Рекомендательная система в оффлайне

Рекомендательная система в оффлайне

Мобильная программа лояльности с персонализацией для ритейла, аптек и ресторанов


Мы привыкли рассматривать типичный для ритейла контекст, когда нет точного представления о конкретном клиенте, а инструменты взаимодействия с ним не гибкие. Сегодня это перестает быть проблемой: программы лояльности позволяют собирать все необходимые данные о предпочтениях, нейросети — находить сложные взаимосвязи и автоматизировать создание предложений, а мобильные приложения дают лучший канал коммуникации.  

Таким образом, можно перенести лучшие практики электронной торговли в оффлайн и формировать персональные предложения для покупателей. Маркетинг, работающий с крупными сегментами аудитории, уходит в прошлое. Единственный важный сегмент сегодня — конкретный человек. Зная его потребности, желания и цели, вы можете серьезно увеличить его LTV, делая действительно релевантные предложения.

Вместе с тремя нашими клиентами мы реализуем это на практике. Сегодня тестируем продукт в контексте сразу трех направлений: продуктовый ритейл, сеть аптек, QSR.

Расскажем, как это работает, как посчитать эффективность и почему CRM не нужны в ритейле.

Три кита

В основе нашего продукта — симбиоз трех систем, каждая из которых играет незаменимую роль.

  • Программа лояльности собирает данные о клиентах.
  • Рекомендательная система интерпретирует эти данные и создает персональные предложения.
  • Мобильные приложения доставляют эти предложения конечному пользователю.

При этом система остается гибкой и не зависит от конкретных программ лояльности. Мы используем уже накопленные данные.

Задача не в том, чтобы раздать всем максимально большие скидки. Цель системы — найти грань, на которой создается стимулирующее предложение, но сохраняется максимальная прибыль.

Программы лояльности: ценнее, чем кажутся

Сами по себе программы лояльности уже мало интересны тем, кто работает с торговлей: механики давно изучены и опробованы. Но дополнительная прибыль от них — уже не главное их достоинство. Главное — данные, которые собираются на их основе. Когда транзакции привязаны к конкретному пользователю, мы можем многое узнать о его предпочтениях и использовать эту информацию, чтобы создавать триггерные предложения для новых покупок.

Мы предусмотрели четыре основные механики программы лояльности в контексте мобильного приложения и нашей системы:

  1. Накопительные баллы
  2. Общие акции
  3. Персонализированные предложения и купоны
  4. Сбор стикеров/штампов и т.д.

Какие данные нужны в программе лояльности?
Не стоит запрашивать чрезмерное количество персональных данных при выпуске виртуальной карты лояльности. Вряд ли все из них вы будете полезно использовать.
Запрашивайте только действительно нужное. От имени и фамилии нет никакого толку. День рождения можно использовать лишь раз в год. А пол — слабый дополнительный признак для рекомендательной системы.
Упрощайте UI, делайте регистрацию проще.

Мобильные приложения: монетизируем внимание

Благодаря цифровым технологиям эмоциональный импульс становится важнее реальных намерений. Сами технологии все чаще направлены на то, чтобы максимально использовать психологическую уязвимость. Такой подход направляет нас к целям, которые порой не совпадают с нашими собственными (перевод автора статьи),
Stand Out of Our Light: Freedom and Persuasion in the Attention Economy, James Williams

Мы живем в эпоху перенасыщения информацией, когда самый ценный экономический ресурс — человеческое внимание. И мобильное приложение — в первую очередь инструмент управления вниманием. Поэтому самое ценное в нем — уведомления. Благодаря им, вы за пользователя решаете, когда он взаимодействует с вашим брендом. Если пользоваться уведомлениями грамотно, можно стимулировать новые покупки, расширять корзину. Когда видим, что теряем его, — пробовать вернуть. Когда вы в смартфоне клиента — он ваш.

Главный экран мобильной программы лояльности. 

Хороший бизнес живет во взаимовыгодном симбиозе со своим клиентом. Перестаньте бездумно забрасывать покупателей ненужными предложениями и увидите позитивный эффект. Хорошее push-уведомление неотрывно от контекста — оно решает конкретную проблему и приходит вовремя.

Пример: Каждый вторник и четверг в 9 утра по дороге на работу Стас заходит за чашечкой кофе. ИИ предсказывает, что с вероятностью 95% он зайдет за кофе и в понедельник, если предоставить ему ограниченную по времени скидку в 15%.

Мобильное приложение в составе нашего продукта заточено в первую очередь под программу лояльности. Но для клиентов мы кастомизируем решение, расширяем его функциональность. В случае ресторанов, например, появляется доставка, предзаказ и интегрированный с рекомендательной системой апсейл.

Рекомендательная система: искусственный интеллект для создания триггерных предложений

Ансамбль нейросетей помогает нам ответить на 4 главных вопроса:

  • Что предлагать?
  • Кому предлагать?
  • Когда предлагать?
  • Какой должна быть скидка?

В составе решения две модели:

Первая обучается на истории транзакций из программы лояльности. Предсказывает, купит ли клиент конкретный товар в конкретное время. Ранжирует результаты и формирует рейтинг вероятных покупок с привязкой ко времени.

Предлагаем эти товары с различными скидками:

  • На главном экране приложения.
  • Через push-уведомления.

Предложения активируются на кассе с помощью штрих-кода. У каждого купона штрих-код уникален. Система накапливает знания об их активации.

Далее в дело вступает вторая модель. Она обучается на накопленных данных, учится предсказывать, какие предложения и с какой вероятностью станут триггерными. Помимо собственных выводов, ей задаются ограничения со стороны бизнеса — пороговые значения скидок, приоритетность товаров и т.д.

Как оценить эффективность?

Если у вас уже действует программа лояльности — все предельно просто. Вы сравниваете LTV клиента в двух временных срезах: до и после внедрения рекомендательной системы.

Если программа лояльности внедряется одновременно с рекомендательной системой — выход тоже есть:

  1. При оплате банковской картой сохраняем последние 4 цифры номера карты клиента или хэш от них. Это 10 000 уникальных сочетаний.
  2. Делаем допущение, что в рамках одного магазина/ресторана эти 4 цифры соответствуют уникальному клиенту.
  3. Считаем LTV для клиента до внедрения программы лояльности.
  4. Запускаем программу лояльности.
  5. Считаем LTV для клиентов программы лояльности тем же способом.
  6. Сравниваем LTV до и после запуска.

При первой покупке с картой лояльности и банковской картой ассоциируем историю транзакций банковской карты с картой лояльности. Тем самым сразу обогащаем данные и рекомендательную систему.

Почему вам не нужна CRM?

Мы уверены в бессмысленности CRM для массового B2C-ритейла. Список клиентов и их транзакций сам по себе не несет ценности, т.к. этих клиентов тысячи и миллионы. Для обучения AI данные проще хранить в несложной базе данных, без CRM.

Большинство ритейлеров сегодня используют CRM исключительно для сегментации аудитории по разным срезам, чтобы вручную формировать акции. Для этого не нужна большая и дорогая CRM, вполне хватит простого BI-инструмента.

С внедрением персонализированной рекомендательной системы нужда в ручном сегментировании отпадает совсем. Вашим сегментом становится конкретный человек, а формирование акций для него автоматизировано. В этом контексте CRM — пятое колесо.  

Архитектура системы

Даже крупная торговая сеть генерирует не больше 10 миллионов транзакций в сутки. Это не highload, такая система не несет в себе рисков, связанных с большими нагрузками.

Сама система дублируется на Google Cloud Platform и Amazon Web Services. Это надежные глобальные платформы, но даже при отказе одной из них — работоспособность сохраняется.

Что в итоге

Оффлайновый ритейл все больше трансформируется под влиянием электронной торговли. Некоторые практики хорошо адаптируются напрямую — например, доставка, которая сейчас появляется у многих ритейлеров и через пару лет будет уже у всех. Другие же, как CRM, часто переносятся без необходимости и понимания.

Наша задача — принести эффективную рекомендательную систему в оффлайн, точно посчитать ее эффективность и вывести маркетинг на уровень конкретного человека. Сегодня система еще тестируется, но мы уже видим, на что она способна.

Персонализация ленты развлекательного медиа

Нам нравится фантазировать: как можно использовать AI для самых разных видов бизнеса. Сегодня рассмотрим, что можно сделать в мобильном приложении со смешными картинками. Начнем с персонализации контента, потом добавим еще пару идей.

Аналитика будущего: предсказываем вероятность покупки в реальном времени

Самое ценное в любом бизнесе — знание о будущем. Информация, позволяющая взглянуть на шаг вперед и оценить вероятности и характеристики предстоящих событий. Бизнес традиционно двигался к уменьшению неопределенности прогнозов, используя актуальный на каждый момент стек технологий. Сегодня на рынке ритейла полным полно устаревших решений для прогнозирования...