Персонализированные предложения давно стали стандартом в ретейле. Но на практике многие акции по-прежнему строятся по массовому принципу: покупатели получают одинаковые предложения независимо от своих привычек и интересов. В результате снижается отклик на коммуникации, а маркетинговые бюджеты расходуются менее эффективно.
В Lenta tech разработали технологию «цифрового клона» покупателя — интеллектуальную модель, которая анализирует историю покупок и помогает формировать действительно релевантные персональные предложения.
Пилотные проекты в сети «Гипер Лента» охватили более миллиона активных покупателей и показали заметный бизнес-эффект:
рост отклика на клиентские коммуникации
0%
рост товарооборота
0%
рост маржинальности
0%
Почему привычной сегментации уже недостаточно
Традиционно персонализация строится двумя способами.
Первый — ручная сегментация. Маркетологи объединяют покупателей в группы по возрасту, составу семьи, частоте покупок или любимым категориям товаров, после чего готовят для каждого сегмента отдельные предложения.
Второй — классические модели машинного обучения. Они прогнозируют вероятность покупки, рекомендуют товары и помогают выбрать следующее лучшее предложение на основе исторических данных.
Оба подхода хорошо работают, но у каждого есть ограничения. Они отвечают на вопрос что покупает человек, но не всегда помогают понять почему он это делает.
Именно поэтому команда Службы продвинутой аналитики Lenta tech совместно с CRM-командой «Гипер Ленты» протестировала новый подход на основе больших языковых моделей.
Как работает цифровой клон
В основу модели ложится история покупок за последние 90 дней и дополнительные обезличенные характеристики клиента.
На основе этих данных большая языковая модель формирует расширенный профиль покупателя: анализирует его покупательские привычки, предполагаемый состав домохозяйства, ценовые предпочтения, особенности потребления и потенциальные потребности.
Так появляется «цифровой клон» — цифровая модель клиента, которая помогает понять его поведение значительно глубже, чем классическая сегментация.
При этом система не только строит гипотезы, но и объясняет, какие именно сценарии покупок привели к тем или иным выводам.
Какие данные используются
Для построения цифрового профиля анализируются данные, которыми уже располагает ретейлер:
история чеков;
частота посещения магазинов;
дата, время и способ покупки;
категории приобретенных товаров;
ценовой сегмент товаров;
скидки;
количество товаров в покупке.
Этого достаточно, чтобы выявить устойчивые модели поведения и превратить разрозненные транзакции в понятный портрет покупателя.
От профиля — к персональному предложению
После анализа для каждого клиента формируются два набора данных:
характеристика покупателя;
предпочтения по товарам и категориям.
Эти данные экспортируются в CRM, программу лояльности и системы клиентских коммуникаций, где используются для настройки персональных предложений и маркетинговых сценариев.
В результате покупатели получают акции, которые действительно соответствуют их интересам, а компания повышает эффективность маркетинговых кампаний.
Подробнее о технической реализации, архитектуре решения и особенностях построения цифрового клона читайте в статье Екатерины Наконечной на Хабре.
