Сервис персональных рекомендаций ClearFuture: не угадывать, а прогнозировать

Максим Захир, управляющий партнер «Ланит Омни»

О новом сервисе персональных рекомендаций покупателям, построенном на использовании метода предиктивной аналитики, от компании «Ланит Омни» рассказывают управляющий партнер «Ланит Омни» Максим Захир и коммерческий директор компании Дмитрий Зеленко.

От сегментации – к кластеризации покупателей
Предиктивная, или прогнозная, аналитика (Predictive analytics) представляет собой метод анализа текущих и исторических данных или событий для прогноза данных или событий в будущем.

Наиболее распространенный способ использования предиктивной аналитики – применение скоринговых моделей для оценки платежеспособности клиента при выдаче кредитов в банке. Любая скоринговая модель строится на исторических данных, и если человек по каким-либо параметрам похож на тех, кто несвоевременно вернул кредит банку, то вероятность отказа ему достаточно высока. Это может быть сочетание нескольких факторов – например, частая смена мест работы и номеров телефонов и т.д.

Однако этим области применения предиктивной аналитики не ограничиваются: ее можно использовать для разработки продуктов, при выборе потенциальной аудитории либо следующего продукта, который можно предложить клиенту (Next Best Offer). Именно от этой модели использования предиктивной аналитики в интересах розничной торговли мы отталкивались, когда решили расширить линейку своих продуктов и кроме программы лояльности RightWay предложить своим клиентам инновационную систему подготовки персональных рекомендаций покупателям.

Важной частью подготовки к грамотному предиктивному анализу является кластеризация. Раньше в маркетинге было принято сегментировать клиентов по достаточно приблизительным критериям: «мужчины до 40», «женщины 45+» и так далее – по демографическим, социальным и географическим признакам. Это в значительной степени механическая процедура. Кластеризация же представляет собой математическую процедуру, статистический метод, объединяющий покупателей в сравнительно однородные группы по выбранным критериям. Она позволяет программным способом выделить наиболее значимые параметры потребительского поведения покупателей, тем самым увеличивая точность персональных предложений, построенных на основе данных именно этой группы. Идеологически это выглядит следующим образом: если покупателей миллион, они все равно состоят из сравнительно однородных групп, и рекомендации внутри группы работают с более высокой долей вероятности, чем на всю аудиторию.

Эволюция коммуникаций
Безусловно, когда мы научились использовать точные методы кластеризации, мы смогли гораздо лучше узнать своего покупателя. И теперь нужно было научиться предлагать ему действительно релевантный товар, то есть сделать по-настоящему персональное предложение, которое бы в несколько раз увеличило вероятность покупки того или иного товара. Для этого нужно было определить, какой именно товар кому из покупателей предложить. И мы попробовали построить сообщества товаров, которые часто покупают вместе друг с другом. Вот как это выглядит на примере анализа продаж в сети фирменных магазинов «ЛЕГО» (см. рис. 1).

Таблица 1. Кластеры в продовольственном гипермаркете (Москва и Санкт-Петербург)

Рисунок 1. Группы товаров, купленных не менее 30 раз друг с другом

Таблица 2. Формирование релевантных предложений покупателю

Рисунок 2. Преимущества использования аутсорсинговых услуг в сфере бизнесаналитики

На следующем этапе мы смогли связать сообщества товаров с кластерами покупателей и поняли, что теперь можем прогнозировать, какой товар с какой долей вероятности каким кластерам покупателей можно предлагать.

Облачный сервис – инновационное решение
Мы являемся приверженцами идеологии облачных сервисов – SaaS (Software as a Service) и работаем много лет с разными компаниями и в области программ лояльности, и в области предиктивной аналитики. Ведь не всякая компания может себе позволить установку дорогостоящего программного решения. Еще меньше компаний имеют выделенного бизнес-аналитика, владеющего навыками предиктивной аналитики. Недаром за рубежом этих специалистов называют не аналитиками, а Data Scientists – исследователями данных. Мы не просто предоставляем своим клиентам технологический инструмент для анализа, но фактически оказываем аутсорсинговые услуги силами своих специалистов, которые знают все нюансы розничной торговли, а значит, могут не только выделить драйверы продаж в огромном количестве цифр, но и помочь бизнесу использовать их для увеличения выручки.

С 2013 года наша команда разработала программное обеспечение, позволяющее анализировать данные по транзакциям розничных торговых сетей, и на их основе в ежедневном режиме выдавать персональные рекомендации маркетологам – кому из покупателей какой товар предлагать.

Важную роль в этом процессе сыграл и тот факт, что мы входим в Группу компаний «ЛАНИТ», что обеспечивает нам синергию в различных проектах, и при необходимости – высокий уровень технологической поддержки.

Персональные предложения для сети фирменных магазинов «ЛЕГО» – еще один подход
Когда мы приступали к работе, руководство компании поставило перед нами задачу – увеличить продажи нового конструктора серии «Х» (название скрыто по причине необходимости сохранения коммерческой тайны). Мы проанализировали всю аудиторию лояльных покупателей фирменных магазинов «ЛЕГО», увидели, кто из них похож на покупателей конструкторов этой серии. Получилось, что из 100% аудитории 4,6% покупали конструкторы этой серии и раньше, 35% – по многим параметрам похожи на покупателей конструкторов серии «Х», а 60% – не похожи совсем. Тем не менее в пилотном проекте отправили приглашение на покупку конструктора другим участникам программы лояльности – тем, кто не похож на покупателей конструкторов этой серии. На рисунке 5 представлен полученный нами отклик.

Как видим, разница в отклике – на порядок! Это означает, что 60% аудитории мы должны были бы направить предложение о приобретении совершенно другого товара, а то сообщение, которое они получили, не сработало. Мы не только потеряли возможность предложить релевантный товар, но и впустую понесли затраты на ненужную коммуникацию.

Быть лояльным – означает знать и уважать своего клиента
Предлагаемое нами решение дает ритейлерам возможность анализа истории продаж, покупательского поведения клиентов и формирования индивидуальных предложений из товарного каталога магазина для каждого покупателя или групп покупателей. Кроме того, торговые сети получают возможность работы с единой базой покупателей (розница + онлайн), что позволяет реализовывать одинаковые стандарты коммуникаций для всех каналов продаж. Им обеспечивается доступ к богатому маркетинговому инструментарию, единое коммуникационное пространство, возможности глубокой аналитики на базе технологий Big Data.

Рисунок 5. Отклик на приглашение купить конструктор различным группам участников программы лояльности

Жизнь не стоит на месте. Меняются технологии, меняется покупатель и его требования к розничной торговле. Розничной компании сегодня необходимо иметь одинаковый уровень сервиса во всех точках взаимодействия с покупателем и уметь делать персональные предложения. Мы помогаем розничным компаниям решать эти задачи и соответствовать ожиданиям покупателя: перейти от обезличенного контакта к точному знанию клиента и построить персональную коммуникацию с учетом потребительских предпочтений, возраста, социальной принадлежности, географии и множества других факторов.

Помните: если клиент уходит от вас, это значит, что вы ушли от своего клиента. Оставайтесь с ним!

Дмитрий Зеленко, коммерческий директор компании

Рисунок 3. Статистика откликов по персональным и общефедеральным рассылкам в «Адамас»

Рисунок 4. Статистика откликов по персональным и общефедеральным рассылкам по всей базе

Нашим клиентам мы предлагаем сначала провести пилот: убедиться в том, что методы предиктивной аналитики дают эффект в конкретном сегменте рынка. Мы уже апробировали работу сервиса в таких сегментах розничной торговли, как ювелирные изделия, детские товары, БТиЭ, и ряде других. Если результаты пилота оказываются положительными, принимается решение о запуске сервиса в продуктивную эксплуатацию.

Так было, например, с компанией «Адамас»: мы запустили пилотный проект осенью 2015 года, когда определили критерии для выбора городов и магазинов пилотной и контрольной групп покупателей. С учетом масштабов сети необходимо было очень тщательно подходить к формированию групп. Смотрели и на магазины, и на потребительское поведение покупателей внутри этих магазинов: величину среднего чека, общий оборот и т. д. Это было достаточно трудное и интересное упражнение: магазины пилотной и контрольной групп должны были иметь сравнимые характеристики по проходимости, обороту, составу покупательской аудитории и т. д. Критерии успешности проекта были очень простыми: мы сравнивали отклик, т. е. факт совершения покупки, в пилотной и контрольной группах. После подготовительного этапа провели шесть флайтов рассылок персональных сообщений одновременно с общефедеральными рассылками. Результат пилотного проекта показал, что отклик в пилотной группе почти в полтора раза (на 46%) выше, чем в контрольной группе участников, получавших общее сообщение (см. рис. 3). Важно отметить, что каждый из флайтов показал значительно более высокий процент отклика на персональные предложения по сравнению с общими рассылками.

В целом за период проекта по пилотной группе было получено дополнительной выручки 5,3%. Дополнительная выручка по магазинам пилотной группы составила 2,05%.

После успешного пилотного проекта руководство «Адамаса» приняло решение о запуске системы в продуктивную эксплуатацию. И нужно сказать, что регулярное использование сервиса показывает даже лучшие результаты, чем мы получили в пилотном проекте. И это естественно: работая с покупателями торговой сети в регулярном режиме, мы можем давать значительно более точные рекомендации, с каждым разом все лучше понимая аудиторию своего клиента. Выступая на конференции Loyalty Marketing Forum в июне 2016 года, директор по маркетингу компании «Адамас» Григорий Шанаев привел следующие цифры: отклик по всей базе на персональные сообщения превышает отклик с общим рекламным сообщением на 210% (см. рис. 4). Среди клиентов, которые ранее совершали покупки по специальным предложениям, отклик на персональные рассылки выше на 96%, а у клиентов из фокусной группы «кольца» отклик на персональные рекомендации выше более чем на 110%.

Григорий Шанаев директор по маркетингу «Адамас»

Работа сервиса персональных рекомендаций ClearFuture доказывает, что продвижение товарных категорий с помощью персональных предложений имеет более высокий отклик, чем рассылка одного и того же предложения всем участникам программы лояльности.

Мы используем работу сервиса с 2015 года, после того как убедились в ее эффективности. Нас впечатлили результаты пилотного проекта – персональные предложения на базе сервиса ClearFuture сгенерировали покупок на 96% больше, чем предложения с единым для всех участников программы лояльности сообщением.

На сегодняшний день подготовка персональных рекомендаций и их рассылка по участникам программы лояльности производятся на еженедельной основе. С помощью этого инструмента мы добились роста выручки по клиентам, получающим такие сообщения, в 2,58 раза превышающего общий рост выручки магазинов сети.