facebook Подписаться Рассылка от Retail Community
получайте все новости на почту
получайте все новости на почту Подписаться

Дмитрий Кудренко, eSputnik: "Что такое большие данные и как их использовать в бизнесе"

мнения

17.09.2015

927 0

Создатель и руководитель сервиса электронного маркетинга eSputnik Дмитрий Кудренко выступил на BigDataConference с докладом "Как Большие Данные превратить в Большие Деньги, ну или хотя бы просто в Деньги". Приводим выдержки из его выступления

Big Data можно описать с помощью четырех "V". Первое V - volume- объем. Иig data  - много данных. Сколько это много? Гигабайты и терабайты  считаются стандартным объемом данных.  Если у вас меньше, чем терабайты, то у вас просто data. Вторая V —variety— разнообразие данных, неструктурированные данные. Вы не знаете до конца, как этими данными пользоваться, потому что очень много данных, которые нужно анализировать. Третья V — veracity — неточность данных. Практически все данные - неточные. Пример: мы говорим, что клиент пришел через социальные сети. Но, может, он до этого увидел рекламу или бигборд? Или другой пример, когда мы говорим, что клиент зашел первый раз. С чего вы взяли? Может, он заходил ранее, но с другого браузера. Это не точно, но мы ставим предположения, что это было так.  И четвертая V — это velocity — скорость анализа данных в режиме реального времени. Это необходимость в потоковом режиме обрабатывать данные быстро. Перед тем, как начать анализировать большие данные, нужно понимать хотя бы собственные данные и суметь извлечь из них пользу. Поэтому мой доклад о том, как просто данные превратить в просто деньги.

Для начала немного теории. В работе с данными есть 4 этапа. Первый этап - это сбор данных, пока нечего анализировать. Второй этап - обработка этих данных. Третий - трактовка  и это самое главное действие - понимание зачем и почему вы это делаете. Последний этап - ваша реакция.

Очень важно понимать кто смотрел сайт, когда смотрел, как долго смотрел и с какой страницы ушел и перестал смотреть. Вы отправляете письма и знаете по какой ссылке пришел клиент, когда он открывает или не открывает письмо, какая тема его заинтересовала. Большая часть информации структурирована - вы знаете что и когда клиент покупал, дата доставки или отмены. Начните хотя бы с этих данных о продаже.  Для того, чтобы это делать нужно как можно раньше узнать, кто у вас на сайте. Например, когда вы зайдете на Amazon в первый раз, вы увидите форму регистрации. Еще ничего нет и ничего не понятно, но первое, что вы видите, - зарегистрироваться. Первое, что пытается сделать Amazon — узнать кто вы. Есть много способов, как это сделать. Когда же нужно оставить данные так, чтобы это не напрягало? Хороший пример магазина Rozetka: вы ходили, просматривали товары, у вас обязательно поинтересуются хотите ли вы сохранить этот список просмотренных товаров, чтобы в следующий раз его не искать. Или как работает схема Kinderly? Они сделали специальный раздел на сайте. Заходишь, а тебе говорят: "Извини, это не для тебя, это для членов клуба. У нас весь сайт большой - иди ищи, а это -только для членов клуба."  И ваша реакция, конечно: "Как? Это не для меня?" А нужно всего-то оставить электронную почту. Это вообще не вопрос! Хоть вы и не увидите там ничего такого, что не смогли бы найти на сайте, но они дали эксклюзив и клиент сам захотел оставить свои данные до того, как начал оформлять заказ.

Следует обратить внимание на уведомления о снижении цены. Например, в магазине Citrus вас спросят о том, хотите ли вы получить уведомление о скидке и куда вас уведомить. А следующее окошко появляется с просьбой ввести имя, номер телефона, вашу электронную почту и номер карты. Это получается что клиент должен столько вводить, чтобы его уведомили? Это сразу отток клиентов!

 Вам  надо как можно больше узнать сколько людей у вас на ресурсе. Если вы знаете кто интересуется, вы будете уже совсем по-другому общаться. Можно узнать, кто был на вашем сайте используя рассылку. Когда вы знаете самый минимум о людях, их текущий интерес, тогда вы можете продать с большей вероятностью.

Один из этапов работы - это обработка данных. Чтобы увеличить продажи, нам нужно знать количество клиентов и средний чек. Есть "новички" и "старые". Если есть "старые", значит нам нужно их удерживать. Если не хватает "новичков" — нужно анализировать каналы привлечения. Для этого следует оптимизировать стоимость привлечения клиентов. 

Существуют разные способы анализировать данные, один из них - RFM - анализ, состоящий из 3 равных понятий: recency - давность, frequency - частота и monetary - деньги. На основании этих понятий можно выделить из клиентов лучших (ВИП), новичков, ушедших и уходящих. Для этого есть данность: если покупал давно - это плохо, покупал недавно - это хорошо. Тоже самое по частоте: покупал мало - плохо, покупал много - хорошо. Каждый клиент имеет свою точку в этой матрице.  Например, новичок купил недавно, но только один раз. А самый лучший клиент - это  тот, кто покупает много, часто и покупал недавно. Таким клиентам не надо даже скидку давать, потому что они купят и без неё, а вы её предлагаете - теряете деньги напрямую. Есть еще сегмент потерянных ВИПов. Почему это происходит? Причины могут быть разные: теряют интерес, перешли к конкурентам или же естественные причины — переехали или пропала необходимость в приобретении товара. Также есть сегмент одноразовых клиентов - купили один раз и давно. 60-70% клиентов магазинов - одноразовые. Я анализировал более десятка магазинов. Это те люди, которые проходили мимо, купили один раз и ушли. Хотя ВИПов и мало по количеству, но они покупают и тратят денег много, поэтому компаниям следует сконцентрироваться не только на привлечении новых клиентов, но и на удержании.  В чем разница между поведением с новичками и с ВИПами?  Почему мы должны по-разному себя вести?  Скидки давать новичкам, ВИПам - не давать, но предлагаем специальные предложения и эксклюзив. Следует понимать, что одним клиентам надо что-то новое, другим - самое популярное или же наоборот -  эксклюзивное. Можно даже завлечь темой, а скидка - это последнее, что следует предлагать.

Есть много других анализов и один из них — когортный анализ. Когорта - это группа людей, за которой вы следите, независимо от остальных. Например, тех, кто к вам пришли в мае. Вы следите как они покупали в июне, июле, августе и сколько среди них осталось покупателей.  Вы можете взять тех, кто к вам пришел через канал facebook или же через контекстную рекламу и смотрите, как каждый из них себя ведет. И тут вы можете понять, что те, кто пришли через facebook, например, перестают с вами работать. Тогда вы понимаете в динамике, что произошло.  Когортный анализ может показать, какая у вас доля чего. 

Другой тип анализа — кластерный. Если выделился отдельный сегмент и он довольно ощутимый, то с ними можно по-другому работать. Самый простой способ: возьмите людей, которые совершили 10 покупок в вашем магазине. Допустим, больше 80% купили женское - у вас появился конкретный сегмент, который покупает только женское. Не надо никаких особых вычислений, просто постройте данные и начинайте ими как-то пользоваться в рассылках.  Просто в рассылочных письмах покажите сначала то, чем клиент больше всего интересуется.

Что мы еще делаем? Мы анализируем структурную матрицу заказа. Первый заказ - клиенты покупали много товара. Второй заказ - уже берут меньше, а потом еще меньше, но  в это же время растет другой заказ. Вам нужно узнать, есть ли зависимость. Взять пример с мультиварками. Год назад все их покупали. Был тренд, но потом появилось что-то другое. За этим нужно следить. Если человек просмотрел 3 товара из рассылки, то вероятность покупки составляет 25% - каждый четвертый клиент покупает. Все, что для этого нужно - правильно отправить письмо.  Обращайте внимание на то, что работает, на что люди реагируют, меняйте тему при необходимости. Rozetka, например, специально предлагает скидку на товар, которым вы ранее интересовались. И этот способ - как купить товар в магазине Розетка дешевле, чем он на сайте - работает уже довольно давно: просто поинтересуйтесь товаром и через пару дней проверьте почтовый ящик. И вот что еще делают: если вы интересовались определенным товаром, предложат посмотреть похожие. И сразу указывается, почему я должен обратить на это внимание - по качеству товар примерно одинаковый или скидка сейчас, или потому, что это новинка, или же потому, что на складе мало осталось.

Соберите все, что можно, научитесь обрабатывать данные потоково, с персонализацией, индивидуально и только тогда мы будем понимать, что рекомендовать.

Записала: Анна Хитрич

Поделиться:

комментарии

Выполнено с помощью Disqus