Современный ритейл вынужден все более внимательно изучать своих клиентов. Полностью индивидуальная работа с покупателями для массового ритейла еще остается делом будущего, но движение в этом направлении уже идет. Во многом благодаря облачным технологиям, которые сделали мощные вычисления и работу с большим данными доступными даже для средних игроков рынка.

Цена под вопросом

У большинства ритейлеров ценообразование до сих пор остается задачей менеджеров-экспертов, однако такой подход устарел и имеет ряд недостатков. Небольшому число экспертов сложно отслеживать ситуацию по всем представленным в магазине товарным позициям. Как правило, серьезный анализ проводится лишь для товаров группы А, то есть максимум 10-15% позиций, а остальные цены определяются лишь приблизительно. Также экспертам сложно реагировать на постоянные изменения рыночной ситуации, определять тактику и стратегию скидок, дифференцировать ценообразование в зависимости от расположения торговых точек сети и т.д.

Все эти вопросы позволяют решить технологии машинного обучения, ставшие доступными благодаря облакам. Проанализировав большие объемы данных покупок, система начинает понимать, как покупатели реагируют на изменение цены, определяет эластичность и кросс-эластичность по каждой товарной позиции, а затем выдает рекомендации по изменению цены. Усложнив задачу, можно получить аналогичный результат и по реакции покупателей на скидки, а также дифференцировать оптимальные цены в зависимости от магазина. Технологии машинного обучения помогают точнее определить товары KVI, цены на которые покупатели хорошо помнят и которые оказываются определяющими при выборе торговой сети для совершения покупок.

Сегодня технологии машинного обучения позволяют полностью заменить экспертную оценку. Однако на первом этапе ритейлер может использовать их в качестве дополнительных: рекомендации от нейронных сетей лишь помогают, но финальное решение оставлять за человеком. Например, облачный сервис KORUS | OSA, который позволяет ритейлерам составлять прогнозные модели по ассортименту и предотвращать ситуации, связанные с Out-of-Stock, даже оставляет экспертам возможность ручной корректировки прогноза. Но в дальнейшем торговые сети будут сокращать долю человеческого фактора.

Отметим, что подобные технологии в ценообразовании доступны для небольших ритейлеров и даже для участников рынка Consumer to Сonsumer (C2C). Например, в конце 2019 года подобный сервис на основе больших данных запустила «Юла.ру» – продавцы товаров и услуг могут получить прогноз, насколько быстро будет продан товар при той или иной цене.

Чего хочет покупатель?

Помимо цен, облачные технологии помогают ритейлерам оптимизировать и саму ассортиментную матрицу. В этой области те же проблемы, что и с ценообразованием – у менеджеров-экспертов нет возможности анализировать огромные объемы информации по каждой товарной позиции. Между тем сегодня ритейлерам нужно с высокой точностью определять, чего хотят их клиенты – и максимально быстро реагировать на изменения покупательских предпочтений.

Технологии машинного обучения позволяют составить customer decision tree (дерево принятия решений) для каждого сегмента покупателей. Из множества параметров по каждой группе товаров выделяются наиболее и наименее важные – и на основе это информации можно вносить изменения в ассортимент, а также в раскладку товара на полке. Например, анализируя поведение покупателей оливок система приходит к выводу, что для основного сегмента (домохозяйки) ключевыми параметрами будут срок годности и наличие жестяной банки, а бренд практически не имеет значения. Соответственно, ритейлер может внести изменения, уделяя основное внимание именно тому, что интересует покупателей и не переплачивая за бренд.

Схожие технологию можно применять и при анализе возможных новинок. Правда, систему не так просто научить оценивать привлекательность дизайна упаковки, но по большинству количественных параметров она может выдавать довольно точные прогнозы будущих продаж. Фактически технологии машинного обучения позволяют лучше изучать желания покупателей и практически идеально адаптировать торговую сеть под клиентов. 

Глубокая персонализация 

Тонкая настройка цен и ассортимента с помощью облачных технологий хорошо работает уже сейчас, а в будущем, с ростом объема данных, эффективность будет только увеличиваться. Для нейронных сетей анализ паттернов поведения различных сегментных групп постепенно превращается в довольно простую задачу. И рынок готовится к новым решениям и будущей глубокой персонализации, при которой ритейлеры смогут работать с каждым клиентом индивидуально.

Согласно недавним зарубежным исследованиям, персонализация стимулирует повторные покупки. В среднем индивидуальные предложения позволяют увеличить траты на 40%, причем примерно три четверти покупателей готовы тратить больше, получив персональную скидку от магазина. Также личный подход способствует возврату клиентов – примерно 37% покупателей в интернет-магазинах готовы вернуться из-за персонализированных предложений. Наконец, она повышает лояльность к бренду и помогает его продвигать – люди гораздо охотнее рекомендуют знакомым бренды, которые способны предугадывать их желания.

При этом персонализация выгодна не только ритейлерам, но и самим клиентам. Многие считают, что персональные предложения позволяют им сэкономить время и найти то, что необходимо, а также создает ощущение, что бренд заботится них. При этом эффект «Большого брата» не сильно беспокоит людей – большинство готово делиться информацией о себе ради того, чтобы получать релевантную информацию.

Но релевантность пока все еще остается основной проблемой персонализации. Именно недостаточную релевантность предложений отметили в одном из европейских исследований ритейла опрошенные покупатели – 77% поставили ее на первое место, и лишь на второе место навязчивость (58% покупателей). И это логично – без точного попадания в клиента персонализированные предложения фактически перестают быть таковыми, а добиться такой точности очень непросто. Основная проблема релевантности сегодня – это все еще недостаточное количество данных. Торговым сетям нужно накапливать больше статистики и учиться с ней работать, тогда со временем точность прогнозных моделей сможет стать настолько высокой, что персональные предложения будут практически полностью попадать в цель.

Не опоздать на поезд

В последние годы ритейлеры, особенно лидеры рынка, наращивают расходы на персонализацию – доля таких расходов в среднем приближается к 1% от оборота. Ключевым фактором обещают стать как раз облачные технологии – и прежде всего те, где задействовано машинное обучение. По оценкам аналитиков, на системы, связанные с персонализацией, ведущие мировые ритейлеры в 2019 году потратили порядка 6,3 млрд. долларов, а в 2020 году планируют увеличить вложения до 8,7 млрд.

Конечно, само по себе машинное обучение не справится с задачей, если система не получит достаточного объема данных. Потому порядка 80% крупных ритейлеров по всему миру основной задачей на ближайшие три года называют создание платформ для сбора и анализа информации о клиентах. С появлением таких систем гиперперсонализация становится совершенно реальной.

Особенно серьезный потенциал у продуктового ритейла. Магазину электроники, например, просчитать поведения покупателя непросто – как узнать, что он хочет обновить телевизор или купить новый смартфон? А вот продуктовые наборы довольно стабильны, и просчитать клиента гораздо проще – а значит есть широкие возможности для персонального маркетинга.

По прогнозам специалистов, уже в скором будущем практически все крупнейшие сети будут отправлять обладателям карт лояльности предложения с персональными скидками или сообщения-напоминания со списком вероятных покупок. Особенно гиперперсонализация станет обязательной для сервисов доставки еды, которые сейчас также осваивают традиционный ритейл. Им просчитать поведение покупателя еще проще, а борьба за его удержание среди них еще жестче – поэтому без такого «личного» общения с клиентом сервис будет обречен на поражение.

В целом глубокая персонализация остается делом завтрашнего дня, готовиться к которому нужно начинать уже сегодня. Быстро освоить такую систему невозможно, ведь для того, чтобы накопить данные о своих клиентах и отработать механизмы персонализации, запуская регулярные пилотные проекты, требуется немало времени. Так что не подхватившие сегодня тренд ритейлеры рискуют сильно отстать. Весьма вероятно, что с началом «революции персонализации» произойдут серьезные перестановки, во время которых пионеры отберут у опоздавших солидную долю рынка. И отвоевать клиентов обратно будет гораздо сложнее, поскольку ресурсов для удержания лояльных покупателей в будущем будет требоваться гораздо больше.