В последнее время в СМИ стали все чаще упоминать технологии, компании и решения, работающие с большими данными. Однако под 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.
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.
Продвижение медцентров и клиник: три кейса о SEO, TikTok и Instagram*
Как получить измеримые результаты в фарммаркетинге.
Показываем на примерах →
Спецпроект
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 .
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 ().
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.
подход универсальный и масштабируемый, его можно применять для всех подобных задач, и он гарантированно даст результат.
: 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 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.
Источник: