Обогащение данных персонализирует потребительские предпочтения

Олег Брагинский, основатель «Школы траблшутеров» и директор «Бюро Брагинского»

Отчеты аналитиков для дизайнеров и ритейлеров становятся все более унылыми. Но неужели нельзя сделать нечто более прикладное, ощутимое, полезное? Какая польза ипподрому от расчетной модели сферических коней в вакууме? Жокеям важнее советы о том, чем кормить и поить лошадь. Как изменить ситуацию, рассказывает Олег Брагинский, основатель «Школы траблшутеров» и директор «Бюро Брагинского».

Маркетологи мечтают залезть нам в мозги. Полагают, что отыщут ответы на причины странностей. Но между тем ничего не делают, чтобы подкрасться к клиентам. Попивают смузи в коворкингах, заказывают рисёрчи. Жалуются, что на рекламу не реагируем. В грустной тоске пролетают сезоны.

Рядовые мероприятия, неброские слоганы, прилизанные луки. Гости зевают, сотрудники смирились, собственники проклинают снижение покупательской способности. Бюджеты скудеют, креатив не прёт, спрос строже не становится. Вялый рынок тревожно вертит головой по сторонам.

Adidas обвиняют в непонимании чаяний темнокожих, которых не устроили белые кроссовки – символ распоясавшегося расизма. Gucci заставил китайскую модель есть палочками итальянские блюда под едкие комментарии. Nike случайно выпустил обувь с подошвой в виде имени Аллаха.

Zara заигралась в холокост, предложив приодеться в тюремную робу с желтой шестиконечной звездой. Forever 21 разместил персонажа африканского происхождения на свитере белокожего блондина. Гонконгская izzue.com прогремела одеждой со свастикой, осквернив память погибших.

Urban Outfitters погорела на нижнем белье с национальными орнаментами индейцев навахо. Suistudio задел сильную половину позированием голых мужчин рядом с женщинами в деловых костюмах. Шведского ритейлера H & M поймали на ежегодном сжигании непроданных вещей.

Штопор истории вгрызается в нездравый смысл. Бойкоты, протесты и травля в сети стали интереснее модных показов. Изобилие превратило живых манекенов в злорадствующих троллей. Находят отсутствующее, усматривают невидимое, подмечают непредусмотренное.

Отпечатаете на футболках панду – разгневаете китайцев из Шэньси и Ганьсу. Вышьете на худи слона – разозлите жителей Бурунди, Гамбии, Мавритании, Свазиленда. Мадагаскарцев оскорбит изображение лемура сифаки. Австралийцы не стерпят злоупотребление шерстоносным вомбатом.

Подготовка коллекций ввергает дизайнеров в стресс. Коммерсанты требуют продаваемое, рекламщики – вызывающе заметное, клиенты готовятся улюлюкать. Вспоминается Рената Литвинова с возгласом: «Так страшно жить!». Опасны стилистика, декор, отделка, вышивка.

Cosmopolitan опозорился с йогуртом, BIG пролетел с одноразовыми трусами, DuPont замучил кожзамом. Céline сплагиатил шерстяное пальто Geoffrey Beene, Moschino разместили граффити Джозефа Тирни на платьях, сенегальский бренд Tongoro обвинил Saint Laurent Paris в краже.

Санта-­барбарианские страсти не стихают. Abercrombie & Fitch судилась с American Eagle Outfitters за число 22. Мобильный оператор T­mobile зарегистрировал цвет маджента как торговую марку. United Colours Of Benetton частенько попадается на неумышленном воровстве.

Складывается впечатление, что фэшн­-индустрия не дружит с Big Data. Казалось бы, чего тут сложного – заведите библиотеку изображений принтов и перед запуском в работу проверяйте на уникальность. Алгоритм прост: разбиваем изображение на квадраты и строим хэш­-функцию.

Усредняем цвета в блоке, вычисляем разницу с соседними. Отслеживаем зеркальные отражения: вертикальное и горизонтальное, проверяем поворот на 90 о и 270 о . Отдельно проверяем неполные вхождения, обрезку, диагональные градиенты. Избегаем точного повторения палитр.

Жаль, что творцы брезгуют математикой. Томные вздохи об озарении и оправдания «Я так вижу!» набили оскомину до рвотного рефлекса. Дружить с аналитиками считается зазорным, как и скрещивать ужа с ежом: неизменно выходит метр колючей проволоки, вне зависимости от пород.

Пару лет назад российский ритейлер просил проверить потенциал коллекции. Запросил у собственника описание целевой аудитории. Ответ оказался хуже прогнозов:
1. Женщины в возрасте 25–45 лет, доход средний.
2. Замужем, имеют минимум одного ребенка от 5 до 12 лет.
3. Работают полный рабочий день специалистами или служащими.
4. Важнейший критерий выбора – качество по доступной цене.
5. Предпочитают направление comfort casual.
6. Не стараются выделиться с помощью обновок.
7. Тратят на гардероб 10–30% бюджета семьи.
8. Одеваются в крупных торговых центрах.
9. Покупают одежду раз в три месяца.
10. К шопингу относятся спокойно.

Понятно, что параметры потребителя должны быть диапазонными, но не с погрешностью в 80–300%. А как вам пункт: «76% покупают для себя и членов семьи»?

С точки зрения маркетологов при выборе одежды мы руководствуемся такими критериями:
• 53% – качество одежды
• 49% – приемлемая цена
• 21% – широта ассортимента
• 13% – качество материала
• 11% – модность одежды
• 10% – посадка моделей
• 8% – приверженность бренду.
Посмотрим данные опроса о пожеланиях:
• 32% – чаще проводить скидки и акции
• 26% – расширить ассортимент одежды
• 20% – открыть магазины ближе к дому
• 19% – снизить цены
• 11% – улучшить качество товара.

На месте дизайнеров я бы тоже перестал общаться с авторами подобных отчетов. Неужели нельзя сделать нечто более прикладное, ощутимое, полезное? Какая польза ипподрому от расчетной модели сферических коней в вакууме? Жокеям важнее советы о том, чем кормить и поить лошадь.

Обратился к предыдущим заказчикам, с которыми работал по чистке, доопределению и обогащению данных. Договорились о неперсонифицированной обработке массивов с выдачей диапазонных ответов. Выполнил кластеризацию потребителей российского ритейлера за последние 18 месяцев.

«Подружил» информацию банков, страховых компаний, производителей косметики и кормов для животных с данными телефонных операторов, бирками одежды, чеками и картами лояльности. Рассчитал средние для чисел и… строковых переменных. Получилось странно, но наглядно.

Подходите ближе, обязуюсь не умничать и формулами не козырять. Клиенты рассредоточились в пять кластеров (см. табл. 1):

1. Перспективная Елена Владимировна из Екатеринбурга – замужем 21 год, образование высшее, арендует жилье, работает в сфере образования. Трудится в коллективе из 237 человек, зарабатывает 38 тыс. руб., расплачивается картой со скидкой в 9% последние 2,5 года. Навещает магазины сети 1,2 раза в месяц, приобретая по 3 изделия на чек.

2. Целевая Ольга Александровна из Москвы – 15 лет в браке, сфера занятости – частное строительство, работает в команде из 23 человек. Пользуется телефоном на Android, реже других заводит собаку, чаще других покупает не для себя – в 71% случаев. Имеет наименьшее отклонение размеров верх­низ, вероятно, имеет повод гордиться фигурой.

3. Целевая Наталья Николаевна из Санкт­Петербурга – замужем 18 лет, в 51% случаев проживает в собственном жилье. Трудится на государственном предприятии с коллективом из 420 сотрудников. В 95% случаев скупает стоковый товар, предпочитает сезоны: весна, лето, осень. Любимые товары: платье, блузка, юбка.

4. Перспективная Татьяна Викторовна из Москвы – наиболее высокообразованная, в трех случаях из четырех не была замужем, владеет семилетним автомобилем, в 68% случаев имеет кошку. Пользуется картой лояльности 8,5 месяца, менее других захаживает в неосновной полюбившийся магазин сети, наиболее стабильна в приобретениях. Предпочитает хлопок, всесезонную модную одежду.

5. Нецелевая Ирина Сергеевна из Омска – проживает в наиболее просторной квартире – 78 кв. метров, в четырех случаях из пяти имеет домашнее животное – в три раза вероятнее кошку, чем собаку. Работает в торговле, имеет наибольший доход на семью – 200 тыс. руб., трудится в частной компании из 50 человек. Приобретает верхнюю одежду с наибольшей ценой позиции, предпочитает всесезонные изделия.

Таблица 2. Процент­ная вероятность сцепленной продажи

Таблица 3. Среднее время интервала для успешной покупки

Стало понятнее, кому продавать. Но что? Это тоже несложно. Для каждого кластера рассчитаем две таблицы:
• Сцепленные продажи – после какого Товара_1 с какой вероятностью клиент приобретет Товар_2 (см. табл. 2)
• Среднее время – через какой интервал в днях после приобретения Товара_1 имеет смысл предложить к покупке Товар_2, чтобы иметь наибольшую вероятность согласия (см. табл. 3).

Теперь мы знаем поименно:
• каким клиентам – мобильный телефон, адрес электронной почты, карта лояльности;
• какой товар;
• когда предлагать, чтобы вероятность согласия была максимальной.

А вы говорите – интуиция! Считать подробнее надо. Экспериментировать. Дружить с аналитиками и разобраться с методиками Big Data. Удачных продаж, и не фолите. По крайней мере по мелочам.