Эффективное использование больших данных в 2022 году
31 янв 2022 02:40 #107602
от ICT
ICT создал тему: Эффективное использование больших данных в 2022 году
Пандемия приводит к тому, что ритейл все больше переходит в онлайн. Поэтому сбор данных во всем мире растет беспрецедентными темпами: по данным InternationalDataCorporation (IDC), к 2025 году совокупная сумма мировых данных может составить 175 зеттабайт, для хранения которых понадобится 12,5 миллиарда жестких дисков. Вслед за Amazon и eBay все больше ритейлеров приходят к пониманию, что интернет — это не только канал продаж. Это источник ценной информации. Эффективность собранных данных зависит от того, как их будут обрабатывать и применять. Глеб Клюйко, маркетолог eSputnik, рассказывает о новых возможностях использования BigData в ритейле. Что такое BigData BigData — это набор данных из разных источников, слишком объемный и сложный для того, чтобы обрабатывать его вручную. К большим данным относится как структурированная, так и неструктурированная информация. Структурированные данные легко обрабатывать и интерпретировать — это, например, сумма заказов, средний чек, демографическая информация и т. п. Неструктурированные данные могут быть представлены в самых разных форматах: видео, изображения, лайки, комментарии, отзывы и т. д. В контексте ecommerceBigData — это прежде всего информация о пользователях и клиентах: как они ведут себя в приложении и на сайте, какими товарами и акциями интересуются, какие каналы предпочитают, как реагируют на рекламные кампании. Именно из-за сложности и огромных объемов данных в последние годы появляется все больше инструментов для их хранения, унификации и анализа. Для чего BigData используют в ритейле Вокруг чего весь шум? Посмотрим, какие возможности большие данные открывают перед ecommerce. Лучшее понимание клиентов Бизнес, который использует BigData для более глубокого понимания своих клиентов, способен обеспечить каждому пользователю уникальный покупательский опыт, и это приносит очевидные результаты. Согласно отчету McKinsey, компании, которые строят свои активности на клиентских данных, получают в 23 раза больше шансов привлечь новых клиентов и в 9 раз чаще способны удержать существующих. Прогнозирование Прогнозная аналитика — это выявление с помощью алгоритмов ИИ закономерностей в BigData для предсказания спроса на те или иные продукты, сегментирования контактов, ценообразования и многого другого. Ее можно использовать как для принятия решений об объеме производства или хранении определенного товара на складе, так и для автоматического персонализированного предложения на основе имеющейся о пользователе информации. Очевидно, что в ближайшем будущем мы увидим появление целого арсенала инструментов для прогнозной аналитики. По данным Gartner, к концу 2024 года 75% компаний придут к использованию ИИ для обработки BigData, что повлечет пятикратное увеличение потоков данных и аналитической инфраструктуры. В ритейле прогнозная аналитика используется для решения 2 главных задач: предиктивной сегментации и предсказания вероятности конверсии. Предиктивная сегментация Используя данные о действиях клиентов, алгоритмы ИИ выделяют паттерны поведения людей в разных сегментах, благодаря чему становится возможным заранее предсказать жизненный путь пользователя и оптимизировать его под бизнес-цели. Например, если после третьей покупки в течение 2 месяцев не происходит следующего заказа, велика вероятность потерять такого клиента. Соответственно, на контакты в этой группе нужно направить реактивационную кампанию. Также предиктивная сегментация помогает определить потенциальный ROI от разных сегментов, что помогает использовать маркетинговый бюджет эффективнее. Например, вы можете задействовать ее для определения потенциальных VIP-покупателей. Кейс компании RetouchMe показал, что такая практика приносит +17% продаж. Предсказание вероятности конверсии Анализируя значимые критерии покупательского поведения, мы можем оценивать вероятность конверсии для того или иного предложения и запускать целевые кампании с подборками наиболее релевантных товаров для каждого конкретного пользователя. Чем больше переменных, то есть значимых данных, используется при анализе, тем точнее будет прогноз и, соответственно, тем выше будут конверсии. Товарные рекомендации Рассмотрим, как это работает, на примере персонализированных рекомендаций на сайте. Ведь это как раз та стратегия, которая приводит клиентов на такие торговые площадки, как Amazon (более 150 миллионов уникальных посетителей в месяц) или eBay (более 109 миллионов уникальных посетителей в месяц). И не просто приводит, а является одним из основных источников продаж: сейчас рекомендованные алгоритмами ИИ товары составляют 35% покупок на Amazon. Хорошая новость в том, что сегодня бизнесу не обязательно делать гигантские инвестиции в программное обеспечение, чтобы предложить своим клиентам аналогичный пользовательский опыт. Чтобы заниматься маркетингом так же, как Amazon, вам достаточно установить на сайт скрипт веб-трекинга, который будет собирать информацию о каждом посетителе сайта: что он ищет, какие страницы посещает, какие товары покупает, добавляет в избранное или оставляет в корзине. Далее алгоритмы ИИ анализируют полученную информацию и генерируют на разных страницах сайта товарные рекомендации по заданным вами правилам. Подробнее о возможностях персонализированных рекомендаций на сайте вы можете почитать здесь. Также важно уточнить, что аналогичным образом персональные рекомендации могут использоваться и в рассылках. Геотаргетинг Среди ценных данных, которые бизнес может получать о своих клиентах, нельзя не упомянуть информацию об их местоположении. Геотаргетинг позволяет в режиме реального времени таргетироваться на людей по этому признаку. Например, когда человек оказывается в радиусе километра от ресторана или магазина, с помощью геофенсинга он получает маркетинговое сообщение со специальным предложением. Эта технология уже широко и успешно используется сегодня: так, международная служба доставки еды Rocketувеличила средний чек на 16% и ROI на 152%, используя геотаргетинг с сегментацией заказчиков по предпочтениям. BigData в омниканальном маркетинге Выше мы описали три возможных применения BigData для бизнеса. В действительности их гораздо больше. Но в итоге все они входят в понятие "омниканальный маркетинг". Хотя об омниканальном маркетинге говорят давно и много, реализация этой стратегии по-прежнему может стать вашим весомым конкурентным преимуществом. Омниканальность — это комплексное использование разных взаимосвязанных каналов: рассылки, соцсети, мессенджеры, пуш-уведомления, веб-сайт и даже офлайн. Используя платформу клиентских данных, вы можете настроить бесшовный обмен данными между физическими точками продаж и онлайн-магазинами. Персонализированная омниканальная коммуникация — это залог более высоких конверсий и лояльности, о чем свидетельствует и статистика:
- Уровень вовлеченности: средний показатель для омниканального бизнеса — 18,96%, для одноканального — 5,4%.
- Частота покупок: с использованием омниканальных стратегий — на 250% выше.
- Средний чек: на 13% больше.
- Уровень удержания клиентов: на 90% выше.
- Формировать динамические сегменты контактов и автоматически генерировать персонализированный контент, соответствующий ключевым характеристикам сегмента.
- Отправлять омниканальные кампании в ответ на конкретные действия каждого контакта.
- Планировать кампании с учетом геолокации контактов, их интересов, товарных предпочтений и т. п.
- С помощью алгоритмов ИИ прогнозировать спрос на определенные товары, предугадывать, к совершению какой покупки контакт наиболее склонен в данный момент, и предлагать ему эту позицию в рассылке или в рекомендациях на сайте. Эти же рекомендации можно передавать на оборудование продавцов и кассиров в офлайн-точках, специалистам кол-центров.
- Получать новые данные в режиме реального времени и моментально использовать их в кампаниях.
- Анализировать ключевые показатели по разным когортам, чтобы оценивать эффективность маркетинговых активностей.
Пожалуйста Войти или Регистрация, чтобы присоединиться к беседе.
Похожие статьи
Тема | Релевантность | Дата |
---|---|---|
Ассоциация больших данных и ИРИ разработают кодекс этики в сфере использования данных | 11.72 | Среда, 21 ноября 2018 |
ОФД - от услуг к сервисам больших данных | 10.49 | Четверг, 09 сентября 2021 |
Hitachi покупает разработчика СПО для больших данных за $500-600 млн | 10.37 | Среда, 11 февраля 2015 |
«Билайн» вошел в Ассоциацию больших данных | 10.37 | Вторник, 17 сентября 2019 |
Рынок больших данных увеличится вдвое | 10.37 | Вторник, 18 апреля 2023 |
ВТБ импортозаместил аналитическую платформу больших данных | 10.37 | Пятница, 15 декабря 2023 |
Mail.Ru Group выходит на рынок больших данных | 10.26 | Понедельник, 18 января 2016 |
Создан эффективный язык программирования для больших данных | 10.26 | Четверг, 15 сентября 2016 |
Операторы задумались о создании Ассоциации больших данных | 10.26 | Вторник, 04 апреля 2017 |
Atos открыла департамент больших данных и безопасности | 10.26 | Понедельник, 16 октября 2017 |