработчики приложения). Автоматический геопуш может сработать, например, в известном магазине конкурента. Так можно получить достаточно подробную «карту перемещения» покупателя. Это дает большой простор для формулировки персональных предложений: например, если клиент недавно вернулся из Таиланда (сработали геотеги), где, как все знают, достаточно популярно манго, то приложение в течение нескольких последующих недель может предлагать ему именно этот продукт. 

Помимо прочего, решение отслеживает клики пользователя в приложении. Например, если человек часто кликает на товар, но никогда его не покупает, система может предложить ему персональную скидку на данную позицию.  

Что используется для автоматического расчета персональных предложений?

  • Статистика покупок: к условной группе товаров А часть из топ-позиций групп В и С (низкооборачиваемые, но потенциально интересные товары, например, дорогой алкоголь).

  • Избранное и оценки покупателей как показатель интереса к товару.

  • Интересы похожих по профилю потребления людей.

  • Персональная оборачиваемость товара (не предлагать товар, который был куплен недавно и не прошло достаточно времени с момента покупки).

  • Учет товаров, которые уже предлагали в прошлом и отсутствие их рекомендации заново («забывание» в течение месяца). 

Какие персональные рекомендации могут получать покупатели? 

  • Только любимые регулярно покупаемые продукты.

  • Недешевые товары с хорошей скидкой (с учетом различных критериев для весовой и фасованной продукции).

  • Товары, которые не предлагались в прошлый раз.

  • Товары, которые есть в ассортименте в любимых магазинах.

  • Товары, которые приобретались достаточно давно.

  • Товары, «связанные» по графам с приобретенными.

«Чтобы узнать подобные инсайты, ритейлеру нужно переработать огромный массив данных. Ни о каком онлайн-режиме при старом «ручном» подходе речи быть не может. Импульсный спрос в этом случае тоже уходит мимо, а он до сих пор составляет солидную долю покупательской корзины, – резюмирует Роман Ткачев. – А вообще вся наша концепция основана на том, чтобы за счет подобных алгоритмов выйти за пределы стратегии демпинга. Потому что многим ритейлерам при попытке сохранить конкурентные цены иногда приходится работать «в минус». Наша задача – узнать конкретные предпочтения клиента и дать скидку на нужный конкретно ему товар». 

В результате подобное использование больших данных позволяет покупателю выстроить более тесные связи с сетью: изучение отзывов клиентов говорит о постоянном росте лояльности аудитории. А сеть, в свою очередь, не только сокращает бюджет на демпинговые операции, маневрируя товарными запасами и продавая товар со скидкой только тем, кто оценит этот жест, но и также освобождает от рутины маркетологов, которые могут перенаправить усилия на решение креативных задач. 

Всю информацию об интеграции продуктов компании «Умный город» и вариантах взаимодействия можно получить по телефону 8-923-435-23-06 или по электронной почте rotka@beyondviolet.com.

Людмила Клыженко, Retail.ru

Интервью

Декоративное изображение

Сергей Костин, «1С-БСЛ»: «Основная проблема доставки последней мили – прогнозируемость эффективности курьерского юнита»

Когда собственная доставка может быть экономически эффективнее, чем при работе с внешними службами?

Декоративное изображение
Retail.ru использует файлы cookie для хранения данных.
Продолжая использовать сайт, вы даёте согласие на работу с этими файлами