ЛАНИТ

Группа компаний ЛАНИТ

rus | eng
+7 (495) 967-66-50
форма обратной связи

Дмитрий Зеленко. Один на миллион: обеспечить персональный подход каждому клиенту

02.08.2017
Прогнозная аналитика помогает ретейлерам использовать максимум информации о покупателях для повышения продаж.


По правилам современной торговли не важно, откуда пришел клиент, важно суметь сделать ему по-настоящему персональное предложение. В будущем, возможно, даже исчезнут единые цены — они будут формироваться для каждого покупателя индивидуально исходя из истории его покупок, возвратов, интереса к данному товару и прочих факторов. Такая модель основана на предиктивной (предсказательной) аналитике, которой уже сейчас активно пользуются торговые сети.


Узнать своего клиента


Чтобы выстроить прогноз покупательского поведения, необходимо постоянно собирать массив данных о клиенте. Но прежде всего своего покупателя нужно идентифицировать. С помощью принципа омниканальности и IT это несложно: ретейлеры узнают клиента, обратившегося по телефону, email, через соцсети и мессенджеры или чат на сайте. Идентификация в офлайне пока не так проста. Хотя можно узнать клиента на кассе по личным данным в системе, но самые технологически продвинутые магазины мира узнают клиентов не только с помощью мобильных приложений и по картам лояльности, но и по лицам.

Технологии распознавания образов, в частности распознавания лиц, традиционно использовались в системах безопасности и правопорядка. Более совершенные, сегодня они предлагают ретейлу выделять из толпы VIP-покупателей и лояльных клиентов для ведения их профилей и формирования персональных предложений, а также посетителей из «черного списка» – для предупреждения краж и других неприятных инцидентов.

Система распознавания, подключенная к системам видеонаблюдения, позволит в офлайне идентифицировать пользователей, найти их в социальных сетях и показать им персонализированную онлайн-рекламу, а после оценить эффективность проведенных рекламных кампаний. Лица покупателей вкупе со сведениями из соцсетей — Клондайк для аналитиков Bigdata в ретейле.

Сценариев использования систем распознавания лиц немало, например, для контроля доступа и учета рабочего времени персонала, для построения излюбленных маршрутов покупателей по залу, расчета времени, потраченного у разных полок. В магазине Hointer в Сиэтле вся одежда представлена в виде галереи. Покупатели считывают смартфоном код вещи, а размер и цвет выбирают уже на экране. Благодаря технологии отслеживания покупателей в магазине, выбранные вещи уже лежат в примерочной к тому моменту, когда туда подходит покупатель.

Идентификация офлайн сейчас возможна и без зрительных образов. MAC-адреса – это уникальные идентификаторы сетевого интерфейса, которые есть у каждого смартфона. Их научились сопоставлять с конкретным номером телефона, и теперь, если покупатель окажется в радиусе действия Wi-Fi-роутера, ему на смартфон может прийти сообщение от магазина. Эта технология дешевле систем распознавания лиц и работает на расстоянии, например, когда давний покупатель только прогуливается по торговому центру и еще даже не собирается посетить конкретный магазин.


Рассылка персональных предложений


Мы можем узнать клиента и постепенно накапливаем информацию о нем, что дальше? Теперь предстоит работа с предиктивной аналитикой – делим аудиторию на группы и рассылаем персональные предложения.

Специалисты по данным (Data Scientist) анализируют покупательскую историю каждого клиента компании и разбивают клиентов на группы. Для этого используют кластеризацию – метод, который предполагает поиск закономерностей и позволяет сгруппировать клиентов по данным об их поведении: покупках, банковских транзакциях, кредитных историях. В отличие от сегментации, подразумевающей механическое дробления аудитории по демографическим, социальным и географическим признакам, кластеризация создает гораздо более однородные группы. А значит, точность предложений для людей в группе значительно повышается.

После анализа характеристик каждого кластера с помощью машинного интеллекта формируют модели рекомендаций, какой товар какому покупателю можно предложить. Это и называется предиктивной, или прогнозной, аналитикой и выглядит следующим образом. Аналитики Bigdata выстраивают сообщества товаров, которые часто покупают друг с другом, и на следующем этапе связывают эти сообщества с кластерами покупателей. Теперь в распоряжении магазина – таблицы вероятности покупки конкретного товара конкретным покупателем. Отфильтровав невысокую вероятность покупки, можно отсылать предложение клиенту в полной уверенности, что оно окажется релевантным.

Интернет-магазин «Твое» поделили свою аудиторию на группы, используя методику упрощенного психотипирования. Для этого экспериментальное письмо подписчикам разбили на четыре блока, с разными товарами, текстом и цветовым оформлением. Реакция пользователя на те или иные блоки позволила дополнить его профиль определенными свойствами характера, под которые потом подстраивались все последующие, уже персонализированные рассылки. А обувная сеть Mascotte использует технологии геотаргетинга в залах магазинов и собирает детальные сведения о посещении своих салонов, интересе к товарам и делает адресные предложения клиентам при входе в магазин или через несколько минут.

На рынке появляется все больше IT-решений, реализующих возможности предиктивной аналитики. При выборе своего варианта помните, что со временем поведенческие паттерны меняются. Это происходит в связи с изменением образа жизни клиентов, экономическими, политическими событиями. Эффект от однократного применения современных аналитических инструментов продлится недолго, поэтому стоит использовать предикативные технологии нового поколения, которые отслеживают изменения покупательского поведения, ведь работу с BigData нужно вести постоянно.

Автор:  Дмитрий Зеленко
Источник:  Forbes, 02.08.2017
Ссылка на источник:  http://www.forbes.ru/karera-i-svoy-biznes/348705-odin-na-million-obespechit-personalnyy-podhod-kazhdomu-klientu
Яндекс.Метрика