Игры в гиперперсонализацию: ИТ-алгоритмы, прогностические системы и цифровая гигиена

Почему традиционные методы диверсификации больше не работают
Вместе с изменением цифровой среды — растущим взаимопроникновением диджитал-инструментов в офлайн-жизнь — стал другим и покупатель. Индивидуальный подход, как это происходит в физических магазинах при общении с продавцом, – теперь не излишняя роскошь. Согласно опросу Epsilon и GBH Insights, 80% клиентов ритейлеров ждут от них персонализации, называя ее «фактором цифровой гигиены». При этом высока и скорость цифровой миграции: если продавец не в состоянии предоставить CX должного уровня, клиент с легкостью поменяет свои предпочтения в пользу более расторопного конкурента.

Условия лояльности клиентов усложняются вместе с инструментами, которые применяют игроки e-commerce: это и предсказательная аналитика, и бесшовная омниканальность, и сегментация клиентской базы, и голосовые помощники на базе ИИ. С помощью различных ИТ-алгоритмов компании стремятся сделать путь клиента от момента заказа продукта до его получения как можно короче, удобнее и эффективнее. Для тех игроков, которые держат планку выше, — еще и предсказать заранее, что захочет тот или иной клиент, даже если он не входит в число постоянных покупателей.

Риски при этом оправданны: несмотря на то что внедрение и разработка ИТ-инструментов потребует достаточных объемов ресурсов, уже очевидна ситуация, когда традиционный подход ритейлеров уже не работает. Рекламные акции или динамическое ценообразование перестали быть конкурентными преимуществами: их может повторить каждый. Тогда как создание гиперперсонализированного подхода, адаптирующегося в каждый конкретный момент времени под потребности клиента, позволяет игроку e-Commerce стать не просто современной компанией, но и задающей новые стандарты онлайн-торговли, как это делают Amazon, Nike или Spotify.

Какие ИТ-инструменты создают пользовательский опыт нового поколения

Использование гаджетов и глобальное внедрение ИТ-платформ в нашу жизнь позволяет компаниям получить доступ к главному ресурсу, способному не только повлиять на их выручку, но и сделать жизнь клиента удобней, приятней и индивидуальней. Этот ресурс — данные. Все, что мы лайкаем, смотрим, насколько долго задерживаемся на той или иной странице, что покупаем и как часто это делаем — массивы данных, которые собираются сегодня о каждом пользователе в сети, колоссальны, но без соответствующей аналитики, обработки, они остаются всего лишь бесполезной анонимизированной информацией.

Пионер в персонализации — компания Amazon — занимается разработкой собственных аналитических алгоритмов для того, чтобы создавать для своих пользователей индивидуальный и бесшовный опыт.

По данным Amazon, 55% продаж компании обусловлено исключительно рекомендациями. Причем алгоритмы ИТ-гиганта построены таким образом, чтобы рекомендовать не просто очевидные вещи, но и обращать внимание клиентов на то, что они вряд ли обнаружат самостоятельно.

Чтобы предсказать поведение новых покупателей, анализируется их цифровой портрет, после чего ИТ-алгоритмы могут сравнивать потребности «клиента-неофита» с сегментами ЦА и выдавать персонализированные предложения. Например, у Amazon за это отвечают алгоритмы коллаборативной фильтрации элементов данных. По словам разработчиков, такая система способна предсказать потребности клиента на срок до пяти лет.

Для создания уникального CX важно не только комплексно собирать и анализировать данные, но и грамотно их актуализировать. Поэтому современные маркетологи стремятся внедрять в своих компаниях алгоритмы, работающие на основе различных методов машинного обучения. Такие подходы, как байесовское обучение, позволяют исключать устаревшую информацию из массивов данных и сегментировать клиентов в соответствии с их текущими потребностями.

Потребителю для получения желаемой персонализации необходимо здесь и сейчас видеть индивидуальный подход. Для этого ведущие сервисы предоставляют персонализацию главной страницы сайта или приложения, подсказок в строке поиска, баннеров, меню. Так устроены алгоритмы динамической аллокации, разработанные на основе машинного обучения в Dynamic Yield. В реальном времени они собирают всю информацию о пользователе, выбирают сегмент аудитории, к которому он относится, и формируют тот контент, который был бы ему интересен.

Персонализацию контента применяет российский интернет-магазин «Ситилинк», разделивший свою аудиторию на сегменты — «гики», «домохозяйки» и «бизнесмены». Как результат, рост выручки и CTR — до 12% и 28% соответственно, и уникальный пользовательский опыт: домохозяйка не увидит в предложенных товарах материнскую плату, а гик — блендер.

Как уже говорилось ранее, важно не только персонализировать опыт пользователя, но и максимально упростить его с учетом всех возможных каналов коммуникации. Для этого компании в буквальном смысле следят за тем, как человек ведет себя на сайте. Например, компания Orange провела исследование на основе процесса покупки смартфона и смогла так персонализировать сортировку страницы, что средняя онлайн-выручка на пользователя выросла на 118%. Разумеется, речь идет об идентифицированных пользователях, а вся информация была обезличена.

Технологии глубокого обучения (Deep Learning) позволяют автоматически определять сотни параметров, характеризующих конкретного пользователя и весь его путь: от просмотров товара до заказа. Система способна формировать рекомендации для клиента в каждый конкретный период времени и учитывать постоянно меняющиеся тенденции, которые наблюдаются на сайте. В результате клиенты розничного продавца очков GlassesUSA.com даже не замечают, как сайт компании подстраивается под них. Это экономит время пользователя и увеличивает число покупок. Внедрение системы глубокого обучение увеличило этот показатель у ритейлера на 68%.

Еще один подход — это кастомизация пространства. Компания Nike создает офлайн-магазины, персонализированные под культурный код конкретной локации. Но и за этим стоят ИТ-алгоритмы, с помощью которых покупатель определяет наличие товара, создает собственную одежду или обувь, заказывает доставку нужного размере в раздевалку. Австралийский производитель солнцезащитных очков Dresden пошел еще дальше: пользователи могут создать очки собственного дизайна с помощью мобильного приложения. При этом стоимость кастомного товара остается приемлемой по сравнению с конкурентами из масс-маркета.

Французская компания Dassault Systemes тоже считает, что за удешевлением кастомизации будущее. Причем речь не только об одежде или продуктах питания. Лаборатория Dassault Systemes уже создала полностью кастомизированный автомобиль, каждая деталь которого произведена с помощью 3D-печати. В будущем это будут дома, гаджеты и даже человеческие органы. Причем платформа 3D EXPERIENCE, которую создала компания, рассчитана на B2B- и B2C-аудиторию. Создать свой персональный автомобиль в будущем сможет каждый.

Заключение

Чтобы создать гиперперсонализированный подход, недостаточно просто собрать данные и внедрить системы машинного обучения. Важно провести тщательный анализ целей, которые преследует компания, подобрать соответствующий им инструментарий и постепенно его внедрить, внимательно отслеживая отклик аудитории.

По словам экспертов, участвовавших в исследовании McKinsey, для каждого этапа компании потребуется соответствующая команда и компетенции. Но и еще более важно, чтобы в компании понимали, для чего это все делается.

В случае, если все сделано правильно и ИТ-алгоритмы успешно выполняют поставленные перед ними задачи – удовлетворять и предсказывать потребности клиентов, – то положительный опыт покупателя в конечном счет способен дать до 20% роста удовлетворенности клиентов, а также увеличение конверсии продаж на 10–15%.