Сьогодні для роздрібних мереж величезного значення набувають великі дані (BIG DATA), завдяки яким бізнес може отримати цінну інформацію, виявити приховані закономірності даних, провести аналіз поточних трендів і визначити правильний вектор подальшого розвитку.
В умовах швидко зростаючого ринку і великої конкуренції одна з провідних торгових мереж з продажу комп’ютерної техніки поставила собі за мету утримати високі показники продажів, сформувати базу клієнтів, що стабільно зростає, і створити стійку систему комунікації з брендом.
Практика KYC (Know Your Client), давно визнана у фінансовій області як найефективніший спосіб аналізу клієнтської поведінки, поки що тільки починає завойовувати сферу рітейлу. Головним чином, запровадження такої практики було ускладнене тим, що дані, які торгові мережі отримували завдяки збору інформації про своїх клієнтів, було важко систематизувати та об’єднати у цілісний масив, на основі якого можна провести глибокий аналіз.
Як наслідок, неможливість сегментувати клієнтську базу призвело до неможливості розробити персоналізовані пропозиції, які гарантували б магазину прогнозований рівень продажів.
Компанії доводилося приділяти величезну кількість часу плануванню закупівель, проводячи поверхневу аналітику та практично намагаючись “вгадати”, які саме товари будуть мати попит, а також оплачувати склади для зберігання непроданої техніки.
Сегментація клієнтської бази стала можливою завдяки модулю Azure Data Bricks – продукту на базі аналітичної платформи Microsoft Azure, яка дозволяє обробити дані через Azure Data Factory та акумулювати їх у хмарних сховищах Azure Blob Storage та Azure Data Lake Storage для проведення прогнозної й прескриптивної аналітики – predictive and prescriptive analytics та побудови моделей машинного навчання – AI/ML-models.
Сегментація клієнтів (customer segmentation) є класичним AI/ML-завданням, яке було вирішено за допомогою продукту для роботи з даними та розробки AI/ML-моделей Azure Data Bricks.
На базі множинних характеристик, таких як вік, стать, спеціальність, переваги, інтереси, та її купівельної поведінки (типові покупки, величина середнього чека, час перебування біля полиці з певним товаром) були виявлені групи клієнтів зі схожими смаками, інтересами та рівнем доходу. Клієнти торгової мережі були розбиті на сегменти для подальшого аналізу з метою розробки рекламних кампаній, формування ЦА-меседжів та цінових пропозицій, які покривають потреби конкретної цільової аудиторії та з високим ступенем ймовірності будуть сприйняті нею позитивно.
Такий підхід дозволив планувати закупівлю товару, розробити схеми для підвищення рівня продажів та підвищити лояльність клієнтів, які тепер отримують рекламні пропозиції, спеціально розроблені з урахуванням інтересів та потреб сегмента, до якого вони відносяться, а автоматизація – усунути вплив людського фактору (суб’єктивних оцінок та особистої думки), що дозволило бізнесу спиратися виключно на факти.
Результатом сегментації клієнтської бази стало збільшення конверсій та відгуків на рекламні кампанії, підвищення лояльності та вибір правильних каналів комунікації із заздалегідь визначеною групою покупців.
Для описової та діагностичної аналітики – descriptive and diagnostic analytics компанія розробила та автоматизувала систему поточної звітності, для візуалізації якої було обрано аналітичну платформу Microsoft Power BI, яка ось уже 11 років займає перше місце серед хмарних рішень для data-аналітики.*
Після переходу на BI-технології керівництво торгової мережі отримало можливість оновлювати звіти частіше ніж раз на добу та отримувати найактуальнішу інформацію про стан компанії практично в режимі реального часу.
* – згідно з даними компанії Gartner.
РЕЗУЛЬТАТ:
- Оптимізовано канали комунікації, що призвело до збільшення відкритості повідомлень до 55% та зниження витрат на розсилки;
- Конверсія відгуків зросла більш ніж на 50%;
- Середній чек виріс на 12%;
- Збільшилася кількість нових клієнтів.
Microsoft Azure Synapse Analytics
звертайтесь
до наших аналітиків.
