Дізнайся першим
Останні події та новини з життя KMBS дізнавайтеся у розділі KMBS Live що знаходиться у верхньому правому куті екрану
Відкрити kmbs liveІдентифікація наших покупців відбувається через їхні персональні картки. Нашій CRM-системі вже багато років, за цей час накопичилось чимало відомостей про те, що купують клієнти, коли й у якій кількості. Отже, ми розуміли, що володіємо величезною базою даних, і хотіли щось робити з цією інформацією. Питання полягало у тому, як діяти, як сегментувати покупців й які інструменти використовувати. Перші кроки ми робили практично вручну. Та незабаром у компанії з‘явились аналітики, вони створили спеціальні алгоритми, які аналізують історію покупок та підбирають пропозиції, які будуть цікаві тому чи іншому клієнту. Ви використовуєте тільки дані з CRM-системи? Які вони? Для роботи з математичними моделями та аналізу ми використовуємо «знеособлені» дані, які зберігає CRM-система. Тобто тільки наша історія покупок, частота візитів.. Ми не знаємо, де ще робить покупки наш клієнт (на відміну від банків, які знають про своїх користувачів майже все), не відслідковуємо їхню поведінку у соціальних мережах та її зв‘язок з покупками. Ми розмірковуємо над шляхами «збагачення» даних, але це досить довгий процес. На якому етапі ви знаходитесь зараз? Алгоритми, які ми використовуємо, наразі ще недостатньо складні, щоб прогнозувати транзакції й взагалі розуміти – що відбувається у людини в житті, виходячи тільки з історії її покупок. Та й штат аналітиків для цього потрібен значно більший, аніж у нас. Але, думаю, такі зміни відбудуться, вони прийдуть до нас разом із машинним навчанням. Етап, на якому ми знаходимось зараз, включає в себе формування персональних пропозицій, виходячи з минулих покупок, та рекомендації – що ще могло б зацікавити людину.Нескінченно зростати завдяки тільки новим клієнтам - неможливо, тому на перший план виходить робота з існуючою базою і розвиток нових каналів продажу
Рекомендації вибудовуються таким чином: ми розбили клієнтів на кластери, виходячи з того переліку товарів, якому вони надають перевагу. Іншими словами, люди зі схожою споживчою поведінкою потрапили до одного кластеру. Скажімо, якщо у вашій корзині є певна частка товарів з певної категорії, ми можемо зробити припущення: ви – домогосподарка (більше свіжих продуктів та побутової хімії), або ви – молода людина (часто купуєте, наприклад, Coca-Cola), або маєте домашнього улюбленця. Далі клієнт отримує пропозиції придбати те, що користується популярністю у членів того ж кластеру. Також ми намагаємось передбачати відтік клієнтів і працювати «на випередження» (тобто робити все, щоб вони не пішли від нас), а ще – «розвиваємо» їх (тобто збільшуємо частоту візитів, розмір середнього чека тощо). Як формуються персоналізовані пропозиції? Вони повністю індивідуальні. У нас завжди є певний пул акційних пропозицій, і з них за допомогою математичного алгоритму, розробленого нашими аналітиками, відбираються ті, що будуть релевантні конкретному клієнту. При цьому ми виходимо з історії його покупок, з нашої мети щодо маржинальності та інших факторів. Що ви робите, аби завадити відтоку клієнтів? Це також робить математичний алгоритм. У дуже спрощеному вигляді логіка така: рік тому клієнт ходив до наших магазинів раз на два тижні, а в останні місяці почав ходити вдвічі рідше. Скорочення кількості візитів – це сигнал для системи: людина може перестати нас відвідувати взагалі. Також береться до уваги розмір середнього чеку: якщо він зменшується, то це тривожний сигнал. Адже, скоріше за все, клієнт витрачає гроші в іншому магазині – а значить, може припинити візити до нас.У нас завжди є пул акційних пропозицій, і з них за допомогою математичного алгоритму відбираються ті, що будуть релевантні конкретному клієнту
Загалом, модель прораховує – яка ймовірність того, що конкретна людина прийде до нашого магазину протягом найближчого місяця. Якщо цифри загрозливі, тоді ми відправляємо клієнту ваучер зі знижкою на корзину товарів – тобто даємо можливість витратити певну суму і отримати фіксовану знижку (скажімо, «купи на 600 грн. та зеконом 100 грн.»). Якщо людина протягом довгого часу (більше трьох місяців) не відвідувала наші магазини, нам потрібно якось її повернути (реактивувати), - тому ми також відправляємо їй подібний ваучер. Ці кроки привели до збільшення конверсій на 23% у випадку прогнозування відтоку й на 57% - при реактивації клієнтів. З якими складнощами ви стикнулись при впровадженні цих рішень? Складними були хіба що речі, пов‘язані зі збереженням даних. Адже ми – велика міжнародна компанія, в якій існують суворі правила щодо передання інформації третім особам. Наші найбільші ризики пов‘язані з нашими базами даних. Які ваші подальші плани з використання великих даних? Ми вже потроху переходимо від періодичних кампаній до постійного управління поведінкою клієнта у реальному часі. Зараз створюємо алгоритми, щоб оперативно реагувати на певні події. Наприклад, людина зайшла до нашого магазину після довгої перерви – і у цей момент ми з нею можемо комунікувати. Другий наш крок – це мобільний додаток, за допомогою якого клієнт може робити покупки, отримувати акційні пропозиції, надавати зворотний зв‘язок. Взагалі, сучасні технології створюють безліч можливостей: скажімо, запустити швидку реєстрацію картки (це вже працює), створити електронний гаманець (це у наших найближчих планах: щоб людина бачила історію своїх покупок, індивідуальні пропозиції тощо), забезпечити опцію сплати за допомогою мобільного телефону. Також ми розмірковуємо над такими функціями, як навігація магазином, персоналізована допомога, управління шляхом клієнта у магазині. І, звичайно, останніми роками все більше популярності завойовує штучний інтелект, який може стати помічником під час покупки, підказувати, рекомендувати те, що вам варто купити, виходячи з вашої дієти… У майбутньому я бачу і наш клієнтський сервіс таким.Ми потроху переходимо від періодичних кампаній до постійного управління поведінкою клієнта у реальному часі