Вестник Три мощных способа повысить лояльность клиентов в e-commerce

[Arsenn32]

Рассказываем о возможностях персонализации в e-commerce с помощью применения алгоритмов машинного обучения.

Современный потребитель настолько искушен и занят, что показывать контент или отправлять предложения, которые ему совсем не актуальны, ㅡ это настоящий провал. Только представьте, он заходит на сайт интернет-магазина и выбирает смартфон. На карте 10 тысяч рублей, а в душе большое желание уложиться в отведенный лимит. Каково будет его разочарование, когда после оставленной о себе информации, придет рассылка с предложением «скидки на iPhone»? Интернет-магазин не понял, чего хочет потенциальный потребитель, или не посчитал нужным понять.

Такой подход может стоить интернет-магазину клиента. Чтобы этого не случилось, важно дать почувствовать потенциальному потребителю себя особенным. В магазинах в офлайне это делает продавец-консультант: он выслушивает пожелания и предлагает подходящие товары или услуги. С сегментом e-commerce проблему индивидуального подхода решает персонализация. О том, что это такое, и как она влияет на лояльность клиентов, поговорим в статье.

Персонализация и машинное обучение
Персонализация ㅡ подбор контента, продуктов, способа и канала коммуникации под конкретного человека. Маркетологи персонализируют рассылки, сайты и лендинги, рекламные кампании. Все, о чем в них рассказывают, что предлагают ㅡ уникально для каждого сегмента аудитории. Сегменты объединяются по схожим признакам: пол, возраст, семейное положение, место жительства, поведение на сайте. Данные о пользователях могут быть любыми, какие-то из них анализируют маркетологи или аналитики. Вручную это делать долго и сложно, поэтому на помощь приходит машинное обучение.

Как это работает?

Пример. Влад зашел на сайт интернет-магазина по продаже смартфонов. Просмотрел несколько телефонов до 10 тысяч рублей. Но понравился ему Xiaomi Redmi 4. Цена смартфона немного не вписывалась в бюджет Влада, поэтому он оставил свою электронную почту, чтобы быть в курсе спецпредложений и закрыл страницу. Через несколько часов на почту Владу упало письмо с акцией на Xiaomi.

Машина проанализировала поведение Влада на сайте: определила, что он искал телефоны до 10 тысяч рублей, но при этом долго изучал Xiaomi Redmi 4, который стоил 12 тысяч.

Совсем без маркетологов обойтись невозможно: они анализируют данные, которые собрали алгоритмы. Если каких-то данных о пользователе не хватает, а потом они появляются, то в модель для машинного обучения будет добавлена вновь полученная информация. Благодаря собранным данным, пользователи объединяются в кластеры с похожим набором поведенческих характеристик.

Пример. Вместе с Владом в целевой группе оказались еще Игорь, Глеб и Артем. У них бюджет на смартфон тоже не больше 10 тысяч рублей, и им приглянулся Xiaomi Redmi 4, который в этот бюджет не вписывается. Ребята живут в Новосибирске, их средний доход чуть выше 50 тысяч рублей. Они женаты.

Задача интернет-магазина: сделать так, чтобы ребята купили смартфон. Как ее решить, используя машинное обучение?

Способ 1. Подстраиваться под возможности аудитории
Динамическое ценообразование ㅡ важное направление использования машинного обучения в e-commerce. Это изменение цены на товары или услуги в зависимости от их ценности для клиента и его возможностей их купить. Машинное обучение способно учитывать спрос, предложение и определять границы эластичности по цене для каждого товара или услуги.

Пример. В случае с Владом машинный интеллект определил, что смартфон Xiaomi Redmi 4 имеет большую ценность, чем все остальные телефоны на сайте. Но не вписывается в бюджет. Поэтому цена на товар была изменена, учитывая возможности Влада и его желание приобрести смартфон. Финальная стоимость смартфона при этом осталась в рамках допустимой для продавца.

Поскольку алгоритмы самообучаются, они легко адаптируются под изменения рынка или потребительского поведения. Причем ситуация работает не только в сторону покупателя. Может так случиться, что машинный интеллект, изучив поведение пользователя в интернет-магазине, покажет товар с ценой немного выше, чем это есть на самом деле.

Пример. Влад поменял работу, и за год его зарплата увеличилась втрое. Он решил поменять Xiaomi Redmi 4 на iPhone. Так как в прошлый раз ему понравился интернет-магазин, он снова обратился к нему. Как только Влад зашел на сайт, алгоритмы машинного обучения идентифицировали его. И когда он отфильтровал для показа только iPhone, они определили значимость марки и увеличили стоимость на каждую модель на 3%.

Способ 2. Создавать релевантный контент
По данным исследования Criteo и IDC, 66% маркетологов считают, что технологии машинного обучения могут создать качественный, релевантный потребностям аудитории, контент.

На сайте

Машинное обучение умеет показывать каждому посетителю ту версию сайта, которая завладеет его вниманием целиком и с большей вероятностью приведет к целевому действию.

Пример. Проанализировав поведение Влада на сайте, алгоритмы машинного обучения показали на главной странице предложение с Xiaomi Redmi 4 по сниженной цене.

Также могу привести в пример интересный кейс автомастерской. Цель ㅡ увеличить число заявок, конвертируемых в продажи. Источник лидов ㅡ контекстная реклама, которая ведет на лендинг. Потенциальный клиент, вбивая в поисковую строку запрос «замена капота на Kia Rio», переходит по первой ссылке из выдачи и попадает на посадочную страницу. Чтобы он не ушел к конкуренту, ML на посадочной показывает тот контент, который отвечает запросу потенциального клиента: что-то вроде «замена капота на Kia Rio любого года выпуска». Потенциальный покупатель, видя релевантный контент, быстро движется по воронке к целевому действию.

В рассылках

Собрав данные о посетителях на сайте, машина их группирует в узкие целевые группы. Она автоматически создает списки под рассылку с конкретным предложением и контентом. Отправляются письма в тот момент, когда пользователь точно просматривает почту. Машинный интеллект анализирует активность потенциального покупателя и выбирает предпочтительное для отправки письма время.

Так открываемость писем увеличивается. Если посетитель, помимо адреса электронной почты, указал дополнительные средства связи, алгоритм выберет наиболее подходящий в данный момент канал. Это могут быть SMS, пуш-уведомления в браузере, сообщения в мессенджерах или письма на электронную почту.

В рекламных кампаниях

Алгоритмы машинного обучения можно научить идентифицировать посетителей, которые больше других склонны к покупке. Для этого маркетологам необходимо разработать свою оценку «перспективности» контакта. Алгоритм может проанализировать языковые особенности, которые повышают вовлеченность и способствуют увеличению кликов. После чего он составит список ключевых слов, которые маркетологи используют при составлении объявлений для рекламных кампаний.

Пример. Влад ㅡ вероятный покупатель интернет-магазина со смартфонами, но его нужно подтолкнуть. Нужно показать ему преимущества Xiaomi Redmi 4. Алгоритм просчитал, что у всех телефонов, которые Влад смотрел, была карта памяти на 32GB и 2 SIM-карты. Это значит, что Влад ищет телефон с такими характеристиками, и ему это важно. На главной странице сайта машина показала баннер с текстом про технические преимущества и снижение стоимости на смартфон до допустимого бюджета Влада.

Способ 3. Прогнозировать поведение потенциальных покупателей
Машинное обучение может спрогнозировать, когда и зачем с компанией свяжется потенциальный клиент. Это помогает персонализировать общение с пользователем и планировать расходы на службу технической поддержки. Например, можно узнать о вкусовых пристрастиях человека, создать паттерн его потребительского поведения и определить средний чек. Можно даже пойти дальше и выяснить, сколько готов тратить любитель грузинской кухни, а сколько французской или итальянской.

В «Сбербанке» уже научились по активностям держателей карт прогнозировать последующее поведение. И в соответствии с ним рассылать или показывать релевантный контент. Банк свел результаты к трем основным паттернам: покупке автомобиля или мебели, ремонту и затратам на лечение. В зависимости от этого он предлагает разные программы клиентам.​

С одним из клиентов у нас была похожая история. Одна телеком-компания использует ML для прогнозирования поведения потребителя. Еще до того, как потенциальный клиент поймет, что он хочет, машина это предложит. Например, ML отслеживает, как часто пользователь чистит память. Если он делает это регулярно, то от компании придет предложение с подключением к облачному хранилищу.

Запомнить

• Персонализация дает возможность пользователю почувствовать себя особенным. Она создает ощущение заботы и участия в решении его проблем, при этом не нарушая личного пространства.
• Машинное обучение можно научить формировать цены в зависимости от возможностей пользователя и его потребностей.
• ML умеет показывать релевантный контент на сайте, в рассылках или рекламных кампаниях.
• ML может прогнозировать поведение потенциальных покупателей.

Автор: Ольга Кутейникова, исполнительный директор Digital Contact

Источник