Зачем собирать большие данные в рознице, или Эффективные способы применения Big Data для магазинов

Некоторые компании уже озаботились набором критической массы данных, но не совсем знают что с этими данными делать.

Какие типы Big Data собирает обычный магазин?

1. Данные о продажах.
2. Информация о просмотрах каталога товаров.
3. Данные из программы лояльности.
4. История браузинга клиента.
5. Профили в соцсетях, используемые для регистрации.
6. Данные о взаимодействии сотрудников и клиентов.

Вот несколько способов применения Big Data, эффективных даже для небольшого магазина.

1. Данные по продажам

Данные из чека – наш основной актив. Название товара, сумма, частота покупки, давность предыдущей покупки, количество товара, его качественные характеристики… Все эти вещи складываются в красивую мозаику, дающую довольно точную картину – что и как предлагать каждому покупателю.

Но – только постоянному. Поэтому так важно завести клиента в программу лояльности. Владельцы карт и личных кабинетов помогают нам изучать их потребности и делать персональные предложения со значительно большей частотой отклика, чем огульные рассылки. Пример с «Адамасом» удивил даже нас – производителей сервиса для работы с Big Data.

2. Каталог товаров

Не только покупки, но и предпочтения при просмотре каталога позволяют сделать вывод о потребительских предпочтениях, социально-демографическом статусе, уровне доходов, составе семьи, наличию автомобиля, домашних животных и так далее. Допустим, заказывая продукты онлайн, вы никогда не кладете в корзину собачий корм, хотя и просматриваете этот раздел регулярно. Значит, собака у вас есть, но предложение пока не выгодно. Статистика помогает добавить новые товарные позиции, в том числе и по поисковым запросам, выложить новые корма в акцию – изучать и удовлетворять реальный спрос.

3. Данные из программы лояльности

Там хранится не только вся история покупок клиента, но и история коммуникаций – что он пропустил мимо ушей, а на что откликнулся. Это помогает сделать тонкую настройку специальных предложений.

4. История браузинга по сайту

Подглядим немного за сомнениями и желаниями покупателя. Что искал на сайте, что отложил в корзину, но не оплатил, что приобрел. Здесь мы можем не только «догонять» его, напоминая о «хотелках». Сравнив эти данные с историей покупок офлайн, можно еще глубже узнать стратегию поведения клиента.

5. Профили в соцсетях

Изучая покупателей, зарегистрированных в магазине через соцсети, маркетологи видят профили реальных клиентов. Это помогает составить еще более релевантное предложение. Настоящий человек всегда подробнее продемонстрирует портрет покупателя, чем абстрактные диаграммы, пусть и на основе Big Data. Обогатить данные можно, используя интересы и другие параметры из профилей в социальных сетях.

6. Данные о сотрудниках

Последний пункт бонусный. Эта информация поможет менеджменту магазина на основе изучения программы лояльности выяснить, кто из сотрудников продуктивнее работает с клиентами на каждом этапе.

Как использовать обозначенные типы Big Data?

• Формулировать персональные предложения покупателям.
• Скорректировать выкладку товара.
• Обновить ассортимент товаров.
• Получить «реальный» портрет покупателя.
• Использовать данные при работе с персоналом. 

Поделиться в социальных сетях: