КЛИЕНТСКАЯ АНАЛИТИКА SAS ДЛЯ ОНЛАЙН РИТЕЙЛА · 2016-03-11 · • поисковые запросы на сайте История коммуникации

C op yr i g h t © 2012 , SAS Ins t i t u te Inc . A l l r i g h ts r eser v ed .

КЛИЕНТСКАЯ АНАЛИТИКА SAS ДЛЯ ОНЛАЙН РИТЕЙЛА

ОЛЬГА ЗУЕВА

Бизнес-консультант отдела клиентской аналитики

SAS Institute CIS

Copyright © 2012, SAS Institute Inc. All rights reserved.

ОБСУЖДАЕМЫЕ ВОПРОСЫCUSTOMER

INTELLIGENCE

Бизнес-процесс ACRM в e-commerce

Вызовы и особенности аналитики в e-commerce

360o взгляд на клиента2

Примеры персонализации4

Как превратить техническую проблему в конверсию:

отслеживание заполнения полей 5

Рекомендательные системы6

3

1

Состав решения, план проекта7


«Получение информации из интернета равносильно

попытке попить воды из пожарного крана»- Митчел Капор


CUSTOMER

INTELLIGENCEВЫЗОВЫ E-COMMERCE

Огромные объемы

доступной информации

Mobile:

+79613405567

Facebook

Token:

AAACNg1ulZC

UYBAHEZCxb

JTSO…Skype ID:

vano71

Email:

[email protected]

Twitter ID:

@follow_vanches

Apple ID:

[email protected]

Невозможность связать

устройства пользователя,

его веб-поведение и

историю покупок

Низкий отлик кампаний &

Запрос на

персонализацию

&Органиченность ресурсов



INTELLIGENCE




Примеры онлайн персонализации4




3

1



ИСТОРИЯ ПОКУПОК360

ОВЗГЛЯД НА

КЛИЕНТА

История

покупок


ИСТОРИЯ ПОКУПОК360

ОВЗГЛЯД НА

КЛИЕНТА

История

покупок

• стоимость товаров,

• категории,

• цены,

• промо-коды,

• сезонность,

• бренды

• доходность


360О

ВЗГЛЯД НА

КЛИЕНТА

История

покупок



• цены,



• бренды


Web -

данные

внутренние

WEB - ДАННЫЕ ВНУТРЕННИЕ


WEB - ДАННЫЕ ВНУТРЕННИЕ360

ОВЗГЛЯД НА

КЛИЕНТА

История

покупок



• цены,



• бренды


• страницы & SKU

• время на сайте,

фильтры,

• воронка,

• недозаполненные

формы,

• поисковые запросы на

сайте

Web -

данные



ИСТОРИЯ КОММУНИКАЦИИ360

ОВЗГЛЯД НА

КЛИЕНТА

История

покупок



• цены,



• бренды


Web -

данные




фильтры,

• воронка,


формы,


сайте

История

коммуникации

• отклики на компании,

• предпочитаемые

канал

• предпочитаемое

время коммуникации

• Customer Life Time

Value (его потенциал)

• вероятность оттока


ИСТОРИЯ КОММУНИКАЦИИ360

ОВЗГЛЯД НА

КЛИЕНТА

История

покупок



• цены,



• бренды


Web -

данные




фильтры,

• воронка,


формы,


сайте

История




канал




WEВ - ДАННЫЕ ВНЕШНИЕ360

ОВЗГЛЯД НА

КЛИЕНТА

История

покупок



• цены,



• бренды


Web -

данные




фильтры,

• воронка,


формы,


сайте

История




канал



Web-

данные

внешние


WEВ - ДАННЫЕ ВНЕШНИЕ360

ОВЗГЛЯД НА

КЛИЕНТА

История

покупок



• цены,



• бренды


Web -

данные




фильтры,

• воронка,


формы,


сайте

История




канал



Web-

данные

внешние

• профили в соцсетях,

степень влияния на

подписчиков,

• поисковые запросы

вне сайта,

• распознавание

незалогиненных

пользователей



INTELLIGENCE








3

1



3

Прогнозное

моделирование

4

Определение правил

целевых кампаний

5

Выборка клиентов и

создание предложений

6

Учет общих

ограничений/ выбор

конкретного

предложения

1

Сегментация и

мониторинг

эффективности

сегментов

2

Определение стратегии

для каждого сегмента

Виды сегментаций

LifestyleИнтересы в соцсетях, стиль,

бренды, контент

Доходность% возврата, канал привлечения,

CLTV

Способ

коммуникацииКанал захода, время

заходов на сайт, канал с

самым высоким open rate

Вкус и цветРазмер, цвет покупок, стиль, гендерный состав

корзиныПривычкиЧастота покупок,

средний чек, дата

последней

покупки Эластичность по цене

Участие в акциях, % товаров со скидкой в

корзине

ЛояльностьДанные опроса, % корзины,

публичность в соцсетях

Выделение групп клиентов со следующими условиями:

1. Внутри сегмента однородность максимальная

2. Между сегментами однородность минимальная


• Используют мобильное

приложение

• Активный пользователи соцсетей,

читают блог, шерят контент

• Редко совершают покупки, но с

хорошей маржой

3



4



5



6

Учет общих




1




сегментов

2



• Редкие покупки товаров с

хорошей маржой

• Покупают только 1-2

категории товаров

• Посещают мобильный сайт,

но покупки совершают с PC

• Часто проверяют почту

Premium segment

• Имеют мобильное приложение

• Заходят каждый день в раздел акций

• 80% товаров куплены со скидкой

• Низкомаржинальный сегмент

• Женщины 25-40 лет с детьми

Value driven mommies

66%

8%

25%

Сегментация по доходности, частоте покупок и размеру корзины

6%

48%

46%

Сегментация по образу жизни: любовь к акциям, бренды, стиль, девайсы

Fashion hunters

1 500

7 20013 100 0,5

3,5

0,9

- кол-во покупок в месяц

- средний чек за год-каналы



3



4



5



6

Учет общих




1




сегментов

2



Доля в базе Основные параметы

S2

S3

S4

S5

Ценовой уровень Стратегия Пример кампании

24%Fashion

hunters

7 200 0,9

2.6

Низкий: 10%

Средний: 40%

Высокий: 50%

• Увеличение частоты покупок

• Увеличение конверсии с одного посещения

• Промо программы лояльности

• Предложение программы лояльности

• E-mail с напоминанией / скидкой о просмотренных SKU

20%Value driven

mommies

1 500 3,5

2.3

Низкий: 73%

Средний: 21%

Высокий: 6%

• Увеличение среднего чека• Увеличение

маржинальности корзины• Сбыт плохо-продаваемого

стока

• Акции с высокой мин. Корзиной

• Рекомендации более высоко-маржинальных товаров

18%Premium

segment1.1

13 100 0,5Низкий: 10%

Средний:11%

Высокий: 81%


• Увеличение оборота: : cross-sell


• Предложение программы лояльности

• Специальные предложения на дополняющие товары


3



4



5



6

Учет общих




1




сегментов

2



Модель отклика на коммуникацию:

Отк

ли

кнетс

я,

есл

и

сд

ел

ать

ком

муни

кац

ию

Откликнется, только

если сделать

коммуникацию


3



4



5



6

Учет общих




1




сегментов

2



Вероятность отклика на коммуникацию на уровне сегмента:

1-й этап: вероятность отклика на коммуникацию

2-й этап: вероятность отклика на коммуникацию по категории

3-й этап: вероятность отклика на коммуникацию с разными механиками воздействия

Customer ID СегментСкидка на категорию

«Верхняя Одежда»

Вероятность

отклика

7676767 Value driven mommies10% 0,4

7676767 Value driven mommies20% 0,7

3434343 Fashion hunter 10% 0,05

3434343 Fashion hunter 20% 0,06

5252525Premium 10% 0,4

5252525Premium 20% 0,55

Скидки не

работают!


3



4



5



6

Учет общих




1




сегментов

2



Соверши покупку на сумму от 1 000р. и получи скидку 10%

Условие достижения Поощрение

Тип кампании

на сумму от скидку 10%1 000р.


3



4



6

Учет общих




1




сегментов

Основныепараметры

S2

S3

S4

S5

Стратегия

Fashion

hunters

Value driven

mommies

Premium

segment

7 200 0,9

2.6

1 500 3,5

2.3

1.1

13 100 0,5


• Увеличение конверсии с одного посещения


• Увеличение среднего чека• Увеличение

маржинальности корзины• Сбыт плохо-продаваемого

стока


• Увеличение оборота: cross-sell


Целевая кампания

Нашей программой лояльности пользуются 4

ваших друга: узнай их отзыв!

Соверши покупку на сумму от 4 000р. и получи

скидку 20% на «Верхнюю Одежду»

Скидка 20% на «Верхнюю Одежду» при покупке

товара в категории «Сумки» только 1 день!

5



2




3



4



5



6

Учет общих




1




сегментов

2



Ограничения

1) Бюджет: не более 300 тыс. рублей

2) Контактная политика: не более 5 контактов в месяц

3) Оборот стока: продать не менее 15 000 тыс. товаров из

категории «Верхняя одежда»

4) Мощности: колл-центр, склад

Оптимизируем предложения

• Максимизируем выручку – первичная цель

• Максимизируем маржу – вторичная



INTELLIGENCE








3

1

Состав решения, план проекта и референсы7


ОНЛАЙН

ПЕРСОНАЛИЗАЦИЯ

Персональный промо-код на скидку

Next best offer для категории

Рекомендации, основанные на

истории просмотров и персональных предпочтениях пользователя

E-MAIL РАССЫЛКА

Omni-Channel

Integrated Customer View,

integrated and flexible usage

E-mail рассылка

Баннеры на главной

странице

Push и СМС сообщения

Ретаргетинг

Сортинг товаров в

каталоге


ОНЛАЙН


Omni-Channel





странице




каталоге

Customer_ID Segment Priority Offe_CD Score OfferName

3434343 Fashion_Hunters 1 Offer_code_01 0,7600 TheStyle_Room

3434343 Fashion_Hunters 2 Offer_code_02 0,7000 Denim_guide

3434343 Fashion_Hunters 3 Offer_code_03 0,6000 Loyalty_Program

User ID: 3434343

ГЛАВНАЯ СТРАНИЦА


ОНЛАЙН


80% корзины пользователя состоит

из товаров с тегом NEW

Отзыв –мотивация для

покупки

SKU в ценовом сегменте 49-80 $ получают дополнительный буст в

сортинге.Высокий показатель отказов

(rejection rate) = > показываем товары с более высокой

маржинальностью

𝑠𝑜𝑟𝑡𝑖𝑛𝑔_𝑟𝑎𝑛𝑘 = 𝑎1 ∗ 𝑥1 + 𝑎2 ∗ 𝑥2 +⋯+ 𝑎𝑛 ∗ 𝑥𝑛,

Где 𝑥𝑖могут быть: CTR, CR, доступность в размерах, цвет, сезон, диапазон цены

Customer_ID Segment Price_segment

_shoes $Price_segment_o

utwear_ $Rejection

rateMark-up

boost Is_Discounted Is_NEW

3434343 Fashion_Hunters 49-80 200-300 70% >2,3 0 1

7676767 Value-driven mommies 20-50 50-100 40% 0 1 0

5252525 Premium >100 >400 40% 0 0 0

КАТАЛОГ

Omni-Channel





странице




каталоге


CUSTOMER

INTELLIGENCE

Для оценки эффективности маркетинговых

коммуникаций рекомендуется использование

контрольных групп:

1) A/B тестрирование (champion / challenger,

challenger / challenger

2) Многовариативное тестирование

3) Возможность сохранять состав тестовых групп

для тестирования цепочек коммуникацй

ACRM – TEST, TEST, TEST!ОТЧЕТНОСТЬ


ОБОГАЩЕНИЕ ИНФОРМАЦИИ О КЛИЕНТЕ

С ПОМОЩЬЮ SAS

CUSTOMER

INTELLIGENCE

Онлайн поведение

Посещение сайта 1

Non-login

Браузер

IP address

Товары

Корзина

Бренды

Категории

Акции

Канал

Посещение сайта 2Login

Браузер

IP address

!User ID!

Товары

Корзина

Бренды

Категории

Акции

Канал

Отклики


Non-login

!User ID!

Товары

Корзина

Бренды

Категории

Акции

Канал

Отклики


Non-login

!User ID!

Товары

Корзина

Бренды

Категории

Акции

Канал

Отклики

Возможность накапливать

историю о пользователе

даже, если он еще не

совершал покупку и не

залогинен на данный

момент.

Офлайн витрина

Клиентские

метрики

Модель

данных



INTELLIGENCE








3

1




С ПОМОЩЬЮ SAS: ОСТАВЛЕННЫЕ ПОЛЯ САЙТА

CUSTOMER

INTELLIGENCE

Посетили

страницу

Взаимодействовали

с корзиной

Успешно оформили

заказ

Веб-сайтМобильный

сайт

Воронка

кампании

Шаг 1: Обнаружение проблемных страниц /

каналов

Шаг 2: Анализ на уровне пользователя

Шаг 3: Получение данных об оставленных полях: имя, email клиента



С ПОМОЩЬЮ SAS: ОСТАВЛЕННЫЕ ПОЛЯ САЙТА

CUSTOMER

INTELLIGENCE

Шаг 4: Превращение отрицательного опыта в «ВАУ-опыт»

• Известно, какие пользователи не смогли

сделать заказ

• Известно, чем они интересовались и что было

у них в корзине

• Известны их контактные данные

Эти пользователи могут быть

конвертированы в клиентов и стать

лояльными покупателями!



INTELLIGENCE

Бизнес-процесс ACRM в е-commerce







3

1



РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫCUSTOMER

INTELLIGENCE

Чем больше товаров в каталоге, чем выше издержки поиска для пользователей.

Пользователи любят наличие

выбора,

но легче совершают покупку,

когда их выбор органичен.


«35% продаж совершаются

по рекомендациям: «Часто

покупают вместе» и

«Пользователи, которые

купили это, также

смотрели». Amazon

«75% того, что люди

смотрят - это результат

рекомендаций». Netflix

КТО ИСПОЛЬЗУЕТ РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ?CUSTOMER

INTELLIGENCE

http://www.forbes.com/sites/ryanholiday/2012/04/16/what-the-failed-1m-netflix-prize-tells-us-about-business-advice/

http://www.forbes.com/sites/ryanholiday/2012/04/16/what-the-failed-1m-netflix-prize-tells-us-about-business-advice/


ВИДЫ И ЦЕЛИ РЕКОМЕНДАЦИЙCUSTOMER

INTELLIGENCE

Вид рекомендацииМесто

рекомендацииБизнес-результат Тип пользователя

«Похожие

товары...»

Карточка товара • Увеличение корзины за счет

покупки нескольких товаров

одной категории

• Более быстрый поиск товаров

=> Увеличение среднего чека

(Up-sell, mark-up ↑)

• Если о пользователе ничего не

известно – ассоциативные правила

• Если известна информация –

рекомендация на основе

предпочтений похожих


«Лидеры продаж в

категории...»

Каталог

Главная страница

• Более быстрый поиск товаров

товаров с органичениями =>

Увеличение конверсии

• Ничего не известно о пользователе,

первый раз зашел на сайт

«С этим товаром

часто покупают...»

Карточка товара

Корзина

Окно «Добавить в

корзину»

• Увеличение количества товаров

в корзине: cross-sell

• Если о пользователе ничего не

известно – ассоциативные правлиа

• Если известна информация –

рекомендация на основе

предпочтений похожих


«Вам может

понравится..»

Главная страница

Корзина

• Next best offer: комбинация всех

видов рекомендаций

• Известна история покупок и

просмотров товаров



INTELLIGENCE

«Лидеры продаж» - NEW

Повышение конверсии с повторного

посещения

«Вам может понравится..» - RETURN

Напоминание от товарах, которыми

интересовалась

Повышение конверсии с повторного

посещения



INTELLIGENCE

«Покупатели, которые купили этот

товар, также купили..»

Увеличение корзины за счет покупки

нескольких товаров одной категории

Более быстрый поиск нужных

товаров

Увеличение конверсии



INTELLIGENCE

«Вам также может понравится»

Увеличение среднего чека за счет

продажи дополняющих товаров:

cross-sell

Увеличение скорости sell-out


МЕТОДЫ ПОСТРОЕНИЯ РЕКОМЕНДАЦИЙCUSTOMER

INTELLIGENCE

Рекомендательные системы

Неперсонализированные

Обычное усреднение рейтингов

Правила ассоциаций

Персонализированные

SVDCollaborative

filteringContent-based

«Лидеры продаж»:

Топ- категория: платья

Рекомендации на базе

факта покупки товара

На базе

индивидуальных

предпочтений


Рекомендация товаров,

с учетом истории

покупок пользователей

Рекомендация товаров, на

базе профилей

пользователей или товаров


СПОСОБЫ ПОСТРОЕНИЯ РЕКОМЕНДАЦИЙCUSTOMER

INTELLIGENCE

Матрица рейтингов пользователей внутри

сегмента по продуктам:

Пользователь X

Продукт

Продукт

1 Продукт 2 Продукт 3 Продукт 4 Продукт 5…

Пользователь 1 3 2 5 4 5

Пользователь 2 - - - 1 1

Пользователь 3 1 - 2 5 -

Пользователь 4… ? ? 1 2 5

Предсказанный рекомендательной системой рейтинг пользователя

Пользователь 4 3.21 4.82 1 2 5

«Вам может понравиться..» => Задача: показать максимально релеватные данному товару продукты

Шаг 1: сегментация


Шаг 2: построение матрицы рейтингов на уровне

пользователь / SKU (внутри категории)

Шаг 3: пересчет рейтинга продуктов

для пользователя с учетом стратегии

развития сегмента

Продукт Продукт 1 Продукт 2

Первоначальный

рейтинг

3.21 3.89

Рейтинг с учетом

ограничений4.82 2.12

Стратегия:

Для сегмента «Value driven mommies»

поднимать маржинальность корзины:

• Маржинальность продукта 1 = 3.4

• Маржинальность продукта 2 = 2.2


СПОСОБЫ ПОСТРОЕНИЯ РЕКОМЕНДАЦИЙCUSTOMER

INTELLIGENCE

Матрица рейтингов пользователей внутри

сегмента по продуктам:

Пользователь X

Продукт Продукт 1 Продукт 2 Продукт 3 Продукт 4 Продукт 5…

Пользователь 1 3 2 5 4 5

Пользователь 2 - - - 1 1

Пользователь 3 1 - 2 5 -

Пользователь 4… ? ? 1 2 5

Предсказанный рекомендательной системой рейтинг пользователя

Пользователь 4 3.21 4.82 1 2 5

«Вместе часто покупают..» => Задача: показать дополняющие товары, которые пользователь захочет

приобрести вместе с данным товаром

Шаг 1: сегментация


Шаг 2: построение взаимосвязей

продуктов в корзинах данного сегмента

Шаг 3: построение матрицы рейтингов на уровне

пользователь / SKU (внутри дополняющих

категорий)

Правило в сегменте:

Если клиент покупает обувь, то в 10%

случаев он купит носки



INTELLIGENCE

Бизнес-процесс ACRM







3

1



Источники

данных

Отклики

Очистка /

преобразование

данных

Единое

представление

о клиенте

Клиентская

аналитика

Разработка

кампаний

Outbound

ОптимизацияNext Best

Offer

Отчетность /

Мониторинг


Рекомендации

Inbound

ACRM – КАК ДОЛЖНО БЫТЬ: СХЕМА РАБОТЫ ACRMCUSTOMER

INTELLIGENCE


Источники

данных

Отклики

Очистка /

преобразование

данных

Единое

представление

о клиенте

Клиентская

аналитика

Разработка

кампаний

Outbound

ОптимизацияNext Best

Offer

Отчетность /

Мониторинг

Inbound


Рекомендации

SAS Data Integration

SAS

Enterprise

Miner

SAS RTDM

SAS

In-memory

Statistics

SAS

Campaign

Management

SAS

Marketing

Optimization

SAS

Campaign

Management

SAS

Business

Intelligence

SAS CUSTOMER DECISION HUB

CUSTOMER

INTELLIGENCE

ACRM – КАК ДОЛЖНО БЫТЬ: РЕШЕНИЯ SAS

SAS

Customer

Experience

45Copyright © 2011, SAS Institute Inc. All rights reserved.Copyright © 2011, SAS Institute Inc. All rights reserved.

Спасибо за внимание!

Ольга Зуева

Бизнес консультант по клиентской аналитике

[email protected]

+7 985 189 89 60

Documents

КЛИЕНТСКАЯ АНАЛИТИКА SAS ДЛЯ ОНЛАЙН РИТЕЙЛА · 2016-03-11 · • поисковые запросы на сайте История коммуникации