Real-time прогнозирование: как продавать больше
О том, вернется ли клиент за следующей покупкой и сколько денег он потратит в ближайшие недели
Всем привет! Меня зовут Максим Ашитко, я работаю в Exponea, acquired by Bloomreach, здесь рассказываю о полезных на мой взгляд кейсах, связанных со сбором, анализом и управлением клиентскими данными. В этот раз - о том, как продавать больше, основываясь на прогнозировании в реальном времени.
Смена парадигмы потребления, продиктованная последними событиями на рынке, подняла планку требований для всех, кто работает в массовом секторе b2c - ритейла, банков, девелоперов. Клиенты хотят, чтобы бизнес предлагал им товары и услуги быстрее, по более выгодной цене и на комфортных условиях. Чтобы соответствовать ожиданиям, бизнесу так или иначе надо не только поддерживать обратную связь с клиентом, мониторя огромное количество данных, но и использовать real-time прогнозирование потребительского поведения.
Что такое real-time прогнозирование
Технически это построенная на искусственном интеллекте модель, которая «подпитывается» хронологическими данными и прогнозирует события в части поведения клиента и его будущих покупок. Причем real-time прогнозирование предсказывает события на уровне индивидуального взаимодействия с клиентами.
Что должно быть у бизнеса для real-time прогнозирования
Предиктивная аналитика доступна почти любому - зачастую достаточно собранных данных о покупках клиентов за последние 12-18 месяцев, чтобы начать подобный анализ. Разумеется, чем больше данных, тем больше инсайтов для своего бизнеса вы откроете. Если у вас есть несколько источников данных о клиенте - например, данные о его покупках и поведении на сайте/в приложении, о том, как он реагирует на коммуникации в разных каналах, социально-демографические данные - то при их сравнении во времени можно определить, какие действия привели клиента к совершению повторной покупки в прошлом. А затем обратиться к сегменту похожих клиентов и спрогнозировать вероятность покупки вашего товара.
Для обработки данных потребуется ПО. Можно использовать “зоопарк” систем, например, Битрикс24 для сбора данных, Google Analytics для онлайн-аналитики, MailChimp для отправки писем, Раппорто для отправки смс и другие решения для персонализации сайта (баннеров, поп-апов, А/В-тестов, товарных рекомендаций). Или можно подключить CDP-платформу, которая из разных источников — онлайн, офлайн — соберет информацию по профилям клиентов и выделит точки, в которых взаимодействие с пользователем будет наиболее эффективным и принесет бОльшую прибыль компании. При этом CDP-платформа больше подходит для масштабных бизнесов.
И конечно, нужен человек, который всем этим будет управлять. В идеале он должен разбираться в CRM-маркетинге, сценариях использования CDP под конкретный бизнес, IT и аналитике.
Что позволит делать бизнесу real-time прогнозирование
- Понимать, какое ваше предложение примет клиент, когда примет и примет ли вообще. Отказ от избыточной коммуникации экономит время и деньги бизнеса и направляет усилия в адрес меньшего числа клиентов при сохранении аналогичного уровня доходов. Например, наш клиент, эстонский онлайн-ритейлер Hansapost. Для него была создана новая система прогнозирования, основанная на создании аудитории клиентов, готовых к покупке в течение 7 дней, и формировании на её основе lookalike аудитории в Facebook. В итоге Hansapost получил рост дохода +151%, снижение CPA -38% и увеличение ROAS +150%.
Что касается времени и процента открытия рассылок (sms, push, e-mail), то свежий кейс есть у Pixers, маркетплейса предметов домашнего декора, который работает в Европе и США. В первую волну ковида они настроили оптимальное время отправки и ограничили частоту отправки писем. Это дало рост заказов с одного email на 12% благодаря управлению частотой отправки и рост кликов на 9% за счет оптимизации времени отправки.
- Пресекать отток клиентов и прогревать воронку продаж. На любом этапе воронки продаж клиент может “отвалиться”. Можно и нужно уделять особое внимание тем, кто с наибольшей вероятностью покинет ряды ваших клиентов, и позаботиться об их потребностях как можно раньше. Это поможет сделать предиктивная модель на основе биноминальной классификации, которая, простыми словами, позволит рассчитать вероятность наступления (или, наоборот, не наступления) определенного события (заявки, продажи, активности на сайте) в заданный промежуток времени. Прогнозируя поведение клиентов на любом этапе воронки, несложно настроить эффективные автоматизированные механики на основе предиктивных метрик: показывайте баннеры со специальным или ограниченным предложением только для клиентов с высокой вероятностью оттока, а для лояльных клиентов используйте оповещения о накопленных баллах, которые можно использовать для покупок. Такие уведомления рассказывают каждому клиенту о возможностях, о которых он могли забыть или не знать. Они показывают клиенту, что вы о нем заботитесь и вам важна его лояльность.
- Выявлять наиболее “ценных” клиентов. Работая с лояльностью клиентов, имеющих наиболее высокую ценность, компании способны построить постоянные выгодные отношения с ними, в процессе получая бонус в виде преданных амбассадоров бренда. А понимание шаблонов поведения амбассадоров вашего бренда позволит превентивно выявлять других будущих высокоценных клиентов и делать их амбассадорами.
В основе работы каждой компании лежит своя комбинация ключевых показателей эффективности - и real-time прогнозирование возможно при любых индивидуальных параметрах компании и рыночных условиях. Если на макроуровне (тренды или среднестатистическое поведение) real-time прогнозирование не всегда может принести ценность, особенно с учетом глобальных изменений в потребительском поведении, то оно идеально для постановки микроуровневых задач по повышению продаж - акций и распродаж - что в большинстве случаев необходимо в текущей нестабильной ситуации.
У меня сейчас отдельно 3 сервиса - для отправки имейлов, для пушей и для аналитики, их между собой подружил. Если подключать вас, то сколько это стоит по лайту и можно ли перенести данные и наработки из этих 3 сервисов?
Стоимость подключения у нас всегда индивидуальная, зависит от многих факторов. Данные перенести можно в большинстве случаев в полном объеме.
Дорого, наверное. Но самое дорогое даже не разовая разработка, а доработка моделей и сервисов при изменении чего угодно в бизнесе и не только.
Как часто и когда необходимо обновлять модель прогнозирования?
По опыту, лучшей практикой является обновление модели раз в несколько месяцев.
Полезно. Благодарю.
Спасибо )))