Можно ли найти путь к сердцу покупателя через большие данные?

25 февраля 2019

Путь к сердцу покупателя можно найти не через данные, а через понимание: что ему нужно, когда, где, и, разумеется, за какую цену. А для этого нужны данные, и самое главное — их правильное использование.

Глядя на отчет Forrester о персонализации (Evolve Now To Personalization 2.0: Individualization), можно заметить интересную статистику: 89% маркетологов считают, что для их покупателей делаются персонализированные предложения, при этом лишь 5% покупателей разделяют их оптимизм.

Первый вывод — ритейлеры используют далеко не все доступные данные, чтобы понять, что действительно хочет покупатель. Текущее развитие технологий хранения данных, а также средств по их обработке — в первую очередь, это средства машинного обучения и прогнозирования — позволит при правильном использовании этот разрыв сократить. Приведу несколько примеров, обсуждавшихся на последней конференции NRF, из области управления контентом и персонализации предложений, как можно эффективно использовать большие данные.

Оценивая аудиторию для промо-рассылки о, скажем, новой игре для PS4 и полагаясь на ограниченный набор данных, мы, скорее всего, будем ориентироваться на целевой возраст, пол, историю покупок в этой категории и, возможно, на положение в RFM сегменте. Жительница пригорода в возрасте 61 год, тратит в нашей сети много, но никогда не покупала игры для PS4 — казалось бы, не самый идеальный кандидат. Простая модель скоринга из рассылки ее выключит. Добавим в этот пример расширенные данные и технологии data mining, позволяющие выявить скрытые зависимости — получаем совершенно другую картину:

  • email, адрес, имя, фамилия — по статистике такие люди более склонны к высокотехнологичным товарам — прибавляем балл
  • в последней рассылке перешла по ссылке «идеи подарков», раздел игры — еще балл
  • используемый браузер — Safari, MacBook последней модели: По статистике, владельцы премиальных ноутбуков более склонны дарить компьютерные игры детям и внукам – и еще один балл.

А таких предикторов может быть не одна и не две сотни.

Вывод один — для полноценного понимания покупателя просто необходимо принимать в расчет все данные, которые можно собрать самостоятельно или купить (отчасти поэтому можно наблюдать столько партнерских отношений между ритейлом, банками и медиа-компаниями, а гиганты отрасли и сами предоставляют медиа и банковские услуги).

Другой пример — описание товаров в интернет-магазине: можно задать сотни атрибутов и сделать очень качественные картинки, с одним нюансом — покупатель на вашем языке не говорит. Возьмем пример – рваные джинсы (ripped jeans). Вбейте это в поисковик и сравните c «искусственно испорченные» (distressed denim) — ищут и обсуждают в форумах именно первый вариант. В приведении атрибутов к стилю, который предпочитает покупатель, также помогут технологии машинного обучения и больших данных.

Таким образом, отвечая на вопрос «Можно ли найти путь к сердцу покупателя через большие данные?», возможно сказать — да, конечно, можно, но путь этот очень непростой и технологичный.


2365
Поделиться

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

Предметная область
Отрасль
Управление