Автоматическая персонализация. Зачем и как работает?

Автоматическая персонализация предложений позволяет полностью автоматизировать процессы удержания клиентов и повысить их LTV
Почему важна персонализация предложений?
Вопрос персонализации становится всё более актуальным с каждым годом. Мы все стараемся понять, что интересно нашему клиенту и как сделать его максимально лояльным к бренду. Вся выгода кроется в простых цифрах:
1. Одно общее предложение для всех клиентов:
Вернётся 3−5% клиентов.
Так делают 70% торговых сетей.
2. По 1 предложению для каждой группы клиентов:
Вернётся 10−15% клиентов.
Так делают ещё 25% торговых сетей.
3. 1 клиент = 1 персональное предложение:
Вернётся 30-40% клиентов.
Так делают не более 5% сетей.
Проблема в том, что рассчитывать индивидуально для каждого персональный набор предложений очень сложно и долго. При этом, сделав это, вы становитесь лояльнее 95% ваших конкурентов. Для того чтобы сделать это быстро и не дорого, есть сервис Megainsight, позволяющий автоматизировать процесс расчета персональных предложений и увеличить LTV до 40% в зависимости от сегмента бизнеса. Разберемся как работает модуль автоматических расчётов персональных предложений.
Шаг 1. Определение модели потребления клиента.

На этом этапе мы предполагаем, что у торговой сети уже ведётся клиентская база в каком-то виде. Т.е. как минимум есть персональные карты лояльности, либо они привязаны к номеру телефона клиента, позволяющие собрать всю его историю покупок.

Наш сервис с определенной периодичностью опрашивает такой источник клиентских данных и собирает всю информацию в едином месте. Данная информация позволяет создать цифровой портрет клиента на основе истории покупок и характеризовать его по 10-кам параметров, таким как: частота, время, объем и разнообразие покупок, средний чек, любимые товары и торговые точки, динамика спроса и многое другое.

Шаг 2. Определение похожести клиентов

Чтобы сформировать персональные предложения, мало данных о покупках только одного клиента, ведь он может покупать всегда только один товар или пользоваться только одной услугой. Важно смотреть и на других клиентов, которые по параметрам модели потребления похожи на него. Это очень сложные расчеты, которые при ручном подходе требуют дни и недели кропотливой работы дорогостоящих аналитиков. Наш сервис может предоставлять такую информацию за секунды. Для этого используются алгоритмы машинного обучения, позволяющие обучаться на всех данных клиентской базы и прогнозировать интерес клиента к определённым товарам и услугам.

При таком подходе выгоду получает как клиент, так и торговая сеть. С одной стороны, мы увеличиваем средний чек клиента и его LTV и, таким образом, растим выручку. С другой стороны, клиент получает именно то, что ему интересно, тем самым становясь более лояльным.

Шаг 3. Создание рекомендованных купонов

После того как рекомендации сформированы, их важно упаковать в купоны. Под купоном в нашем случае понимается рекомендуемый товары с персональной ценой на него или скидкой. Такие купоны заводятся в личном кабинете заранее на различные товары и услуги, а дальше сервис, в зависимости от рекомендаций каждому клиенту, формирует полностью индивидуальный перечень купонов.

Таким образом каждый клиент автоматически получает действительно персонализированный набор предложений, полностью отражающий как его существующие интересы, так и то, что ему вероятно будет интересно в будущем. Такие предложения благодаря нашему сервису он может получить в мобильном приложении, на кассе при предъявлении карты, в email-рассылках или по СМС.

Шаг 4. Переобучение и актуализация персональных предложений

Конечно, и системы ошибаются. Чтобы минимизировать ошибки, производятся постоянный процесс переобучения моделей на новых данных. Т.е. если какие-то купоны остаются не востребованы, со временем они пропадают из перечня предложений и заменяются другими. В результате, клиент получает всегда актуальный перечень предложений, призывающий его чаще пользоваться услугами или покупать товары конкретной торговой сети.

Хотите больше узнать о нашем сервисе?

Оставляйте заявку на Демо-показ, и мы детально расскажем не только об этих, но и о других функциях нашего сервиса!

Автор: Евгений Строкин

Статьи

    Мы продемонстрируем наше решение и обсудим ваши KPI
    Запросить демо
    Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь с политикой конфиденциальности.