Персонализированный ритейл — это новая эра таргетированного маркетинга. Какие инструменты применяют ведущие компании

Фото: Самохвалов Артем / Фотобанк Лори

С развитием технологий сбора и анализа данных возможности персонализации в маркетинге быстро расширяются. Алгоритмы анализируют предпочтения, привычки и даже настроение пользователей, чтобы предложить им желаемое еще до того, как они об этом подумают. Как меняются инструменты персонализации в ecommerce, рассказывает Елисей Долгих, CEO и сооснователь международного агентства мобильного маркетинга Meow Media Group.

Одним из главных инструментов борьбы за внимание покупателя стала возможность угадать (и предугадать) его желания и предложить ему именно то, что его заинтересует. А искусственный интеллект и технологии обработки данных дали новый толчок развитию гиперперсонализации. 

Чтобы выявить предпочтения потребителей, компании изучают их поведение как в рамках собственного магазина, так и в интернете в целом и даже в офлайне. Основные источники данных — это:

История покупок и программы лояльности. Каждый чек в магазине — это данные: что куплено, когда и где. Если человек регулярно покупает кофе и шоколад по утрам, приложение магазина может предложить скидку на оба товара перед рабочей неделей. Программы лояльности той же "Пятерочки" или "Магнита" собирают эти данные, чтобы на их основе строить персонализированные акции.

Онлайн-активность. На сайтах и в мобильных приложениях отслеживаются действия пользователя: какие товары он искал, что добавлял в корзину, какие страницы смотрел. Например, если клиент просматривал куртки, но ничего не купил, ему могут отправить письмо с напоминанием и дополнительной скидкой. 

Камеры и сенсоры в магазинах. В офлайн-магазинах технологии тоже помогают собирать данные. Камеры фиксируют, как долго клиент стоит у полки, что берет в руки и что в итоге кладет в корзину. Так делает, например, IKEA, которая изучает маршруты покупателей в своих торговых залах, чтобы лучше располагать популярные товары.

Социальные сети. Компании анализируют, о чем говорят их клиенты. Посты, отзывы, комментарии и даже хэштеги — все это источники данных. Благодаря анализу соцсетей можно понять, какие товары в тренде.

Data Fusion

Чтобы использовать все полученные данные максимально эффективно, их нужно объединить в единую базу для точного анализа. Такой процесс называется Data fusion. Когда у компании есть информация о ваших покупках человека в магазине, активности в приложении и предпочтениях в соцсетях, ритейлер может точно понять, что вам нужно. Например, если вы регулярно покупаете продукты для завтраков (молоко, хлопья, масло) в магазине у дома, вам могут предложить персональную скидку на соответствующие товары в приложении. При этом данные о покупках в магазине связываются с онлайн-историей через карту лояльности.

Data Fusion может подразумевать и сбор обезличенных данных от разных поставщиков. Так, банк видит, в каких магазинах пользователь тратит деньги, но не знает, на что именно. Если он получит эти данные от ритейлера и увидит, что человек стал покупать молочные смеси и подгузники, то сможет предложить ему, например, ипотеку для молодых семей.

Этот процесс облегчается для корпораций, сервисы которых работают в разных сферах и индустриях — поэтому им не нужно искать данные "на стороне". Так делает "Яндекс: если пользователь часто заказывает суши через "Яндекс.Еду", в "Яндекс.Маркете" ему могут предложить скидку на посуду для японской кухни или соевый соус. Delivery Club интегрирован с платформами VK, что позволяет использовать данные из соцсетей для персонализации. Допустим, пользователь обсуждал в комментариях любимую пиццерию, в этом случае Delivery Club может предложить скидку на эту сеть ресторанов.

Умная сегментация

Благодаря развитию технологий искусственного интеллекта, машинного обучения и аналитики в реальном времени ритейлеры получают новые инструменты для взаимодействия с клиентами. Один из них — умная сегментация, или сегментация на базе Искусственного интеллекта. ИИ позволяет не только учесть огромное количество данных о пользователе, но и создавать более узкие и точные сегменты для предложений и таргета. Так, онлайн-магазин может разделить клиентов на тех, кто ищет скидки, ценит скорость доставки или выбирает экологичные товары. Для каждого сегмента формируется отдельное предложение — от акционных подборок до информации о "зеленых" брендах. Итог — точное попадание в интересы клиентов увеличивает продажи.

Реальный кейс — Amazon. Платформа активно применяет умную сегментацию для формирования персонализированных подборок. К примеру, охотники за скидками получают подборки товаров из распродаж или временных акций. Если пользователь регулярно выбирает товары в разделе "Deals of the Day", Amazon активно рекомендует ему аналогичные предложения.

А еще алгоритмы Amazon используют подход, известный как collaborative filtering. Этот метод учитывает поведение похожих клиентов. Например, если пользователь А купил книгу и также заинтересовался настольной лампой, то пользователю В, который приобрел ту же книгу, предложат ту же лампу.

Динамический контент

Другой популярный инструмент персонализации — динамический контент. Это материалы, которые меняются в зависимости от профиля пользователя, его местоположения, времени суток и даже погоды. Это могут быть баннеры на сайте, рекомендательные блоки, рассылки или предложения в мобильном приложении. 

Утром приложение доставки еды предлагает кофе и сэндвичи, а вечером — пиццу или суши. Если клиент зашел в магазин в Москве, ему покажут ближайшие пункты самовывоза в столице, а для покупателя из Сочи — в его городе. Маркетплейсы, например, Wildberries, предлагают товары, ориентируясь на время года и местоположение пользователя: зимой для северных регионов акцент делают на шубах и пуховиках, а для южных — на куртках и осенней обуви. 

Контекстуальная персонализация учитывает не только данные о клиенте, но и текущую ситуацию. Так, если на улице дождь, приложение доставки еды предложит горячие напитки и суп, а не мороженое и холодные десерты.

Утром YandexGo рекомендует блюда для завтрака, а вечером — для ужина

Real-time аналитика

Для подготовки персональных предложений огромную роль играет аналитика в режиме реального времени, или real-time, которая помогает моментально реагировать на действия клиента. Если вы добавили в корзину кроссовки и ушли с сайта, то через несколько минут можете получить пуш-уведомление на телефон о скидке на этот товар. То же принцип работает везде: и в магазинах косметики и даже в агрегаторах авиабилетов. Поэтому real-time аналитика подходит всем. 

Чтобы мгновенно обрабатывать и анализировать данные, нужны мощные серверы или облачные технологии, например, платформы AWS, Snowflake или Google Cloud — они предоставляют готовые решения для работы с big data. А еще — соответствующее системы обработки данных в реальном времени: Apache Kafka или Google BigQuery.  Следующий шаг — применение результатов аналитики для персонализации в реальном времени, здесь помогут платформы HubSpot и Salesforce Marketing Cloud. А в финале отправляется push-уведомление через OneSignal или Firebase.

Предиктивная аналитика

Не менее важна и предиктивная аналитика, которая способна спрогнозировать будущие потребности пользователя. Искусственный интеллект анализирует, что пользователь и другие, похожие на него по поведению, покупали раньше — чтобы предсказать, что может понадобится в будущем.

Так, Netflix использует предиктивные алгоритмы для рекомендаций фильмов и сериалов. В ритейле похожие технологии применяются для прогнозирования покупок: если клиент купил беговые кроссовки, система предложит аксессуары для бега — спортивные бутылки, одежду, носки.

Реализацию предиктивной аналитики можно разделить на пять этапов:

1. Собрать данные из различных источников: истории покупок, активности в мобильных приложениях, данных из программ лояльности и даже постов в социальных сетях.

2. Очистить данные. Для точного анализа важно избавиться от дубликатов, неточных данных и ошибок. Например, если клиент зарегистрирован с двух разных email, данные нужно объединить. А затем — обезличить данные для соблюдения требований конфиденциальности.

3. Построить модели анализа. Тут уже подключается машинное обучение. Первый этап — кластеризация: алгоритмы группируют пользователей с похожим поведением. Клиентов, которые покупают детские товары, объединяют в один кластер, фанатов спорта — в другой. Затем наступает этап прогнозирования: ИИ строит предиктивные модели, которые анализируют предыдущие покупки клиента и находят похожие паттерны у других пользователей. Например, после покупки фотокамеры система предложит объективы или штатив.

4. Внедрить предиктивные алгоритмы. После анализа система реализует рекомендации в реальном времени. Это может быть персонализированный баннер на сайте, уведомление в приложении или email-рассылка. 

5. Анализировать данные и оптимизировать их. После внедрения предиктивной аналитики необходимо постоянно отслеживать ее эффективность. Регулярная проверка точности алгоритмов помогает улучшать качество рекомендаций. Если клиент не реагирует на предложенные товары, система пересмотрит свои прогнозы.

Умные ассистенты

С персонализацией в ритейле интегрируются и другие инструменты маркетинга и клиентского сервиса — в частности, чат-боты и игровые механики. Так, умные ассистенты: чат-боты и голосовые помощники — помогают клиенту выбрать товар, оформить заказ или задать вопросы. В том же Wildberries и Ozon уже работает поиск по голосу. А "Алиса" в "Яндекс.Маркете" помогает найти нужные товары, учитывая ваши предыдущие запросы. Sephora внедрила чат-бот на базе Facebook Messenger, чтобы помочь пользователям находить подходящую косметику на основе их прошлых покупок. 

Сам поиск тоже стал умным. Он анализирует запросы пользователей и предоставляет максимально релевантные результаты. Технология обработки естественного языка NLP помогает системе "понимать" человеческий язык, включая сложные запросы с грамматическими ошибками, синонимами или разговорной формой. Например, если пользователь вводит запрос "ботинки для осени", умный поиск предложит осенние модели, даже если их название отличается. 

Поиск также использует ИИ: система обучается на данных о поведении пользователей — какие товары они выбирают после определенного запроса, на что чаще кликают. Плюс поиск учитывает и историю покупок, просмотров и предпочтений клиента. Если тот часто ищет спортивную обувь, система будет предлагать подходящие модели выше в результатах поиска. 

Малому бизнесу лучше использовать готовые решения — платформы Algolia, Elasticsearch или Coveo. Они предлагают гибкие API для интеграции умного поиска в сайты и приложения. Для крупных ритейлеров возможно создание кастомного решения на основе TensorFlow или PyTorch.

Геймификация

Некоторые компании сочетают персонализацию с элементами геймификации, чтобы привлечь внимание клиентов. К примеру, в приложении "Ленты" были персонализированные задания — купить товары определенной категории и получить за это бонусы или скидки на любимые продукты. В "СберМаркете" за каждую покупку начисляются баллы. Чем больше покупок — тем выше статус клиента, а с ним и доступ к эксклюзивным предложениям.

Лучше всего геймификация развита в странах ЮВА. Например, в сингапурском Shopee пользователи получают монетки за ежедневный чекин в приложении или прохождение игр в приложении. Такую "валюту" можно обменивать на купоны на скидку и бесплатную доставку

Персонализированная выдача

Онлайн-ритейлеры могут кастомизировать под пользователя интерфейс своего сайта или мобильного приложения, показывая ему релевантные категории, товары и предложения. В приложении Ozon главная страница меняется в зависимости от интересов клиента: если пользователь недавно покупал детские товары, ему покажут подборку новых игрушек или одежды для детей. Яндекс.Маркете можно выбрать предпочтительные бренды, и именно их продукция будет отображаться в первых строках поиска.

Ozon и Wildberries подстраивают стартовый экран своих приложений под покупателя в зависимости от того, что тот заказывал ранее, искал, добавлял в избранное или корзину

Защита данных

Тренд на гиперперсонализацию сталкивается с другой тенденцией, которая обостряется с развитием методов сбора данных — стремление к приватности и защите личной информации. Регулярные утечки данных и недавнее заявление Сбербанка о том, что 90% данных россиян находятся в открытом доступе, подчеркивают актуальность проблемы. Поэтому компаниям важно не только обеспечить защиту данных, но и доказать это клиентам. 

Сейчас данные клиентов обрабатываются так, чтобы их нельзя было связать с конкретным человеком — это называется принципом обезличенности. Вместо ФИО, телефона или адреса указывается обобщенный профиль вроде "женщина, 30–40 лет, мегаполис, интересы: музыка, спорт, кулинария". Информация передается в зашифрованном виде, чтобы ее нельзя было перехватить. Это стандарт для большинства крупных ритейлеров.

Второй принцип защиты данных — их шифрование, то есть кодирование информации во время ее передачи. Даже если злоумышленники перехватят ее, они не смогут использовать эти данные без ключа для расшифровки. Золотой стандарт — алгоритмы шифрования AES-256. Другой метод защиты данных — их анонимизация. Например, в набор информации добавляют "шум" — случайные данные, чтобы нельзя было определить конкретного человека.

Наконец, становится важно, чтобы процесс сбора и обработки данных был прозрачен для самих клиентов. Чтобы показать ответственность, компании создают сервисы, где клиент сам может посмотреть, какие данные о нем собраны, и управлять ими. Например, удалить старую информацию или отключить использование данных для рекламы.

Защита данных регулируется законами. В Европе действует GDPR — он требует, чтобы компании объясняли клиентам, какие данные собираются, как они используются, и давали право их удалить. В России аналогичные требования прописаны в 152-ФЗ: компании обязаны получать согласие клиентов на обработку данных и сообщать, зачем они нужны.

Что дальше?

Развитие персонализированных предложений в e-commerce на ближайшие пару лет будут определять несколько тенденций, которые заметны уже сейчас. Одна из них — экологичная реклама. Из-за большого количества рекламы у пользователей уже давно развилась "баннерная слепота". Даже огромные скидки не привлекают или просто остаются незамеченными. Поэтому маркетинг все больше и больше разворачивается в сторону человека как конечного потребителя контента и становится ненавязчивым рекламным шумом, а полезным помощником. Главное в продвижении — персонализация и полезность рекламы.

Следующая тенденция — забота об окружающей среде, которая из моды перешла в категорию нормы. Потребители все чаще выбирают компании, которые бережно относятся к экологии. Персонализация будет учитывать это, предлагая экологичные товары и рассказывая о происхождении продуктов. Приложение супермаркета может предложить клиенту товары с экологичной упаковкой или продукты местных производителей. А тем, кто ранее приобретал органические овощи, предложить подборку сезонных фермерских продуктов. Ритейлеры начнут показывать экологические рейтинги товаров и подсчитывать "углеродный след" покупок клиента, мотивируя его выбирать более устойчивые варианты.

Все большую роль будет играть обеспечение конфиденциальности. Одно из ключевых событий в этой области — решение Google прекратить поддержку сторонних cookies в Chrome к концу 2024 года. Вместо этого компания представила альтернативу — технологию Privacy Sandbox. Вместо персонального отслеживания она использует групповую сегментацию по интересам, а значит обеспечивает анонимность каждого отдельного пользователя. При этом собственные cookies, необходимые для базового функционирования сайтов, останутся. Другие браузеры — Safari и Firefox — уже внедрили ограничения на использование сторонних cookies. В новых условиях брендам необходимо делать ставку на развитие систем работы с first-party данными через собственные каналы: сайты, программы лояльности и мобильные приложения.

В целом развитие технологий, в особенности искусственного интеллекта, продолжит развитие персонализации в ритейле. Но одновременно будет усиливаться и тренд на защиту данных. Это значит, что ритейлерам придется совместить создание персонализированного опыта с грамотной коммуникацией, которая убедит покупателя: его данные в безопасности, а каждый его шаг в интернете не отслеживается. Этот баланс может стать одним из главных вызовов для e-commerce маркетинга в ближайшее время.

*Facebook признан экстремистской организацией на территории РФ.