0/5

Кейс «Дикси»: как персональные предложения повышают ежемесячные траты покупателей

Кейс «Дикси»: как персональные предложения повышают ежемесячные траты покупателей
время публикации: 10:00  28 ноября 2022 года
Еще совсем недавно промо-акции в российском ритейле носили ограниченный характер и ставили перед собой совершенно понятные цели. Однако в последнее время скидки стали настоящей бедой для торговли. Массовое промо приучило потребителей к постоянным низким ценам на целые категории. Спасение от этой «болезни» – персональные промо, созданные на основе предиктивной аналитики. Как эта схема работает? Разберем на примере сети «Дикси».

Проблема промоиглы: зависимость от «цветных» ценников


Обилие желтых ценников в продуктовых магазинах – привычная картина и бич российских – и не только – ритейлеров: покупатели не хотят приобретать товары без скидок. Так было не всегда: за десятилетие массовые промо как метод стимулирования спроса пережил революцию. Раньше промоакции имели понятные ограниченные цели вроде сокращения срока вывода новинки на рынок или привлечения дополнительного покупателя. 

Сегодня же массовое промо превратилось в «отдельный мир со своими проблемами». Доля промопродаж увеличилась с ~10% на старте до ~40% сейчас, по некоторым данным1 в нашей стране она достигает 56%: Россия – один из лидеров продаж по промо в мире. 

В результате, по сообщению Nielsen2, в текущей ситуации «поиск скидок и специальных предложений является одной из доминирующих стратегий экономии среди потребителей, 38% которых готовы менять магазины в зависимости от наличия и привлекательности промо».


Низкая эффективность массового промо


Покупатели подсели на скидки, а для производителей и ритейлеров массовое промо стало ключевой составляющей ценовой стратегии. В результате и производители, и ритейлеры теряют в маржинальности. Проблема в том, что больше половины промокампаний на самом деле неэффективны. В Nielsen подсчитали, что примерно 60% акций себя не окупают.

Эксперты связывают это с тем, что в ритейле наблюдается недостаток качественной работы с богатыми массивами данных, которые есть в распоряжении каждой сети. К этим данным относятся покупки, профиль клиента по карте программы лояльности, исторические данные по промокампаниям. Решение, что поставить в промо, на какой период и с какой скидкой, зачастую принимается, основываясь не на определенной аналитике и прогнозировании на основе BigData, а на интуиции и опыте категорийных менеджеров.

Массовые промо-акции игнорируют социальные, финансовые и демографические различия между покупателями, их образ жизни и предпочтения. Скидка предоставляется не только покупателям, которых она стимулирует на совершение покупки, но и тем, кто готов приобрести товар за полную стоимость. Для лояльных покупателей это приятный бонус, но для ритейлера — прямая потеря маржи. 


Персональные промо как лекарство от промоиглы 


Главное лекарство от промоиглы — это целевой маркетинг и технологии предиктивной аналитики для персональных промо. Баланс между массовыми, целевыми промоакциями и персональными предложениями — ключ к росту выручки, маржи и лояльности покупателей.

Стоит отметить, что технологии искусственного интеллекта, используемые в предиктивной аналитике, существовали и раньше. Однако сейчас, когда у всех начала падать маржа, снизился платежеспособный спрос, стала расти конкуренция, востребованность этих технологий для формирования персональных предложений резко выросла. Причем не только для топовых мировых ритейлеров и гигантов индустрии, но и для ритейлеров среднего размера во всем мире. Теперь с помощью этих современных технологий стало возможным без огромных затрат делать персональные предложения для каждого покупателя. 

Эксперты BCG3 подсчитали, что доля персональных промо должна составлять не менее 25%, а в некоторых категориях — 50%. Проведенный ими анализ показывает, что перенаправление 25% расходов с массовых промо на персональные предложения увеличит рентабельность промо на 200%.

Персональное предложение – это уникальное предложение для покупателя, стимулирующее его к покупке и сформированное на основе его предпочтений, действий и поведения.
В основе персональных предложений лежит data science и методы систематизации больших массивов данных, а также предиктивная аналитика. 


Что такое предиктивная аналитика и как она работает?


С чем можно сравнить предиктивную аналитику? Представьте, как вы приближаетесь к кассовой зоне в гипермаркете. В какую очередь вы встанете? Ваш мозг мгновенно запускает «предиктивный алгоритм» с набором определенных параметров. Прокручивая в голове различные варианты ситуации, вы сравниваете между собой целый ряд предикторов – длину очереди, количество продуктов в тележке, возраст покупателя и т.д. 

Задача всегда одна: найти ту очередь, которая продвигается быстрее всего. И главное в ее решении — это опыт (ваш и возможно известный вам опыт других людей) прохождения очереди во время прошлых покупок. Данный процесс расчета ожидаемого будущего и называется предиктивной аналитикой. Предиктивная аналитика — это использование алгоритмов, созданных опытом для предсказания вероятности наступления тех или иных событий в будущем.

Кейс «Дикси»: как персональные предложения повышают ежемесячные траты покупателейУже целый ряд российских ритейлеров использует современный сервис Manzana Group для формирования персональных предложений на основе предиктивной аналитики — Manzana Predictive Analytics

Причем, этот сервис доступен не только крупным федеральным ритейлерам, но и не очень большим сетям, представленным в одном регионе. Сервис использует систематизированные данные ритейлера по покупателям и их поведению, включая информацию о покупках с помощью Manzana Customer Data Platform.

Делить покупателей на микросегменты по схожему поведению и потенциалу, создавать персональные предложения, выгодные для компании и интересные для покупателя – это рутинная работа для алгоритмов Manzana Predictive Analytics. Это невозможно делать регулярно и управляемо без соответствующих инструментов. Поэтому Manzana Predictive Analytics уже стало незаменимым помощников для маркетологов розничных сетей в России. 

Алгоритмы машинного обучения, используемые сервисом, также предсказывают поведение покупателей:

● определять, кто в ближайшее время совершит покупку;
● понимать, кто какие товары предпочитает;
● подбирать покупателей под продвигаемые категории, бренды, товары;
● предлагать персонализированные скидки, чтобы стимулировать покупки;
● подбирать товары для покупателей для предотвращения оттока.

Точность модели зависит от качества исторических данных, на которых обучаются алгоритмы, а также от набора параметров для анализа. 

Таким образом сервис Manzana Predictive Analytics формирует персональные предложения для покупателей. Персональные предложения помогают нашим клиентам увеличивать товарооборот на 1,5%-2,5% за счет:

● стимулирования частоты покупок; 
● увеличения размера среднего чека путем расширения корзины покупателя товарами из новых категорий; 
● снижения оттока покупателей;
● продвижения выгодного для ритейлера и интересного для покупателей ассортимента товаров.

Укрупненно алгоритм работы сервиса Manzana Predictive Analytics можно описать следующим образом:

● Шаг 1: исторические транзакционные данные за последние месяцы очищаются от всплесков: слишком часто и редко покупаемые товары;
● Шаг 2: рассчитывается рекомендательная модель по вероятности покупок товар – товар;
● Шаг 3: формируется рекомендательная модель по схожести товар – товар в покупках;
● Шаг 4: модели по вероятности и схожести объединяются в одну модель – товары, которые покупатель вероятнее всего купит;
● Шаг 5: параллельно генерируется отдельная модель по взаимодействию комбинаций свойств товара/покупателя. В итоге у нас две модели: 

○ товар/покупатель;
○ комбинация свойств/покупатель;

● Шаг 6: по каждой модели производится расчет рекомендаций. Из рекомендаций по договоренности с ритейлером могут автоматически исключаться:

○ прямо запрещенные к рекомендациям товары или категории (сигареты, алкоголь и т.д.);
○ по этическим соображениям (например, явно женские товары мужчинам или явно мужские женщинам или и те, и другие, если пол неизвестен или карта семейная);
○ товары, находящиеся в распродажах, уценках и т.д.;
○ низкомаржинальные товары;
○ товары, включенные в другие акции (желтые ценники и т.д.).

● Шаг 7: обучение моделей и вероятностная оценка рекомендаций на основе предварительно заданных целей, которые должны быть достигнуты сервисом:

○ максимизация ожидаемой частоты покупок;
○ максимизация ожидаемой маржи;
○ максимизация оборота по товару;
○ и другие.

● Шаг 8: постфильтрация по дополнительным параметрам. Например, не рекомендовать товары одного и того же бренда два раза. Или учитывать особенности ассортимента магазина наиболее частых покупок определенного покупателя и исключать товары, которые не представлены сейчас именно в этом магазине;

● Шаг 9: вывод N лучших рекомендаций каждому покупателю. Эти предложения могут вступать в силу безусловно или покупателю самому может быть предоставлено право выбора нескольких наиболее интересных ему предложений из сформированного для него набора предложений.




Читайте также:  Обратиться по имени недостаточно! Что такое настоящая «персонализация» и как технологии помогают ее реализовать




Сервис Manzana Predictive Analytics вышеперечисленные шаги выполняет автоматически. Со стороны маркетолога требуется только:

● определить частоту формирования персональных предложений (например, 1 раз в неделю или 1 раз в две недели);

● выбрать цели персональных предложений;

● предоставить товары-исключения и указать другие правила для постфильтрации.

Стоит отметить, что после того, как ритейлеры получили возможность посылать миллионы или даже десятки миллионов персональных предложений еженедельно, их собственный штат сотрудников для выполнения этих задач не вырос ни на одну штатную единицу. Все задачи решаются за счет сервиса Manzana и правильной автоматизации процессов. 

При работе с персональными предложениями важно не только сформировать правильные рекомендации, но и проинформировать о них по каналу, который покупатель с высокой вероятностью прочитает. Для этих задач у Manzana Group есть сервис Manzana Campaign. С его помощью ритейлеры уже формируют триггерные, каскадные коммуникации через push или sms на смартфон, e-mail. 

Согласно опыту пользователей сервисов Manzana, регулярные коммуникации по персональным предложениям повышают отклик до 20-40%.


Практический кейс «Дикси»


В торговой сети «Дикси» уже больше года работает многоуровневая программа лояльности с использованием персональных предложений.  

Анализ эффективности акций с персональными предложениями за этот срок демонстрирует следующие цифры:

● ежемесячные траты покупателей, использующих персональные предложения, в 2 раза больше тех, которые их не используют; 

● 60% покупателей при начале использования рекомендаций продолжают регулярное использование персональных предложений и увеличивают ежемесячные траты.

Как выглядят персональные предложения для покупателя? 

Уровни участия в программе лояльности «Клуб друзей “Дикси» зависят от количества посещений магазинов и регулярно обновляются. Чем выше уровень, тем больше привилегий. Например, «Гость» может еженедельно выбирать три персональных предложения, а «Лучший друг» уже шесть.  

Кейс «Дикси»: как персональные предложения повышают ежемесячные траты покупателей

Кейс «Дикси»: как персональные предложения повышают ежемесячные траты покупателейС помощью сервиса Manzana Predictive Analytics для каждого участника программы лояльности еженедельно генерируется 10 персональных предложений. Дальше они в рамках персональных маркетинговых коммуникаций с помощью Manzana Campaign доставляются покупателям в виде PUSH-сообщений. Каждый четверг покупатель выбирает для себя новые персональные предложения, которые действуют неделю.

Для того чтобы персональные предложения формировались из ассортимента магазина, который покупатель чаще всего посещает в алгоритмах учитывается ассортиментная матрица каждого магазина и магазин частых покупок для каждого покупателя. 

Дополнительно ежедневно учитываются текущие остатки товаров в магазинах и покупателю предлагаются персональные предложения по товарам, которые есть в наличии. Это важно не только для того, чтобы персональные предложения были эффективны и срабатывали, но и для того, чтобы избежать возможного негатива у покупателя – когда по сформированному предложению он не сможет приобрести выбранный товар. Сервис Manzana следит, чтобы таких ситуаций не возникало. Кейс «Дикси»: как персональные предложения повышают ежемесячные траты покупателей

С целью достижения поставленных целей – увеличение размера чека и частоты покупок – каждая категория и позиция товара отнесена к определенному типу категорий товаров:

● маржинальные;
● трафиковые;
● трафико-маржинальные.

Таким образом, персональные предложения в программе лояльности «Круг друзей Дикси» подтверждают свою эффективность в адресной работе с каждым покупателем и позволяют повысить эффективность промоакций в магазинах сети. 



Кейс «Дикси»: как персональные предложения повышают ежемесячные траты покупателей«Сеть «Дикси» с помощью сервисов Manzana по сути демонстрирует индивидуальный подход в работе с каждым покупателем, – комментирует Юрий Вронский, директор по развитию бизнеса Manzana Group. – 

Интеллектуальная платформа лояльности Manzana – гибкий масштабируемый инструмент, который уже оценили более 150 крупных брендов из разных отраслей. Платформа управляет всеми скидочными, бонусными и купонными кампаниями, персональными поощрениями и маркетинговыми активностями, а также дает возможность предложить нашим партнерам новые сценарии взаимодействия с покупателями и сократить долю низкоэффективного массового промо».



Кейс «Дикси»: как персональные предложения повышают ежемесячные траты покупателей



1Nielsen: доля промо вернулась к доковидным значениям, retail.ru, 25.09.2022 г.
2Три вопроса FMCG-рынка: как изменятся стратегии игроков, Nielsen, 11.05.2022 г.
3“Приз в размере 70 миллиардов долларов в персональных предложениях”, BCG, 14.09.2021 г.


Реклама ООО «МАНЗАНА»

4CQwVszH9pQPLyLMn4b


0
Реклама на New Retail. Медиакит