Как Machine Learning помогает бизнесу зарабатывать на погоде: Big Data и метеомаркетинг

Автор Категория , , , , , ,
Как Machine Learning помогает бизнесу зарабатывать на погоде: Big Data и метеомаркетинг

Мы уже рассказывали, как машинное обучение (Machine Learning) и большие данные (Big Data) помогают бизнесу сделать свои маркетинговые кампании персональными и оптимизировать рекламный бюджет. В этой статье рассмотрим, как метеоусловия влияют на маркетинг и каким образом бизнес может заработать на использовании данных об этих внешних условиях.

Как погода влияет на уровень продаж: анализ Big Data по метеоусловиям и выручке

Погода задает настроение, которое является очень важным аспектом потребительского поведения – 84% покупателей совершают импульсивные (спонтанные) покупки в интернет-магазинах (40%) и оффлайн (60-80%) [1]. Поэтому маркетологи всего мира стремятся выявить закономерности по изменению уровня продаж в зависимости, в том числе и от внешних факторов, таких как погода. Для решения этой задачи отлично подходят аналитические инструменты Big Data, которые помогают найти корреляцию между выручкой и метеоусловиями.

Например, крупнейшая торговая сеть Walmart определила, что ветер влияет на продажу ягод, которые лучше расходятся, когда на улице небольшой ветер и температура не более 26 градусов Цельсия. Благодаря знанию об этой взаимосвязи, компания запустила активную рекламу в регионах с подобными метеоусловиями и увеличила уровень продаж этой продукции в 3 раза. Аналогичным образом были проведены маркетинговые акции по бургерам: анализ данных по продажам и информации о погоде показал, что мясной фарш хорошо продается, когда на улице достаточно тепло, слабый ветер и солнечно, а салаты отлично покупаются при слабом ветре и температуре не выше 25 C. Продажа бургеров в местах с такими погодными условиями выросла на 18%.

Также Walmart уже несколько лет отображает на сайте продукцию в зависимости от погодных условий: при дожде, в первую очередь, отображаются зонты, а если ожидается похолодание – теплые вещи [2].

Большие данные о погоде для Walmart поставляет информационно-аналитическая компания The Weather Company, которая с 2016 года является дочерним предприятием бизнес-подразделения IBM Watson & Cloud Platform. Помимо информации с метеорологических станций, The Weather Company собирает данные с более, чем 800 различных типов источников: 40 млн портативных устройств с установленным мобильным приложением. В частности, на телефонах и планшетах Apple виджет погоды берет информацию от The Weather Company. Также этот погодный сервис стал нативным (предустановленным) на всех устройствах Samsung S8 или S8+. Кроме этого информация о метеоусловиях ежедневно собирается с 200 000 домашних станций, расположенных по всему миру, и даже с 50 000 авирейсов. В результате каждый день получается более 100 Тб данных, что позволяет обновлять прогноз погоды раз в 15 минут с точностью до 500 квадратных метров в некоторых регионах [2].

Соединив средствами Big Data систем информацию о погодных условиях с геолокацией пользователя и его потребительских предпочтениях, Walmart предполагает использовать дроны для доставки своей продукции. В настоящее время дроны, используемые в коммерческих перевозках, летают на относительно небольшое расстояние (около 10 км). Как раз в пределах этого расстояния от магазинов Walmart живет почти половина (49%) пользователей приложения The Weather Company [2].

Big Data, дрон,маркетинг, большие данные
Аналитика Big Data о готовности сети магазинов Walmart к использованию дронов-доставщиков

 

В России показательным примером метеочувствительного маркетинга можно назвать кейс мебельного гипермаркета Hoff, который регулировал ставки в рекламных сетях Яндекс.Директ и Google Ads на основе температуры воздуха, облачности и осадков. Это позволило компании увеличить продажи товаров категории на 64%, а конверсию в покупку — на 21% при росте расходов на 18,5% [3]. Именно этот пример мы рассмотрим далее в качестве демонстрации того, как устроен погодный маркетинг.

 

Как работает метеомаркетинг

В случае мебельного гипермаркета Hoff были для контекстной рекламы садовой мебели были настроены следующие автоматические правила, регулирующие ставки в зависимости от прогноза погоды по трем условиям:

  • дневная температура текущего дня;
  • тип осадков;
  • уровень осадков.

Источником данных о прогнозе в целевых регионах был выбран сайт Gismeteo. Каждый день в 4 утра система автоматизации контекстной рекламы Alytics загружала с Gismeteo по API прогноз погоды на текущие сутки. При этом учитывался общий тренд погодных условий: в частности, лето 2015 года было дождливым и холодным, поэтому в модель были внесены допущения небольших осадков в виде мелкого дождя. Отметим, что команда аналитиков и маркетологов компании Hoff не использовала инструменты Data Science на полную мощность, задав правила работы с рекламными ставками на основании погодных данных вручную, а не с помощью самообучающихся алгоритмов Machine Learning. Таким образом, величина рекламных ставок изменялась по следующим правилам [3]:

  • если дневная температура воздуха больше порогового значения, отсутствуют облака и осадки (или малооблачно и мелкий дождь), то исходная ставка увеличивается на 100%;
  • если дневная температура воздуха больше порогового значения, ожидаются осадки (дождь) и облачность, то исходная ставка увеличивается на 50%;
  • если дневная температура воздуха меньше порогового значения, ожидаются сильные осадки и высокая облачность (пасмурно), то исходная ставка не изменяется.
метеомаркетинг, маркетинг, управление рекламными ставками, погода, влияние погоды на продажи и конверсию
Визуальная схема автоматизации рекламных ставок компании Hoff в зависимости от прогноза погоды

В результате применения вышеприведенной схемы по итогам нескольких месяцев мебельному гипермаркету Hoff удалось существенно повысить показатели продаж садовой мебели [3]:

  • рост конверсии в покупку на 21% при увеличении расхода по рекламным кампаниям на 18,5% (относительно аналогичного периода в прошлом году);
  • рост дохода по данной категории товаров за отчетный период на 64%.

Если не только собирать и анализировать Big Data о погоде и бизнес-метриках, но строить на основе этих данных предиктивные модели и рекомендательные системы с помощью с Machine Learning, можно добиться более впечатляющих результатов, как это сделали следующие зарубежные компании.

 

Machine Learning в метеомаркетинге

Американский канал платного телевидения The Weather Channel отслеживает влияние погоды на эмоциональное состояние своих зрителей, чтобы с учетом сформировавшихся тенденции и геолокации клиентов подсказывать рекламодателям наиболее эффективные способы и моменты подачи сообщений. Результативность такого подхода подтвердила совместная маркетинговая кампания брендов Pantene, Walgreens и The Weather Channel. На основе Big Data от The Weather Channel и собственных предиктивных моделей Machine Learning, Pantene и Walgreens рекламировали средство для вьющихся волос в период, когда влажность воздуха достигнет предельного значения. Благодаря такой стратегии в аптечной сети Walgreens за июль и август продажи продукции Pantene выросли на 10%, а других товаров для ухода за волосами – на 4%.

Аналогичным образом, сопоставляя данные о метеоусловиях и авиарейсах, гостиничная сеть Red Roof таргетировала свою маркетинговую кампанию на те районы, где полеты часто переносятся или отменяются из-за ненастной погоды. Пассажирам задержанных или отмененных рейсов предлагалось размещение в отелях вблизи аэропортов с учетом потенциальной заполненности номерного фонда на основе данных по количеству мест в самолетах. В результате этого компания ускорила свой рост в этих регионах на 10% [4].

Технически архитектура Big Data системы, основанной на сборе данных о погодных условиях с различных источников (в т.ч. мобильных устройств) и аналитической обработке полученной информации с использованием предиктивных моделей Machine Learning может быть реализована следующим образом [5]:

  • Apache Kafka обеспечивает непрерывный сбор и агрегацию данных с метеостанций, мобильных устройств и самолетов;
  • Spark Streaming получает информацию из топиков Kafka и строит на основе этих данных предиктивные модели Machine Learning с помощью компонента Spark MLlib;
  • Результаты аналитики передаются в BI-системы и витрины данных (дэшборды) для принятия управленческих решений, а также отправляются конечным пользователям (пассажирам) в виде маркетинговых предложений и рекомендаций по выгодному бронированию гостиниц в случае отмены рейса.
Big Data, Machine Learning, Spark, MLlib, Kafka, Спарк, Кафка, Apache
Интеграция Apache Kafka и Spark Streaming для построения предиктивных моделей Machine Learning

Узнайте больше о возможностях эффективного использования метеоинформации и других больших данных о внешних факторах для своего бизнеса на нашем практическом курсе Аналитика больших данных для руководителей в лицензированном учебном центре обучения и повышения квалификации ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве.

Источники

  1. https://new-retail.ru/business/e_commerce/issledovanie_impulsivnykh_pokupateley_statistika_trendy_i_sposoby_privlecheniya9984/
  2. https://habr.com/ru/company/ibm/blog/332536/
  3. https://vc.ru/marketing/10883-case-weather
  4. https://ru.experrto.io/blog/2017/07/07/4-primera-effektivnogo-ispolzovaniya-bolshih-dannyh-ot-krupnyh-ritejlerov/
  5. https://mapr.com/blog/fast-data-processing-pipeline-predicting-flight-delays-using-apache-apis-pt-3/