Decodic™

Czego chce Twój klient?
Czy jest wrażliwy na cenę?
Jaki segment reprezentuje?
Kiedy mógłby kupować więcej?

Wiedza o nawykach klientów, ich wrażliwości na cenę, archetypach decyzyjnych oraz innych czynnikach istotnych dla zakupu zwiększa efektywność oferty, personalizacji, targetowania działań marketingowych i sprzedażowych oraz zwiększać zaangażowanie i lojalność.

Zrozum swoich klientów

Decodic™ to ustrukturalizowany proces badania potrzeb klientów, wykorzystywany do określenia ich oczekiwań, wyznaczenia parametrów zakupowych oraz automatyzacji lub personalizacji procesów sprzedażowych “w locie”.

Odpowiedzi na istotne pytania dotyczące konsumentów pozwalają lepiej planować działania strategiczne i operacyjne w organizacji i wpływać na ich wynik.

W procesie operujemy na wolumenach standardowych zbiorów danych, jak i big data, wykorzystując metody analizy statystycznej oraz – jeżeli jeżeli to konieczne – uczenie maszynowe, deep learning i sztuczną inteligencję.

Przykładowe analizy wykonywane na podstawie danych transakcyjnych i z programu lojalnościowego:

• analiza eksploracyjna dużych zbiorów danych (deep data),
• ekstrakcja cech, przyporządkowanie do segmentów,
• personalizacja, wyznaczanie archetypów behawioralnych,
• wykorzystanie wektora cech do działań marketingowych,
• normalizacja, integracje, API do wymiany danych,
• automatyzacja przetwarzania w czasie rzeczywistym.

Analiza eksploracyjna

Kluczowym elementem procesu realizowanego w Decodic™ są analizy eksploracyjne, dokonywane w oparciu o dane transakcyjne z POS i programu lojalnościowego. Celem takiej analizy jest wyznaczenie grup klientów zbliżonych pod względem zachowań i preferencji zakupowych. Historia transakcji kryje informacje o ich nawykach, wrażliwości na cenę, archetypach decyzyjnych oraz innych czynnikach istotnych dla zakupu. Wyniki analiz mogą zostać wykorzystane do spersonalizowania oferty, lepszego targetowania działań marketingowych i sprzedażowych oraz zwiększenia zaangażowania i lojalności klientów. 

Przykłady zastosowań

Przykład 1: Sklep spożywczy online

Cel analizy: Identyfikacja głównych typów klientów e-sklepu spożywczego.

Dane wejściowe: Historia zakupów w postaci identyfikatora klienta i listy identyfikatorów produktów dla każdego klienta.

Efekty: Wyodrębniliśmy listy najczęściej spotykanych pozycji w koszykach i przedstawiliśmy je wizualnie.

Zidentyfikowano pięć głównych grup klientów:

Uzyskane informacje były kluczowe dla działań marketingowych. Umożliwiły precyzyjne targetowanie i konstruowanie kampanii dla wybranych grup zakupowych. Zaniechano też nieskutecznych działań, na przykład promowania produktów piekarniczych dla grupy „Firmy” czy wyrobów mięsnych dla grupy „Wegetarianie”.

Tradycyjnie prowadzona segmentacja, wyłącznie na podstawie danych o wartości zakupów lub nawet najczęściej wybieranych produktów, nie pozwala odkryć “ukrytych” informacji o preferencjach klientów. Wyniki osiągane dzięki analizie eksploracyjnej dają również podstawę do wdrażania nowych, efektywniejszych taktyk sprzedażowych i marketingowych.

Przykład 2: Multibrandowa sieć sklepów odzieżowych

Zakres analizy: 100 tys. kart lojalnościowych, 200 kategorii produktowych.

Wyzwanie: normalizacja surowych danych transakcyjnych z kilkudziesięciu lokalizacji, wyznaczenie znaczących segmentów klientów.

Wynik: w ciągu 2 tygodni uporządkowaliśmy i zanalizowaliśmy roczne dane pochodzące z systemu ERP oraz wyodrębniliśmy grupy klientów z informacją o ich spodziewanej wartości dla biznesu, wrażliwości na cenę, demografii, archetypach behawioralnych oraz preferencjach zakupowych. Do każdego segmentu przypisaliśmy identyfikatory poszczególnych osób umożliwiające personalizację i automatyczne, indywidualnie adresowane działania marketingowe.

Klient wykorzystał spersonalizowane informacje o klientach do przygotowania dopasowanych modeli obsługi w salonach firmowych. Dla niewrażliwego na cenę segmentu VIP stworzono grupę przeszkolonych concierge, których relacje z klientami umożliwiły przeniesienie obszaru oddziaływania sprzedażowego z terenu salonu, na wizyty domowe, gdzie średnia wartość zakupowa wyniosła 15x (1500%) więcej niż średni koszyk w salonie stacjonarnym.

Pytania i odpowiedzi

Jaką praktyczną wiedzę można pozyskać dzięki analizie eksploracyjnej?

Dowiedzieć się prawdy: kim są i jak kupują klienci. 

Te informacje widać przecież na raportach sprzedaży.

Niezupełnie. Łatwo jest posegregować koszyki zakupowe według wartości, nie gwarantuje to jednak wartościowej wiedzy. Dopiero tzw. analiza eksploracyjna pozwala rozpoznać segmenty i archetypy klientów oraz określić ich preferencje. Na ich podstawie można opracować dopasowane działania marketingowe, bo inaczej będziemy zachęcać do zakupów osoby niewrażliwe na cenę, a inaczej zakupowiczów polujących na okazje. Bo chociaż ci pierwsi stanowią mniej liczną grupę klientów, to są gotowi płacić pełną marżę i, być może, kupować więcej i częściej, w zamian za odgadnięcie i zaspokojenie ich potrzeb. Oni się tego zrozumienia swoimi pieniędzmi wręcz domagają! 

Jak zidentyfikować najbardziej obiecujących klientów?

W najlepszej sytuacji są marki prowadzące programy lojalnościowe. Szczegółowe dane transakcyjne przypisane do numeru karty są kopalnią wiedzy o decyzjach zakupowych. Można z nich wyczytać asocjacje pomiędzy nabywanymi produktami i markami, udział poszczególnych segmentów klientów w salonach, czy wyznaczyć preferencje klientów w zależności od lokalizacji geograficznej sklepu. Przy braku takiego programu, nadal można się sporo dowiedzieć dokonując analizy segmentacyjnej koszyków zakupowych. Na podstawie ich zawartości można często zidentyfikować grupy zakupowe o odmiennych motywacjach, zmiany sezonowe w aktywności poszczególnych grup lub pozyskać inne informacje. Zidentyfikowanym, jednorodnym grupom klientów można już zaproponować dopasowaną do ich specyfiki  ofertę. 

Jaka jest gwarancja, że te analizy poprawią wynik?

Analiza eksploracyjna ma na celu wskazanie możliwości i kierunków rozwoju biznesu. Wynik finansowy jest efektem podejmowanych na ich podstawie decyzji i sposobu ich realizacji. Jednak wartość takiego “drogowskazu” jest ogromna, ponieważ cenne informacje są głęboko ukryte w danych przechowywanych w systemach firmy, a Ich odnalezienie i przetworzenie w celne wnioski nie jest łatwym zadaniem.

Co utrudnia jego wykonanie? 

Nasi klienci napotykają na dwa problemy: pierwszy to jakość materiału wyjściowego, w spotkaniu z którym analityk biznesowy jest bezradny. Dane, najczęściej będące surowym zrzutem logów lub kilkuletniej historii programu lojalnościowego, są nieuporządkowane i zaśmiecone, co nie pozwala na obróbkę analityczną. Ich ustrukturalizowanie wymaga zaawansowanych kompetencji programistycznych oraz zrozumienia biznesu, którego dotyczą. Takie porządki, w zależności od ilości danych mogą trwać 2-3 tygodnie, a nawet dłużej.

A druga bariera?

Typowy problem data scientists to: nie wiadomo, czego szukać. Zdarza się, że klient daje nam dane transakcyjne lub logi i mówi „znajdźcie tam coś ciekawego”. Znalezienie tego „czegoś” wymaga dużego doświadczenia i wypracowanych procedur, do tego każda analiza jest zupełnie inna. Na tym etapie prac to bardziej nauka niż biznes. 

Kiedy wnioski zamieniają się w biznes?  

Pierwsze analizy dostarczonych zbiorów danych nie odpowiadają na konkretne pytania, a zaledwie zarysowują kierunki dalszych prac. Dlatego data scientist powinien nie tylko wyłowić z morza danych kluczowe informacje, ale również umieć ocenić szanse ich praktycznego zastosowania. Opracowane  rekomendacje powinny pozwolić managementowi sformułować wstępne hipotezy, a następnie zweryfikować je poprzez eksperymenty na ograniczonej próbce klientów. Potwierdzenie hipotez oraz sukces eksperymentów pozwala wyeliminować ryzyko wdrożenia nowych koncepcji, a następnie dalszą optymalizację i w efekcie poprawę wyniku finansowego.

Newsletter Retailic

Dołącz do grona najlepiej poinformowanych!