Как персонализация увеличивает доход в e-commerce: изучайте своих клиентов, а не нейросети!

Сергей Саргсян, основатель и гендиректор Elemento Systems.

Персонализация становится все более актуальной маркетинговой стратегией: так, по подсчетам аналитической компании McKinsey, порядка 70% клиентов выбирают для сотрудничества бренды, которые учитывают их предпочтения.

Но на российском рынке персонализацию используют преимущественно крупные игроки. Часто малый бизнес просто не знает, что это такое, или не представляет, как работает персонализация. Многих отпугивают слова о том, что, якобы, основой технологии является искусственный интеллект — ведь ИИ это сложно и дорого! На практике же бизнес, который сегодня не применяет персонализацию, неэффективно использует digital-инструменты, не добирает до 30% дохода и упускает потенциальных клиентов.

Как работает персонализация? Нужен ли искусственный интеллект для ее реализации? И как можно увеличить средний чек вашего клиента уже в ближайшие месяцы? Давайте разбираться.

Что такое персонализация?

Персонализация — это механизм, предлагающий клиенту те товары и услуги, которые он, вероятно, захочет приобрести. Наиболее эффективный путь персонализации в e-commerce — сегментация клиентской базы, то есть выявление клиентов со схожими вкусами на основании их покупок. Вы выделяете несколько сегментов и для каждого из них выстраиваете свою маркетинговую кампанию: скидки, акции, рассылки и так далее.

Эффективность персонализации доказывается цифрами. Наиболее показательна ситуация, когда сегментирование производится в первый раз: даже создав 15-20 потребительских портретов, вы сможете увеличить продажи на 40%. Слишком подробная сегментация (40-50 портретов) требуется только сверхкрупным магазинам, ее выхлоп сравнительно невысок: можно получить еще 2-3% к объему продаж по сравнению с первыми итерациями сегментирования.

Какие существуют методы сегментации?

Сегментация осуществляется по специальным аналитическим методам. Вот некоторые из них:

· RFM-анализ — прогнозирование поведения клиента на основе его прошлых действий. Аббревиатура состоит из слов Recency (новизна), Frequency (частота), Monetary (вложения). Сегментация производится по «новизне» действий клиента, частоте его активности и по тому, сколько денег он тратит. Клиенты с наилучшими показателями в каждой из этих категорий — наиболее выгодная цель для ваших рекламных кампаний.

· Сегментация «5W» — распределение клиентской базы на основе пяти вопросов. Что? (What?) — какие услуги или товары вы предлагаете клиентской группе? Кто? (Who?) — какие клиенты (пол, возраст, геолокация) входят в эту группу? Почему? (Why?) — почему клиент делает покупки, что его мотивирует? Когда? (When?) — когда лучше всего предложить товар? Где? (Where?) — где клиенты будут совершать приобретение?

· Khramatrix — эффективное дополнение метода «5W». Вы можете сегментировать клиентов по поведению в сети, по целевой функции или действию (покупка, тестирование, получение информации о товаре, подписка на соцсети).

· LTV (Lifetime Value, то есть «пожизненная ценность») — оценка прибыльности клиента за все время взаимодействия с компанией. Традиционно LTV рассчитывается по формуле LTV = AC × N × P × t, где AC – средний чек, N – усредненное количество покупок в месяц, P – доля прибыли к средней сумме чека, t – среднее время активности клиента в вашем магазине.

Вы можете разрабатывать маркетинговые стратегии для каждого из сегментов. Выбирайте, сколько тратить на рекламу для лояльных клиентов, чем можно зацепить тех покупателей, которые появляются в магазине редко, и как удержать тех, кто совершил у вас первую покупку.

И где здесь искусственный интеллект?

Как вы видите, сегментация — это процесс аналитический, никак не связанный с нейросетями. По сути, все упоминания искусственного интеллекта в сфере e-commerce — это маркетинговый ход: программные решения с модной аббревиатурой ИИ лучше продаются. На самом деле, все, что вам нужно для персонализации — это грамотный анализ данных. Вам не нужно покупать или писать нейросеть: сегментация в e-commerce — гораздо более простая задача, с которой справятся ваши отделы маркетинга и IT.

Успех зависит именно от реализации на маркетинговом уровне. Персональные предложения, системы скидок будут эффективны в том случае, если ваши специалисты «чувствуют» покупателя. Поэтому не готовьтесь учить ИИ — изучайте ваших клиентов! А все остальное — дело не очень сложной техники.

Искусственный интеллект не используется даже для расчета цен. Сегодня не существует системы, которая могла бы без ощутимых задержек рассчитывать скидки и предлагать их клиенту. Проблема в скорости вычислений: приходится анализировать огромные объемы данных. При таком раскладе пользователь будет получать ответ с сервера примерно за 10 секунд, а это критически долго. Как правило, время ожидания не должно превышать 1 секунды, в противном случае пользователь покидает «тормозящий» сайт или приложение. По этой причине динамический расчет стоимости производится только в «корзине», а не в процессе поиска и выбора товаров.

В большинстве случаев персонализация работает «на день назад». В конце дня маркетологи проводят анализ данных, обновляют скидки, загружают их в систему. Но, как показывает практика, более быстрое обновление и не требуется. Это значит, что нет необходимости искусственно «тормозить» ваш магазин ради вычисления скидок «на лету». Лучше позаботиться о том, чтобы те предложения, которые увидит покупатель, были по-настоящему актуальны и привлекательны.

А когда ИИ все же используется?

Итак, персонализация не предполагает использования искусственного интеллекта. Но для решения сложных кейсов именно машинное обучение может оказаться эффективным.

Перед нашей компанией стояла задача повысить средний чек покупателя в ювелирном магазине. Мы подтвердили гипотезу, что активнее всего докупают те товары, которые визуально хорошо подходят к основной покупке. Поэтому нам было нужно создать рекомендации «с этим товаром покупают…», основываясь на внешнем сходстве разных ювелирных изделий. Например, подобрать к кольцу подходящие серьги, к кулону — браслет и так далее.

Мы написали самообучающуюся систему и загрузили в нее большое число фотографий заводских комплектов, чтобы система научилась находить похожие товары. Затем мы увеличивали параметры визуального сходства: количество, форму и вид камней, узоры на металле. После того, как система была настроена, мы прогнали через нее весь ассортимент товаров — и на выходе получили похожие изделия, то есть рабочие рекомендации «с этим товаром покупают…».

Этот кейс — пример того, как искусственный интеллект может стать элементом системы персонализации. Но он подойдет только для специфического рынка. В подавляющем большинстве случаев столь сложные решения не требуются. Для небольшого магазина матрицу «смежных» товаров можно составить без использования ИИ — опираясь на историю покупок и вручную подбирая похожие товары. Вероятно, толковый контент-менеджер справится с такой работой даже лучше, чем искусственный интеллект, а затраты окажутся ощутимо меньше.

С чего начать, чтобы сразу получить результат?

Чтобы ощутить, как работает персонализация и что она дает, начните с самых простых решений.

Используйте RFM-анализ, чтобы найти самых активных и платежеспособных клиентов. Работайте с ними на выстраивание длительных отношений. А те покупатели, у которых высокий рейтинг R (сделали покупку недавно), но низкие рейтинги F и M (маленький чек), вероятно, только присматриваются к вашему сервису. Их можно соблазнить выгодным предложением и опередить конкурентов.

Сегментируйте клиентскую базу по базовым вопросам «5W». Начните с разделения клиентов по гендеру, это самое простое и эффективное сегментирование. Составьте «мужскую» и «женскую» подборку, сделайте рассылку и посмотрите, насколько успешной она окажется. Потом продолжайте создавать новые потребительские портреты и проверять их точность с помощью рассылок. Ваша первая цель — 10-15 точных сегментов. Если разделение верное, то результат будет ощутимым, ожидайте +10-20% дохода.

Работа по первичной сегментации может занять несколько месяцев, в зависимости от объема продаж. Еще некоторое время вы потратите на оттачивание стратегии персонализации. Скорее всего, уже через полгода работы у вас будет гибкий digital-инструмент, стабильно увеличивающий средний чек на треть. Это выгодное вложение средств, окупающее вложения в разработку менее чем за год.

И еще один важный, хотя и не очевидный бонус: вы сможете лучше понять своих клиентов, лучше ощутите потребности покупателей. Это важный навык, который позволит вам двигаться дальше.

И такой опыт не заменят ни высокие технологии, ни искусственный интеллект.