Процесс внедрения технологий персонализации на предприятии

После заказа покупатель получает на электронную почту письмо, которое может содержать:

-- Персональные рекомендации,

-- Сопутствующие товары к совершенной транзакции,

-- Прогноз совершения следующей наиболее вероятной покупки,

Новинки из наиболее интересных пользователю категорий,

Регулярные предложения товаров повторного спроса.

В результате проекта ритейлер достиг показателя открываемости писем 31%, конверсии last-click в 1,3%, и 17% новой аудитории на сайте. Кроме того, при анализе рекламной кампании через разные модели атрибуции было выявлено, что привлеченный таким образом трафик генерирует в несколько раз больше транзакций (примерно 4-х кратный прирост заказов), возвращаясь потом с других рекламных источников, т.е. помимо прямых продаж, которые атрибуцируются Google Analytics на email-рассылки, посетители через некоторое время конвертируются, приходя на сайт из других источников.

2.3 Системы визуализации результатов анализа

Для принятия бизнес-решений руководству предприятия розничной торговли необходим инструмент, позволяющий представлять результаты анализа в удобном виде. Системы визуализации могут служить интерфейсом между ритейлером (пользователем может быть как директор магазина, так и продавец-консультант), и результатами анализа массива данных. Так, например, ритейлер может наглядно изучить информацию о своей клиентской базе (см. рис. 5)

Рисунок 5 - Пример сегментации покупателей в Tableau



Далее рассмотрены наиболее популярные системы визуализации.

Tableau Desktop. Tableau - лидирующий игрок индустрии визуализации данных. ПО позволяет напрямую подключаться к базам данных без предварительной обработки. Интерфейс системы - drag&drop позволяет получать результат анализа без программирования. В качестве визуализации доступно множество видов графиков и представлений, в том числе карты. Из полученных графиков возможно составить дэшборды (информационные панели).

Power BI. Продукт компании Microsoft, Power BI - это многофункциональное гибридное веб-приложение данных и средство создания отчетов. Существует возможность объединения данных из отдельных баз данных, файлов и веб-служб с использованием визуальных инструментов, которые помогают узнать и улучшить качество данных, а также автоматически устранить проблемы с форматированием. Power BI отличает интеграция с MS Office

QlikView. Программа, ориентированная на аналитику и исследование данных (data discovery), предоставляет возможность создания аналитических приложений и информационных панелей.

2.4 Прочие факторы внедрения персонализации

2.4.1 Проблемные вопросы в разработке алгоритмов персонализации

Перед разработчиками алгоритма стоит ряд проблемных вопросов:

Отсутствие начальных данных. Отсутствие информации о покупках особенно критична для тех категорий товаров, где новые продукты приносят наибольшую выручку (например, книги или электроника)

Нежелательные рекомендации. Рекомендации должны соответствовать возрастным и другим ограничениям для потенциальных покупателей.

Неактуальные покупки. Давно приобретенные товары могут не соответствовать текущим интересам и потребностям клиента.

Покупки для других людей. Товары, приобретенные в подарок, могут искажать рекомендации.

Логическая последовательность. Рекомендательными системами редко рассматривается последовательность покупки товаров (например, сиквелы фильмов или продолжения книг)

Логическое развитие. Иногда необходимо учитывать развитие потребностей покупателя (например, в случае покупки учебников для изучения иностранного языка).

2.4.2 Чувствительность клиентов к уровню персонализации

Чем больше данных используется в создании персональных предложений для покупателей, тем более чувствительны к вопросам конфиденциальности становятся клиенты.

По результатам опроса 1000 покупателей, посвященном гиперперсонализации, компания Accenture обнаружила зависимость между приемлемым уровнем персонализации и демографическими данными покупателей. Так, более молодое поколение (миллениалы) выражают гораздо большее желание получать персональные предложения, чем старшее (беби-бумеры). Гендерные различия тоже играют роль: женщины считают получение персональных предложений при покупке продуктов более странным, чем мужчины.

В целом, было выяснено, что три фактора, которые определяют, насколько комфортно покупатели чувствуют себя при получении персональных предложений, это доверие, осведомлённость ипонимание пользы от персонализации. Accenture выделили несколько правил для внедрения приемлемого уровня персонализации:

Определить ценность для клиента. Покупатели должны чувствовать достаточную ценность, которую они могли бы обменять на свои персональные данные

Внедрять персонализацию постепенно. Тестировать и внедрять новые алгоритмы со скоростью, подходящей клиентам.

Быть прозрачным. Предоставить пользователям контроль над личными данными и возможность изменять предпочтения по уровню персонализации.

Контролировать доступность данных. Обеспечить информационную безопасность в хранении и использовании персональных данных покупателей.

Обозначить границы. Определить, как данные клиентов могут и не могут использоваться, включая их монетизацию.

Обеспечить прочную основу. Определить стратегию безопасности и использования данных.

Обеспечить прочные доверительные отношения с клиентами.

2.4.3 Обзор компаний, предоставляющих решения для персонализации в ритейле

В зависимости от компетенций сотрудников компании-ритейлера, руководство компании может захотеть привлечь внешних подрядчиков для организации персонализации. На российском рынке существуют несколько компаний, которые предоставляют технологии персонализации как для онлайн-, так и для оффлайн-магазинов. Далее представлен список некоторых из этих компаний с описанием особенностей их технологий.

Insider

Описание: компания предлагает платформу для социальной персонализации сайта, включающая комплекс инструментов для увеличения конверсий. Включает систему A/B тестирования и мультивариативных тестов. Insider работает с ритейлерами, ориентированными на онлайн-продажи.

Основные клиенты: ebay, Media Markt, Юлмарт, Lamoda.

Synqera

Описание: российская компания, разработчик решения для розничной торговли.

Схема работы платформы:

ПО собирает данные из программы лояльности, POS и ERP-систем, соединяет их с информацией о реакции покупателей, данными от бизнес-партнеров и интернет-ресурсов, например, платежных систем и прогнозом погоды.

Собранная информация анализируется для выявления потребностей покупателя и товарных предпочтений.

В результате анализа система показывает сообщение, персонализированное под конкретного покупателя.

Платформа позволяет использовать несколько каналов коммуникаций.

Устройства для организации коммуникаций в розничных магазинах:

Симплейт. Интерактивный экран для привлечения и монетизации внимания покупателей на кассе. Симплейт анализирует информацию о покупателе, отображает количество бонусов покупателя и способы их потратить, транслирует таргетированную рекламу в магазине;

Генератор лояльности. Компактный принтер с сенсорным экраном. Принтер печатает персонализированный список покупок, актуальные специальные предложения на основе истории покупок и предпочтений покупателя, персонализированные купоны и спецпредложения о покупке;

Интерактивный экран, расположенный в торговом зале. Получает отзывы клиентов путем опросов, анкетирования или анализа покупательских предпочтений, транслирует таргетированные рекламные ролики актуальных товаров, обеспечивает покупателей детальной информацией о товарах в магазине.

Retail Rocket

Описание: платформа мультиканальной персонализации интернет-магазинов. Разработкой проекта занимались создатели рекомендательных систем Ozon.ru и Wikimart.ru. Система включает в себя:

Персональные товарные рекомендации. Сервис создает товарные рекомендации на основе поведения пользователей на сайте интернет-магазина. Персональные рекомендации размещаются на сайте с помощью быстро устанавливаемых виджетов или серверного API. По результатам А/B тестов клиентов компании (крупнейшие интернет-магазины страны) - рост выручки по результатам внедрения составляет от 10% до 50%

Персональные триггерные e-mail рассылки. Более 10 сценариев триггерных рассылок, которые настраиваются один раз и приносят прибыль не требуя внимания. Конверсия из переходов в оформленные заказы до 10%.

Клиентам доступна статистика эффективности использования системы. Кроме того, в системе есть встроенный инструмент для A/B тестирования, позволяющий измерить влияние рекомендаций на ключевые показатели магазина.

KeaLabs

Описание: Kea Labs предлагает такие блоки рекомендаций как:

1) Похожие товары. Kea Labs анализирует тексты из названия и описания товаров и учитывает важные для каждой категории товара параметры. Например, тип и максимальная загрузка для стиральных машин.

2) Сопутствующие товары. Если товары дополняют друг друга, они будут показаны в блоке сопутствующих товаров. Механизм cross-sell увеличивает прибыль, стимулируя пользователей к очередным покупкам.

3) Товары из одной коллекции. Подобные блоки рекомендаций актуальны для магазинов мебели, одежды или аксессуаров, где имеет значение стиль и дизайн определенной коллекции.

4) Напоминания (Вы интересовались…). Покупатель может вернуться к просмотренным товарам благодаря блоку напоминания.

5) Персональные рекомендации. Что может понравиться каждому вашему клиенту, Алгоритм, основанный на анализе действий пользователя, определяет, что может понравиться каждому клиенту . Он позволяет сделать персональные рекомендации качественными даже в магазинах с небольшой посещаемостью.

6) Популярные товары в категории. Алгоритм Kea Labs определяет самые популярные товары и предлагает их покупателю. Например, в магазине детских товаров в рекомендациях показаны игрушки, которые чаще всего покупают.

В Главе 2 была предложена методология внедрения технологий персонализации в ритейле. Были предположены шаги по созданию необходимых условий для внедрения персонализации, описана работа алгоритмов персонализации и приведены примеры их применения. Кроме того, была затронута тема выбора оптимального уровня персонализации предложений. Наконец, был предложен список компаний-подрядчиков, которые могут взять на себя работу по внедрению технологий на предприятии.



3. РАЗРАБОТКА СИСТЕМЫ ПЕРСОНАЛИЗАЦИИ НА ПРИМЕРЕ МАГАЗИНА ОФИСНЫХ ТОВАРОВ

3.1 Описание ситуации и постановка задачи

Для примера разработки системы персонализации рассмотрен магазин товаров для офиса (аналог на российском рынке - сеть «Комус»). Магазин продает различные товары: телефоны, компьютерную технику, мебель, канцелярские товары и аксессуары для трех типов клиентов: корпоративных, частных и домашних офисов. Ритейлер имеет как физические магазины, так и онлайн-магазин с возможностью международной доставки.

На данный момент ритейлер обеспечил все условия для создания персонализации (омни-канальность, сбор и хранение данных в единой базе). База ритейлера представляет собой запись всех заказов и покупок клиентов (51290 строк), в каждой строке которой содержится информация о (см. рис. 12-13 в Приложении):

Номере заказа,

Дате заказа,

Метода покупки/доставки,

ID клиента,

Имени клиента,

Адресе клиента,

ID товара,

Типе товара,

Названии товара,

Выручке с заказа,

Прибыли с заказа.

Алгоритм персонализации должен решать вопрос рекомендации товаров клиентам как онлайн (на сайте в процессе покупки или в электронной рассылке), так и оффлайн (рекомендации продавцов-консультантов).

3.2Разработка алгоритма определения схожих товаров

Для решения задачи ритейлера было решено создать алгоритм, который бы находил товары, близкие тем, который покупает или рассматривает клиент, используя метод коллаборативной фильтрации товар к товару. «Похожесть» товаров определяется по расстоянию между векторами, компоненты которого определяются числом заказов данного товара каждым из клиентов магазина.

Расстояние между векторами товаров измеряется при помощи косинусного коэффициента. Коэффициент основан на формуле скалярного произведения векторов:

(6)

Коэффициент схожести векторов по косинусу вычисляется по формуле:

(7)

Для проработки алгоритма были подготовлены данные на основе базы ритейлера. В первую очередь, была создана сводная таблица (см. рис. 14 в Приложении), в которой на пересечении строк (товаров) и столбцов (покупателей) было выведено суммарное значение заказов данного товара данным покупателем. Далее, для ускорения работы алгоритма, были выбраны только частные клиенты и отобраны топ-250 самых популярных товаров. После чего данные были транспонированы, и была удалена информация об именах клиентов таким образом, что каждый столбец представлял собой вектор товара (см. рис. 15 в Приложении).

Алгоритм был разработан в среде R (полный код алгоритма см. в Приложении 2). В первую очередь данные из csv-файла были загружены в формате Dataframe. Затем была определена функция getCosine, определяющая расстояние по косинусу между векторами x и y:

getCosine <- function(x,y)

{

this.cosine <- sum(x*y) / (sqrt(sum(x*x)) * sqrt(sum(y*y)))

return(this.cosine)

}

Была создана матрица shopdata.similarity, которая была заполнена значениями косинусного коэффициента для каждой пары векторов:

shopdata.similarity[i,j]<- getCosine(as.matrix(shopdata[i]),as.matrix(shopdata[j]))

Далее для каждого товара были выбраны первые 11 товаров с наибольшим значением коэффициента (данный товар и 10 других товаров) (см. рис. 16 в Приложении) и создана таблица shopdata.neighbours.

Таким образом, любой товар магазина можно найти в первой колонке таблицы shopdata.neighbours, определив для него Топ-10 схожих товаров.

3.3 Использование результатов работы алгоритма для создания рекомендаций

Результаты анализа схожести товаров возможно использовать в нескольких сценариях рекомендаций.

3.3.1 Рекомендации для данного товара

Наиболее простой способ применения результатов анализа схожести товаров - предложение подобных продуктов при просмотре данного товара. В онлайн-магазине местом размещения рекомендаций может быть страница товара. В случае традиционного магазина рекомендация может быть определена продавцом-консультантом при помощи мобильного устройства (см. пример Использование мобильных POS для персонализации, Глава 2).

Рисунок 6 - Пример рекомендации

3.3.2 Рекомендации для данного клиента

Другим способом создания рекомендаций клиентов может быть поиск подходящих товаров на основе истории покупок клиента. Если рекомендации формируются в процессе принятия решения (в магазине), покупатель должен быть идентифицирован в начале сессии. Кроме того, данные предложения могут быть размещены в email-рассылке.

Алгоритм находит все соответствующие товары для каждого из истории покупок клиента, а затем сравнивает их на основе ожидаемой прибыли от покупки. Ожидаемая прибыль вычисляется как произведение коэффициента похожести товаров (прокси для вероятности приобретения) и прибыли от данного товара. Товары предлагаются в порядке ожидаемой прибыли.

3.4Визуализация результатов в магазине

Инструменты визуализации позволяют создавать интерфейс для получения результатов анализа менеджерами или работниками магазина. В данном примере система Tableau применяется для моментального получения информации о клиентах.

Исходными данными для Tableau послужила база данных клиентов магазина и матрица схожих продуктов, построенная в системе R на предыдущем шаге.

Так, продавец-консультант может авторизовать покупателя по номеру карты лояльности (поле Customer ID) при помощи мобильного устройства (планшета). Система покажет имя клиента, его адрес, тип (частный или корпоративный) и историю покупок. По последнему параметру возможно оценить потенциальную ценность клиента.Более того, для каждой прошлой покупки клиента был собран список соответствующих товаров, который отображается на информационной панели в порядке схожести (то есть вероятности покупки).

Благодаря этой системе, продавец может сформировать индивидуальный подход к каждому клиенту и предложить наиболее подходящие товары.

Рисунок 7 - Пример информационной панели с информацией о покупателе

3.5 Оценка результатов внедрения персонализации

Для верхнеуровневой оценки ожидаемых результатов персонализации необходимо рассчитать предполагаемое увеличение выручки ритейлера. По данным отчета RightNow Customer Impact Report (Oracle, 2011) 86 процентов покупателей готовы платить до 25 процентов больше в случае улучшения покупательского опыта, связанного с персонализацией.

Предполагая, что средняя выручка с клиента одинакова, рассчитаем максимальный потенциальный эффект. Выручка исследуемого ритейлера в 2015 году составила ~490 млн долл. США. Эффект от персонализации распространяется на 85% выручки, т. е. 416,5 млн долл. США. 25-процентное увеличение в выручке составит 104 млн долл. США (см. рисунок 8)

Рисунок 8 -Расчет эффекта персонализации, млн долл. США

Таким образом, в Главе 3 был разработан алгоритм оценки схожести товаров на основе данный магазина офисных товаров. Далее были предложены способы построения рекомендаций на основе анализа и система визуализации для применения продавцами-консультантами. Наконец, был предложен способ расчета ожидаемого эффекта на выручку предприятия.



ЗАКЛЮЧЕНИЕ

В результате работы было определено, что персонализация является следующим естественным шагом развития маркетинга в ритейле для поддержания конкурентного преимущества.

Был сделан вывод, что главным условием внедрения персонализации является применение омни-канального подхода. Кроме того, были приведены основные шаги внедрения персонализации и возможные аналитические направления.

Был сформирован список базовых аналитических алгоритмов с примерами их применения в персонализации. Далее был предложен вариант применения техники коллаборативной фильтрации товар к товару для создания персональных рекомендаций в магазине офисных товаров.



БИБЛИОГРАФИЧЕСКИЙСПИСОК

1. Goller L. 5 Disruptive Retail Trends to Watch in 2016 // RangeMe Blog. 2016.

2. Donnelly C. The CEO's new mandate: Own the customer experience // Accenture Strategy. 2015.

3. Gaudin S. For retailers, e-commerce alone won't make the sale // ComputerWorld // 2016.

4. Брижашева О.В. Маркетинг торговли. Учебное пособие. - Ульяновск: Государственное образовательное учреждение высшего профессионального образования «Ульяновский государственный технический университет», 2007. - 169 с.

5. Kotler P., Keller, K. L. Marketing management. - N.J: Pearson Prentice Hall, 2009.

6. Vandenbulcke V., Lecron F. Customer segmentation based on a collaborative recommendation system: Application to a mass retail company // 42nd Annual Conference of the European Marketing Academy, 2013.

7. Bodapati A.V. Recommendation Systems with Purchase Data // American Marketing Association. 2008.

8. Murphy R. New Study Reveals That Traditional Retailers Are Failing to Meet Consumer Desires for “Amazon-like” Personalization // Swirl, 2015.

9. Retail personalization: customer trust and expectations // Accenture, 2015

10. The Future Of Grocery // Nielsen, 2015

11. КульгинМ. iBeacon или Geofencing? // Innospace, 2015

12. Bacos J. Why starting with your customers may be the worst way to serve them // The Oliver Wyman Retail Journal. 2013. Vol. 2. P. 7-12.

13. MacQueen J. B. Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability // University of California Press. 1967.
No. 1. P. 281-297

14. Foreman J.W. Data Smart. Using Data Science to Transform Information into Insight. - N.Y.: Wiley, 2013. - 425 p.

15. Brandes U., Delling D. On Finding Graph Clusterings with Maximum Modularity // Department of Computer & Information Science, University of Konstanz. 2007.

16. Linden G., Smith B., York J. Amazon Recommendation Systems // IEEE Computer Society. 2003. No. 1. P. 76-79.

17. Коптяев Ю. Персонализация и диджитал: как технологии влияют на развитие программ лояльности // Retail-Loyalty. 2016.

18. Судник А. Интегрируй это: как российские ритейлеры на практике становятся омниканальными // Forbes. 2017.

19. ГаспарянВ. ОмниканальныйритейлвРоссии // Retail-Loyalty, 2016. P. 80-86.

20. Clifford S. Store is tracking your cell // New York Times, 2013.

21. Yancey J., How To Collect In-Store Customer Data in a Transparent Manner // CloudTags. 2015

22. Klena K. Shoppers disrupted. Retailing through the noise // IBM Institute of Business Value. 2015.

23. Improving Retail Performance with Big Data. Architect's Guide and Reference Architecture Introduction // Oracle. 2015.



ПРИЛОЖЕНИЕ 1

Рисунок 9 - Оценка необходимости трансформации операций

Рисунок 10 - Базовая информационная архитектура

Рисунок 11 - Пример погодного таргетинга

Рисунок 12 - База данных магазина офисных товаров (1/2)

Рисунок 13 - База данных магазина офисных товаров (2/2)

Рисунок 14- Сводная таблица товаров

Рисунок 15- Подготовленные для загрузки данные

Рисунок 16- Матрица косинусных коэффициентов

Рисунок 17- Два наиболее схожих товара



ПРИЛОЖЕНИЕ 2

АЛГОРИТМ ОПРЕДЕЛЕНИЯ СХОЖЕСТИ ТОВАРОВ

> shopdata<-read.csv("ShopData_v3.csv")

> shopdata[is.na(shopdata)]<-0

> shopdata[1:10,1:10]

> shopdata.similarity<-matrix(NA,nrow=ncol(shopdata),ncol=ncol(shopdata),dimnames=list(colnames(shopdata),colnames(shopdata)))

> getCosine <- function(x,y)

+{

+this.cosine <- sum(x*y) / (sqrt(sum(x*x)) * sqrt(sum(y*y)))

+return(this.cosine)

+}

> for(i in 1:ncol(shopdata)) {

+

+# Loop through the columns for each column

+for(j in 1:ncol(shopdata)) {

+# Fill in placeholder with cosine similarities

+shopdata.similarity[i,j] <- getCosine(as.matrix(shopdata[i]),as.matrix(shopdata[j]))

+}}

> shopdata.similarity <- as.data.frame(shopdata.similarity)

>

> shopdata.neighbours <- matrix(NA, nrow=ncol(shopdata.similarity),ncol=11,dimnames=list(colnames(shopdata.similarity)))

>for(i in 1:ncol(shopdata))

+{

+shopdata.neighbours[i,] <- (t(head(n=11,rownames(shopdata.similarity[order(shopdata.similarity[,i],decreasing=TRUE),][i]))))

+}

>

Размещено на Allbest.ru