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

Эра Big Data. Как ритейлеры используют данные о своих клиентах

технологии

12.03.2016

1840 0

www.pcquest.com

Термин Big Data появился относительно недавно. За это время сформировалось много обозначений, но основным определением остается возможность сформировать набор инструментов и методов для обработки большого объема данных с целью получения определенных результатов. Мы проанализировали, как используют ритейлеры Big Data и какие решения принимают на основании анализа обработки данных

Консультант по бизнес-анализу и аналитическому CRM, директор компании Analytical Boutique Константин Пацера говорит, что, рассматривая возможность внедрения технологии big data, компании сталкиваются с двумя аспектами: это актуально, потому что об этом все говорят. И вторая сторона — это решение требует существенных капиталовложений и не все ритейлеры готовы это сделать.

«Стоимость подобных систем и оборудования, способного предоставить достаточную скорость вычисления, является серьезной преградой на пути внедрения BigData. Этот фактор зачастую оставляет за бортом малый и средний бизнес, лишая его конкурентного преимущества», — объясняет аналитик отдела развития программы лояльности торговой сети «Брусничка» Сергей Кольчик.

Константин Пацера отмечает, что основные затраты идут на оборудование, сбор данных и систему анализа данных в режиме онлайн. Эксперт считает, что технология более актуальна для ритейлеров с высокой частотой отклика. «Это, как правило, продуктовые ритейлеры. Они могут анализировать больший объем данных, у них больше контактов с потребителем. Но это не значит, что для ритейлеров дрогери или бытовой техники это неактуально. У них просто ниже частота контакта с потребителем», — говорит Константин Пацера.

Директор по маркетингу группы компаний «АЛЛО» Евгений Резуев объясняет, что специфика бизнеса компании определяется тем, что взаимодействие с потребителем происходит с большими интервалами во времени. Средний срок обновления телефона-планшета либо другой электроники и/или бытовой техники более 1,5 года. «Поэтому логичным для нас инструментом служит не просто анализ собственной клиентской базы, а и сопоставление данных с внешними базами», — отмечает Евгений Резуев.

«Алло» является партнером программы «Фишка», в которой объединены компании из разных индустрий. По словам Евгения Резуева, при этом нет прямой передачи данных клиента между компаниями, это только обмен производными атрибутами, такими как принадлежность к сегменту, кластеру. «Перечень задач, которые мы решаем с использованием этих данных, достаточно широк: от сегментации клиентов до фрод-менеджмента», — говорит директор по маркетингу группы компаний «АЛЛО».

Для работы с большими данными в сети Watsons используют инструмент ВІ (Business Intelligence), говорит заместитель маркетинг-директора мультиканальных продаж Watsons Украина Анна Зотова.  Она отмечает, что аналитика делается с целью увеличения lifetime value клиентов, а также для понимания клиентского поведения, которое помогает в принятии бизнес-решений. Использования больших данных для Watsons позволяет определить выводить ли из ассортимента определенные товары, были ли по ним повторные покупки и по каким сегментами клиентов, как покупатели переходят между брендами в определенной товарной группе; как запуск новинки влияет на покупки других товаров в категории или брендов; для оценки профиля каждого магазина описывает портрет его покупателя при помощи данных о покупателях и их покупках.

"Мы используем различные виды сегментаций, индексы повторных покупок, афинитивности, в зависимости от того, какова цель аналитики. Методы кластерного и факторного анализа, в частности, помогают нам в понимании подобных групп магазинов и работать с ними как с кластерами",  — объясняет Анна Зотова. — Кроме того, мы настроили регулярные отчеты для понимания динамики в поведении потребителей, как они мигрируют в различных сегментах".

В торговой сети «Брусничка» программа лояльности FreshCard была запущена 3,5 года назад, за это время был накоплен огромный объем данных о клиентах, позволяющий качественно обучить даже самые сложные модели Data Mining, рассказывает Сергей Кольчик.

«Внедрение в базовые бизнес-процессы моделей, основанных на генетических алгоритмах, дает нам достаточно точное представление о привычках и предпочтениях покупателей и позволяет увеличить клиентский отклик на маркетинговые предложения на 25%, — объясняет Кольчик. — А применение нейронных сетей Кохонена в процедуре кластеризации позволило эффективно объединить множество клиентов со схожими параметрами в однотипные кластеры для последующего анализа динамики их поведения».  

В сети бытовой техники и электроники Comfy накапливать данные начали с момента старта программы лояльности. Менеджер по развитию программы лояльности COMFY Анна Завадская говорит, что в работе с большими данными нет готовых алгоритмов, каждый анализ по сути уникален. Чтобы сделать какие-либо выводы, необходимо исследовать уже имеющиеся данные, понять взаимосвязи, добавить новые критерии — и так по кругу. «Это постоянный эксперимент, нужно все попробовать, чтобы понять, что работает, а что — нет. Так, сегментация по гендерному признаку в секторе бытовой техники и электроники неэффективна, поскольку у нас семейные покупки», — объясняет Анна Завадская.

Она говорит, что на сегодняшний день компания уже использует свыше 80 критериев для анализа и может построить скоринговую модель, с большой вероятностью спрогнозировав покупку среди наиболее заинтересованной выборки клиентов. За пять лет работы с данными компания перешла от простых выборок клиентов по покупкам к пилотным проектам по прогнозированию покупок, отмечает Завадская.

В LeBoutique.com пока сделали только первый шаг к тому, что может называться big data: компания внедряет, тестирует и использует алгоритмы machine learning. Директор по маркетингу интернет-магазина LeBoutique Юлия Шилова приводит примеры использования больших данных: уже больше года работает алгоритм рекомендаций в карточке товара. Этот алгоритм рекомендует товары, похожие на просматриваемый товар, а также подбирает, чем можно дополнить образ, основываясь на ассоциативных правилах. Один из алгоритмов, который должен был отрабатывать барьеры пользователя при покупке с помощью персонализированных сообщений, не прошел тестирование. Оказалось, что контрольная группа, которая не видела эти сообщения, покупала активнее. На днях в LeBoutique завершили тестирование алгоритма, который подбирает персональные рекомендации в каталоге. В отличие от первого алгоритма, который подбирает рекомендации, основываясь на просматриваемом товаре, и никак не учитывает интересы покупателя, этот алгоритм как раз учитывает историю просмотров и профиль покупателя. 

В «АЛЛО» отдельным большим блоком является сбор и использование данных о предпочтениях клиентов собственного интернет-канала. «За счет большего по сравнению с традиционными магазинами ассортимента и изначально большего входящего потока оцифрованных данных о клиенте мы храним и обрабатываем значительный объем данных, — рассказывает Евгений Резуев. — При этом для реализации задач вне базового функционала интернет-магазина мы используем внешних партнеров, которые аккумулируют и обрабатывают специфические данные для реализации конкретных прикладных задач: таргетированных коммуникаций (email, СМС), обработки тригеров и т. п.»

Сергей Кольчик говорит, что анализу в сети «Брусничка» подвергаются социально-демографические данные участников программы лояльности, полученные из анкет; история покупок; по некоторым группам клиентов — активность в социальных сетях. Важной информацией является динамика покупок по каждому сегменту, изменение поведения сегментов покупателей. Анализ и своевременное реагирование на изменение этих факторов в конечном итоге влияют на товарооборот.

«На основе анализа составляется прогноз товарооборота сети, формируются персональные предложения для клиентов. Результаты имитационных моделей показывают целесообразность открытия магазина в том или ином месте, — объясняет Сергей Кольчик. — Возможности BigData позволяют определить парные взаимосвязи товаров для разработки оптимальных схем выкладки на торговых площадях. Внедрение технологий BD позволило увеличить эффективность ведения бизнеса, извлечь дополнительную пользу из имеющихся данных и увеличить лояльность клиентов».

BigData помогает ответить на вопросы многих подразделений компании, говорят в Comfy. Для категорийных менеджеров это понимание, что закупать, для маркетинга — как коммуницировать, для розницы и интернет-магазина — кому продавать и т. д.

«Мы выявили зависимость между тем, когда клиент пришел к нам впервые, и уровнем лояльности: наши «новогодние» покупатели в среднем остаются с нами дольше, покупают чаще и хорошо откликаются на предложения. Это справедливо и для тех клиентов, которые познакомились с нами через какую-то очень интересную акцию в течение года. Первое впечатление в формировании лояльности имеет большое значение», — объясняет Анна Завадская. 

По словам Анны Зотовой, Watsons на основе аналитики принимает как маркетинговые решения, так и операционные. Данными о покупателях пользуются все департаменты, поскольку они помогают понять клиента.

"Это решение о целесообразности определенных промо-кампаний, о типе механики, размере вознаграждения, расширение ассортимента, дополнительных сервисах, перепланировки магазина и многое другое", — говорит Анна Зотова.

Автор: Александр Шокун 

источники фото: forumodua.com, www.bistasolutions.com, rusbase.com

Поделиться:

Материалы по теме

комментарии

Выполнено с помощью Disqus