Купит - не купит? Как работают предиктивные технологии в маркетинге

Говоря об автоматизации и персонализации маркетинга, обычно подразумевают системы, которые позволяют: а) сегментировать текущих клиентов на основании их предыдущих сессий на сайте; б) настроить цепочки взаимодействия с клиентом; в) предусмотреть персонализированное отображение определенных страниц / элементов сайта / уведомлений согласно заранее заложенным алгоритмам.

Все это неплохо работало лет 5 назад. Маркетологи обменивались опытом и придумывали все новые сегменты и все более изощренные сценарии взаимодействия с ними. Строились умозрительные гипотезы формата «если женщина в течение долгого времени раз в месяц стабильно покупала средства гигиены, а потом вдруг перестала, наверное, она беременна, поэтому самое время предложить ей скидку на товары для беременных, а потом и на подгузники…».

А первые блоки рекомендаций? Люди, которые интересовались iphone, также покупали пылесосы марки LG… А мода на персонализацию главной страницы — в зависимости от пола клиента, конечно. Как будто женщины, подобно маленьким девочкам, все поголовно предпочитают вещи розового цвета и «ромашкового» дизайна.

Если бы все это так и осталось на уровне экспериментов, это было бы простительно. Но очень многие до сих пор используют привычные системы автоматизации маркетинга. Между тем, уже порядка двух лет сразу несколько международных компаний разрабатывают и внедряют системы предикативного маркетинга. Те, что могут предсказывать поведение абсолютно анонимного клиента и персонализировать маркетинговые коммуникации с ним в режиме реального времени. Что это такое и каковы преимущества таких систем перед обычными системами персонализации?

В классическом сценарии, чтобы сегментировать клиента, маркетологу нужно собрать историю его визитов. Проще говоря, нужно, чтобы он уже когда-то раньше заходил к вам на сайт и производил какие-то целевые действия. Тогда можно отнести его к той или иной группе покупателей и включить заранее продуманные персонализированные кампании.

Например, зная, что клиент уже покупал стройматериалы, можно с уверенностью предположить, что он делает ремонт, и в следующие визиты показывать ему уже отделочные материалы, в корзине предлагать какие-то мелочи для уюта и декора, а после заказа прислать на email письмо с со скидкой на покупку мебели. Но если тот же самый клиент заходит к нам впервые и пока не имеет истории покупок, мы можем показать ему только стандартный вариант сайта, без какой-либо персонализации.

Предикативные технологии работают иначе. Они анализируют не сессию конкретного клиента, а все сессии всех клиентов сайта. Программа находит похожие сценарии поведения пользователя на сайте и формирует из них сегменты. При этом не важно, знаем ли мы уже этого пользователя, или он зашел на сайт впервые. Залогинился ли он или смотрит сайт в анонимном режиме. В любом варианте мы можем его сегментировать и показывать персонализированные предложения с учетом его принадлежности к тому или иному сегменту. С первого визита. И если это клиент из предыдущего примера, мы можем определить стадию его ремонта по его поведению прямо в текущем сеансе, и сразу использовать элементы апсейла.

---

Читайте также: Кофейная гуща, гадальные карты и другие технологии прогнозирования в ритейле

---

Второе отличие в том, что в большинстве систем автоматизированного маркетинга сегментацию все равно проводит не машина, а маркетолог. Именно поэтому такая ручная сегментация чаще всего получается довольно искусственной. В 90% случаев она проводится на основании данных, которые оставляет клиент при регистрации профиля. Это пол, возраст, семейное положение, наличие и возраст детей или домашних животных, хобби и интересы… Да, есть попытки автоматизировать и персонализировать показ тех или иных элементов сайта, опираясь на поведение клиента в текущей сессии. Но дальше предположений о том, что «человек который смотрит раздел с книгами, наверное, хочет купить какую-то книгу», обычно не заходит.

Есть успешные кейсы в детском ритейле, когда простая сегментация работает: магазины рассылают заранее сформированные триггерные письма с товарными предложениями соответственно возрасту ребенка (эту информацию они узнают на этапе регистрации пользователя). Родители получают письмо с товарами, которые подойдут ребенку в возрасте 1 месяц, полгода, год и так далее. Впрочем, и в этом примере есть слабые места. Во-первых, всегда есть шанс, что человек не захочет делиться данными о дате рождения своего ребенка или напишет неверную дату. А во-вторых, такая упрощенная сегментация не учитывает, например, уровень достатка родителя, тот факт, интересуется ли он распродажами, или любит какие-то определенные бренды. А все эти факторы, согласитесь, могут существенно влиять на выбор товаров, а значит и на конверсию писем с товарными рекомендациями.

Кроме некой искусственности, ручная сегментация — это еще и всегда конечное (и довольно скромное) количество сегментов, даже если ваш маркетолог умница и трудяга. Персонализированный маркетинг с помощью предикативных технологий — это сегментация вплоть до выделения каждого пользователя в отдельный сегмент и доставка супер-персонализированных сообщений формата 1:1.

В случае с предикативными технологиями основанием для сегментации становятся не привычные нам пол и возраст, а то, как человек ведет себя на сайте. Причем, сегментация не ограничивается сценарием одной сессии. Предикативная модель отслеживает все поведенческие паттерны за месяц, выделяя основные типа взаимодействия с сайтом. Имея в запасе тысячи уже известных алгоритмов, программа сегментирует нового пользователя в течение считанных секунд. На основании того, какие страницы он смотрит и как долго задерживает на них свое внимание, она предсказывает, каким будет его путь к покупке и персонализирует сайт, чтобы сделать этот путь максимально коротким и результативным. Самые продвинутые системы самостоятельно выбирают наиболее эффективный в конкретной ситуации канал взаимодействия для следующего контакта.

Некоторые платформы идут даже дальше и предлагают просчитывать для каждого сегмента вероятность совершения покупки в течение следующих 7 дней (Likehood to purchase — L2P). Далее на основании полученных данных выбирают сегмент посетителей с высоким количеством L2P баллов, и фокусируют основные усилия именно на этом сегменте. Такая технология позволяет сократить затраты на маркетинг, сосредоточив внимание на высокодоходных сегментах, и увеличить конверсию в несколько раз по сравнению со средними показателями по индустрии.

Еще одна проблема систем автоматизированного маркетинга называется «загрузить и забыть». Имеется в виду ситуация, когда маркетолог выделил определенный конечный набор сегментов, отобрал работающие алгоритмы персонализированного взаимодействия с ними, загрузил эту воронку в систему автоматизированного маркетинга — и далее не трогает сложившиеся цепочки, работая над выделением новых сегментов и новых алгоритмов. К сожалению, такая практика совершенно не учитывает ни возможности расширения продуктового ассортимента (если речь об интернет-магазине, например), ни изменения покупательского поведения в связи с факторами сезонности, колебаниями курсов валют, какими-то иными экономическими или политическими событиями. Да и просто, люди со временем могут менять поведенческие паттерны, при этом сохраняя базовые основания сегментации (пол, возраст, семейное положение). Предикативные технологии нового поколения эту проблему решают.

Подводя итог, можно сказать, что автоматизации маркетинга — это не магия и не волшебная кнопка. Несмотря на совершенство технологий нового поколения, остается множество нюансов, где требуется участие человека. Но контролируя процессы и правильно используя возможности big data, можно существенно улучшить свои финансовые результаты.

Вадим Мамедов, коммерческий директор Insider Russia