Многие ритейлеры продвинулись в сторону автоматизации бизнес-процессов. Следующим на повестке дня стоит вопрос интеллектуальной автоматизации или автоматизации принятия решений – внедрение Data Science и технологий машинного обучения. Алгоритмы позволяют освободить от рутинных задач специалистов, что позволяет им заниматься более интеллектуальными задачами. Об этом рассказал менеджер по развитию бизнеса по направлению Advanced Analytics Дмитрий Солопов на OmniForum2020, организованном Retailers.ua
Персональное взаимодействие
“Ключевые задачи Personal Engagement”
Основные задачи специалистов по маркетингу касаются сопровождения жизненного цикла клиента: определение этапа, на котором находится клиент, наполнение воронки, понимание, активный клиент или нет, какие признаки сегодня говорят, что мы рискуем его потерять, принятие решений о возврате потребителя или максимизация его опыта.
«Жизненный цикл клиента»
Взаимодействие с клиентами на каждом этапе жизненного цикла
Задача использования данных – понять, на каком этапе воронки и жизненного цикла находится клиент. Кажется, что это очень тривиальная задача. Для ее решения часто используют эвристический подход: если клиент совершил 1 покупку/ 2 покупки – он является новичком, если клиент не покупал 30 дней – он в оттоке, если не покупал 15 дней – он в зоне риска.
Эвристические правила могут ошибаться. Например, клиенты с коротким межтранзакционным интервалом уже через 3-4 пропуска интервалов переходят в зону риска. Если мы к ним возвращаемся через 1,5-2 месяца, то увеличиваем затраты не на удержание, а на возврат клиентов. Это дороже.
В категории новичков мы наблюдаем много “one-таймеров”. Это клиенты, которые один раз попробовали и ушли в отток по разным причинам. Например, часть клиентов становятся “one-таймерами”, потому что не сопровождаются последующей обратной связью или предложениями.
Задачи на этом этапе – выстроить ритм коммуникации с новым потребителем и генерировать предложения, которые позволят развивать его опыт с компанией. Клиент получает возможность наладить ритм взаимодействия и превратиться в лояльного.
Наибольшая часть работы сегодня ведется с активными клиентами, они – “ядро бизнеса”.
Наиболее важные задачи во взаимодействии с ними:
- Понять, какие максимизационные стратегии могут применяться к клиентам: продление жизненного цикла, расширение ассортимента, повышение эластичности чека (рамки, в которых клиент может увеличить свой чек).
- Вовремя распознавать и грамотно взаимодействовать с клиентами в зоне риска.
На основе данных мы можем подготовить ряд моделей, которые позволят идентифицировать минимальные отклонения в поведении клиента. Цепочка покупок клиента, изменения какого-либо товара в его корзине, изменение чека, отклика на коммуникацию или использования накопленных баллов – все это может говорить о колебаниях клиента.
Стоит помнить, что существует органический отток, например, молодые родители. По мере взросления ребенка они переключают свой спрос. На основе транзакционных данных можно идентифицировать этих клиентов, вовремя задействовать конкурентное переключение и удержать их.
Персонализация и промо. Оптимизация промо-кампаний
Экосистема таргетирования сегодня представлена многими элементами и подходами. Цель таргетирования – определить:
- Кому предлагать,
- Какой стимул использовать (товар, механика промо, информация, контент),
- В какое время (и учитывать данные для пополнения товарных позиций),
- Как реагировать на конкурентную информацию и информацию о трендах,
- По какому каналу (директ-маркетинг, онлайн-каналы, push-сообщения, живое общение с консультантом).
Важно обращать внимание не только на конверсию и качество клиентов, но и на информацию об увеличении чека – какой экономический эффект принесла кампания.
Экономический эффект ставится многими командами во главу угла. Он может быть разбит на 2 части: позитивный эффект и от каждой отдельной акции, и от долгосрочного взаимодействия. Важно не перегрузить потребителя “рекламным шоком” и получить не замученного, а довольного своевременностью и релевантной информацией клиента. Это не всегда промо, это могут быть информационные сообщения или полезный контент, чтобы клиент чувствовал связь с компанией.
Согласно исследованиям Гартнера, многие компании, которые решают свои задачи с командами Data Science, склоняются в сторону консалтинга, сервисов и готовых решений. Тем не менее, готовой коробочки, которая заменит хороших специалистов по маркетингу или сервису нет. Алгоритмы решают простую задачу: на основе накопленных данных определяют решающие факторы. Среди этих факторов – что мотивирует новичков двигаться дальше, активных клиентов – увеличивать чек и покидать компанию. На основании факторов алгоритмы помогают вовремя определять активности с наибольшим эффектом и воздействовать на клиента оптимальным с точки зрения бюджета образом.
“Матрица таргетирования”
Компании, заинтересованные в правильной работе с клиентами, все больше понимают необходимость в целевой или контрольной группе.
Клиент не может одновременно находиться в двух состояниях – узнать и не узнать о скидке. Суть контрольных групп в том, чтобы определить максимально релевантные группы по ряду поведенческих характеристик, которые позволят разделить клиентов по типу отклика.
У нас могут быть клиенты, которые безнадежно не реагируют, и мы только сливаем бюджет на рекламу для таких клиентов. А есть клиенты, которые уверенны в нас, и в любом случае будут с нами работать. Мы либо рискуем их нервировать, либо сжигаем маржу на промо.
Есть sleeping dogs – клиенты, которых не стоит трогать. Они и так покупают, и лучше не напоминать, чтобы они не задумались о переключении на конкурентов.
Клиенты, поддающиеся убеждениям. Кажется, что таких клиентов просто найти. Но практика показывает, что есть очень много факторов для определения таких клиентов: стимул, канал, товар, момент жизненного цикла, тип дисконта, количество баллов.
Команды маркетинга становятся командами экспериментаторов, готовят и проводят эксперименты, собирают информацию, которая помогает делить и находить клиентов.
Ключевая задача оптимизации промо и таргетирования – максимизация клиентского взаимодействия, вовлечение и удержание. Это три ключевые задачи, над которыми мы работаем с точки зрения персонализации.
“Алгоритмический Customer Journey”
Customer Journey может быть выражен в последовательности действий.
Переход клиента от состояния к состоянию сопровождается каким-либо воздействием: внешней среды, промо, ценообразования, акций или времени контакта. Грамотное воздействие позволяет усиливать намерение клиента быть лояльным или расширить опыт с нами, или же быть неудовлетворенным и уйти к конкуренту.
Чтобы понять, что создает поток новичков и откуда они приходят, важным инструментом является marketing mix modeling – моделирования микса рекламных каналов, которые генерируют трафик и клиентскую базу. Мы постоянно анализируем эти каналы в зависимости от времени, инвестиций и определения наилучших средств с точки зрения количества и качества клиентов.
Прогнозирование спроса
Каждый товар, который попадает на рынок, это уже чей-то аналог.
Есть модели, подходы и теории, которые позволяют спрогнозировать поведение революционного товара, которого еще не было. Но большая часть товаров имеет тот или иной аналог. Запуская продукт, важно понять, какую нишу и в какой ценовой категории он займет, и следить за поведением продаж: стал ли товар ключевым в корзине покупателя?
Ключевые товары становятся конкурентным преимуществом и фокусом внимания ритейлеров. И лояльные, и новые клиенты оценивают, у кого ключевой товар, который они планируют приобрести единожды или на постоянной основе, лучший по соотношению “цена-качество”. Анализируем ценовую эластичность, сезонность товара и канал продвижения – и определяем свой ключевой товар.
Конкурентный ответ
Большое внимание, особенно в fashion и электронике, уделяется “конкурентному ответу”. В реальном времени бизнесы отслеживают цены, промо и “живут” на агрегаторах. Так формируется динамическое ценообразование. Чтобы сформировать достойный конкурентный ответ, в первую очередь, стоит понять, это мой ключевой товар или нет? Но компании часто забывают об этом и реализуют competitor-driven или market driven подход в ситуации, когда надо быть просто идти вровень с конкурентом.
Пример реализации успешной стратегии, отслеживания и прогнозирования спроса: когда небольшая разница на часть товарных позиций не уменьшает спрос, не вызывает оттока и позволяет накапливать маржу.
Вернемся к жизненному циклу товара. Важно вовремя сформулировать стратегию вывода на рынок: когда выводить товар, по какой цене, с какой скидкой. Как правило, такие решения маркетологи принимают интуитивно. Причина в том, что накопленных данных очень много, и человек не может проанализировать все факторы, которые позволяют оптимально оценить выход, промо или цену выхода. Задача алгоритмов – помочь маркетологу это сделать и определить, где эта точка.
В разных индустриях спрос формируется по-разному. Товары быстрого потребления и пополнения имеют один тип спроса, smooth-товары, которые покупаются импульсивно или длительными циклами – другой. Соответственно, модели, которые прогнозируют спрос, тоже разные, и могут использовать сотни и тысячи факторов.
Но не все факторы значимые. На спрос на одни товары влияют ценовые, акционные, конкурентные изменения, на другие – информация о погоде или внешние события.
Из этого набора складывается модель прогнозирования, которая позволяет понять факторы, которыми мы управляем – цены и акции. А корреляция с остальными факторами дает понимание: сколько не вкладывай, насколько ни уменьшай маржу за счет акций, получишь одинаковый спрос.
Планирование промо похоже на складывание кубика Рубика, который состоит из таких направлений, как продукты, товарный ассортимент, временной контекст и клиентская база. Сегментов очень много, и из каждого хочется получить максимальный эффект. Задача алгоритма – упростить работу специалиста в выработке рекомендованных значений по промо-планированию.
“Маржинальность промо”
Эффекты от промо могут выражаться в виде маржинальности, количестве конверсий, покупок, market share. Важно понимать, каких моментальных целей мы добиваемся в рамках промо на короткий период, и каких в рамках более длительного цикла.
Работа алгоритмов в карантин
Во время карантина многие компании поняли, что нужно активно вовлекаться и брать планирование и управление в свои руки. Задача, которая поступала в этот момент моделям и данным, была искажена, потому что подобных событий в Украине не было. По некоторым задачам и прогнозам необходимо было отключать модели, быстро накапливать новые данные, пробовать на небольших отрезках планировать “новую нормальность”, новый спрос. Часть компаний серьезно подошла к этому вопросу. Они включили факторы “закрытие магазинов”, “локдаун”, “закрытие метро”, и на данный момент могут с большей уверенностью спрогнозировать спрос с наступлением красной зоны/ закрытия общественного транспорта/ массовой работы в удаленном режиме.
Ключевые выводы работы в карантин:
1) “Без мозгов и рук никуда” – в непредвиденных условиях нужно возвращаться к ручному планированию.
2) Во всех новых условиях важно продолжать накапливать данные, которые чтобы использовать в дальнейшем прогнозировании.