Большие данные помогли нам выстроить эффективное взаимодействие с клиентами и повысить продажи. И вот как

В этом году «М.Видео» запустила Digital Retail Data Science Center – экспертное направление разработки и внедрения алгоритмов, основанных на анализе данных и машинном обучении. Подразделение разрабатывает целый комплекс решений в области маркетинга, онлайн-коммерции и логистики.

Началась активная работа центра с задач целевого маркетинга и оптимизации клиентского опыта на сайте. Уже несколько лет мы собираем данные об активности клиентов: информацию о покупках и использовании бонусного счета, а также других скидочных средств, например, купонов, и промокодов, историю поведения на сайте и откликов на маркетинговые коммуникации.

Собранные данные хранятся в виде витрины 360 градусов, которая доступна бизнесу и используется для планирования промокампаний, генерации экспертных рассылок и целевых коммуникаций. Постепенно мы стали добавлять к существовавшим бизнес-правилам элементы автоматизации и машинного обучения.

Мы сегментируем наших покупателей на основе их прошлых покупок, анализируем чеки, их частоту и состав, поведение клиентов на сайте. После этого накладываем результаты моделирования на большие сегменты и на основе получившихся сегментов делаем целевые коммуникации. С каждым новым взаимодействием с нашими покупателями мы выходим на новый уровень персонализации. Прогнозы становятся более точными, ассортимент и предложение в коммуникациях – более релевантным. Каждый отклик анализируется, и результат становится частью логики новой целевой кампании.

Как заинтересовать клиента без раздражающего спама?

Для начала поговорим о работе с «холодными» контактами. Это те клиенты, которые в настоящий момент никак не взаимодействуют с компанией, на сайте ничего не ищут, но находятся в нашей базе и имеют опыт общения с нами. Здесь наша задача – привести их в магазин или на сайт.

• Во-первых, из всего множества контактов необходимо выделить тех, кто готов рассмотреть возможность покупки, и понять их предпочтения в ценовом диапазоне.

Сфера электроники сильно отличается от фудритейла – технику раз в неделю не покупают, в лучшем случае 2-3 раза в год. Мы определяем, кому может потребоваться техника или аксессуары к ней в ближайшее время, кого в принципе реально привести на сайт или в магазин, а кто в ближайшие несколько месяцев точно ничего покупать не будет, и нет смысла его беспокоить.

Для моделей привлечения трафика мы используем всю витрину 360 градусов, для каждого конкретного сценария коммуникации «обучаем» свой механизм. Он самостоятельно определяет, какие критерии релевантны для потенциального покупателя и каким образом их использовать. На вход модель получает описание клиентов из витрины и статистику откликов на конкретную механику или просто данные уровня «купил/не купил» за прошедший период времени.

• Во-вторых, как уже упомянул, нам интересно понять, к каким промомеханикам и акциям наиболее склонны наши клиенты.

У нас есть федеральный календарь акций: через неделю – скидки на смартфоны, через две – кэшбек на телевизоры, а через три – рассрочка на все товары. Общая база делится на группы в зависимости от того, как эти контакты реагируют на тот или иной вид промо. Затем группы распределяются между рассылками, поддерживающими эти акции. Механизм тестирования простой: половину рассылки запускаем по клиентам, выбранным моделью, половину – по бизнес-правилам, и сравниваем эффективность.

Таким образом, система определяет склонность клиента к тому или иному промо и рассылает наиболее релевантную коммуникацию, которая достигнет своей цели с большей вероятностью. На пилотных рассылках мы наблюдали до 60% прироста к эффективности отклика, продуктив показывает устойчивую положительную динамику в 20%. Все это помогает оптимизировать затраты на привлечение, развитие и удержание клиентов.

Кто ищет, тот найдет

Вторая группа клиентов – это те, кто сам пришел на сайт и уже посмотрел какие-то товары. Мы в принципе видим, что эти клиенты рассматривают покупку, понимаем, какая категория техники им интересна. Если клиент ушел без покупки, у нас появляется задача вернуть его на сайт с помощью системы автоматизированных сценариев. Это классические для бизнеса электронной торговли триггеры «брошенный просмотр», «брошенная корзина». Мы отправляем письмо с напоминанием, что посетитель смотрел или что положил в корзину, а также предлагаем подборку альтернативных товаров с похожими характеристиками, подобранных алгоритмом.

Алгоритмы рекомендации относятся к семейству алгоритмов коллаборативной фильтрации: проводится анализ истории совместной просматриваемости товаров одними и теми же клиентами или в рамках одной и той же сессии, выявляются взаимосвязи между товарами, которые затем используются для формирования предложения, наиболее близкого к списку товаров, который просматривал клиент во время визита на сайт.

Также существует несколько более специфичных сценариев, когда мы пытаемся экспертно угадать причину ухода. Если мы знаем, что клиент смотрел товар, которого нет в наличии, то обязательно сообщим ему, как только модель вернется в сток.

После того как клиент завершает выбор основного товара, мы продолжаем взаимодействие с ним, формируем и предлагаем ему подборку наиболее релевантных сопутствующих товаров/аксессуаров. При формировании предложения используется статистика по истории продаж и данные о технической совместимости товаров.

Если мы видим, что у клиента на руках остались скидочные средства (бонусные рубли, промокоды, скидочные купоны), которые в ближайшее время могут сгореть, мы обязательно отправим ему напоминание, по возможности сопроводив его наиболее релевантными товарными рекомендациями.

Наша следующая цель – перейти от экспертных сценариев к автоматическим, научиться более глубоко понимать, вернется ли клиент сам (как правило, цикл выбора товаров в нашей категории требует больше одного посещения), и, если нет, по какой причине. Его могут не устроить ассортимент, цены или сроки доставки. Если мы научимся с высокой долей вероятности определять сценарий, который сработал для каждого конкретного клиента, то сможем автоматически выбирать релевантный вариант коммуникации: предлагать альтернативные товары с лучшими параметрами по цене или доставке, руководство по выбору товара или персональные скидки. В этом направлении Data-центр будет развиваться дальше.

Кейс был представлен на Big Data Conference.

Материалы по теме: