Что такое programmatic print и при чем тут персональный маркетинг с Big Data: 4 кейса от FMCG-гигантов

Big Data, Большие данные, обработка данных, ритейл, предиктивная аналитика, машинное обучение, Machine Learning, маркетинг

Сегодня мы расскажем, что такое программная печать, зачем ритейлеры используют эту технологию и как programmatic print связана с Big Data. Читайте в нашей статье, как IKEA, «Рив Гош», «Ив Роше» и Bonprix используют Big Data для персонального маркетинга в своих рекламных кампаниях, а также повышают лояльность клиентов и стимулируют продажи с помощью Machine Learning.

Что такое программная печать: персональный маркетинг как компромисс между онлайн и оффлайн

Programmatic print – это новый подход к персонализированному маркетингу, который объединяет онлайн-предложения с печатными носителями (листовки, журналы, купоны и пр). К примеру, пользователь посмотрел товар в интернет магазине, прложил его в корзину, но не завершил покупку. В течение 2-х суток этот клиент найдет в своем почтовом ящике листовку с рекламным предложением тех товаров, которыми он просматривал на сайте. Таким образом, реклама будто преследует пользователя, повышая степень его вовлечения. Кроме того, до сих пор большинство потребителей активнее реагируют на бумажные обращения, чем на электронные [1].

Примечательно, что бумажный носитель тоже будет персонализирован, например, титульный лист рекламного каталога будет включать имя клиента или даже стилизован под его интересы. В частности, немецкий fashion-ритейлер Bonprix адресует обложки конкретным пользовательским категориям, изображая на них соответственно молодых женщин, мужчин, семьи с детьми или покупателей старшего возраста. А французская косметическая компания «Ив Роше» отправляет своим клиентам индивидуальные открытки на день рождения, которые включают не только имя и адрес получателя, но и промо-коды на их любимую продукцию из своего ассортимента [1].

Персональный маркетинг c Big Data

Таким образом, подход так называемой программной печати, который позволяет по-настоящему персонифицировать современный маркетинг, основан на сборе и аналитике данных о клиентах. Именно средства Big Data делают рекламные носители индивидуальными, идентифицируя пользователя и определяя его интересы с помощью алгоритмов Machine Learning. При этом ритейлер может обогатить собственные данные о клиентах информацией из сторонних источников, сотрудничая с поставщиками данных [2].

Приобрести обезличенные данные об интересах своих потенциальных покупателей можно на специализированных биржах данных (Data Exhange) или сразу на площадках для таргетированной рекламы – DSP-платформах (Demand Side Platform). Приобретенная таким образом информация включает анонимизированную информацию о поведении пользователя в интернете: историю посещения сайтов и страниц, лайки, share-действия и анонимные анкетные данные о поле, возрасте, уровне доходов и т.д. Обычно эти сведения собираются с помощью файлов cookie [3]. Разумеется, все эти данные могут быть дополнительно обогащены информацией из открытых источников, например, соцсетей, в т.ч. с применением алгоритмов машинного обучения по распознаванию образов на фотографиях. В частности, именно этот прием использовала компания Coca-Cola в своих маркетинговых акциях, о чем мы писали здесь.

Возвращаясь к Programmatic print и Big Data, отметим, что корпорация IKEA проанализировала данные участников своей программы лояльности и определиила тех клиентов, у кого рядом с домом есть лужайка или участок. Далее этим людям были отправлены персональные открытки с прогнозом погоды и приглашением провести время рядом с домом, удобно устроившись на шезлонгах, креслах и подушках IKEA. Результатами этой маркетинговой кампании стал рост интереса к садовой мебели на 55% и увеличение продаж на 34% [1].

Programmatic print и Big Data
Аналитика Big Data нужна не только для электронных маркетинговых компаний

Как Machine Learning стимулирует продажи: кейс сети «Рив Гош»

Интересен также опыт отечественной сети магазинов парфюмерии и косметики «Рив Гош». Еще в 2018 году эта FMCG-компания запустила в 220 своих торговых точках и сайте проект по прогнозированию покупок и выдаче персональных маркетинговых предложений на основе анализа пользовательского поведения. Машинное обучение позволило определить наиболее прибыльный сегмент среди держателей карт лояльности и адресовать маркетинговые предложения непосредственно каждому пользователю. За время тестирования эти покупатели принесли компании около 7% дохода при численности всего 1% от общей клиентской базы. Важно, что используемая Big Data система в режиме реального времени учитывала динамическое изменение состава, численности и параметров этого потребительского сегмента.

Аналитика больших данных автоматически определяет из всех держателей карт лояльности (2,6 млн человек) тех, кто потенциально может совершить покупку в ближайшие 2 недели. Далее система прогнозирует состав покупок для каждого из этих клиентов, определяя из всего ассортимента артикулы конкретных товаров. Далее маркетологи запускают адресное рекламное предложение для каждого из наиболее склонных к покупке клиентов, согласно рекомендациям Machine Learning. При этом данная Big Data система рассчитывает допустимый уровень скидки индивидуально для каждого потребителя. Таким образом, снижаются расходы на маркетинговую кампанию, но повышается ее эффективность.

Алгоритмическая часть решения включает несколько методов машинного обучения: градиентный бустинг, случайный лес, коллаборативную фильтрацию и другие современные ML-алгоритмы. В качестве обучающей выборки использовалась информация из CRM-системы за 2017 год: транзакции, товарные позиции, сведения о товарообороте и поставках, а также история покупок и демографические данные держателей дисконтных карт. Машинное обучение позволило выявить скрытые закономерности в этих данных, выделило целевой сегмент покупателей и спрогнозировало наиболее вероятные для них покупки. Далее была выполнена рассылка маркетинговых предложений для выявленных клиентов и проанализированы фактические продажи. Уже первые недели тестирования этой Big Data системы показали отличные результаты [4]:

  • точность персональных товарных рекомендаций по конкретным артикулам составила около 33%;
  • число повторных покупок выросло на 25%;
  • увеличение среднего чека на 42%;
  • снижение расходов на маркетинговые акции за счет адресной работы с потенциальными покупателями;
  • повышение лояльности клиентов.

Еще больше интересных примеров по использованию технологий Big Data и Machine Learning в комплексной цифровизации FMCG-бизнеса вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, аналитиков и Data Scientist’ов) в Москве:

расписание компьютерные курсы для руководителей, аналитиков, программистов, администраторов и пользователей Internet of Things, Big Data и Machine Learning Смотреть расписание занятий
регистрация на компьютерные курсы для руководителей, аналитиков, программистов, администраторов и пользователей Internet of Things, Big Data и Machine Learning Зарегистрироваться на курс

Источники

  1. https://www.retail.ru/cases/kak-prorvatsya-k-klientu-cherez-tsifrovoy-shum/
  2. https://www.retailconnections.co.uk/articles/exploring-the-best-collaborative-uses-of-fmcg-big-data/
  3. https://chernobrovov.ru/articles/monetizaciya-big-data-kak-biznesu-zarabotat-na-dannyh.html
  4. https://retail-loyalty.org/news/riv-gosh-povyshaet-uroven-prodazh-s-pomoshchyu-mashinnogo-obucheniya