0/5

Большие данные: персонализация клиентского опыта в режиме реального времени

Большие данные: персонализация клиентского опыта в режиме реального времени
время публикации: 13:55  27 марта 2014 года
В течение последних десятилетий розничный бизнес придерживался одного главного правила - гарантии обеспечения персонализированного подхода к клиентам. В 2014 году персонализация в сфере ритейла вышла на новый уровень в виду тектонических сдвигов в моделях покупательского поведения потребителей.
Ритейлеры были обескуражены провалом Черной пятницы, в то время как Киберпонедельник 2013 года продемонстрировал рекордные результаты: объемы продаж превысили 2 миллиарда долларов США, а доля покупок, совершенных с помощью мобильных устройств, на 55% превзошла показатели прошлого года.

Кроме того, результаты исследования «Маркетинг для многоплатформного большинства» (Marketing to the Multi-Platform Majority), проведенного аналитической компанией comScore, показали, что более половины пользователей цифровых устройств в США выходят в Интернет с компьютеров и мобильных устройств одновременно.

Рост числа потребителей, совершающих покупки в Интернет-магазинах и с помощью мобильных устройств, заставляет торговые компании мгновенно персонализировать свое взаимодействие с клиентом на основе актуальной информации о том, что интересует потребителя, где он находится и какие устройства использует.

Ряд ритейлеров уже используют системы, позволяющие эффективно сочетать исторические данные и информацию, получаемую в режиме реального времени в профилях пользователей, для вовлечения потребителей в процесс совершения покупки как в онлайн-магазинах, так и среди обычных прилавков торгового центра.

Важно отметить, что такие компании-первопроходцы не стремятся тут же расстаться со старыми, добрыми наработками, а, напротив, хотят извлечь максимальную выгоду из новейших технологий для дальнейшего участия в более тщательной сегментации в режиме реального времени.

В таком случае мы будем рассматривать системы управления данными, необходимыми для персонализированного взаимодействия с покупателем в режиме реального времени, поймем, как применять закон Парето 20/80 для анализа данных о посещениях в дополнении к традиционным источникам информации и обозначим потенциальные ловушки, которых стоит избегать при онлайн-взаимодействии с клиентом в режиме реального времени.

Расширение панорамного вида

До недавнего времени персонализация предложений любого розничного приложения была основана преимущественно на исторических данных из информационного хранилища и чуть позже на Apache Hadoop-кластере для анализа действий потребителя. Кроме того, сюда стоит отнести и информацию из таких операционных систем, как товарно-материальные ценности, ценообразование, платежи и логистика, использующих данные, хранящиеся в одной или более реляционных базах данных.

Однако реляционные базы данные не созданы для того, чтобы фиксировать поток неструктурированных данных из Интернета и мобильных устройств, включая посещаемость онлайн-ресурсов, количество просмотров страниц и географические данные. В результате ритейлеры начинают добавлять NoSQL и in-memory базы данных, которые могут обрабатывать большие объемы как структурированных, так и неструктурированных данных на очень высокой скорости, зачастую выдавая отчет через одну сотую – одну десятую секунды.

При таком новом сценарии розничные приложения, работа которых осуществляется на одном или более серверах приложений, отправляет всю информацию о действиях пользователя, как структурированную, так и нет, в хранилище данных и/или в Hadoop-кластер.

Анализ предполагает сегментацию и маркировку всех пользователей. Такие сегментационные данные периодически направляют в профили пользователей, хранящиеся в in-memory базе данных. Серверы приложений также фиксируют посещаемость Интернет-магазинов и текущую дату активности пользователя непосредственно в in-memory базе данных, отражая идентификаторы сеанса, cookie-файлы, номера устройств, IP-адреса и другую информацию пользователя по всему спектру платформ и каналов.

Благодаря такой развернутой системе, север приложений может обращаться к in-memory базе данных для получения мгновенного доступа к данным клиента каждый раз, когда тот кликает, листает страницы или иным образом взаимодействует с приложением. Воспроизводимые данные включают сегментационные данные пользователя и текущую информацию о том, что и где делает покупатель в настоящий момент.

Применение закона 20/80 к обработке больших данных в режиме реального времени

Современные системы, предназначенные для анализа неструктурированных данных, обеспечили 18-22% рост продаж у ритейлеров только за счет того, что те ведут очень простой, однозначный поведенческий учет потребителей исходя из посещаемости Интернет-сайтов.

Один из первых аналогичных проектов был запущен на сайте крупной торговой компании и включал применение закона Парето 20/80, т.е. использование широких сегментов клиентской информации из данных о посещаемости вебсайтов, А/В тестирования и вариативного тестирования, в целях создания порядка 25 различных профилей, каждый из которых рассматривал бы ситуацию «заброшенной корзины» и конверсии.

Кроме того, применение очень жесткой и структурированной формулы регрессии в отношении этих 25 точек ввода данных помогло обнаружить формирующиеся модели, что, в свою очередь, позволило персонализировать рекламные кампании и используемые данные исходя из опыта определенного пользователя. В таком случае можно уверенно говорить о минимизации случаев «брошенной корзины», максимального увеличения числа конверсий и 21% росте продаж.

Разработка технологий для управления большими данными позволяет осуществлять узкоспециализированное сегментирование информации.

Закон Парето 20/80 действует также и здесь, но вместо одного или двух десятков достаточно широких сегментаций клиенткой информации мы имеем дело как минимум с сотней подобных классификаций, которые могут стать базой для применения алгоритмов по соответствующим предложениям.

Непосредственно после выявления модели поведения на основе посещаемости Интернет-сайта ритейлер может размещать рекламные объявления и другой контент, а также персонализировать взаимодействие с клиентом и направляемые им предложения.

Стоит отметить, что рабочий поток меняется постоянно, так что важно периодически переоценивать поведенческие модели, служащие основой потока контента на конкретной странице. Это и есть следующий уровень вариативности в А/В тестировании.

Неужели это верное предложение?

Совершая покупки с помощью Интернета или мобильных устройств, клиенты сравнивают свой потребительский опыт, полученный в каждом из случаев. В сложившейся ситуации ритейлеры испытывают повышенное давление в сфере ценообразования, но просто предложить покупателю низкую цену едва ли будет целесообразным решением.

Согласно результатам исследования Национальной федерации розничной торговли (National Retail Federation), несмотря на то, что количество человек, совершивших покупки в обычных и онлайн-магазинах в период со Дня благодарения по Киберпонедельник в 2013 году, возросло на 2 миллиона, средняя сумма затрат потребителя сократилась на 3,9% и составила 402,02 доллара США, в общий объем продаж упал на 2,9% и достиг уровня в 57,4 миллиардов долларов США.

Зачастую динамичное ценообразование ведет в никуда, если клиент не будет уверен, что продавец его признает, уважает, ценит и дорожит им. Таким образом, персонализированные предложения должны быть направлены на построение понимания ценности каждого клиента.

Например, информация о прежних предпочтениях покупателя в сочетании с актуальными данными о его поисковых запросах, связанных с покупкой рубашки, может помочь составить следующее предложение: «У нас есть подходящий вариант такой рубашки. Мы можем отправить товар сегодня, чтобы вы смогли забрать его в магазине». Также стоит упомянуть такие опции, как предложение эксклюзивного цвета товара или 50% скидка на вторую рубашку той же модели, что позволит повысить общий объем продаж за счет объявленного дискаунта.

Другими словами, залог успеха заключается в персонализированном подходе к клиенту, понимании того, кто совершает покупку здесь и сейчас, и умении максимально ценить потраченное им время.

Перевод Ирины Зайончковской
Источник: retailcustomerexperience.com
0
Реклама на New Retail. Медиакит