• Главная
  • Новости
  • Гиперперсонализация: как data fusion поможет ритейлерам предугадывать потребности клиентов

Гиперперсонализация: как data fusion поможет ритейлерам предугадывать потребности клиентов

Гиперперсонализация: как data fusion поможет ритейлерам предугадывать потребности клиентов
data-fusion.ru
13.04.2021

За последние десять лет сотни ритейлеров начали работать с данными, а объем рынка Big Data вырос более чем в пять раз. Почти 80% ритейлеров в 2020 году считали, что без больших данных они потеряют конкурентоспособность и будут вынуждены закрыться. Что такое Data Fusion, и как этот сценарий помогает строить более точные поведенческие модели покупателей?
Гиперперсонализация: как data fusion поможет ритейлерам предугадывать потребности клиентовВозможности Big Data в ритейле уже сейчас можно назвать фантастическими: предсказание потребительского поведения, расчет цепочек потребления, автоматическое регулирование цен. Отвечая на вопрос о внедрении Big Data, многие ритейлеры говорят, что сейчас без аналитики данных компания потеряет конкурентоспособность и будет вынуждена закрыться. При этом торговые сети имеют в распоряжении только собственные данные.

Как Data Fusion изменит ритейл? Рассуждает управляющий директор департамента анализа данных и моделирования, ВТБ Дмитрий Берестнев.

 
Предиктивная аналитика

В 2010 году по сети разлетелась история, которая наглядно продемонстрировала возможности прогнозной аналитики. На тот момент она находилась еще в зачаточном состоянии, но смогла сильно удивить рядовых потребителей. Мужчина устроил скандал в магазине Target из-за того, что его дочери-школьнице присылают купоны с товарами для беременных. Вскоре оказалось, что дочь действительно ждет ребенка, а сеть это поняла из истории покупок.

Сегодня инструментарий для анализа данных, как и список решаемых задач, расширился. При этом точность искусственного интеллекта оказывается намного выше предположений маркетологов. В 2018 году H&M обратился к аналитике больших данных, потому что на протяжении 10 месяцев переживал падение прибыли. После анализа ассортимент был сокращен на 40% без падения продаж.

Пионером применения Big Data в ритейле стал гигант Amazon, который располагал большими ресурсами для внедрения. За последние десять лет сотни ритейлеров начали работать с данными, а объем рынка Big Data вырос более чем в пять раз. Почти 80% ритейлеров в 2020 году считали, что без больших данных они потеряют конкурентоспособность и будут вынуждены закрыться.

На сегодняшний день аналитика собственных данных позволяет сетям прогнозировать спрос, персонифицировать предложение, определять закономерности в поведении клиентов, составлять ассортиментную матрицу, обеспечивать наличие товара на полках и контролировать товарные остатки, регулировать цены в режиме реального времени, персонифицировать коммуникацию с потребителем на всех каналах, оптимизировать маркетинговые и рекламные расходы.

В среднем благодаря большим данным ритейлерам удалось на 10% сократить расходы и на 8% увеличить выручку. Повысились конверсия, средний чек, лояльность потребителей.


Охота за данными

Основной инструмент для понимания предпочтений потребителя – это карты лояльности. Они позволяют сетям составлять цепочки потребления. К примеру, если человек покупает средства для купания грудных детей, то через три недели ему понадобятся бутылочки и соски, а еще через месяц посуда и пустышки.
 
Имея в распоряжении контактные данные покупателя, сеть может составлять персонифицированные подборки. Как правило, покупатель одновременно попадает в несколько цепочек, что позволяет делать эти подборки достаточно объемными и постоянно напоминать о себе.

Маршруты покупателей по торговому залу, время, проведенное у того или иного стенда — все это используется сетями для работы с клиентами. Однако даже такой массив данных оставляет большой простор для роста.

Гиперперсонализация: как data fusion поможет ритейлерам предугадывать потребности клиентов

Сети заинтересованы в данных о перемещении пользователей за пределами магазинов. Торговые сети используют геоданные при выборе места для открытия новых точек. Одни из самых важных данных — сведения о платежных операциях, для их получения сети часто идут на партнерство с банками. Опираясь на эти данные, можно регулировать предложение, промо-политику или ассортимент того или иного магазина. Например, человеку, регулярно оплачивающему посещение спортзала, магазин в персонифицированной рассылке сможет предложить фитнес-товары.


Гиперперсонификация

Сквозное объединение данных или Data Fusion — это и есть слияние информации с множества различных источников для построения более точной поведенческой модели.

Банковские операции, перемещение по торговому залу и геоданные в совокупности позволят ритейлеру в разы увеличивать точность предсказаний.

Данные, собранные в Data Lake и объединенные сквозным идентификатором могут использоваться для сегментирования аудитории или формирования множества обезличенных поведенческих моделей. Возможности сегментации настолько широки, что могут опираться не только на историю транзакций, но учитывать даже поведенческие особенности того или иного сегмента потребителей. К примеру, модель принятия решений, приоритет эмоциональной или рациональной коммуникации, комфортные форматы восприятия рекламы.

 

Читайте также: Как создать суперумный магазин с высокой эффективностью продаж и отличными бизнес-результатами

 

Несмотря на очевидные выгоды применения Data Fusion для ритейлера: конверсия, увеличение среднего чека, более эффективный прогноз следующей наиболее вероятной покупки (Next Best Offer), главным выгодополучателем становится потребитель. Интеллектуальные системы обработки данных способны подобрать наиболее персонифицированные предложения вплоть до определения размера одежды, комфортной цветовой гаммы, предпочитаемых производителей, ценового сегмента и множества других параметров. Data Fusion позволяет встретиться клиенту и товару на полке магазина, который максимально отвечает на его запрос.

И если на первый взгляд гиперперсонификация может показаться пугающей, как в случае с мужчиной, устроившем скандал в магазине Target, в реальности это очередной способ сделать максимально комфортным даже такое рутинное действие, как поход в магазин.

К тому же, не стоит забывать о потенциальных возможностях сквозного объединения. Data Lake — это базис, работать с которым можно применяя разные инструменты и подходы. Учитывая, что за несколько лет развития отрасли она радикально поменяла ритейл, сложно представить, как будет выглядеть поход в магазин через пять лет. Автоматическое формирование продуктовой корзины? Персонифицированные скидки? С уверенностью можно сказать одно —  при правильном использовании Data Fusion потребитель от этого только выиграет.

Дмитрий Берестнев,
управляющий директор департамента анализа данных и моделирования, ВТБ.

Для New Retail

Назад

Источник