Предиктивная аналитика для маркетплейсов: модели NBO для роста продаж
Задумывались ли вы, что информационная система окружает нас рекомендациями – доставки продуктов, маркетплейсы, музыкальные сервисы и онлайн-кинотеатры – все они догадываются до наших желаний быстрее, чем мы сами. Статистика это подтверждает:
По данным McKinsey, 35% покупок пользователей на Amazon и 75% просмотренных фильмов и сериалов на Netflix – это рекомендации, основанные на предиктивном анализе.
Предиктивные алгоритмы позволяют анализировать исторические данные о каждом клиенте и посетителе, предсказывать их потребности и желания и рекомендовать именно те продукты или услуги, которые они купят с наибольшей вероятностью.
В этой статье поговорим о примерах использования предиктивных алгоритмов, их преимуществах и этапах внедрения модели NBO (Next Best Offer).
Более 6 лет я развивал ML (Machine Learning, машинное обучение) в стартапах и корпорациях – Газпронефть, МегаФон, AutoCoach, MVP Lab. В рамках AllSee реализовал несколько успешных проектов: бот для подбора готовой еды для ВкусВилл, проект для распознавания и синтеза речи пользователей в сфере знакомств и другие.
Для начала разберемся, что из себя представляет…
… предиктивная аналитика
Предиктивная аналитика (Predictive Analytics, PA) — это совокупность методов анализа данных с их интерпретацией, которая позволяет на основе накопленной информации определять тренды исследуемых показателей и прогнозировать будущие события.
На практике с помощью PA-алгоритмов можно предсказать спрос на конкретные виды товара с учетом сезонных изменений и трендов на рынке, а также понять, интересна ли
определенному пользователю эта покупка. Вот несколько наиболее популярных решений для бизнеса с их использованием:
Сегментация клиентов
PA помогает группировать клиентов на основе поведенческих и демографических факторов. Используя эту информацию, можно выстраивать стратегию персонализированных скидок и рекомендаций для каждого сегмента, что повысит эффективность маркетинга.
Персонализация
Анализируя поведение и предпочтения покупателей, можно персонализировать путь клиента полностью – начиная от маркетинговых сообщений, заканчивая индивидуальным подходом к совершению покупки.
По статистике, 49% клиентов незапланированно покупают продукт, потому что получили персональную рекомендацию.
Прогнозирование оттока
Поскольку PA-алгоритмы способны анализировать и прогнозировать поведение клиентов на основе их прошлых действий, можно также легко выявлять клиентов, которые рискуют отказаться от покупок в вашем магазине. Используя эту информацию, можно предлагать таким покупателям скидки или персональные рекомендации, чтобы вернуть их интерес.
Прогнозирование спроса
С помощью PA можно учесть в анализе прошлые продажи, сезонность и даже погодные условия, чтобы спрогнозировать спрос и обеспечить производство необходимым уровнем запасов, предотвратив излишний расход средств.
Динамическое ценообразование
Используя прогнозную аналитику и машинное обучение, можно моментально корректировать цены на товары в зависимости от изменений спроса и предложения, тенденций рынка, цен конкурентов и т.д. Это позволит привлекать клиентов, мгновенно реагировать на колебания рыночного спроса и увеличивать прибыль.
Оптимизация маркетинговых кампаний
Предиктивная аналитика помогает оптимизировать маркетинговые кампании, прогнозируя реакцию клиентов на различные сообщения и предложения.
Проблемы компаний
Теперь, зная, какие предиктивные ИИ-решения возможны, посмотрим, с чем они помогают справляться:
Проблема 1: Низкая конверсия
Низкие показатели конверсии указывают на то, что ваши пользователи не доходят до целевого действия. Этому может способствовать множество причин:
· Неясная информация о продукте
· Отсутствие доверия к вашей компании
· Сложный процесс оформления заказа
и много что еще. Прогнозная аналитика может помочь решить эту проблему путем персонализации – анализ поведения клиентов и истории их покупок позволит настраивать точные рекомендации. Такой индивидуальный подход может повысить интерес пользователей к товарам и пробудить желание совершить покупку.
Проблема 2: Управление запасами
Неэффективное управление запасами может привести к избытку товаров на складе или их нехватке и, как следствие, недовольству покупателей. Решить эту проблему можно с помощью прогнозирования спроса: PA-алгоритмы анализируют исторические данные о продажах и сезонные тенденции и определяют будущий спрос на конкретные товары. Это позволяет оптимизировать уровень запасов и избежать их нехватки или избытка.
Проблема 3: Отказы от покупок
В среднем около 70% онлайн-заказов не доходят до оформления – товары остаются брошенными в корзине – на что есть несколько причин:
· Сложный процесс оформления заказа
· Опасения по поводу безопасности платежа или способа оплаты
· Непредвиденная стоимость доставки
Чтобы оптимизировать количество отказов от покупок в корзинах, необходимо оперативно решать проблемы клиентов. Именно здесь поможет прогнозная аналитика – алгоритмы способны изучать поведение клиентов и выявлять пользователей, которые рискуют отказаться от покупки. Таким покупателям можно направить персонализированные предложения о скидках или напоминания о необходимости завершения оформления заказа.
Проблема 4: Удержание клиентов
Удержание привлеченных клиентов имеет решающее значение для долгосрочного успеха бизнеса. PA-алгоритмы способны анализировать историю покупок, демографические данные и вовлеченность клиентов для определения тех пользователей, у которых высок риск ухода. Им можно предложить индивидуальные рекомендации, основанные на их поведении и предпочтениях в прошлом, или даже разработать целевые программы лояльности, вознаграждения и стимулы для поощрения повторных покупок и укрепления долгосрочных отношений.
Кстати, проверить, насколько актуальна PA-аналитика и другие ИИ-инструменты для вашего бизнеса можно с помощью шаблона оценки степени автоматизации бизнес-процессов 👉🏻 по ссылке.
А теперь поговорим о конкретной модели в контексте предиктивной аналитики:
Модель NBO
Исторически розничная торговля подразумевала практически личные взаимоотношения между продавцами и покупателями – иногда они были настолько тесными, что некоторые клиенты хотели покупать у конкретного продавца, а не у самого бренда. В современной торговле задача состоит в том, чтобы перенести этот уровень личных взаимоотношений в цифровой контекст – так появляются решения Next Best Offer, основанные на ИИ:
NBO (Next Best Offer) — это индивидуальное предложение компании, которое направляет клиента к нужным товарам, услугам или информации в нужный момент времени, по самой приятной и привлекательной цене, через самый удобный канал.
Практическим примером для иллюстрации работы модели может служить рекомендательная система онлайн-магазина одежды. В дополнение к интеграции данных, поступающих с различных устройств, в CDP (Customer Data Platform), алгоритмы NBO способны анализировать потребительские привычки покупателей, определяя схожие черты разных клиентов. Так, если потребители со схожим поведением купили одинаковый товар, то система будет каждому из них рекомендовать продукты, которые аналогичный потребитель купил в дополнение – вот как это работает:
Для внедрения такой системы важно пройти несколько важных шагов:
Шаги по внедрению
Шаг 1: Определить цели
При рассмотрении вопроса о внедрении модели NBO важно понимать, какого результата вы хотите достичь:
· Привлечь новых клиентов
· Увеличить продажи
· Снизить уровень оттока клиентов
· Увеличить лояльность
или решить какой-то другой вопрос?
Шаг 2: Собрать данные
Здесь примером, доказывающим важность этого шага, служит забавный кейс Walmart:
При анализе потребительских привычек в этом супермаркете с помощью мониторинга Wi-Fi выявилась интересная корреляция: те же потребители, которые покупали пиво, покупали и подгузники. Эта неожиданная информация привела к тому, что Walmart реорганизовал расположение этих двух продуктов в магазине, что привело к росту продаж обоих товаров на 30%.
Этот пример наглядно демонстрирует, почему сбор данных играет такую важную роль в продажах. Для комплексного сбора информации можно внедрить CDP (платформа клиентских данных), которая поможет собирать данные о магазине, веб-сайте и из CRM и обрабатывать эту информацию для удобного представления.
Шаг 3: Проанализировать и внедрить NBO
Задача состоит в том, чтобы разобраться в цифрах и преобразовать полученную информацию в реальные стратегии с помощью аналитических процессов: сегментации, и моделирования данных. Например, от предпочитаемого клиентом способа покупки будет зависеть эффективность различных коммерческих предложений:
Если покупатель предпочитает офлайн-магазины и покупает в среднем на 5000 рублей, насколько эффективна будет скидка в 500 рублей на покупки онлайн? Или лучше сделать упор на SMS-купоны на покупки в физических магазинах? А насколько эффективнее будет та же скидка для сегмента, покупающего преимущественно в интернете?
На эти и другие подобные вопросы стоит ответить в самом начале процесса внедрения.
Шаг 4: Изучать и адаптироваться
Не стоит забывать о NBO после внедрения – важно продолжать собирать и анализировать данные, которые помогут вовремя адаптироваться к изменяющимся условиям и не отставать в эффективности от конкурентов.
Реальный кейс из практики
В студии ИИ-разработки AllSee с предиктивными алгоритмами мы работали в рамках кейса с системой персонализированных кэшбэков:
В рамках хакатона FINOPOLIS 2023 нашей задачей было разработать систему, которая будет предлагать индивидуальные предложения по кэшбэку на базе исторических данных покупок. Мы использовали технологии ML и LLM для анализа исторических данных и создания персонализированных предложений, что повысило эффективность кешбэк-системы. Проект стал победителем хакатона и был признан перспективным для увеличения доли активных пользователей юнита среди продуктовой линейки.
В рамках нашей студии ИИ-разработки мы с командой работаем над различными решениями для маркетплейсов:
· Предиктивная аналитика данных и прогнозирование спроса
· Создание систем персонализации предложений и умной лояльности
· Разработка рекомендательных алгоритмов и «умного поиска»
Эти и другие решения (о которых мы рассказали здесь) помогают нашим клиентам снижать затраты, оптимизировать запасы и улучшать клиентский опыт, что в совокупности положительно влияет на рост прибыли.
В AllSee мы делаем ИИ быстро, просто и понятно для заказчика, используя готовые технологии искусственного интеллекта (AI), а там, где их не хватает — обучаем свои модели машинного обучения (ML). Поэтому нашей команде можно поручить проект любой сложности: от разработки пилотного AI-проекта до уникальной ML-модели.
Больше интересного об ИИ для бизнеса в нашем телеграм-канале 💙