ИСПОЛЬЗОВАНИЕ КЛИЕНТСКОЙ АНАЛИТИКИ НА ПРИМЕРЕ РОЗНИЧНОЙ ТОРГОВЛИ

В современных условиях конкурирующим компаниям, чья основная деятельность заключается в розничной торговле готовой продукцией, всё сложнее бороться за комфортные позиции рынка. Как правило, стоимость реализуемой продукции не сильно варьируется между компаниями, и выбор той или иной фирмы с точки зрения целевого потребителя по данным Nielsen Holdings PLC более не может зависеть от ценового фактора [1]. Учитывая также то условие, что в пределах одной локации находится несколько компаний-конкурентов, выбор конкретной в любой рассматриваемый момент времени можно обусловить случайными факторами.

Как в таком случае та или иная компания может максимизировать свою прибыль? Максимизации прибыли способствует увеличение объёма продаж, которого можно добиться, например, если грамотно прогнозировать поведение своих клиентов. У каждого потребителя есть определённые категории товаров, количество покупок на которые не увеличивается в зависимости от наличия на него специального предложения или его отсутствия. Таким образом для каждого конкретного покупателя, можно выделить две категории товаров:

- те, количество покупок которых увеличивается при наличии на него специального предложения;

- те, наличие специального предложения на которые не влияют на увеличение закупок.

Задача заключается в поиске таких категорий товаров для каждого конкретного покупателя. При условии ограничения программ лояльности для всех покупателей и внедрении системы персонализированных предложений магазины розничной торговли, увеличат свою прибыль в долгосрочной перспективе.

Можно предположить, что поведение каждого нового покупателя будет похоже на поведение некоторой совокупности постоянных покупателей. То есть их реакция на наличие специальных предложений определённых товаров должна быть похожа на реакцию некоторых других покупателей, совершавших покупки в этой торговой сети до этого. Вопрос о дополнительной детализации каждой выборки и разбиении её на подгруппы остаётся вопросом имеющихся ресурсов конкретной компании, а также возможностей анализа и сегментирования дополнительных объёмов данных. Основная идея заключается в том, что итоговое количество анализируемых выборок будет соответствовать числу определённых моделей поведения для данного магазина.

Стоит отметить, что предлагаемое решение будет рассматриваться на основании товаров массового спроса, в то время как редко закупаемая продукция является задачей клиентской аналитики и выявлении тергетинговых запросов.

На основании массива данных о предыдущих покупках для каждого клиента достаточно выявить те категории товаров, объёмы покупок которых стабильно увеличиваются при наличии на них скидки и определить принадлежность этих товаров к единой товарной категории. Наряду с этим будут выявлены категории, покупаемые примерно в одинаковом количестве не зависимо от проводимых на них акций. В ходе данного анализа будут определены укрупнённые модели поведения клиентов данной торговой сети, и при обнаружении того факта, что нового потребителя на основании начальных покупок можно ассоциировать с определённой моделью, имеет смысл делать для него персональные предложения на те же категории товаров, которые увеличивают закупочную корзину остальных представителей этой же модели поведения, а также на сопутствующую продукцию. Так, например, для определенных типов людей, таких как "дачники" важным дополнением может оказаться спрей от комаров.

При таком подходе ключевая сложность будет заключаться в методологии формирования моделей поведения клиентов. Как вариант, их можно выстраивать в виде зависимости сформированных товарных категорий от частоты совершаемых покупок выделенной подгруппы покупателей в среднем. Однако стоит отметить, что имеет смысл ранжировать каждую выделенную товарную категории с точки зрения их значимости для рассматриваемой сети: если выявлено, что текущий клиент в большинстве случаев с одинаковой вероятностью склонен к увеличению закупок сразу в нескольких категориях, то стоит подсчитать ожидаемую прибыль в долгосрочной перспективе с учётом изменяемости клиентских предпочтений в реальном времени.

Рассмотрим пример. Было выявлено, что рассматриваемый покупатель в текущий момент анализа примерно на одну и ту же относительную величину увеличивает объём покупок при проведении акций сразу на две товарные категории, при этом с учётом среднего чека по данным о предыдущих транзакциях в этой сети выявлено, что наиболее вероятное событие будет заключаться в увеличении потребительской корзины лишь в одной категории. В таком случае стоит отдать предпочтению персонализации предложения по той категории, которая в текущий момент времени принесёт большую прибыль с учётом возможных издержек в будущем в виде вынужденного списания продукции из-за несоответствующего уровня качества или просроченности, выявленного клиентом (рисунок 1).

Рисунок 1. Анализ ожидаемой прибыли при двух альтернативных вариантах развития событий относительно рассматриваемого клиента

При обнаружении многократного повторения описанной выше ситуации, можно воспользоваться законом больших чисел, согласно которому предпочтение стоит отдавать стимулированию клиента к совершению покупок по второй ветке.

Что касается сопоставления возможной модели поведения каждого нового покупателя с одной из уже имеющихся, то уже на малом объёме данных можно попытаться отследить ту или иную тенденцию. Необходимо наложить новый график функций на каждый из имеющихся и найти тот, который максимально приближенным образом описывал бы рассматриваемое поведение (рисунок 2).

Рисунок 2. Наложение модели поведения анализируемого покупателя на одну из выделенных моделей данной торговой сети и проверка их соответствия

Почему персонализация предложений для новых клиентов важна для владельца бизнеса? По данным издательства Raconteur персональные предложения повышают лояльность целевого клиента [2]. В различных источниках сообщается о 20 – 85% процентном росте прибыли с каждого 5% увеличения постоянных клиентов. Этот фактор обусловлен тем, что мероприятия по удержанию клиента обходятся значительно ниже, чем по проведению маркетинговых компаний с целью привлечения новых [3].

Так, например, мировая практика уже знает случаи успешного трансформирования ряда обычных клиентов в лояльных благодаря анализу их покупательских привычек. По словам The New York Times [4] сеть розничных магазинов Target (США) смогла предсказать беременность одной из своих покупательниц лишь на основании истории её покупок. Дело в том, что до этого происшествия торговая сеть уже вела добровольный реестр беременных покупательниц с целью совершенствования собственной системы предложений для данной категории лиц. Участие в данном реестре подразумевало лишь добровольную передачу факта беременности со стороны клиенток данной сети. В последствии покупки данных покупательниц подвергались детальному анализу, и при выявлении схожих привычек у клиенток из обычной категории покупательниц делалось заключение о наличии беременности у последних, что в последствии позволяло персонализировать предложения на основании предиктивной аналитики.

Стоит отметить, что при утверждении того обстоятельства, что определённые клиенты готовы совершать определённые покупки вне зависимости от наличия на них акций, имеет смысл ограничить специальные предложения для таких покупателей на данные категории товаров лишь теми, которые направлены на весь спектр покупателей. Более того, важный вопрос о том, каким образом разным клиентам на одну и ту же продукцию выставлять разные цены не вызывает особой проблемы. В настоящее время каждый клиент для розничных компаний представлен его дисконтной картой. Достаточно генерировать скидку при соответствии номера дисконтной карты и соответствующего товара. О наличии тех или иных бонусов клиента можно оповестить, например, посредством смс-рассылки.

На основании вышесказанного нельзя не принимать во внимание возможность составления прогнозной карты потребительского поведения для каждого нового клиента с целью увеличения прибыли в перспективе.

В настоящее время современные компании налаживают связь с клиентами, но по тем или иным причинам на российском рынке складывается не оптимистичное настроение со стороны клиентов. От чего можно сделать вывод, о неготовности людей пользоваться приложениями и интернет-услугами (включая интернет-магазины) от ритейлеров, что оставляет затронутую тему актуальной на ближайшие годы. Более того, стоит отметить, что знание предпочтений своих клиентов, позволяет бизнесу строить оправданные стратегии роста и распределения ресурсов, создавать выгодные связи с партнерами-поставщиками. Прямой контакт с покупателями и учет их требований и возможностей определяет бизнес на успешный путь. Кроме того, в совокупности знания о клиенте и связь с ним позволяют фокусироваться и расставлять приоритеты для компаний на рынке b2c.

Список литературы:

1. Самсонова Е. Тенденция в ритейле // Бухгалтерия.ru : сетевой журн. 2011. URL: http://www.buhgalteria.ru/article/n52240 (дата обращения: 27.09.2017).
2. Hazel Davis Personalization is key to increasing customer loyalty // Raconteur : сетевой журн. 2015. URL:  https://www.raconteur.net/business/personalisation-is-key-to-increasing-customer-loyalty (дата обращения: 30.09.2017).
3. Создание лояльности клиентов // Знай про бизнес : сетевой журн. URL: http://znaybiznes.ru/articles/page-2104.html (дата обращения: 01.10.2017).
4. Charles Duhigg How companies learn your secrets // The New York Times magazine : сетевой журн. 2012. URL:  http://www.nytimes.com/2012/02/19/magazine/shopping-habits.html (дата обращения: 02.10.2017).