Как повысить продажи? Без автоматизации принятия решений - никак

2 декабрь, 2020 - 18:38Дмитрий Солопов

Многие ритейлеры продвинулись в сторону автоматизации бизнес-процессов. Следующим на повестке дня стоит вопрос интеллектуальной автоматизации или автоматизации принятия решений — внедрение Data Science и технологий машинного обучения. В связи с этим появились новые походы: алгоритмический маркетинг, логистика, планирование заказов и поставок, потому что в их основе — алгоритмы и модели, на которые переносят рутинные задачи специалистов. Последние, в свою очередь, начинают заниматься более интеллектуальными вещами.

ПЕРСОНАЛЬНОЕ ВЗАИМОДЕЙСТВИЕ

Как повысить уровень продаж путем оптимизации маркетинговых процессов и персонального взаимодействия с клиентами

Ключевые задачи Personal Engagement

Каждый из специалистов по маркетингу, по взаимодействию с клиентами найдет среди этих задач свои. В текущих условиях они все касаются сопровождения жизненного цикла клиента: определение этапа, наполнение воронки, понимание, активный клиент или нет, какие признаки сегодня говорят, что мы рискуем его потерять, принятие решений о возврате потребителя или максимизация его опыта.

Это важный момент с точки зрения экономики: фокус не просто на обогащение клиентского опыта, но и обоюдное получение экономического эффекта.

Как повысить уровень продаж путем оптимизации маркетинговых процессов и персонального взаимодействия с клиентами

Жизненный цикл

Взаимодействие с клиентами на каждом этапе жизненного цикла

Задача использования данных — понять, на каком этапе воронки и жизненного цикла находится клиент. Кажется, что это тривиальная задача. Для ее решения часто используют эвристический подход: если клиент совершил одну покупку или две — он является новичком, если не покупал 30 дней — он в оттоке, если не покупал 15 дней — в зоне риска.

Однако эвристические правила могут ошибаться. Например, клиенты с коротким межтранзакционным интервалом уже через три-четыре пропуска интервалов переходят в зону риска. Если мы к ним возвращаемся через 1,5-2 месяца, то увеличиваем затраты не на удержание, а на возврат клиентов. Это дороже.

В категории новичков мы наблюдаем много «one-таймеров». Это клиенты, которые один раз попробовали и ушли в отток по разным причинам. Например, часть клиентов становятся «one-таймерами», потому что не сопровождаются последующей обратной связью или предложениями.

Задачи на этом этапе — выстроить ритм коммуникации с новым потребителем и генерировать предложения, которые позволят развивать его опыт с компанией. Клиент получает возможность наладить ритм взаимодействия и превратиться в лояльного.

Наибольшая часть работы сегодня ведется с активными клиентами, они — «ядро бизнеса».

Наиболее важные задачи во взаимодействии с ними — это:

  • 1. Понять, какие максимизационные стратегии могут применяться к клиентам: продление жизненного цикла, расширение ассортимента, повышение эластичности чека;

  • 2. Вовремя распознавать и грамотно взаимодействовать с клиентами в зоне риска.

На основе данных мы можем подготовить ряд моделей, которые позволят идентифицировать минимальные отклонения в поведении клиента. Цепочка покупок клиента, изменение какого-либо товара в его корзине, чека, отклика на коммуникацию или использования накопленных баллов — все это может говорить о колебаниях клиента.

Стоит помнить, что существует органический отток, например, молодые родители. По мере взросления ребенка они переключают свой спрос. На основе транзакционных данных можно идентифицировать этих клиентов, вовремя задействовать конкурентное переключение и удержать их.

Персонализация и промо. Оптимизация промо-кампаний

Экосистема таргетирования сегодня представлена многими элементами и подходами. Цель таргетирования — определить:

  • Кому предлагать;

  • Какой стимул использовать (товар, механика промо, информация, контент);

  • В какое время (и учитывать данные для пополнения товарных позиций);

  • Как реагировать на конкурентную информацию и информацию о трендах;

  • По какому каналу (директ-маркетинг, онлайн-каналы, push-сообщения, живое общение с консультантом).

Как повысить уровень продаж путем оптимизации маркетинговых процессов и персонального взаимодействия с клиентами

Экосистема таргетирования

Один из подходов — формирование фиксированной промо-матрицы. Он подразумевает готовые товарные позиции, согласованные коммерческие условия, планы дисконтов, акционные планы и согласованные под них механики. Остается понять, как, через какие каналы и до каких клиентов донести промо-матрицу, спланировать и принять решение о ее доставке посредством маркетинга. Компании, которые работают по такому принципу, используют product-driven или discount-driven стратегию — задают матрицу и под нее ищут клиентов.

Часть компаний переходит к customer-driven подходу. Они отслеживают все события, связанные с жизненным циклом клиента, с триггерами, внешними или такими событиями, которые характеризуют клиента, и начинают формировать гибкую промо-матрицу.

Machine Learning и AI — это, в первую очередь, про данные, их качество и постоянную работу над их улучшением. На основании данных можно получить информацию об эффектах, отделив потребителей с базовой реакцией на промо от тех, кто был мотивирован shape-активностями. Важно обращать внимание не только на конверсию и качество клиентов, но и на информацию об увеличении чека — какой экономический эффект принесла кампания.

Экономический эффект ставится многими командами во главу угла. Он может быть разбит на две части: позитивный эффект от каждой отдельной акции и от долгосрочного взаимодействия. Важно не перегрузить потребителя «рекламным шоком» и получить не замученного, а довольного своевременностью и релевантной информацией клиента. Это не всегда промо, это могут быть информационные сообщения или полезный контент, чтобы клиент чувствовал связь с компанией.

Согласно исследованиям Gartner, многие компании, которые решают свои задачи с командами Data Science, склоняются в сторону консалтинга, сервисов и готовых решений. Тем не менее, готовой «коробочки», которая заменит хороших специалистов по маркетингу или сервису нет. Алгоритмы решают простую задачу: на основе накопленных данных определить решающие факторы. Среди них — что мотивирует новичков двигаться дальше, активных клиентов — увеличивать чек или покидать нас. На основании факторов алгоритмы помогают вовремя определять активности с наибольшим эффектом и воздействовать на клиента оптимальным с точки зрения бюджета образом.

Как повысить уровень продаж путем оптимизации маркетинговых процессов и персонального взаимодействия с клиентами

Матрица таргетирования

Компании, заинтересованные в правильной работе с клиентами, все больше понимают необходимость в целевой или контрольной группе.

Клиент не может одновременно находиться в двух состояниях — узнать и не узнать о скидке. Суть в том, чтобы определить максимально релевантные группы по ряду поведенческих характеристик, которые позволят разделить клиентов по типу отклика.

Тип отклика при таргетировании значимый с точки зрения эффекта.

У нас могут быть клиенты, которые безнадежно не реагируют, и мы только сливаем бюджет на рекламу для таких клиентов. А есть клиенты, которые уверенны в нас, и в любом случае будут с нами работать. Мы либо рискуем их нервировать, либо без толку сжигаем маржу на промо.

Есть sleeping dogs — клиенты, которых не стоит трогать. Они и так покупают, и лучше их лишний раз не дергать, чтобы они не задумались о переключении на конкурентов.

Клиенты, поддающиеся убеждениям. Кажется, что таких клиентов просто найти. Но практика показывает, что есть очень много факторов для определения таких клиентов: стимул, канал, товар, момент жизненного цикла, тип дисконта, количество баллов.

Команды маркетинга становятся командами экспериментаторов, готовят и проводят эксперименты, собирают информацию, которая помогает делить и находить клиентов.

Если представить 100% клиентов, которые поддаются таргетированию, можно получить типичный срез:

Как повысить уровень продаж путем оптимизации маркетинговых процессов и персонального взаимодействия с клиентами

  • Часть клиентов с какого-то момента начинает демонстрировать положительный эффект от отклика;

  • Часть имеет нулевой эффект. Многие компании, не имея информации об А/Б тестировании, транслируют рекламные предложения на всех клиентов, и в зоне нулевого прироста сгорают деньги;

  • Существует отрицательная часть. Она зависит либо от продукта, либо от типа взаимодействия, и может повлечь серьезные затраты по оттоку клиентов.

Мы с клиентами определяем необходимые элементы решения — развиваем и тестируем Decision Hub. Например, А/Б тесты — набор тестов по типу факторов. Это факторы, которые:

1) влияют на отклик клиента (акции, каналы, временные отрезки, длительность);

2) влияют на затраты, сбор информации о клиентском поведении и работу с этой информацией посредством ML-моделей.

Здесь используются не только базовые ML-модели, которые выполняют прогнозы, но и модели, которые позволяют отделить или найти причинно-следственные связи. Такие модели используют данные о целевых группах. Они позволяют определить, какие факторы промо, внешней среды помогли откликнуться клиентам, выделить их в отдельную группу и работать с ними посредством тестированного промо.

Ключевая задача оптимизации промо и таргетирования — максимизация клиентского взаимодействия, вовлечение и удержание. Это три ключевые задачи, над которыми мы работаем с точки зрения персонализации.

Как повысить уровень продаж путем оптимизации маркетинговых процессов и персонального взаимодействия с клиентами

Алгоритмический Customer Journey

Customer Journey может быть выражен в последовательности действий.
Переход клиента от состояния к состоянию сопровождается каким-либо воздействием: внешней среды, промо, ценообразования, акций или времени контакта. Грамотное воздействие позволяет усиливать намерение клиента быть к нам лояльным или расширить опыт с нами, или же быть неудовлетворенным и уйти к конкуренту.

Чтобы понять, что создает поток новичков и откуда они приходят, важным инструментом является marketing mix modeling — моделирование микса рекламных каналов, которые генерируют трафик и клиентскую базу. Мы постоянно анализируем эти каналы в зависимости от времени, инвестиций и определения наилучших средств с точки зрения количества и качества клиентов.

ПРОГНОЗИРОВАНИЕ СПРОСА

Ключевые товары

Каждый товар, который попадает на рынок, это уже аналог.

Есть модели, подходы и теории, которые позволяют спрогнозировать поведение революционного товара, которого еще не было. Но большая часть товаров имеет тот или иной аналог. Запуская продукт, важно понять, какую нишу и в какой ценовой категории он займет, и следить за поведением продаж: стал ли товар ключевым в корзине покупателя?
Ключевые товары становятся конкурентным преимуществом и фокусом внимания ритейлеров. И лояльные, и новые клиенты оценивают, у кого ключевой товар, который они планируют приобрести единожды или на постоянной основе, лучший по соотношению «цена-качество». Анализируем ценовую эластичность, сезонность товара и канал продвижения — и определяем свой ключевой товар.

В середине жизненного цикла продукта все стараются оптимизировать маржу и акционную политику, работая с товаром. В основе работы — стратегии расширения рынка, расширения ассортимента и набора маржинальности.

Важно отслеживать информацию о характеристиках товара. Есть кампании, которые, продавая продукцию, некачественно ее характеризуют. А ведь это база для оценки, продажи продукции и генерации спроса.

Конкурентный ответ

Большой внимание, особенно в fashion и электронике, уделяется «конкурентному ответу». В реальном времени бизнесы отслеживают ценники, промо и «живут» на агрегаторах. Так формируется динамическое ценообразование. Чтобы сформировать достойный конкурентный ответ, в первую очередь, стоит понять, это мой ключевой товар или нет? Но компании часто забывают об этом и реализуют competitor-driven или market driven подход в ситуации, когда достаточно просто идти вровень с конкурентом.

Пример реализации успешной стратегии, отслеживания и прогнозирования спроса: когда небольшая разница на часть товарных позиций не уменьшает спрос, не вызывает оттока и позволяет накапливать маржу.

Вернемся к жизненному циклу товара. Важно вовремя сформулировать стратегию выхода с рынка: когда выводить товар, по какой цене, с какой скидкой. Как правило, такие решения маркетологи принимают интуитивно. Причина в том, что накопленных данных очень много, и человек не может проанализировать все факторы, которые позволяют оптимально оценить выход, промо или цену выхода. Задача алгоритмов — помочь маркетологу это сделать и определить, где эта точка.

В разных индустриях спрос формируется по-разному. Товары быстрого потребления и пополнения имеют один тип спроса, smooth-товары, которые драйвятся импульсивно или длительными циклами — другой. Соответственно, модели, которые прогнозируют спрос, тоже разные, и могут использовать сотни и тысячи факторов.

Но не все факторы значимые. На спрос на одни товары влияют ценовые, акционные, конкурентные изменения, на другие — информация о погоде или внешние события.

Из этого набора складывается модель прогнозирования, которая позволяет понять факторы, которыми мы управляем — цены и акции. А корреляция с остальными факторами дает понимание: сколько не вкладывай, на сколько ни уменьшай маржу за счет акций, получишь одинаковый спрос.

Планирование промо похоже на складывание кубика Рубика, который состоит из таких направлений, как продукты, товарный ассортимент, временной контекст и клиентская база. Сегментов очень много, и из каждого хочется получить максимальный эффект. Задача алгоритма — упростить работу специалиста в выработке рекомендованных значений по промо-планированию.

Как повысить уровень продаж путем оптимизации маркетинговых процессов и персонального взаимодействия с клиентами

«Сбор маржи из различных блоков»

Чистые эффекты промо, по которым отслеживается эффективность стратегий и моделей, позитивно воспринимаются в бизнесе. Но часто они показывают негативные результаты, потому что не учитывают переключение или запасание товаром.

Часть компаний стараются спрогнозировать не только Post-ROI, не только вычленить uplift, но и спрогнозировать и оптимизировать Pre-ROI: оценить спрос, протестировать гипотезы и поэкспериментировать с промо-офферами, механиками, товарным ассортиментом, получить наборы эффектов и смоделировать задачи промо.

Эффекты могут выражаться в виде маржинальности, количестве конверсий, покупок, market share. Важно понимать, каких моментальных целей мы добиваемся в рамках промо на короткий период, и каких в рамках более длительного цикла.

Как проекты по внедрению автоматизации и искусственного интеллекта проявили себя во время локдауна — работали ли промо-коэффициенты, алгоритмы в этот период?

В этот момент многие компании поняли, что нужно активно вовлекаться и брать планирование и управление в свои руки. Задача, которая поступала в этот момент моделям и данным, была искажена, потому что подобных событий в Украине не было. Пришлось быстро учится, изучать то, что сейчас называют новая нормальность, с точки зрения данных. По некоторым задачам и прогнозам необходимо было отключать модели, быстро накапливать новые данные, пробовать на небольших отрезках спланировать новую нормальность, новый спрос. Часть компаний серьезно подошла к этому вопросу. Они включили факторы «закрытие магазинов», «локдаун», «закрытие метро», и на данный момент могут с большей уверенностью спрогнозировать спрос с наступлением красной зоны/ закрытия общественного транспорта/ массовой работы в удаленном режиме.
Ключевые выводы:

1) «Без мозгов и рук никуда» — только ручное планирование;

2) Помним, что это тоже данные, которые следует накапливать и использовать в дальнейшем прогнозировании.

Какие значимые факторы в моделях надо собирать и обрабатывать для прогнозирования спроса в FMCG и ритейле (товары повседневного спроса, чувствительные к промо, сезонности, ценам конкурентов)?

Большое значение имеют внутриассортиментные кросс-зависимости: очень важно понимать, кто еще продается внутри моей группы, в смежных группах, существуют ли зависимости между соседними товарами на полке, не только конкуренты. Мои же товары могут выступать моими конкурентами (эффект канибализации). Эти элементы на виду, о них все интуитивно знают, но вопрос как их рассчитывать и какие метрики использовать, чтобы грамотно их задействовать.