Как Big Data помогает увеличить продажи в ритейле. Читайте на Cossa.ru

29 марта 2016, 13:15

Как Big Data помогает увеличить продажи в ритейле

Тренд, о котором все говорят, но мало кто понимает. Объясняем человеческим языком и c примерами.

Как Big Data помогает увеличить продажи в ритейле

В последнее время в СМИ стали все чаще упоминать технологии, компании и решения, работающие с большими данными. Однако под Big Data понимают абсолютно разные вещи — от просто хранения больших объемов данных до обработки большого количества транзакций в реальном времени. Кроме того, инициативу подхватили маркетологи, и Big Data теперь значится в характеристиках и описании практически любого IT-продукта, что еще больше сбивает бизнес с толку.

В то же время использование больших данных может принести практическую пользу во вполне понятных для бизнеса задачах.

Эффективная и выгодная реклама с сервисом от МегаФона

Широкий выбор рекламных каналов, более 100 параметров по интересам, подробная аналитика и другие возможности уже ждут в Личном кабинете. А еще кешбэк 100% за запуск рекламы в первый месяц и еще 10% — каждый месяц.

Узнать больше >>

Реклама. ПАО «МегаФон». ИНН 7812014560. ОГРН 1027809169585. ERID LjN8K1P7y.

Что такое Big Data

Для начала необходимо определиться, что мы будем понимать под Big Data. Рассмотрим два популярных существующих подхода в анализе данных:

1. Алгоритм, анализирующий все данные. Используется вместо построения какой-то модели (допустим, математической), работающей с ограниченным набором данных для анализа.

Хорошо известный всем пример — это товарные рекомендации, когда покупателю рекомендуют купить товар, который часто покупают вместе с тем товаром, который человек уже добавил в корзину.

В данном случае подход состоит в том, чтобы показывать клиенту рекомендации, которые (в конкретно данной модели) статистически выглядят лучше. При этом, если поменять модель, поменяется и подход.

На бытовом уровне это выглядит логичным, дает хороший результат и имеет ряд значимых преимуществ перед, например, ручной разметкой товарных рекомендаций (как минимум потому что это не требует ручного труда, снижает вероятность человеческих ошибок и т.д.).

2. С другой стороны, один из подходов с использованием Big Data состоит в том, чтобы отказаться от построения похожих статистических моделей и строить модель, которая рассчитывает вероятность покупки для каждого конкретного покупателя. Это все еще статистическая модель (в том смысле, что она использует накопленные данные и пытается «предсказать», что купит человек), но при этом расчет производится уже для каждого конкретного клиента в отдельности.

Кроме такого расчета, многие рекомендательные системы также умеют «обучаться» в реальном времени и оптимизировать не только продажи, но и остатки на складе, разделение по регионам доставки и т.д (расчет аналогично производится для конкретного склада, магазина или конкретного региона).

Второй подход более эффективен для решения бизнес-задач.

Какие задачи ритейла можно решать с помощью Big Data

С помощью анализа больших данных можно, с одной стороны, решать все те задачи, которые бизнес уже решает:

  • Где открыть следующий магазин;
  • Какие маркетинговые акции запускать;
  • Как спрогнозировать продажи в будущем месяце/квартале/году;
  • Как выделить «ядро» аудитории;
  • Насколько нужно повысить цены в следующем месяце;
  • Как оптимизировать маркетинговый бюджет;
  • Как предсказать, какие из клиентов перестанут быть клиентам в будущем месяце.

С другой стороны, с помощью алгоритмов Big Data можно решать те задачи, которые раньше теоретически невозможно было решить на приемлемом уровне:

  • Нахождение скрытых закономерностей в поведении клиентов;
  • Персональные предложения (в т.ч. те же товарные рекомендации);
  • Анализ поведения клиентов в digital-маркетинговых каналах;
  • и т.д.

Если для использования этих задач применяется алгоритм, анализирующий все данные, Big Data-решения просто показывают лучшие результаты (обычно сильно лучшие) по сравнению с тем, когда таких решений не было.

Когда используется модель с индивидуальным расчетом — создаются дополнительные преимущества для бизнеса «из ничего».

Кейс № 1. Оптимизация остатков на складе и проблема «длинного хвоста»

Одна из распространенных проблем, с которой сталкивается практически каждый офлайн- и oнлайн-ритейлер — это проблема остатков.

Для разных типов ритейла проблема формулируется по-разному:

  • В Fashion-ритейле это остатки нераспроданной коллекции;
  • В Food-ритейле это проблема с продуктами, у которых подходит к концу срок годности;
  • В книжном ритейле это проблема «длинного хвоста», когда необходимо продать не очень популярные книги, которые потенциально интересны очень ограниченному кругу читателей.

Если немного формализовать задачу, выглядеть она будет примерно следующим образом:

Как нужно изменять (в зависимости от времени и ситуации) цену и маркетинговые уведомления? Каким клиентам отправлять предложения, чтобы получить максимально возможную прибыль за ограниченный промежуток времени?

Рассмотрим на конкретном примере. Допустим, наша задача — распродать одежду из прошлой коллекции за следующие 3 месяца — при том, что в каждом конкретном магазине осталось разное количество товаров.

Параметры, которые мы можем менять, это, например:

  • Цена и предложения, которые часть клиентов получает на телефон или электронную почту;
  • Цена и предложения, которые видит кассир на кассе и озвучивает их клиенту.

Самый простой способ. Устанавливаем цену в 1 рубль и отправляем рассылку по всей клиентской базе. Такой подход «решит» проблему остатков, но не принесет никакой выгоды.

Традиционный подход: организация распродажи. Каждую неделю скидка на указанные товары увеличивается.

Плюсы: подход универсальный и масштабируемый, его можно применять для всех подобных задач, и он гарантированно даст результат.

Минусы: если маркетинговые кампании создаются вручную, очень сложно менять параметры акции для каждого магазина в отдельности и менять стратегию общения с клиентами.

Классический алгоритм для решения этих проблем при работе с большими данными. Как он работает:

1. Остатки в каждом магазине разные, проходимость разная, конверсия в покупки разная. Можно указывать размер скидки в зависимости от этих параметров. Например, если мы знаем, что:

  • На складе осталась 1 вещь из коллекции;
  • В среднем, таких вещей продается 2 штуки в месяц;
  • До конца акции 2 месяца

— то с ценой этой вещи вообще ничего не нужно делать.

2. Алгоритм «знает» о похожих распродажах в прошлом, и с помощью машинного обучения «предсказывает» продажи в зависимости от входных параметров. Нужно «попросить» алгоритм «спрогнозировать» продажи при разных входных параметрах (которые могут меняться в будущем). На выходе получим оптимальную стратегию.

3. Алгоритм можно автоматизировать: задать «границы разрешенного» (минимальная цена продажи, количество отправляемых сообщений и т.д.) и заставить его обучаться, учитывая новые еженедельные данные.

4. Кроме изменения цены, можно влиять на рекламу. Для базовой стратегии можно взять две группы людей:

  • «Похожих» по своим поведенческим характеристикам, социально-демографическим данным и другим параметрам на людей, которые уже покупали эти вещи без скидки;
  • «Похожих» на покупателей товаров со скидкой из предыдущих распродаж.

Снова с помощью машинного обучения можно научить алгоритм классифицировать всех клиентов на две группы:

  • Не купит;
  • Купит с некоторой вероятностью.

И для второй группы ввести вероятность совершения покупки. На основе вероятности можно таргетировать рекламу через все доступные маркетинговые каналы именно на этих клиентов.

Кейс № 2. RFM-сегментация в реальном времени

Второй классический пример работы с большими данными в ритейле — RFM-сегментация клиентской базы (или, если точнее, RFM-сегментация в реальном времени).

Зачем нужна сегментация? Все слышали про правило «20/80» — если у вас традиционный бизнес, то 20% ваших клиентов (будем называть их «ядром») генерируют 80% вашего оборота. Цифры у каждого бизнеса свои, но в целом они очень похожи.

Способов использования RFM-сегментации множество:

  • Анализ социально-демографических и поведенческих характеристик для создания профиля «типичного клиента» (профиль затем используется для таргетирования рекламы, анализа рекламных каналов и т.д.);
  • Построение прогнозов по продажам в будущем на основе LTV (Life Time Value — «продолжительность жизни» клиента) для каждого сегмента клиентской базы;
  • Разделение маркетинга и персонализация офферов для каждого сегмента в отдельности;
  • И т.д.

Задача, с которой могут помочь в данном вопросе работа с большими данными и машинное обучение — это динамическая сегментация клиентов на основе ограниченного числа параметров.

Что это означает на практике: допустим, клиент регистрируется в программе лояльности. Как понять, в какой сегмент он попадет? Эта информация очень полезная. Если это клиент из «ядра», то очевидно, что работа с ним должна отличаться от работы со всеми остальными. Ведь потеря одного такого клиента равноценна потере 4 клиентов из других сегментов.

Другая связанная с этим задача — прогнозы, какие клиенты перестанут быть клиентами в ближайшие несколько недель или месяцев. Эта информация поможет вернуть часть «потерянных» клиентов за счет, например, отправки им каких-то специальных предложений и т.д.

В отличие от предыдущего кейса здесь почти невозможно построить алгоритм, дающий сколько-либо хороший результат без анализа всех данных.

Алгоритм для этого кейса:

1. Анализируются исторические данные. Определяются параметры, согласно которым клиента относят к одному из сегментов (например, в группу из RFM-сегментации, либо в группу «потенциально перестал быть клиентом»).

2. На основе полученной классификации все новые и текущие клиенты анализируются и относятся к одному из указанных сегментов.

3. Запускается соответствующая маркетинговая стратегия для каждого сегмента.

Как это использовать и применять

Мы видим на основе работы с нашими клиентами, что спрос на подобную оптимизацию бизнес-процессов и маркетинговых стратегий растет с каждым годом. Экономический кризис — дополнительный стимул, который заставляет компании повышать свою операционную эффективность и буквально искать прибыль с нулевым бюджетом.

Анализ данных и машинное обучение — один из хороших инструментов для этого. Он подходит практически всем компаниям: от SMB до Enterprise-сегмента вне зависимости от отрасли, и далеко не только ритейлу.


Благодарим за предоставленный материал компанию SailPlay (платформа для автоматизации B2C маркетинга).


Мнение редакции может не совпадать с мнением автора. Если у вас есть, что дополнить — будем рады вашим комментариям. Если вы хотите написать статью с вашей точкой зрения — прочитайте правила публикации на Cossa.


Телеграм Коссы — здесь самый быстрый диджитал и самые честные обсуждения: @cossaru

📬 Письма Коссы — рассылка о маркетинге и бизнесе в интернете. Раз в неделю, без инфошума: cossa.pulse.is