Големите ритейлъри имат нещо общо. Огромните обеми от данни в две направления – клиенти и продукти. Те са основите при оптимизирането на многоканалната маркетинг стратегия, приложима при въвеждането на нов продукт, комбинация или промоция.
Имали начин за максимизиране на multichannel маркетинг усилията?
Data Analytics прави точно това. Чрез различни елементи от инструментариума на науката за данните има възможност да извлечем максимума от наличните ресурси. Подобна оптимизация не е просто възможна, тя е задължителна от един мащаб нагоре.
В нашия пример ще стартираме с клъстеризация на клиентите. Допускаме, че имаме много данни, които допускат дълбока диференциация. Възраст, място, пол, време от последната покупка, похарчена сума, тип закупени продукти, отговор на предишни промоционални предложения/нови продукти, изоставени колички онлайн и т.н. Данните тук могат да бъдат с всякакви променливи и най-добрият вариант е те да бъдат подготвени и обработени както от аналитични, така и от маркетинг експерти. Разбира се, machine learning може да бъде полезен инструмент, когато имаме нужда от прецизна сегментация на съществуващи и потенциални клиенти.
Коментар от главния учен на А4Е, доц. д-р Александър Ефремов
Сегментацията може да се прави по различни начини, в зависимост от аналитичната задача и наличните данни. Например, ако няма информация за потребителската реакция на дадена промоция, което означава, че няма зависима променлива, тогава трябва да се използват методи за сегментация без участие на тази променлива. Добри примери за методи за т.нар. методи за обучение без учител (unsupervised methods) при сегментацията са йерархичните методи, както и тези базирани на разделяне. От друга страна, ако имаме исторически данни от предишни кампании, в чиито рамки сме регистрирали отговора на клиентите към тях, тогава могат да се приложат различни регресионни модели, както и дърво на решенията.
Потребителско пътуване и оферти
Създаването на карта за потребителското пътуване е ключово за сервирането на правилното послание пред правилния потребител в точното време. Multichannel маркетингът превръща този елемент в истинска рулетка, доколкото общия брой на комбинациите е значителен.
След дефинирането на каналите, които ще бъдат използвани за старта на новия продукт/промоция, трябва да създадем релевантни оферти на база схващането ни за различните сегменти от потенциални клиенти, разположени на различни точки от потребителското пътуване чрез различните канали.
Когато разполагаме с трите елемента на нашата многоканална маркетингова стратегия можем да се обърнем към data analytics експертите с искане на агрегират изпълнимо решение. Това е мястото, в което линейното програмиране идва на помощ. То е чиста математика, решаваща уравнения с няколко неизвестни. Трябва да се има предвид, че целта на оптимизационния процес при стартирането на нов продукт/промоция е генерирането на максимална печалба, но от друга страна имаме ограничения, които трябва да бъдат отчетени като бюджет, складови наличности и т.н. Важно е да се отбележи, че специфични ограничения на база KPI също са приложими.
Коментар от главния учен на А4Е, доц. д-р Александър Ефремов
От математическа гледна точка имаме група неизвестни стойности, които репрезентират определени бизнес решения. Пример за такова решение е „приложи оферта 5 към сегмент С“. Тъй като възможната стойност е приложи или не прилагай, говорим за бинарни параметри. Това усложнява оптимизацията, тъй като целта е да се определи най-доброто решение по предварително зададени критерии. То може да бъде максимум или минимум на обективна функция, която е линейна спрямо решенията. Обикновено, всички бизнес ограничения също са линейни функции на решенията и по тази причина, проблемът подлежи на линейно програмиране. Ограниченията могат да бъдат за тип оферта или тип сегмент. Примери за ограничения за тип оферта са: приложи оферта 4 към поне 20 хил. потребители и бюджетът свързан с нея или подобните й да бъде под 50 хил. валутни единици. Ограниченията за тип сегмент са приложението на максимум две оферти за сегмент и т.н. Наличието на ограничения както за тип оферта, така и за тип сегмент прави невъзможно раздробяването на задачата на отделни подпроблеми. Това води до широкомащабни задачи както когато имаме 50 сегмента от потребители и 1000 послания/оферти, тогава линейната оптимизация дава възможни 50 хил. решения.
Прогнозирането на продажбите е стъпка нататък в оптимизирането на стратегията
Когато знаете колко ще продадете в близко бъдеще е лесно да прогнозирате точното количество стока на склад, от което бизнесът ще се нуждае, за да посрещне потребителското търсене. Прогнозирането на продажбите може да отдели и оцени различни променливи, за да създаде надеждна прогноза и това е ключово за стратегическото планиране по отношение на складови наличности, бюджет, пространство за съхранение и т.н.
Прогнозирането на продажбите на база историческите данни за същите може да е ключов елемент от оптимизирането на бизнес стратегиите за търговци на дребно, ресторанти, търговци на едро, мебелни магазини и т.н. и A4E има предложение за всички тях. Потърсете ни за повече информация.
