Рубрика развивается при поддержке

Customer Data Science: что делать с данными для лучшего понимания клиента

Персонализация и работа над предоставлением «следующего лучшего предложения» невозможна без глубокого изучения данных. Крупные маркетплейсы и ритейлеры — Aliexpress, Yandex, Netflix, Amazon публично рассказывают о кейсах использования искусственного интеллекта для увеличения объема продаж. Значит ли это, что извлекать из данных полезную информацию могут только избранные? Мы собрали рекомендации от экспертов рынка, позволяющие без искусственного интеллекта подготовить базовую персонализацию предложений и обеспечить новый клиентский опыт.

В закладки

Для получения целостного представления о клиенте нам нужно его идентифицировать и, если продажи осуществляются через разные каналы: магазин, колл-центр и онлайн-заказы все активности свести в единый профиль клиента. Как показывает опыт крупных магазинов, например, Петровича, использование только карты лояльности для идентификации покупателей не работает – одними и теми же картами пользуются разные люди. Более правильно использовать номер мобильного телефона и в дальнейшем мотивировать покупателей на установку мобильного приложения с личным кабинетом. Приложение может отслеживать местоположение устройства, и это открывает широкие возможности по персонализации. Например, можно предоставлять приветственные индивидуальные скидки на определенные товарные категории, как только клиент оказывается на территории магазина. Также такой функционал позволяет отслеживать посещение магазинов конкурентов.

Анализ данных начинается с сегментации

Есть ли у вас чёткий ответ на вопрос: кто ваша аудитория? Если вы не готовы однозначно охарактеризовать своих покупателей нужно провести исследование данных. Антея Де Силлас, эксперт по клиентской аналитике консалтингового агентства dunnhumby, совместно с российской компанией «Полиматика» разработали алгоритм базового сегментирования на основе транзакционных данных:

1. Разделите покупателей на группы — «специалисты» и «частники». Первые покупают для работы, вторые для личного использования.

  • Самый простой способ разделить эти группы по критерию «Частота посещения». Анализируем общую частоту посещения магазина/интернет-сайта и по отделам. Например, если человек покупает детали для ванной более 10 раз в год, вряд ли он будет делать это только для себя. Размер среднего чека за одно посещение не обязательно будет выше, чем для частных покупателей, но количество посещений будет разным.
  • Следующий этап сегментирования — разбить группы «специалистов» и «частников» по магазинам, чтобы определить наиболее популярные магазины для каждой из групп. Это упражнение может быть полезным для выявления магазинов со специализацией или наоборот, отделами, не пользующимися спросом.

2. Разделите группы «специалистов» и «частников» по степени лояльности

  • Проведите RFM-анализ для групп «специалисты» и «частники» на основе давности и частоты посещений, средних затрат за посещение и / или покупок в определенной товарной категории. В результате у вас появятся список «лучших» клиентов. Персонализировать предложения можно начать с них, так как их удержание является одной из самых важных задач.
  • Можно провести RFM в разрезе магазинов и посмотреть, какие из них больше всего привлекают «лучших» клиентов.
​Схема RFM-анализа в разрезе по магазинам и привлечения «лучших» клиентов

3. Отбираем товары для составления персональных предложений

  • Какие категории имеют наибольший охват клиентов в обеих группах клиентов? (т. е. в каких товарных категориях покупатели приобрели больше всего товаров).
  • Какие категории товаров клиенты из групп «специалисты» и «частники» покупают чаще всего?
  • Комбинируя проникновение товара в чек и частоту покупок, можно определить «основные» категории, в которых бренду необходимо завоевывать клиентов. Мы бы рекомендовали сфокусировать инвестиции в маркетинг, ценообразование и продвижение в этих основных категориях.
  • Вы также можете идентифицировать 100 ключевых продуктов для обеих групп клиентов, используя этот же подход, то есть проникновение в чек и периодичность. Можно ограничить это значение до 1-2 продуктов на группу товаров, чтобы обеспечить хороший ассортимент.
  • Затем проверьте распределение этих продуктов по магазинам. Есть ли во всех магазинах товары, которые важны для покупателей?

4. Определите профессии покупателей в группе «специалисты»

  • Определите тип каждого специалиста, например, cлесарь-сантехник, отделочник-штукатур, плиточник, электрик, столяр, рассматривая их взаимодействие с конкретными наборами продуктов, например, для сантехников раковины, унитазы, ванны, канализационные трубы и др.
  • Есть группа «специалистов на все руки», которые могут делать широкий спектр работ.
  • После того, как вы сегментировали специалистов по их профессии, сделайте разбивку магазинов по профессиям покупателей.
  • Сравните разбивку магазина по профессии с разбивкой по лояльности, чтобы увидеть, есть ли какие-либо шаблоны, например, магазины с высоким процентом клиентов-сантехников, имеют меньшую лояльность — это говорит о том, что в магазинах недостаточно хороший или дорогой ассортимент товаров для сантехников.

5. Определите упущенные возможности продаж для разных специалистов

Определите категории товаров, где процент охвата клиентов ниже, например, для отделочников — процент покупки краски для стен выше, чем наждачной бумаги? Процент сантехников, покупающих раковины для кухни, ниже, чем в случае покупки общих деталей для ванных комнат? Если ДА, то это означает, что, возможно, в ваших магазинах нет нужных товаров или их предпочитают брать у конкурентов.

А что по факту?

Напомним, выше приведен алгоритм базового сегментирования покупателей. Данные рекомендуется обогащать из других источников для выстраивания детальных профилей клиентов и разработки различных сценариев. С этого можно начать и дальше постоянно усовершенствовать для улучшения клиентского опыта. Например, разработать новые продукты, предназначенные для «лучших» клиентов», снижать цены во время профессиональных праздников, поменять товары в определенных магазинах, и, конечно, улучшить персональные акции, скидки, кешбеки.

В России крупные ритейлеры не отстают от трендов и практикуют клиентскую аналитику для создания персонализированных рекомендации. О практической стороне расскажет Татьяна Сидоренко, директор продукта, Дирекции продуктовых команд, ООО "ЛЕРУА МЕРЛЕН ВОСТОК".

​Татьяна Сидоренко, директор продукта, Отношения с клиентами, Дирекция продуктовых команд, ООО "ЛЕРУА МЕРЛЕН ВОСТОК"

«Время масс-маркета безвозвратно прошло. Если вы стартап или новый бизнес — однозначно история начинается с точного таргетирования на определенный сегмент потребителей и точку жизненной ситуации. А если речь идет о формате гипермаркета, для успеха которого несколько лет назад было выгодно занять локацию с большим трафиком, поставить оборудование и товар, то сегодня приоритетом становится формирование индивидуального клиентского опыта. «Леруа Мерлен» не стала исключением, сменив парадигму от «для всех» на «для каждого». Прелесть и сложность пути клиента в ремонте и обустройстве дома заключаются в том, что на каждый этап работ требуется несколько десятков сочетающихся между собой артикулов, выбор которых обусловлен ценовыми и стилевыми предпочтениями, склонностью к инновациям и технологическим решениям и т.п. На самом деле, одномоментно сделать такой выбор потребитель просто не в состоянии, и любые подсказки будут работать не только на увеличение «доли кошелька» (расходам на бренд), но и лояльность.

Время масс-маркета безвозвратно прошло. Если вы стартап или новый бизнес — однозначно история начинается с точного таргетирования на определенный сегмент потребителей и точку жизненной ситуации.

Целью развития клиентской базы и аналитики для нас является понимание, какие виды ремонтных работ клиенту предстоит сделать. По чекам мы видим последовательность покупок, допуская с экспертной точки зрения, что определенные товары-маркеры позволяют судить о стадии ремонта - такой подход позволил нам прийти к первым персонализированным рекомендациям. Сейчас тестируем двухфазный алгоритм: на первой фазе клиенты делятся на кластеры в зависимости от их поведенческих паттернов — среднего/ максимального чека, частоты покупок как в целом, так и по отделам, а на второй фазе мы используем LookAlike алгоритмы, чтобы подобрать наилучшее предложение для конкретного клиента. В дальнейших планах у нас добавить временной аспект, построив на данных граф последовательных покупок в разных товарных категориях. «Цифровой» след от посещения сайта, звонок в контактный центр, электронная очередь в проектный отдел — для нас тоже лиды, которые потенциально нуждаются в проработке. А это значит, что для полного сопровождения клиентского опыта нам требуется автоматическая система, подбирающая для каждого клиента оптимальную коммуникацию через разные каналы».

В заключение отметим, что тотальная персонализация — не должна являться конечной схемой улучшения опыта и построения лояльности. Это один из самых популярных трендов в ритейле, но и один из самых раздражающих факторов, так как расценивается людьми, как вторжение в их персональное пространство. Главное — не переусердствовать.

Материал опубликован пользователем.
Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Написать
{ "author_name": "Полиматика", "author_type": "self", "tags": [], "comments": 0, "likes": 1, "favorites": 17, "is_advertisement": false, "subsite_label": "marketing", "id": 113767, "is_wide": false, "is_ugc": true, "date": "Fri, 20 Mar 2020 09:23:48 +0300", "is_special": false }
Простой коллтрекинг
для малого бизнеса
Новый алгоритм с
настройкой в два клика
Узнать больше
Коллтрекинг
без боли
Простые настройки
Умный алгоритм
Чистая аналитика
Подробнее
Простой коллтрекинг
для малого бизнеса
Знание источников продаж
постичь ты сможешь
познать
Простой коллтрекинг
для малого бизнеса
Знание источников продаж
постичь ты сможешь
постичь
(function(d, w) { var analyticsCategory = "CoMagic branding"; var sendEvent = function sendEvent(label) { var action = arguments.length > 1 && arguments[1] !== undefined ? arguments[1] : "Click"; var value = "" .concat(analyticsCategory, " \u2014 ") .concat(label, " \u2014 ") .concat(action); console.log("Analytics: %c".concat(value), "color: #E87E04"); if (window.dataLayer !== undefined && analyticsCategory) { window.dataLayer.push({ event: "data_event", data_description: value }); } }; var rand = function rand(min, max) { min = Math.ceil(min); max = Math.floor(max); return Math.floor(Math.random() * (max - min + 1)) + min; }; var id = rand(1, 4); var head = document.querySelector(".comagic-branding-head"); head.setAttribute("data-comagic", id); sendEvent(id + " — Header", "Init"); head.addEventListener("click", function() { sendEvent(id + " — Header"); }); var branding = document.querySelector( '.comagic-branding[data-comagic="' + id + '"]' ); branding.style.display = "block"; sendEvent(id + " — Footer", "Init"); branding.addEventListener("click", function() { sendEvent(id + " — Footer"); }); })(document, window);
0
Комментариев нет
Популярные
По порядку

Прямой эфир