Вы уже знаете, что данные — это ворота, через которые розничные продавцы могут улучшить качество обслуживания клиентов и увеличить продажи. С помощью традиционного анализа мы смогли объединить историю покупок клиентов с их поведением в браузере и показателями открытия электронной почты, чтобы помочь точно определить их текущие предпочтения и удовлетворить их точные будущие потребности. Тем не менее, новая волна модных словечек, таких как «машинное обучение» и «ИИ», обещает большую точность и персонализацию ваших прогнозов и маркетинговых действий, которые они определяют.
Что отличает новейшую технологию предиктивной аналитики от традиционного подхода к аналитике? Вот три из многочисленных примеров влияния этой технологии на решение проблем розничной торговли и достижение значительной рентабельности инвестиций.
Увеличьте пожизненную ценность клиента (CLV)
Постоянные клиенты приносят 40% дохода бренда. Но как узнать, куда вложить свои маркетинговые доллары, чтобы повысить уровень возврата клиентов? Все это сводится к прогнозированию того, какие клиенты с наибольшей вероятностью вернутся, и факторам, влияющим на наивысшую пожизненную ценность клиента (CLV) для этих клиентов, которые являются отличными вариантами использования машинного обучения.
Рассмотрим этот пример. Ваш покупатель покупает телевизор с разрешением 4K HD, и вы хотите предсказать будущие покупки. Захочет ли этот клиент в ближайшем будущем приобрести HD-аксессуары, игровые системы или модернизированный телевизор? Если прогнозируется, что они будут покупать больше, какой подход повысит их шансы совершить покупку через вас? Предиктивная аналитика может дать ответ.
Одной из основных возможностей является создание более персонализированного процесса продаж без умопомрачительных ручных усилий. Сложность алгоритмов машинного обучения позволяет им быстро и точно просматривать большие входные данные об истории покупок, поведении в Интернете и социальных сетях, отзывах клиентов, производственных затратах, спецификациях продуктов, исследованиях рынка и других разрозненных источниках данных.
Исторически сложилось так, что командам специалистов по данным приходилось запускать по одному алгоритму машинного обучения за раз. Сейчас современные решения от таких провайдеров, как DataRobot, позволяют пользователю запускать сразу сотни алгоритмов и даже определять наиболее применимые. Это значительно увеличивает время вывода продукта на рынок и сосредотачивает часы вашей дорогостоящей команды специалистов по обработке и анализу данных на интерпретации результатов, а не просто на закладке основы для начала реальной работы.
Привлекайте новых клиентов
Ритейлеры не могут полагаться только на лояльность покупателей. Hubspot обнаруживает, что лояльность потребителей снижается: 55% клиентов больше не доверяют компаниям, у которых они покупают. Поскольку постоянные клиенты более восприимчивы к вашим конкурентам, важно всегда расширять свою базу. Однако, поскольку новые и устоявшиеся предприятия соперничают за одну и ту же клиентскую базу, также оказывается, что затраты на привлечение клиентов выросли на 50% за пять лет.
Инструменты машинного обучения, такие как программная реклама, дают значительное преимущество. Для тех, кто не знаком с этим термином, программная реклама — это автоматизированная покупка и продажа цифрового рекламного пространства с использованием сложной аналитики. Например, если ваш бизнес пытается ориентироваться на новых клиентов, алгоритмы этого инструмента могут анализировать данные из ваших текущих сегментов клиентов, контекст страницы и оптимальное время просмотра, чтобы в нужный момент подтолкнуть целевую рекламу к потенциальному клиенту.
Кроме того, предприятия тестируют моделирование склонности для нацеливания на потребителей с наибольшей вероятностью конверсии клиента. Инструменты машинного обучения могут оценивать потребителей в режиме реального времени, используя данные из CRM, социальных сетей, платформ электронной коммерции и других источников, чтобы определить наиболее перспективных клиентов. Оттуда ваш бизнес может персонализировать их опыт, чтобы лучше вести их через воронку продаж — вплоть до снижения количества брошенных корзин.
Автоматизируйте точки соприкосновения
Часто машинное обучение изображают как способ избавиться от человеческой рабочей силы. Но это неверная характеристика. Его самый большой потенциал заключается в расширении ваших лучших сотрудников, помогая им автоматизировать рутинные процессы, чтобы высвободить их время для творческих проектов или углубленного решения проблем.
Например, вы можете предсказать отток клиентов на основе отклонений в покупательском поведении. Допустим, клиент, который регулярно совершает покупки каждые шесть недель, выпадает из своего распорядка на двенадцать недель. Модель машинного обучения может определить, свидетельствует ли его поведение об оттоке, и пометить клиентов, которые, скорее всего, не вернутся. Затем ритейлеры могут накладывать эти прогнозы на автоматические точки взаимодействия, такие как отправка напоминания о любимом продукте покупателя — возможно, даже с купоном — прямо на его электронную почту, чтобы стимулировать их вернуться.
С чего начать
Хотя внедрение машинного обучения может во многом изменить ваш бизнес, ваши данные должны быть в правильном состоянии, прежде чем вы сможете действовать. Это включает в себя идентификацию одного клиента на разных платформах, повышение качества ваших данных и определение конкретных вариантов использования машинного обучения.
Первоначально опубликовано здесь 8 мая 2019 года.
