Содержание
ВВЕДЕНИЕ
. ПРЕДПОСЫЛКИ ПРИМЕНЕНИЯ ПЕРСОНАЛИЗАЦИИ
.1Применение персонализации в ритейл-индустрии России
.2 Сегментация покупателей
.3 Конкуренция со стороны онлайн-ритейла
.4 Персонализация как способ улучшения покупательского опыта
. ПРОЦЕСС ПОДГОТОВКИ К ВНЕДРЕНИЮ ПЕРСОНАЛИЗАЦИИ
.1 Создание условий для персонализации в оффлайн-ритейле
.1.1 Омни-канальность как предпосылка персонализации
.1.2 Постановка вопросов
.1.3 Сбор данных
.1.4 Хранение и обработка данных. Информационная архитектура
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
.2 Анализ данных для персонализации в ритейле
.2.1 Применяемые техники БА
.2.2 Примеры применения аналитических алгоритмов в персонализации
.3Системы визуализации результатов анализа
.4 Прочие факторы внедрения персонализации
.4.1 Проблемные вопросы в разработке алгоритмов персонализации
.4.2 Чувствительность клиентов к уровню персонализации
.4.3 Обзор компаний, предоставляющих решения для персонализации в ритейле
. РАЗРАБОТКА СИСТЕМЫ ПЕРСОНАЛИЗАЦИИ НА ПРИМЕРЕ МАГАЗИНА ОФИСНЫХ ТОВАРОВ
.1 Описание ситуации и постановка задачи
.2 Разработка алгоритма определения схожих товаров
.3 Использование результатов работы алгоритма для создания рекомендаций
.3.1 Рекомендации для данного товара
.3.2 Рекомендации для данного клиента
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
.4 Визуализация результатов в магазине
.5 Оценка результатов внедрения персонализации
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
ПРИЛОЖЕНИЕ 1
ПРИЛОЖЕНИЕ 2
ВВЕДЕНИЕ
Несмотря на постоянное появление так называемых «подрывных» инноваций в маркетинге и продажах, формула успешного ритейлера остается неизменной. Она включает в себя предоставление правильных продуктов и сервисов, обеспечение хорошего качества по соответствующей цене и удобства для покупателя (а именно подходящих часов работы, расположения магазинов и широкого ассортимента популярных товаров). Тем не менее, распространение интернет-магазинов, мобильных технологий и технологий анализа данных значительно влияет на ритейл-индустрию в последние годы, меняя понимание минимально необходимого уровня качества товаров и удобства. Требования покупателей растут и ритейлеры должны им соответствовать, чтобы поддерживать конкурентоспособность.
Актуальность
Персонализация — это один из главных трендов в современном ритейле (Goller, 2016). Опрос компании Accenture выявил, что в Америке 73% покупателей предпочитают бренды, которые применяют персонализацию. Кроме того, молодое поколение покупателей еще более благосклонно к персонализации (Donnelly, 2015). Применение персонализации может стать сильнейшим способом получения конкурентного преимущества, увеличения среднего размера покупки и создания лояльности покупателей.
В силу технологических возможностей, персонализацию гораздо легче осуществить в онлайн-ритейле. Однако наибольшего результата смогут добиться те ритейлеры, которые сумеют внедрить так называемую «омни-канальную» персонализацию и связать покупательский опыт в онлайн- и оффлайн-каналах (Gaudin, 2016). Сложность этой задачи определяется различиями в доступности данных, идентификацией и взаимодействием с покупателем оффлайн. Данная работа изучает вопрос преодоления этих сложностей, а также предлагает обзор существующих технологий омни-канальной персонализации, исследование возможных сценариев применение и выявление наиболее подходящих алгоритмов для конкретных задач ритейлера.
Степень научной проработанности темы исследования
Тема персонализации всё чаще поднимается в исследованиях тенденций ритейла. Чаще всего описание необходимости персонализации встречается в исследованиях консалтинговых компаний и компаний, разрабатывающих технологии, применяемые в ритейле. Алгоритмы персонализации основываются на базовых техниках бизнес-аналитики, которым посвящен большой объем теоретических работ. Тем не менее, практически не существует источников, описывающих полный процесс внедрения персонализации, включающий подготовку, сбор, хранение и анализ данных.
Объектом исследования является предприятие розничной торговли. Предмет исследования — процесс внедрения технологий персонализации на предприятии.
Цели исследования
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Разработка методологии внедрения технологии персонализации в ритейле.
Задачи исследования
Консолидировать результаты исследований на тему эффективности персонализации в розничной торговле;
Описать необходимые условия и порядок внедрения персонализации;
Описать аналитические алгоритмы, применяемые для персонализации;
Описать алгоритм персонализации на примере конкретных данных.
Краткое описание структуры работы
. Необходимость применения персонализации. В главе описаны применяемые техники сегментации и рекомендации на российском рынке и их недостатки по сравнению с персонализацией.
. Процесс подготовки к внедрению персонализации. Собрана информация о порядке обеспечения сбора и хранения данных для персонализации.
. Анализ данных для персонализации в ритейле. В главе описаны базовые алгоритмы, на которых основываются существующие алгоритмы персонализации.
. Прочие факторы внедрения персонализации. Описаны другие соображения, предпринимаемые ритейлером в процессе внедрения персонализации.
. Разработка системы персонализации на примере магазина офисных товаров.
Методы и технологии
Методологической основой теоретической части (глава 1 и 2) послужили методы: анализ и синтез публикаций по теме персонализации в ритейле, классификация аналитический техник и технологий.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
В практической части исследования использовался метод моделирования, а также аналитическое ПО: статистический язык программирования R и инструмент визуализации Tableau.
Характеристика основных источников информации
Для исследования использовалось три типа основных источников:
Исследования консалтинговых компаний и информационных агентств на предмет необходимости и эффективности применения персонализации;
Работы, описывающие различные алгоритмы, связанные с персонализацией
Теоретические источники, описывающие базовые концепции, на которых основывается исследование.
1. ПРЕДПОСЫЛКИ ПРИМЕНЕНИЯ ПЕРСОНАЛИЗАЦИИ
.1 Применение персонализации в ритейл-индустрии России
По мнению экспертов индустрии, формирование персонализированных предложений станет главным фактором развития маркетинга в российском ритейле на горизонте 2-3 лет (Судник, 2017). На данных момент, персонализацию применяют лишь единицы, однако значительная часть ритейлеров внедряет программы лояльности. Эти программы являются необходимым, но не достаточным условием персонализации: они позволяют собирать персональные данные о клиенте, «привязывая» их к информации о покупках.
По данным исследования Nielsen, В России 52% потребителей ответили, что они владеют картами лояльности ритейлеров. 75% россиян говорят, что программы лояльности способствуют их продолжительным отношениям с компанией. 56% считают, что это очень важный пункт для взаимосотрудничества. Кроме того, 57% российских потребителей говорят, что чаще посещают и тратят больше в магазинах тех ритейлеров, в чьих программах лояльности участвуют. 35% россиян, обладая картой лояльности магазина, готовы потратить в нем немного больше, чем в том, карту которого они не имеют. Персонализация позволит улучшить эффективность программы и достичь еще больших результатов.
В силу технических причин, наиболее близкая к персонализации техника, используемая многими традиционными ритейлерами для создания предложений в рамках программ лояльности, соответствующих различным группам покупателей, это сегментация. Однако конкуренция со стороны онлайн-магазинов, обладающих большими возможностями персонализации, заставляет оффлайн-ритейлеров искать лучшие способы удовлетворения потребностей потребителей.
1.2Сегментация покупателей
Успех любого предприятия розничной торговли заложен в выполнении трех условий: правильный выбор ассортимента, нахождение оптимального баланса «цена-качество» и предоставление удобства для покупателей, включающего в себя хорошее обслуживание, подходящие часы работы и расположение магазинов. Но с ростом конкуренции и осведомленности покупателей, выполнять эти условия становится все сложнее. Потребители становятся все меньше привязаны к одному магазину, что становится причиной обостренной борьбы за клиента для ритейлеров. Для поддержания конкурентоспособности магазины должны определить кем являются их покупатели, каковы их потребности и предпочтения, чтобы направлять свои маркетинговые усилия именно на них (Брижашева, 2007).
Сегментация — это определение групп покупателей, разделяющих схожие интересы, потребности, предпочтения (Kotler, 2009)
Для определения сегментов потребителей чаще всего используются следующие критерии (Vandenbulcke, 2013):
Когда он совершает покупки?Критерием сегментации является частота покупок.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Сколько он тратит? Вопрос, связанный со средним объемом покупки.
Как он совершает покупки? Относится к уровню лояльности покупателя к определенным магазинам.
Почему он покупает? Сегментация, основанная на мотивации к совершению покупки, потребностях и ожиданиях относительно товара.
Что он покупает? Отдельная сегментация, связанная с выбором конкретных брендов одного и того же типа товаров.
Сегментация применяется оффлайн-ритейлерами для определения ассортимента, ценовой политики, маркетинговой стратегии и стратегии управления отношениями с клиентами (CRM). Цель CRM -увеличение продаж уже существующим клиентам, вместо привлечения новых, то есть увеличение выручки (Bodapati, 2009). Эта цель достигается путем взаимодействия с покупателями, создания программ лояльности и специальных предложений (таких как скидки на определенные товары или наборы товаров), направление рекламных сообщений, основанных на принадлежности покупателя к тому или иному сегменту.
Успешное определение покупателя в тот или иной сегмент и создание релевантного для него предложения приводит к увеличению средней выручки и повышению лояльности, однако сегментация чаще всего оказывается слишком неточным способом выделения предпочтений каждого конкретного покупателя. Например, исследование Oliver Wyman выявило, что излишнее обобщение в сегментации привело к тому, что один ритейлер определил 60% покупателей из сегмента молодых семей как не имеющих детей. Более того, 75% покупателей заявляют, что предложения, рассылаемые традиционными магазинами, нерелевантны, а также что консультанты в магазинах часто не понимают их предпочтений (Murphy, 2015).
1.3Конкуренция со стороны онлайн-ритейла
ритейл индустрия персонализация магазин
Распространение интернет-магазинов становится серьезной угрозой для традиционных предприятий розничной торговли. Например, согласно опросу компании Nielsen, четверть онлайн-респондентов со всего мира сообщили, что совершают покупки продовольственных товаров онлайн, и более половины (55%) опрашиваемых желали бы делать это в будущем.
Помимо предоставления возможности совершать покупки в любом месте и в любое время, многие интернет-ритейлеры обладают гораздо большими возможностями формирования предложений не просто для определенного сегмента потребителей (one-to-many), но и индивидуальных рекомендаций для конкретного покупателя (one-to-one).
Одним из первых ритейлеров, начавших применять подобную рекомендательную систему, был Amazon. Пока этот онлайн-магазин книг не имел большой базы данных покупок, связи между похожими товарами устанавливались сотрудниками вручную. Получив достаточный объем данных, ритейлер стал находить пересечения между покупателями разных товаров, на основе чего строить предположения о вероятности покупки товаров одним покупателем и делать персональные рекомендации. Благодаря запатентованной системе рекомендаций, Amazon стал одним из крупнейших онлайн-ритейлеров мира и значительно увеличивает свою выручку с каждым годом.
Пользователи Amazon отмечают, что подобная система персонализации значительно увеличивает вероятность совершения покупки именно в этом магазине и повышает лояльность к данному ритейл-бренду. По данным исследования компании Swirl Networks, Inc, проведенном на 1000 покупателей в США, Amazon является несомненным лидером в понимании потребностей своих клиентов. Так, 56% покупателей заявляет, что Amazon делает релевантные предложения относительно их нужд и предпочтений, в то время как лишь 25% покупателей могут сказать то же самое относительно традиционных предприятий розничной торговли.
Среди преимуществ онлайн-ритейла, способствующих внедрению персонализированных предложений можно указать:
Возможность идентификации пользователя до совершения покупки. Даже если пользователь не входит в систему до оплаты покупки, идентификация возможна при помощи файлов cookie. В традиционном ритейле идентификация либо не происходит вообще, либо осуществляется в момент оплаты (при помощи карты лояльности). Это лишает ритейлера возможности повлиять на покупателя в момент выбора товаров.
Возможность «отслеживания» таких событий, как посещение магазина, просмотр товара, оставленная корзина — позволяет онлайн-ритейлеру узнать больше о поведении и предпочтениях потребителя и сформировать предложения в соответствии с этими особенностями.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Возможность коммуникации с клиентом после совершения покупки. Кроме рассылки по электронной почте, онлайн-ритейлер может автоматически формировать таргетированную рекламу для покупателя на других сайтах.
Таким образом, эффективность персонализации онлайн значительно выше, чем в традиционных каналах (например, при использовании карты лояльности и рассылки предложений на электронную почту). Поэтому наиболее успешной стратегией внедрения персонализации будет сочетание оффлайн- и онлайн-канала. Отсутствие интернет-магазина является одной из основных причин низкого распространенияперсонализации в российском ритейле.
1.4Персонализация как способ улучшения покупательского опыта
В условиях усиливающейся конкуренции и появления все большего количества онлайн-магазинов, ритейлерам необходимо понимать, как они могут занять особое место в головах своих покупателей, путем предоставления наилучшего покупательского опыта (shopping experience). Исследования показывают, что позитивный покупательский опыт увеличивает удовлетворенность покупателей, приводит к повторным покупкам и рекомендациям, усиливает лояльность к бренду и увеличивает среднюю выручку. Кроме того, анализ отчета Forrester’s US Customer Experience Index, проведенный компанией Accenture в 2015 году, свидетельствует о позитивной корреляции оценки покупательского опыта и прибыли для ритейлера.
Персональный подход к каждому клиенту — это универсальный способ улучшения покупательского опыта на каждом этапе покупки:
Этап поиска товаров. Ритейлер может предлагать товары на основе истории покупок клиента и формировать специальные предложения для конкретного клиента
Этап выбора. Предложить альтернативы товару, согласно потребностям покупателя (особая диета, бюджет)
Этап покупки. Организовать список покупок для клиента в соответсвии с размещением полок в магазине
Этап дальнейшего вовлечения. Предложить персональную статистику соответствия таким целям, как бюджет, количество потребленных калорий и т.д.
Действительно, потребность покупателей в персонализации продолжает расти. Молодое поколение желает больше персонализации, чем другие группы покупателей. Так, например, в трое больше «миллениалов» (17,2%) по сравнению с «беби-бумерами» (6,2%) желали бы получать напоминания о необходимости покупки того или иного товара. Более того, более четверти (26,7%) «милленеалов» хотели бы получать рекомендации о покупке тех или иных продуктов на основе особенностей их диеты, в то время как большая часть покупателей других поколений не желали бы таких рекомендаций. И 41% «милленеалов» хотели бы, чтобы рекомендательная система останавливала их от покупки электроники, которую они не могут себе позволить (Accenture, 2015).
Рассматривая вопрос внедрения персонализации в разрезе увеличения выручки ритейлера, следует отметить, что в ситуации, когда крупные ритейлеры начинают активно использовать данные системы, конкурентные преимущества более консервативных игроков будут снижаться. Клиенты будут переходить к ритейлерам, предоставляющим лучший покупательский опыт, а значит, выручка ритейлеров, не применяющих персонализацию, будет снижаться. Вследствие этого, данная работа будет рассматривать персонализацию как инструмент (как минимум) сохранения выручки. Тем не менее, по данным отчета RightNow Customer Impact Report (Oracle, 2011) 86 процентов покупателей готовы платить до 25 процентов больше в случае улучшения покупательского опыта, связанного с персонализацией, что значит, ритейлер может добиться положительных результатов.
В Главе 1 были собраны результаты исследований о необходимости и эффективности персонализации в современном ритейле. Персонализация является естественным следующим шагом развития маркетинга в ритейле. Технология позволит улучшить покупательский опыт и усилить эффективность взаимодействия с клиентом, в том числе через программы лояльности, что приведет к сохранению и увеличению выручки в высоко конкурентной среде. Персонализированные предложения — это одно из преимуществ интернет-ритейла и важный аргумент создания онлайн-канала для традиционного ритейлера.
2. ПРОЦЕСС ВНЕДРЕНИЯ ПЕРСОНАЛИЗАЦИИ
.1Создание условий для персонализации в оффлайн-ритейле
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Повсеместное внедрение персонализации в традиционных магазинах не осуществлено по многим причинам:
Сбор и хранение данных.До недавнего времени сбор и хранение персональных данных покупателя и истории покупок на терминале точки продаж (POS) не было возможно технически. Кроме того, персональная информация покупателя, собранная при помощи бумажной анкеты и затем перенесенная в систему работниками магазина, предполагает низкое качество данных из-за ошибок и опечаток.
Идентификация покупателя. В большинстве традиционных магазинов единственным способом идентификации покупателя является считывание карты лояльности.
Алгоритмы персонализации. Даже когда информация о покупках собирается и присваивается конкретному покупателю, ритейлер может выбрать неправильный подход к ее обработке или не обрабатывать вообще.
Доступ к покупателю в момент принятия решения. Наиболее популярный способ предложения рекомендаций о покупке — это рассылка (почтовая или e-mail). Такие рекомендации не застают клиента непосредственно в момент покупки, а значит не так эффективны.
Некоторые из этих проблем возможно обойти в рамках оффлайн-ритейла. Например, вопрос доступа к покупателю в момент решения о покупке также может быть решен с применением омни-канального подхода вкупе с маркетингом микролокации — использованием технологий геофенсинга и iBeacon. Обе технологии позволяют определять местоположение клиента при помощи GPS и Bluetooth соответственно, позволяя высылать рекламные предложения на телефон покупателя, когда он находится в определенном радиусе от магазина или конкретной полки внутри магазина. Кроме того, бренд Neiman Marcus в США использует геофенсинг, чтобы определить, когда в магазин заходят VIP-клиенты (Кульгин, 2015).Таким образом консультанты магазина могут изучить историю покупок этих клиентов и сделать им индивидуальное предложение.
Однако универсальным подходом к решению проблем традиционного ритейла и необходимым условием для внедрения персонализации является подход «омни-канальности», то есть создания единого покупательского опыта, связывающего покупки через мобильный телефон, Интернет и традиционный магазин.
2.1.1 Омни-канальность как предпосылка персонализации
Основным отличием омни-канальности от мульти-канальности (то есть предоставления возможности покупки через множество точек входа) является интегрированность каналов. Единая база данных, ассортимент и операции обеспечивают непрерывный покупательский опыт.
Необходимость омни-канального подхода обусловлена изменениями в поведении покупателей. Совместное исследование 46 тыс. покупателей Harvard Business Review и одного американского ритейлера показало, что 73% клиентов используют несколько каналов. В процессе покупки клиент:
сравнивает цены в интернете, устанавливает приложения с каталогами, и картами лояльности;
заказывает товар онлайн и забирает его в магазине или, наоборот, выбирает в магазине и заказывает доставку онлайн;
использует социальные сети для связи с компаниями и оставлением отзывов.
В итоге исследования Harvard Business Review был сделан вывод о том, что чем больше каналов использует потребитель, тем более он заинтересован в покупке. Омни-канальный покупатель тратит в магазине на 4% больше, чем тот, кто покупает исключительно в интернете, и на 10% больше, чем тот, кто покупает только в оффлайн. Кроме того, омни-канальные покупатели проявляют большую лояльность к ритейлеру, делятся своим опытом с друзьями и совершают на 23% больше повторных покупок.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Кроме того, омни-канальный подход:
Позволит покупателям проверить наличие товара до посещения магазина;
Предоставит покупателям возможность зарезервировать товары и забрать их в магазине позже;
Позволит хранить информацию о покупателях, собранную со всех каналов;
Позволит создавать персонализированные предложения для покупателей;
Предоставит возможность взаимодействовать с покупателями через социальные сети;
Увеличит прибыль, получаемую от клиента за все время взаимодействия (life-time value) на 30% по сравнению со случаем использования единственного канала продаж.
На российском рынке омни-канальный подход до сих пор не распространён, но проявляется тенденция к усилению присутствия в нескольких каналах. Так, например, в 2016 году оффлайн-сеть «Техносила» объявила о покупке ритейлера E96.ru, что говорит о стремлении к увеличению доли в онлайн-торговле. В конце 2015 года «Магнит» объявил о тестировании онлайн-магазина, и запустил мобильное приложение для поиска магазинов и просмотра акций. В то же время, онлайн-ритейлер Wildberries, на которого приходится 39% онлайн покупок в сегменте «одежда и обувь» в России, заявляет, что основным направлением развития для него станет мобильная коммерция.
Для внедрения омни-канального подхода, предприятию розничной торговли необходимо обеспечить доступ к товарам онлайн, возможность просмотра, оценки или примерки товара до покупки, самовывоз товаров, а также простоту и удобство возврата товаров в пунктах выдачи (Гаспарян, 2016).
Кроме того, необходимо провести анализ стратегии перехода к омни-канальным продажам, в которой будут определены цели на 2-3 года, и которая будет определять несколько основных направлений:
Определение долговременных инвестиций формирование масштабируемой и эффективной по удельным затратам технологической инфраструктуры, обеспечивающей омни-канальность
Формулирование организационных, процессных и технологических правил взаимодействия между каналами продаж. Детализация влияния омни-канального управления на управлении запасами, на логистике, маркетинге, ассортиментной политике
Формирование подхода к ценообразованию в различных каналах продаж. В омни-канальной модели продаж различие цен в разных каналах должно быть незаметно, несмотря на различие в структуре и величине затрат в онлайн и офлайн разная
Также важно отметить, что ритейлерам необязательно полностью создавать собственную инфраструктуру, поддерживающую омни-канальные продажи. Ритейлеры имеют возможность обеспечить необходимую инфраструктуру через парнеров, например:
партнеров, обеспечивающих возможность получения и возврата товаров через пункты выдачи заказов;
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
операторов постаматов (Qiwi, Pick-Point);
маркетплейсы с возможностью предоставления «электронной витрины» (по примеру Delivery Club для ресторанов);
операторов логистики;
почтовые службы.
При этом необходимость редизайна операций ритейлера в ходе перехода варьируется для различных элементов омни-канальности. Так, поддержка покупателей может сохраниться в прежнем виде, в то время как собственный онлайн магазин или присутствие на маркетплейс потребует изменений во всех операциях, включая планирование ассортимента, логистику и обработку заказов (см. рис. 9 в Приложении).
Омни-канальный подход способен создать наилучшие условия для персонализации, так как предоставит доступ к качественным данным о поведении пользователей. Следующим шагом в персонализации является корректная работа с этой информацией.
2.1.2 Постановка вопросов
Первой ошибкой в анализе, которую совершают ритейлеры на пути к персонализации, является сбор всей доступной информации о покупателях и попытки формирования выводов на основе этих данных (Bacos, 2013). Так, ритейлер может выявить, что покупки сыра в сегменте «пожилых гурманов» сократились на прошлой неделе или что покупатели конкретного магазина сети — это, в основном, люди с достатком выше среднего, но что это говорит о решениях, которые необходимо принять управляющим магазина?
Верным подходом было бы начать с вопросов, на которые хочет ответить менеджер. Эти вопросы будут определять данные, которые необходимо собрать и проанализировать для ответа. Далее представлены возможные принимаемые решения (вопросы), связанные с персонализацией покупательского опыта в ритейле и данные, которые необходимо собрать для ответа на них:
2.1.3 Сбор данных
В зависимости от поставленного вопроса, ритейлер может собирать различные наборы данных. Используя омни-канальный подход, ритейлер имеет доступ к онлайн-информации о клиенте: его покупки в интернет-магазине, персональные данные, полученные из заполенного профиля или социальных сетей клиента. Большую сложность представляет сбор данных в традиционных каналах продаж.
Информацию о покупках клиента возможно собирать в точке продажи (Point-Of-Sale, POS), которая представляет собой кассовый аппарат, совмещенный с компьютером. Идентификация пользователя проводится по карте лояльности или адресу электронной почты. Однако большая часть данных о поведении покупателя в магазине недоступна для большинства ритейлеров.
На данный момент многие американские компании, такие как Nordstrom, Family Dollar и Benetton тестируют технологии, позволяющие считывать поведение покупателей в традиционном магазине. Такие технологии совмещают информацию с видеокамер и сигналы Wi-Fi, исходящие от смартфонов клиентов, чтобы узнать путь покупателя внутри магазина, сколько времени он провел перед тем или иным прилавком и что сделал, прежде чем совершить покупку. Такой механизм работает по подобию файлов «cookie» в онлайн-ритейле, то есть информация о покупателе собирается анонимно.
Например, технология американской компании RetailNext способна по видеоизображениям определить, является покупатель женщиной или мужчиной, ребенком или взрослым. Она также может идентифицировать возвращающихся покупателей по ID-коду мобильного устройства, которое подключается к Wi-Fi сети магазина. А российский стартап Synqera предлагает возможность распознавать не только пол и возраст, но и настроение покупателя, чтобы формировать соответствующие предложения.
Есть и способы «привязать» эту информацию к личным данным покупателя, например, если клиент скачает приложение магазина или введет e-mail при подключении к Wi-Fi сети. Однако такие действия клиент, скорее всего, совершит в случае, если взамен на приватность он получит реальную пользу.
Оффлайн-ритейлеры, тестирующие данные технологии, заявляют, что подобное отслеживание поведения покупателя аналогично действиям онлайн-магазинов. Однако опыт многих компаний показывает, что клиенты значительно чувствительнее воспринимают такое вмешательство в их личное пространство. Именно поэтому ритейлер должен внимательно отнестись к коммуникации применяемых способов сбора данных клиенту. Необходимо заранее сообщить покупателю, какие данные собираются и каким образом они будут использоваться. Необходимо также уточнить, что данные клиента останутся анонимными, если только клиент сам не захочет провести идентификацию. И, наконец, как говорилось ранее, ритейлер должен предоставлять покупателям ценный опыт, прежде чем запрашивать любую личную информацию. Так, по данным исследования IBM, 64% покупателей говорят, что они склонны оставить адрес электронной почты ритейлеру, которому они доверяют. Польза для покупателя может быть как материальной (скидки, подарки), так и нематериальной (сэкономленное время, удобство) (Klena, 2015).
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
2.1.4 Хранение и обработка данных. Информационная архитектура
Персонализация требует хранения и обработки данных в разных форматах: личные данные пользователей из анкет, исторические данные транзакций, данные из социальных сетей. ИТ-архитектура, требуемая для выполнения задач ритейлера, будет отличаться, в зависимости от следующих характеристик:
Требуемый метод обработки данных. Необходимость предиктивного анализа, характер запросов к базе данных, формат отчетности
Формат и частота записи данных. Получение данных из внешних источников, запись данных в реальном времени или периодически по требованию
Тип данных. Веб-данные/данные из социальных сетей, генерация данных компьютером или человеком, транзакционные данные
Применение данных. Использование данных веб-браузером, применение данных для принятие стратегических решений и др.
Определяя необходимый вид информационной архитектуры, важно соотнести задачи обработки данных с наиболее подходящей технологией. Выбор системы управления базой данных определяется приоритетами в работе с данными, такими как формат входящих данных, свойства ACID, быстрота доступа к данным и возможность масштабирования. Возможными технологиями управления данными в стандартной информационной архитектуре могут быть:
Реляционные базы данных. Применяются для управления структурированными данными по предопределенной схеме. Запросы к базе определяются заранее. Реляционные базы данных часто применяются для хранения очищенных данных, обработанных через ETL-процедуры. Они так же могут быть использованы для хранения и обработки транзакционных данных, где в приоритете стоит скорость записи/чтения данных и поддержка ACID-свойств.
Базы данных MOLAP. Обычно применяются для высокоструктурированных данных, в случаях, когда запросы к базе определены заранее и важна производительность (performance). Могут быть полезны для определенных задач бизнес-аналитики.
Базы данных NoSQL. Применяются для очень быстрой записи данных и при необходимости в гибкости структуры данных. Могут использоваться для транзакционных данных, в случае, если количество значений, соответствующее одному ключу, может меняться.
Распределенная файловая система. Система управления данными, поддерживающая масштабируемость. Распределение данных по различным узлам (нодам) также способствует параллельной обработке данных. Тем не менее, скорость чтения данных может быть ограничена. Наиболее популярной распределенной файловой системой на данный момент является Hadoop. Hadoop всё чаще применяется в предиктивной аналитике.
Ранее для целей ритейлера требовалась простая информационная архитектура (см. рис. 10 в приложении), состоящая из источника данных (CRM- и других транзакционных приложений), хранилища данных, и инструмента аналитики. Для целей персонализации может потребоваться добавление новых элементов, например, источники неструктурированных данных (информация с сенсоров и социальных сетей), распределенные файловые системы, рекомендательные механизмы и механизмы обработки данных в реальном времени. Полная диаграмма информационной архитектуры, представленная компанией Oracle, изображена на рис. 1.
Рисунок 1- Диаграмма информационной архитектуры
2.2 Анализ данных для персонализации в ритейле
.2.1 Применяемые техники БА
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Анализ данных для персонализации — совокупность алгоритмов сегментации и искусственного интеллекта, позволяющая формировать индивидуальные выводы для каждого покупателя. Набор применяемых техник зависит от поставленной задачи. Сложные алгоритмы, применяемые компаниями, разрабатывающими технологии персонализации покупательского опыта, чаще всего основаны на базовых принципах и техник аналитики: кластеризации, случайных деревьях, регрессионном анализе. Далее описаны такие наиболее часто применяемые техники анализа данных, которые можно применять для решения задач персонализации.
А. Кластеризация методом k-средних
Метод k-средних — наиболее простой и популярный метод кластеризации (Foreman, 2013). Алгоритм разделяет различные объекты на группы себе подобных (число групп k определяется заранее). На первом этапе случайным образом определяется расположение k центров кластеров на максимальном расстоянии друг от друга. Затем для каждой точки определяется ближайший кластер — происходит разделение точек на k групп. Для каждого из данных кластеров находится центр масс — новый центр группы. Шаги повторяются до тех пор, пока центр масс не перестанет меняться. Таким образом, алгоритм стремится минимизировать суммарное квадратичное отклонение точек кластеров от центров этих кластеров:
(1)
где k — число кластеров,Si — полученные кластеры, i = 1, 2, …, k, и µ — центры масс векторов.
Несмотря на распространенность метода, он имеет существенные недостатки, такие как математическая неточность и отсутствие установленного способа выбора количества кластеров k.
Тем не менее, метод может успешно применяться для разведочной добычи данных, то есть обнаружения связей между различными покупателями магазина. В качестве кластеризуемых точек могут использоваться сами покупатели, а измерениями, по которым может проводиться кластеризация, могут быть наличие или отсутствие приобретения того или иного товара. Таким образом возможно выделить кластеры предпочтений для разных групп покупателей для дальнейшего формирования предложений.
Б. Кластеризация с использованием сетевых графов
Другой метод кластеризации покупателей основан на концепции сетевых графов. В случае с анализом покупателей в ритейле, вершинами графа будут являться покупатели, связанные между собой ребрами, длина которых будет равна расстоянию между покупателями, соответствующему совпадению или несовпадению предпочтений (Brandes, 2007).
Алгоритм кластеризации при помощи сетевого графа делит точки на все большее количество кластеров, пока мера качества кластеризации, называемая модулярностью, не станет максимальной.
Модулярность графа — это сумма «баллов» для каждой пары вершин, которые отнесены к одной и той же группе. Каждая пара вершин получает, в зависимости от значения смежности, 0 или 1 балл за вычетом предполагаемого количества ребер между этими вершинами в случайном графе. Формально, для графа G=(V, E) c V вершинами и E ребрами модулярность q(C) кластеризации C определяется как:
(2)
В. Регрессионный анализ
Регрессионный анализ — это статистический метод исследования влияния одной или нескольких независимых переменных X1, X2, … Xp на зависимую переменную Y. Независимые переменные также называют предикторами, а зависимые переменные — критериальными.
В случае с данными предприятия розничной торговли, регрессионный анализ можно использовать для предсказания наличия или отсутствия определенного свойства у покупателя (зависимая переменная) и классификации покупателей по данному параметру на основе данных независимых переменных (персональных данных покупателя, истории совершенных покупок и т.д.)
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Линия регрессии чаще всего находится в виде линейной функции (линейная регрессия), наилучшим образом приближающей искомую кривую:
(3)
Поиск коэффициентов регрессии осуществляется на обучающих данных при помощи метода наименьших квадратов, то есть минимизацией суммы квадратов отклонений реально наблюдаемых значений зависимой переменной и их оценок:
(4)
Для определения адекватности линейной регрессии применяются следующие показатели:квадрат — оценка качества подбора коэффициентов
Критерий Фишера — статистическая значимость подгонки
Коэффициент Студента (Т-тест) — определение значимых переменных
Качество результатов предсказания регрессивного анализа можно определить путем оценки соотношения действительно положительных значений и ложноположительных значений при различных пороговых значениях для положительного или отрицательного значения классификации. Для визуализации этого отношения применяется кривая соотношений правильного и ложного обнаружения сигналов или рабочей характеристики приемника — Receiver Operating Curve, ROC:
Рисунок 2 -Receiving Operating Curve
Г. Комплексные модели
Для классификации покупателей по конкретному признаку также может использоваться подход комплексного моделирования (ансамбль моделей). Эта методика заключается в определении большого простых классификаторов — одноуровневых деревьев решений. Затем, для определения прогноза, определяется классификация данного объекта (покупателя) по всем одноуровневым деревьям и находится итоговое значение.
Существует два способа нахождения простых классификаторов для ансамбля моделей: бэггинг и бустинг.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Алгоритм беггинга случайным образом отбирает некоторый набор признаков (обычно — квадратный корень из общего количества признаков) и две три строк обучающей выборки. Затем выбирается наименее «загрязненное» (node impurity) дерево и сохраняется, после чего последовательность повторяется вновь.
В начале алгоритма бустинга для всех строк определяются равные веса. Для выбора лучшего дерева решений каждый признак оценивается на фоне остальных. Каждое ложное предположение для возможного дерева считается штрафом, равным весу строки, сумма которых называется взвешенной погрешностью дерева. В каждой итерации выбирается дерево с наименьшей погрешностью. Веса регулируются меньшую сторону, если выбранное дерево решений верно предсказывает строку и в большую сторону в обратном случае. В очередной итерации деревья обучаются при помощи новых весов. Алгоритм повторяется, пока взвешенное отклонение не достигнет порога.
2.2.2 Примеры применения аналитических алгоритмов в персонализации
А. Традиционная коллаборативная фильтрация в рекомендательных системах
Рекомендательные алгоритмы используют интересы покупателей для того, чтобы генерировать список рекомендуемых покупок. Чаще всего в качестве интересов покупателей выступают их непосредственные покупки и оценки товаров, но иногда используются и другие атрибуты, такие как просмотренные товары, демографические данные, предпочтения и хобби. Несмотря на то, что подобные алгоритмы получили наибольшее распространение в электронной коммерции, традиционные предприятия розничной торговли так же могут успешно применять их, при условии использования омни-канального подхода, описанного ранее.
Традиционная коллаборативная фильтрация — техника, часто применяемая небольшими ритейлерами. Алгоритм представляет каждого покупателя как N-мерный вектор, где N — количество определенных товаров каталога. Компоненты вектора положительны для приобретенных и положительно оцененных товаров и отрицательны — для отрицательно оцененных товаров. Чтобы уменьшить значимость популярных товаров, алгоритм обычно перемножает компоненты вектора на обратную частоту покупки (обратное число количества покупателей, которые купили или оценили данный товар), что делает менее известные товары более релевантными. Для большинства покупателей такой вектор является сильно разряженным.
Алгоритм формирует кластер похожих покупателей для данного клиента (см. 2.2.1. Кластеризация методом k-средних и Кластеризация с использованием сетевых графов). Похожесть покупателей определяется расстоянием между их векторами. Так как совершение покупки — гораздо более значимое качество, чем его отсутсвие, применяется расчет асимметричного расстояния. Наиболее популярный метод — это расчет расстояния по косинусу:
(5)
Для того, чтобы выбрать рекомендации из списка покупок похожего клиента, обычно применяется сортировка по количеству похожий покупателей, которые приобрели данные товары.
Сложность данного алгоритма обычно определяется как O(M+N), где M — количество клиентов магазина, N — количество товаров в каталоге. Сложность обработки одного покупателя — O(M) вместо O(MN), так как почти все векторы покупателей содержат небольшое количество товаров. Но обработка тех нескольких клиентов, которые купили или оценили значительный процент товаров из каталога, занимает O(N) времени, следовательно, общая сложность алгоритма — O(M+N). Однако так как при больших объемах данных — таких как более 10 миллионов клиентов или более 1 миллиона товаров — алгоритм становится неэффективным, его применение ограничивается лишь небольшими предприятиями.
Онлайн-ритейлер Amazon применяет рекомендательные алгоритм для e-mail рассылок и создания рекомендаций на страницах сайта. Обладая десятками миллионов пользователей и товаров, Amazon не может применять традиционные алгоритмы рекомендации, поэтому использует свой собственный. Вместо поиска похожих покупателей, алгоритм коллаборативной фильтрации товар к товару находит похожие продукты для каждого товара из тех, что приобрел конкретный покупатель и формирует из них список рекомендаций.
Чтобы найти похожие товары для конкретного предмета, алгоритм выстраивает таблицу товаров, которые клиенты чаще всего приобретают вместе. Похожесть товаров не может быть определена для всех пар продуктов, так как не все товары имеют общих покупателей, и данный подход был бы неэффективен с точки зрения используемого времени и памяти. Поэтому используется следующий алгоритм, который оказывается гораздо более эффективным:each item in product catalog, I1
For each customer C who purchased I1each item I2 purchased by customer Cthat a customer purchased I1 and I2each item I2Compute the similarity between I1 and I2
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Похожесть для пары товаров рассчитывается на основе расстояния по косинусу, описанного выше, где вектор является представлением товара, а измерения вектора — это покупатели, которые приобрели данный товар.
Обработка всех товаров каталога происходит оффлайн и её сложность составляет O(NM) вместо O(N2M) из-за небольшого количества покупок для большинства клиентов.
Таким образом, имея таблицу похожих товаров, алгоритм находит все похожие товары для каждой покупки конкретного клиента и рекомендует наиболее популярные или связанные товары. Это вычисление происходит сравнительно быстро, при этом скорость зависит лишь от числа товаров, которые когда-либо приобрел или оценил клиент.
В. Предиктивный анализ в оффлайн-ритейле
Одной из значимых проблем ритейл-маркетологов является то, что многие покупатели приобретают разные товары в разных магазинах. При этом чаще всего покупатели делают это не задумываясь, так как такое поведение (покупка конкретного товара в конкретном магазине) вошло в их привычку. Однако, если в жизни покупателя происходят какие-либо значительные перемены, например, окончание университета или переезд, такие привычки становятся гораздо более гибкими и представляют большой интерес для ритейл-маркетологов. Так, например, исследования показывают, что если человек женится, он, с большой вероятностью, начнет покупать другую разновидность кофе.
Американский ритейлер Target, пользуясь этой теорией формирования привычек, поставил задачу определять, какие из его покупателей в скором будущем ждут пополнения в семействе. Таким образом, высылая купоны на детские товары будущим родителям, ритейлер был бы способен формировать в них новую привычку покупать все, что им нужно, в одном магазине.хранит всю информацию о товарах, купленных по одной кредитной карте, связывая её с так называемым идентификационным номером гостя (Guest ID). Кроме того, вместе с идентификационным номером хранится и другая информация о клиенте: демографические данные, семейное положение, занятость и уровень заработной платы, наиболее посещаемые сайты и т.д.
Аналитики компании обработали данные истории покупок клиенток, до того, как они сообщали о рождении ребенка, что позволило определить 25 товаров, которые могут сигнализировать о беременности покупательницы. По наличию или отсутствию этих товаров в истории покупок других клиентов, алгоритм, использующий регрессионный анализ (см. 2.2.1. Регрессионный анализ) способен вывести вероятность беременности для каждого конкретного покупателя. При превышении данным показателем определенного порога, система формирует купоны с детскими товарами для этого покупателя.
В качестве обучающей выборки используется информация о покупках набора из выявленных 25 товаров покупателей, для которых известно, ожидают ли они ребенка или нет (см. рис. 3).
После чего, путем минимизации суммы квадратов отклонений реально наблюдаемых значений беременности и их оценочных значений, определяются значения коэффициентов регрессии (см. рис. 4).
Рисунок 3 — Обучающая выборка
Рисунок 4 — Коэффициенты регрессии
После определения значения беременности для набора клиентов, ритейлер принимает решение о пороговом значении, при котором покупательница будет считаться беременной.
Проблема получения некоторого количества ложноположительных результатов была решена Target путем добавления в набор отправляемых купонов случайных предложений, которые, скорее всего, не могли бы заинтересовать покупательницу. Таким образом, клиент считал, что все купоны формированы случайным образом, и у них не возникало чувство дискомфорта по поводу «информированности» компании. Купоны успешно использовались покупателями, что привело к значительному росту продаж детских товаров Target.
Г. Погодный таргетинг
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
«Детский мир» — один из немногих российских ритейлеров, успешно внедряющих омни-канальный подход. В 2015 году компания осуществила проект по внедрению предиктивного маркетинга, основанного на анализе big data. Результаты анализа использовались лишь в интернет-магазине. Проект был осуществлен компанией Insider — поставщиком решений предиктивного маркетинга и персонализации для ритейла.предложил “Детскому миру” внедрить погодный таргетинг и предоставил технологии для динамической персонализации на основе этого таргетинга. Сервисы, используемые в ходе проекта:
погодный таргетинг: учёт погодных условий в месте расположения посетителя при персонализации страниц, позволяющий не только предлагать покупателю релевантные обстановке товары, но и использовать его настроение, которое во многом задаётся погодой и является одним из важнейших факторов, влияющих на принятие решения о покупке;
предиктивная аналитика: анализ данных, определение паттернов поведения потребителя, учёт этих паттернов при персонализациистраниц;
визуальная платформа персонализации: предоставляет возможность задавать параметры персонализации в визуальном интерфейсе;/B и мультивариативное тестирование: выбор наиболее эффективных наборов персонализируемых элементов страниц.
Погода — критически важный фактор в жизни людей, она определяет планы и задаёт настроение. В простом варианте, погодный таргетинг представляет собой следующий процесс:
по координатам и данным метеослужб система определяет, что в местоположении покупателя вскоре пойдет дождь;
производится анализ истории общения покупателя с магазином, отбираются товары, релевантные дождю (зонты, ветровки, сапоги, настольные игры и т.д.);
на основании отбора и анализа прочих данных посетителю предлагаются конкретные товары, которые будут ему интересны.
Предиктивные маркетинговые технологии, применяемые вместе с новым таргетингом, позволили добиться максимально возможной релевантности предложений для каждого посетителя.
Добавив в шаблон главной страницы detmir.ru строку кода, «Детский мир» получил возможность выдавать каждому посетителю уникальный персонализированный контент, в генерации которого учитывались, в первую очередь, погода в населённом пункте, определённом по IP, а также история его взаимодействия с ритейлером, паттерны поведения, выделенные путём анализа данных (см. рис. 11 в Приложении).
Результатом проекта стало увеличение конверсии на 12,9% в заданной категории.
Д. Использование мобильных POS для персонализации
В 2015 году компания RichRelevance внедрила проект персонализации для британского ритейлера Monsoon. Основным инструментом персонализации являлась мобильная точка продаж (point-of-sale, POS) — планшет с приложением, позволяющим сканировать товар или находить его через строку поиска (см. рис. 12 в Приложении).Интегрированная система, разработанная Oracle, YESPay и RichRelevance, позволила продавцам-консультантам:
предлагать покупателям персонализированные рекомендации на основе выбранного товара;
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
показывать покупателям расширенный ассортимент товаров;
проверять наличие товара в данном магазине, других точках или онлайн;
принимать оплату товаров и заказы на доставку на мобильном устройстве;
минимизировать очереди.
Кроме того, если продавец идентифицировал пользователя при помощи карты лояльности, приложение создавало еще более персональные рекомендации. По завершению покупки, покупатель получал чек по электронной почте. Используя 125 алгоритмов машинного обучения и набор разнообразных данных, включающих онлайн-поведение покупателя и товары, оставленные в корзине, система формировала дополнительные предложения в письме с чеком.
Результатом омни-канальной персонализации Monsoon стало увеличение средней стоимости покупки на 133%, и увеличение среднего количества купленных товаров.
Е. Омни-канальная персонализация
В конце 2014 года компания Retail Rocket и специалисты по интернет-маркетингу сети магазинов детских товаров «Кораблик» реализовали проект построения омни-канальной системы персонализированной коммуникации интернет-магазина Korablik.ru с офлайн-покупателями на основе их поведения в розничных магазинах.
Основой для применения персонализации в «Кораблике» послужили заказы, оформленные в розничной сети с использованием карт лояльности (около 60% всех покупок в офлайне), что дает возможность связать профиль онлайн-пользователя с его покупками в рознице.
После заказа покупатель получает на электронную почту письмо, которое может содержать:
Персональные рекомендации,
Сопутствующие товары к совершенной транзакции,
Прогноз совершения следующей наиболее вероятной покупки,
Новинки из наиболее интересных пользователю категорий,
Регулярные предложения товаров повторного спроса.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
В результате проекта ритейлер достиг показателя открываемости писем 31%, конверсии last-click в 1,3%, и 17% новой аудитории на сайте. Кроме того, при анализе рекламной кампании через разные модели атрибуции было выявлено, что привлеченный таким образом трафик генерирует в несколько раз больше транзакций (примерно 4-х кратный прирост заказов), возвращаясь потом с других рекламных источников, т.е. помимо прямых продаж, которые атрибуцируются Google Analytics на email-рассылки, посетители через некоторое время конвертируются, приходя на сайт из других источников.
2.3 Системы визуализации результатов анализа
Для принятия бизнес-решений руководству предприятия розничной торговли необходим инструмент, позволяющий представлять результаты анализа в удобном виде. Системы визуализации могут служить интерфейсом между ритейлером (пользователем может быть как директор магазина, так и продавец-консультант), и результатами анализа массива данных. Так, например, ритейлер может наглядно изучить информацию о своей клиентской базе (см. рис. 5)
Рисунок 5 — Пример сегментации покупателей в Tableau
Далее рассмотрены наиболее популярные системы визуализации.Desktop. Tableau — лидирующий игрок индустрии визуализации данных. ПО позволяет напрямую подключаться к базам данных без предварительной обработки. Интерфейс системы — drag&drop позволяет получать результат анализа без программирования. В качестве визуализации доступно множество видов графиков и представлений, в том числе карты. Из полученных графиков возможно составить дэшборды (информационные панели).BI. Продукт компании Microsoft, Power BI — это многофункциональное гибридное веб-приложение данных и средство создания отчетов. Существует возможность объединения данных из отдельных баз данных, файлов и веб-служб с использованием визуальных инструментов, которые помогают узнать и улучшить качество данных, а также автоматически устранить проблемы с форматированием. Power BI отличает интеграция с MS Office. Программа, ориентированная на аналитику и исследование данных (data discovery), предоставляет возможность создания аналитических приложений и информационных панелей.
2.4 Прочие факторы внедрения персонализации
.4.1 Проблемные вопросы в разработке алгоритмов персонализации
Перед разработчиками алгоритма стоит ряд проблемных вопросов:
Отсутствие начальных данных. Отсутствие информации о покупках особенно критична для тех категорий товаров, где новые продукты приносят наибольшую выручку (например, книги или электроника)
Нежелательные рекомендации. Рекомендации должны соответствовать возрастным и другим ограничениям для потенциальных покупателей.
Неактуальные покупки. Давно приобретенные товары могут не соответствовать текущим интересам и потребностям клиента.
Покупки для других людей. Товары, приобретенные в подарок, могут искажать рекомендации.
Логическая последовательность. Рекомендательными системами редко рассматривается последовательность покупки товаров (например, сиквелы фильмов или продолжения книг)
Логическое развитие. Иногда необходимо учитывать развитие потребностей покупателя (например, в случае покупки учебников для изучения иностранного языка).
2.4.2 Чувствительность клиентов к уровню персонализации
Чем больше данных используется в создании персональных предложений для покупателей, тем более чувствительны к вопросам конфиденциальности становятся клиенты.
По результатам опроса 1000 покупателей, посвященном гиперперсонализации, компания Accenture обнаружила зависимость между приемлемым уровнем персонализации и демографическими данными покупателей. Так, более молодое поколение (миллениалы) выражают гораздо большее желание получать персональные предложения, чем старшее (беби-бумеры). Гендерные различия тоже играют роль: женщины считают получение персональных предложений при покупке продуктов более странным, чем мужчины.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
В целом, было выяснено, что три фактора, которые определяют, насколько комфортно покупатели чувствуют себя при получении персональных предложений, это доверие, осведомлённость ипонимание пользы от персонализации. Accenture выделили несколько правил для внедрения приемлемого уровня персонализации:
Определить ценность для клиента. Покупатели должны чувствовать достаточную ценность, которую они могли бы обменять на свои персональные данные
Внедрять персонализацию постепенно. Тестировать и внедрять новые алгоритмы со скоростью, подходящей клиентам.
Быть прозрачным. Предоставить пользователям контроль над личными данными и возможность изменять предпочтения по уровню персонализации.
Обозначить границы. Определить, как данные клиентов могут и не могут использоваться, включая их монетизацию.
Обеспечить прочную основу. Определить стратегию безопасности и использования данных.
Обеспечить прочные доверительные отношения с клиентами.
2.4.3 Обзор компаний, предоставляющих решения для персонализации в ритейле
В зависимости от компетенций сотрудников компании-ритейлера, руководство компании может захотеть привлечь внешних подрядчиков для организации персонализации. На российском рынке существуют несколько компаний, которые предоставляют технологии персонализации как для онлайн-, так и для оффлайн-магазинов. Далее представлен список некоторых из этих компаний с описанием особенностей их технологий.
Описание: компания предлагает платформу для социальной персонализации сайта, включающая комплекс инструментов для увеличения конверсий. Включает систему A/B тестирования и мультивариативных тестов. Insider работает с ритейлерами, ориентированными на онлайн-продажи.
Основные клиенты: ebay, Media Markt, Юлмарт, Lamoda.
Описание: российская компания, разработчик решения для розничной торговли.
Схема работы платформы:
ПО собирает данные из программы лояльности, POS и ERP-систем, соединяет их с информацией о реакции покупателей, данными от бизнес-партнеров и интернет-ресурсов, например, платежных систем и прогнозом погоды.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Собранная информация анализируется для выявления потребностей покупателя и товарных предпочтений.
В результате анализа система показывает сообщение, персонализированное под конкретного покупателя.
Платформа позволяет использовать несколько каналов коммуникаций.
Устройства для организации коммуникаций в розничных магазинах:
Симплейт. Интерактивный экран для привлечения и монетизации внимания покупателей на кассе. Симплейт анализирует информацию о покупателе, отображает количество бонусов покупателя и способы их потратить, транслирует таргетированную рекламу в магазине;
Генератор лояльности. Компактный принтер с сенсорным экраном. Принтер печатает персонализированный список покупок, актуальные специальные предложения на основе истории покупок и предпочтений покупателя, персонализированные купоны и спецпредложения о покупке;
Интерактивный экран, расположенный в торговом зале. Получает отзывы клиентов путем опросов, анкетирования или анализа покупательских предпочтений, транслирует таргетированные рекламные ролики актуальных товаров, обеспечивает покупателей детальной информацией о товарах в магазине.Rocket
Описание: платформа мультиканальной персонализации интернет-магазинов. Разработкой проекта занимались создатели рекомендательных систем Ozon.ru и Wikimart.ru. Система включает в себя:
Персональные товарные рекомендации. Сервис создает товарные рекомендации на основе поведения пользователей на сайте интернет-магазина. Персональные рекомендации размещаются на сайте с помощью быстро устанавливаемых виджетов или серверного API. По результатам А/B тестов клиентов компании (крупнейшие интернет-магазины страны) — рост выручки по результатам внедрения составляет от 10% до 50%
Персональные триггерные e-mail рассылки. Более 10 сценариев триггерных рассылок, которые настраиваются один раз и приносят прибыль не требуя внимания. Конверсия из переходов в оформленные заказы до 10%.
Клиентам доступна статистика эффективности использования системы. Кроме того, в системе есть встроенный инструмент для A/B тестирования, позволяющий измерить влияние рекомендаций на ключевые показатели магазина.
Описание: Kea Labs предлагает такие блоки рекомендаций как:
) Похожие товары. Kea Labs анализирует тексты из названия и описания товаров и учитывает важные для каждой категории товара параметры. Например, тип и максимальная загрузка для стиральных машин.
) Сопутствующие товары. Если товары дополняют друг друга, они будут показаны в блоке сопутствующих товаров. Механизм cross-sell увеличивает прибыль, стимулируя пользователей к очередным покупкам.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
) Товары из одной коллекции. Подобные блоки рекомендаций актуальны для магазинов мебели, одежды или аксессуаров, где имеет значение стиль и дизайн определенной коллекции.
) Напоминания (Вы интересовались…). Покупатель может вернуться к просмотренным товарам благодаря блоку напоминания.
) Персональные рекомендации. Что может понравиться каждому вашему клиенту, Алгоритм, основанный на анализе действий пользователя, определяет, что может понравиться каждому клиенту . Он позволяет сделать персональные рекомендации качественными даже в магазинах с небольшой посещаемостью.
) Популярные товары в категории. Алгоритм Kea Labs определяет самые популярные товары и предлагает их покупателю. Например, в магазине детских товаров в рекомендациях показаны игрушки, которые чаще всего покупают.
В Главе 2 была предложена методология внедрения технологий персонализации в ритейле. Были предположены шаги по созданию необходимых условий для внедрения персонализации, описана работа алгоритмов персонализации и приведены примеры их применения. Кроме того, была затронута тема выбора оптимального уровня персонализации предложений. Наконец, был предложен список компаний-подрядчиков, которые могут взять на себя работу по внедрению технологий на предприятии.
3. РАЗРАБОТКА СИСТЕМЫ ПЕРСОНАЛИЗАЦИИ НА ПРИМЕРЕ МАГАЗИНА ОФИСНЫХ ТОВАРОВ
.1 Описание ситуации и постановка задачи
Для примера разработки системы персонализации рассмотрен магазин товаров для офиса (аналог на российском рынке — сеть «Комус»). Магазин продает различные товары: телефоны, компьютерную технику, мебель, канцелярские товары и аксессуары для трех типов клиентов: корпоративных, частных и домашних офисов. Ритейлер имеет как физические магазины, так и онлайн-магазин с возможностью международной доставки.
На данный момент ритейлер обеспечил все условия для создания персонализации (омни-канальность, сбор и хранение данных в единой базе). База ритейлера представляет собой запись всех заказов и покупок клиентов (51290 строк), в каждой строке которой содержится информация о (см. рис. 12-13 в Приложении):
Номере заказа,
Дате заказа,
Метода покупки/доставки,клиента,
Имени клиента,
Адресе клиента,товара,
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Типе товара,
Названии товара,
Выручке с заказа,
Прибыли с заказа.
Алгоритм персонализации должен решать вопрос рекомендации товаров клиентам как онлайн (на сайте в процессе покупки или в электронной рассылке), так и оффлайн (рекомендации продавцов-консультантов).
3.2Разработка алгоритма определения схожих товаров
Для решения задачи ритейлера было решено создать алгоритм, который бы находил товары, близкие тем, который покупает или рассматривает клиент, используя метод коллаборативной фильтрации товар к товару. «Похожесть» товаров определяется по расстоянию между векторами, компоненты которого определяются числом заказов данного товара каждым из клиентов магазина.
Расстояние между векторами товаров измеряется при помощи косинусного коэффициента. Коэффициент основан на формуле скалярного произведения векторов:
(6)
Коэффициент схожести векторов по косинусу вычисляется по формуле:
(7)
Для проработки алгоритма были подготовлены данные на основе базы ритейлера. В первую очередь, была создана сводная таблица (см. рис. 14 в Приложении), в которой на пересечении строк (товаров) и столбцов (покупателей) было выведено суммарное значение заказов данного товара данным покупателем. Далее, для ускорения работы алгоритма, были выбраны только частные клиенты и отобраны топ-250 самых популярных товаров. После чего данные были транспонированы, и была удалена информация об именах клиентов таким образом, что каждый столбец представлял собой вектор товара (см. рис. 15 в Приложении).
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Алгоритм был разработан в среде R (полный код алгоритма см. в Приложении 2). В первую очередь данные из csv-файла были загружены в формате Dataframe. Затем была определена функция getCosine, определяющая расстояние по косинусу между векторами x и y:
getCosine <- function(x,y)
{.cosine <- sum(x*y) / (sqrt(sum(x*x)) * sqrt(sum(y*y)))
return(this.cosine)
}
Была создана матрица shopdata.similarity, которая была заполнена значениями косинусного коэффициента для каждой пары векторов:
shopdata.similarity[i,j]<- getCosine(as.matrix(shopdata[i]),as.matrix(shopdata[j]))
Далее для каждого товара были выбраны первые 11 товаров с наибольшим значением коэффициента (данный товар и 10 других товаров) (см. рис. 16 в Приложении) и создана таблица shopdata.neighbours.
Таким образом, любой товар магазина можно найти в первой колонке таблицы shopdata.neighbours, определив для него Топ-10 схожих товаров.
3.3 Использование результатов работы алгоритма для создания рекомендаций
Результаты анализа схожести товаров возможно использовать в нескольких сценариях рекомендаций.
3.3.1 Рекомендации для данного товара
Наиболее простой способ применения результатов анализа схожести товаров — предложение подобных продуктов при просмотре данного товара. В онлайн-магазине местом размещения рекомендаций может быть страница товара. В случае традиционного магазина рекомендация может быть определена продавцом-консультантом при помощи мобильного устройства (см. пример Использование мобильных POS для персонализации, Глава 2).
Рисунок 6 — Пример рекомендации
3.3.2 Рекомендации для данного клиента
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Другим способом создания рекомендаций клиентов может быть поиск подходящих товаров на основе истории покупок клиента. Если рекомендации формируются в процессе принятия решения (в магазине), покупатель должен быть идентифицирован в начале сессии. Кроме того, данные предложения могут быть размещены в email-рассылке.
Алгоритм находит все соответствующие товары для каждого из истории покупок клиента, а затем сравнивает их на основе ожидаемой прибыли от покупки. Ожидаемая прибыль вычисляется как произведение коэффициента похожести товаров (прокси для вероятности приобретения) и прибыли от данного товара. Товары предлагаются в порядке ожидаемой прибыли.
Инструменты визуализации позволяют создавать интерфейс для получения результатов анализа менеджерами или работниками магазина. В данном примере система Tableau применяется для моментального получения информации о клиентах.
Исходными данными для Tableau послужила база данных клиентов магазина и матрица схожих продуктов, построенная в системе R на предыдущем шаге.
Так, продавец-консультант может авторизовать покупателя по номеру карты лояльности (поле Customer ID) при помощи мобильного устройства (планшета). Система покажет имя клиента, его адрес, тип (частный или корпоративный) и историю покупок. По последнему параметру возможно оценить потенциальную ценность клиента.Более того, для каждой прошлой покупки клиента был собран список соответствующих товаров, который отображается на информационной панели в порядке схожести (то есть вероятности покупки).
Благодаря этой системе, продавец может сформировать индивидуальный подход к каждому клиенту и предложить наиболее подходящие товары.
Рисунок 7 — Пример информационной панели с информацией о покупателе
3.5 Оценка результатов внедрения персонализации
Для верхнеуровневой оценки ожидаемых результатов персонализации необходимо рассчитать предполагаемое увеличение выручки ритейлера. По данным отчета RightNow Customer Impact Report (Oracle, 2011) 86 процентов покупателей готовы платить до 25 процентов больше в случае улучшения покупательского опыта, связанного с персонализацией.
Предполагая, что средняя выручка с клиента одинакова, рассчитаем максимальный потенциальный эффект. Выручка исследуемого ритейлера в 2015 году составила ~490 млн долл. США. Эффект от персонализации распространяется на 85% выручки, т. е. 416,5 млн долл. США. 25-процентное увеличение в выручке составит 104 млн долл. США (см. рисунок 8)
Рисунок 8 -Расчет эффекта персонализации, млн долл. США
Таким образом, в Главе 3 был разработан алгоритм оценки схожести товаров на основе данный магазина офисных товаров. Далее были предложены способы построения рекомендаций на основе анализа и система визуализации для применения продавцами-консультантами. Наконец, был предложен способ расчета ожидаемого эффекта на выручку предприятия.
ЗАКЛЮЧЕНИЕ
В результате работы было определено, что персонализация является следующим естественным шагом развития маркетинга в ритейле для поддержания конкурентного преимущества.
Был сделан вывод, что главным условием внедрения персонализации является применение омни-канального подхода. Кроме того, были приведены основные шаги внедрения персонализации и возможные аналитические направления.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Был сформирован список базовых аналитических алгоритмов с примерами их применения в персонализации. Далее был предложен вариант применения техники коллаборативной фильтрации товар к товару для создания персональных рекомендаций в магазине офисных товаров.
БИБЛИОГРАФИЧЕСКИЙСПИСОК
1. Goller L. 5 Disruptive Retail Trends to Watch in 2016 // RangeMe Blog. 2016.
2. Donnelly C. The CEO’s new mandate: Own the customer experience // Accenture Strategy. 2015.
. Gaudin S. For retailers, e-commerce alone won’t make the sale // ComputerWorld // 2016.
4. Брижашева О.В. Маркетинг торговли. Учебное пособие. — Ульяновск: Государственное образовательное учреждение высшего профессионального образования «Ульяновский государственный технический университет», 2007. — 169 с.
5. Kotler P., Keller, K. L. Marketing management. — N.J: Pearson Prentice Hall, 2009.
. Vandenbulcke V., Lecron F. Customer segmentation based on a collaborative recommendation system: Application to a mass retail company // 42nd Annual Conference of the European Marketing Academy, 2013.
. Bodapati A.V. Recommendation Systems with Purchase Data // American Marketing Association. 2008.
. Murphy R. New Study Reveals That Traditional Retailers Are Failing to Meet Consumer Desires for “Amazon-like” Personalization // Swirl, 2015.
. Retail personalization: customer trust and expectations // Accenture, 2015
. The Future Of Grocery // Nielsen, 2015
11. КульгинМ. iBeacon или Geofencing? // Innospace, 2015
. Bacos J. Why starting with your customers may be the worst way to serve them // The Oliver Wyman Retail Journal. 2013. Vol. 2. P. 7-12.
. MacQueen J. B. Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability // University of California Press. 1967.
No. 1. P. 281-297
14. Foreman J.W. Data Smart. Using Data Science to Transform Information into Insight. — N.Y.: Wiley, 2013. — 425 p.
. Brandes U., Delling D. On Finding Graph Clusterings with Maximum Modularity // Department of Computer & Information Science, University of Konstanz. 2007.
. Linden G., Smith B., York J. Amazon Recommendation Systems // IEEE Computer Society. 2003. No. 1. P. 76-79.
. Коптяев Ю. Персонализация и диджитал: как технологии влияют на развитие программ лояльности // Retail-Loyalty. 2016.
. Судник А. Интегрируй это: как российские ритейлеры на практике становятся омниканальными // Forbes. 2017.
19. ГаспарянВ. ОмниканальныйритейлвРоссии // Retail-Loyalty, 2016. P. 80-86.
20. Clifford S. Store is tracking your cell // New York Times, 2013.
. Yancey J., How To Collect In-Store Customer Data in a Transparent Manner // CloudTags. 2015
. Klena K. Shoppers disrupted. Retailing through the noise // IBM Institute of Business Value. 2015.
. Improving Retail Performance with Big Data. Architect’s Guide and Reference Architecture Introduction // Oracle. 2015.
ПРИЛОЖЕНИЕ 1
Рисунок 9 — Оценка необходимости трансформации операций
Рисунок 10 — Базовая информационная архитектура
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Рисунок 11 — Пример погодного таргетинга
Рисунок 12 — База данных магазина офисных товаров (1/2)
Рисунок 13 — База данных магазина офисных товаров (2/2)
Рисунок 14- Сводная таблица товаров
Рисунок 15- Подготовленные для загрузки данные
Рисунок 16- Матрица косинусных коэффициентов
Рисунок 17- Два наиболее схожих товара
ПРИЛОЖЕНИЕ 2
АЛГОРИТМ ОПРЕДЕЛЕНИЯ СХОЖЕСТИ ТОВАРОВ
> shopdata<-read.csv(«ShopData_v3.csv»)
> shopdata[is.na(shopdata)]<-0
> shopdata[1:10,1:10]
> shopdata.similarity<-matrix(NA,nrow=ncol(shopdata),ncol=ncol(shopdata),dimnames=list(colnames(shopdata),colnames(shopdata)))
> getCosine <- function(x,y)
+{
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
+this.cosine <- sum(x*y) / (sqrt(sum(x*x)) * sqrt(sum(y*y)))
+return(this.cosine)
+}
+
+# Loop through the columns for each column
+for(j in 1:ncol(shopdata)) {
+# Fill in placeholder with cosine similarities
+shopdata.similarity[i,j] <- getCosine(as.matrix(shopdata[i]),as.matrix(shopdata[j]))
+}}
> shopdata.similarity <- as.data.frame(shopdata.similarity)
>
> shopdata.neighbours <- matrix(NA, nrow=ncol(shopdata.similarity),ncol=11,dimnames=list(colnames(shopdata.similarity)))
>for(i in 1:ncol(shopdata))
+{
+shopdata.neighbours[i,] <- (t(head(n=11,rownames(shopdata.similarity[order(shopdata.similarity[,i],decreasing=TRUE),][i]))))
+}
>