GlowByte Consulting
реклама
GlowByte Consulting Персональные товарные рекомендации в продуктовом ритейлере Александр Филатов [email protected] +7 (916) 451 8065 Задачи прогнозной аналитики в ритейле Подбор клиентов для промо Формирование персональных рекомендаций Оптимизация ассортимента Прогноз спроса Оценка чувствительности клиентов к коммуникациям Оптимизация базовых цен Управление оттоком Сегментация клиентской базы Markdown optimization Оптимизация логистики Анализ покупательской корзины Workforce optimization Сравнение подходов Определение потребности Купит ли клиент предлагаемый продукт? ? Какие продукты покупают «похожие» клиенты? 67% 44% 23% Чего не хватает в корзине клиента? Облегчение выбора Определение сопутствующих Постановка задачи. Клиент: ТОП-3 FMCG сеть РФ Цели Увеличение выручки за счёт персональных товарных рекомендаций на чеках Ограничения Длительность кампании — 2 недели География — два региональных центра 25 наборов уникальных рекомендаций 4 пары категория-бренд food и fresh Подход • Оценка близости покупательских корзин клиентов • Ранжирование недостающих товаров с помощью модели коллаборативной фильтрации • Наложение бизнес-эвристик Способы коммуникации Текст в футере чека – обе недели SMS рассылка – вторая неделя в 1 регионе Этапы кампании Регион №1 Этап I Этап II Футер чека • контрольная группа в 3 раза меньше, чем целевая группа • с покупателями из контрольной группы не проводится никаких коммуникаций Регион №2 Этап I Футер чека Этап II Футер чек + SMS • не все карты лояльности, на момент старта пилота были выданы покупателям i Результаты проекта Средняя выручка на 1 покупателя * Средняя посещаемость Средний чек * Суммарная выручка * +4.2% +2.7% +1.4% +5.2% Так как, рекомендации в футере чека не генерируют дополнительный клиентопоток, целевым показателем для сравнения является средняя выручка на 1 посетителя * при первой покупке за время кампании, у покупателя еще нет никаких рекомендаций, поэтому 1-я покупка не учитывается SMS-уведомления Получили SMS i Количество посетителей (%) Средняя выручка на 1 покупателя Средняя выручка на 1 карточного клиента * Частота посещений Средний чек ** +27.3% -1.1% +25.9% +1.4% -2.0% Увеличение средней выручки с 1 посетителя за счет SMS - не происходит. Дополнительная выручка генерируется за счет увеличения количества посетителей так как, SMS-сообщения генерируют дополнительный клиентопоток, целевым показателем для сравнения является средняя выручка на 1 клиента в общем пуле * только клиенты, получившие карты лояльности на момент моделирования ** без учёта первой покупки Отношение увеличения выручки к затратам на SMS 73× Футер чека Средняя выручка на 1 Средняя Средний чек * покупателя * посещаемость +3.0% +2.7% +1.0% Так как, рекомендации в футере чека не генерируют дополнительный клиентопоток, целевым показателем для сравнения участников является средняя выручка на 1 посетителя * при первой покупке за время кампании, у покупателя еще нет никаких рекомендаций, поэтому 1-я покупка не учитывается Сегменты В таблице отражены данные за 2 недели, по обоим регионам, без учета 1-й покупки — сравнение с контрольной группой Сегмент Качественные сегменты Вынужденная группировка Рост выручки на покупателя * Рост посещаемости * Рост среднего чека * Абсолютный отклик * Рост отклика * 6,1% 4,4% 1,6% 5,1% 18,6% 2,9% 1,6% 1,3% 3,7% 8,8% i Приведенная статистика показывает, что в сегментах с большей персонализацией основные показатели выручки и отклика примерно в 2 раза превышают аналогичные показатели в сегментах с высокой степенью обобщения Описание одного сегмента 350 Выручка +20.6% Посещаемость: +16.8% Средний чек: +3.3% Отклик: 12.3% 300 250 200 Рекомендации • Чипсы картофельные • Напитки сладкие безалкогольные • Энергетические напитки • Изделия сдобные, слоеные 150 100 50 0 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360 380 400 420 440 460 480 500 520 540 560 580 600 Корзина • Пиво отечественное • Сигареты, папиросы • Семечки подсолнечные • Пиво лицензионное • Сметана • Сыры плавленые Было Стало Использование персональных рекомендаций в данном сегменте уменьшило вероятность выручки с клиента в диапазоне 0 – 120 рублей. Итоги Персональные рекомендации Увеличение выручки на 1-го посетителя – 4,2% Посещаемость – 2,7% Средний чек – 1,4% SMS - рассылка с уведомлением об акции для клиентов: – 1,1% – изменение в средней выручке на посетителя 27% – привлечение дополнительных посетителей 25% – увеличение суммарной выручки Увеличение выручки за 2 недели 5,2% Перспективы развития 1 2 3 Отсутствие технологических ограничений • • • Формирование персональных рекомендаций без объединение в сегменты Обновление модели после каждой покупки/ежедневно Сегментация магазинов и построение отдельных моделей по сегментам Выявление эффективных маркетинговых приемов • Использование истории откликов на предложения • Канал/частота коммуникаций • Формат предложений (скидки/баллы) Оптимизация выручки • Учёт эластичности • Учёт каннибализации • Выявление драйверов дополнительного спроса Как это было реализовано? 1. Анализ доступных данных. Выбор источников для формирования аналитической витрины 2. Выбор алгоритма расчета метрики близости «товарклиент». Формирование витрины 3. Обучение алгоритмов рекомендательных систем Транзакционные данные 4. Разработка и применение алгоритмов/эвристик уточнения рекомендаций Персональные рекомендации 5. Тестирование системы на исторических данных Спасибо за внимание! Александр Филатов [email protected] +7 (916) 451 8065 Thank you! Alexander Filatov [email protected] +7 (916) 451 8065
