Аналітика, пошук ЦА, оптимізація процесів: три кейси, як українські ритейлери використовують Big Data
Кейси Comfy, Подорожник та Дюна-Веста про те, як саме вони використовують технології Big Data.
Бізнес постійно тримає руку на пульсі, щоб відслідковувати зміни у потребах клієнтів та у споживацькій поведінці. Адже в умовах економічної нестабільності, інфляції та зниження купівельної спроможності, українці все більше орієнтуються на доступність товарів і ціни, заздалегідь планують покупки та раціоналізують їх. Як при цьому Big Data допомагає українським ритейлерам пристосуватись до нових реалій?
Зміна ринку і споживацької поведінки. Приклад Подорожник
Мережа аптек “Подорожник” налічує понад 2100 торгових точок та обслуговує більше 19,5 млн клієнтів. Компанія повною мірою відчула на собі зміни, які почались з початком воєнних дій, зокрема, втрату клієнтської бази.
“Коли ми говоримо про адаптацію промо через масштабне переміщення клієнтів в Україні, то загалом не було необхідності змінювати принцип комунікації, адже звички людей відвідувати аптеки залишилися, де б українці не перебували. У межах країни у нас є можливості, щоб залучити та втримати клієнта, та якщо він за кордоном — це зробити важче”, — говорить директор з маркетингу мережі аптек Подорожник В’ячеслав Сауц.
Водночас спостерігається динаміка, що українці за кордоном обирали купувати ліки, під час візиту в Україну, адже за кордоном стикались із труднощами при пошуку потрібних препаратів.
“Наша мережа прагла стати рішенням у цьому. Що ми робили? Ми поєднували як офлайн, так і диджитал-інструменти – класичні і ті, що базуються на технологіях BI Київстар. Ми досліджуємо портрет нашого клієнта, аналізуємо, які у нього потреби, пропонуємо персоналізовані знижки. А ще застосовуємо таргетовані розсилки зі спеціальними пропозиціями, пропонуючи знижки до відкриття нових аптек тощо”, — пояснив В’ячеслав.
Також мережа гнучко реагує на зміни поведінки покупців, які залишились в Україні. “До прикладу, у першому півріччі 2022 року ми спостерігали шалений попит на заспокійливі препарати та ліки для серцево-судинної системи і спад продажу вітамінів, косметики та товарів для краси. Та вже через рік попит на ці категорії повернувся на довоєнний рівень. Що пропонувати, коли, як саме це робити — саме у цьому нам допомагають інструменти великих даних. Адже аналіз поведінки покупців дозволяє адаптувати пропозиції до їхніх потреб, збільшити конверсії та формувати лояльність клієнтів”, — зауважив В’ячеслав Сауц.
Як управляти даними для прийняття рішень. Приклад Дюна-Веста
На ринку панчішно-шкарпеткових виробів компанія Дюна-Веста вже понад пів століття. Компанія має власну фабрику на Львівщині та щомісяця випускає близько 1,2 млн продукції бренду Duna, яка продається в Україні та за її межами.
Коли постала потреба про подальшу цифровізацію аналітики та звітності, компанія вже мала 76 магазинів по всій Україні й 5000 товарних позицій. Тож, щоб якісно та ефективно управляти таким обсягом даних і приймати управлінські рішення, вона потребувала нових цифрових рішень.
“Спільно з Київстар ми впровадили хмарну платформу для зберігання й аналізу великих обсягів даних Azure Data Warehouse. Ми хотіли на старті врахувати такі потреби:
- як формувати різні типи звітів і з різними типами доступу: для керівників, аналітиків, маркетологів та інше.
- як візуалізувати дані за різними показниками у дашбордах.
- як зменшити роль людського фактора — уникнути ручного коригування, суб’єктивної інтерпретації та інше.
- як ретроспективно переглядати динаміку за день/місяць/квартал/рік загалом та за обраними показниками.
- як моніторити ринок та оперативно приймати рішення.
Так ми налагодили стабільні внутрішні процеси і пришвидшили ухвалення рішень. Адже навіть якщо працівник візьме лікарняний, вихідний або піде у відпустку, аналітика все одно буде готова. І що особливо важливо у час кадрової кризи: завдяки Big Data ми змогли забезпечити ріст мережі магазинів за допомогою тієї самої кількості працівників, не залучаючи нових. Завдяки цьому ми зараз можемо більше займатися стратегічними питаннями: розширювати цільову аудиторію, асортимент, виходити на нові ринки в Європі”, — розповідає фінансова директорка Дюна-Веста Олена Кладько.
“Зараз розглядаємо, щоб налаштувати аналіз продажів за каналами дистрибуції і масштабувати це рішення на наших франчайзі”, — поділилась планами на майбутнє Олена.
Як технології великих даних допомагають прогнозувати попит та персоніфікувати комунікацію. Приклад Comfy
Comfy — один з найбільших омніканальних ритейлерів побутової техніки й гаджетів в Україні, чия мережа налічує 110 магазинів в Україні.
“Ми робимо ставку не лише на успіхи в продажу і сервісі, а й на ефективні комунікації. Не є секретом, щоб вдало комунікувати з аудиторією, слід якісно її досліджувати, — говорить маркетинг-директорка Comfy Марія Назаренко. — Зокрема, після 24 лютого ми помітили, що люди стали швидше обирати товари та менше занурюватися в процес, бо їм доводиться турбуватися про багато різних речей. При цьому знизилися доходи та збільшилися витрати на донати, тому потреба розумно заощаджувати почала зростати”.
У своїй маркетинговій стратегії Comfy врахували це і адаптували до уподобань покупців, які проаналізували через поведінкові патерни, виявлені за допомогою великих даних. Це дало змогу краще розуміти зміну попиту та пропонувати клієнтам саме те, що вони шукають.
“Загалом Comfy переходить до персоналізованої комунікації, бо масові повідомлення дратують клієнтів. А зараз в українців і так достатньо причин для стресу, а ми хочемо, щоб наша комунікація була проявом турботи”, — зазначила Марія Назаренко.
Тому Comfy використовує моделі Machine Learning в побудові прогнозування клієнтської поведінки, коли здійснює масові комунікації. “Ми аналізуємо інформацію про поведінку на сайті та в додатку і створюємо персональні пропозиції для наступних покупок. Наприклад, два різних користувачі отримують різний набір рекомендацій залежно від накопиченої історії про них: історії покупок, поведінки на сайті та в додатку, належності до певного сегмента та інших факторів. Так нам вдається адресувати свої промо саме тим, кому вони більш потрібні. Ефективність застосування моделей ми перевіряємо через контрольні групи, а додаткові продажі можуть сягати 30%, — уточнила Марія. — Також використовуємо можливості Big Data від Київстар під час відкриття нових магазинів Comfy. Запускаємо охопні кампанії з таргетованими розсилками в конкретній локації — в певному радіусі від нового магазину. Ми аналізуємо поведінку аудиторії та завдяки ML-моделям відправляємо повідомлення тим, хто найбільше схильний до покупок у конкретний момент. Так ми значно скоротили кількість повідомлень, які надсилаємо клієнтам, і підвищили їхню ефективність”.
Комунікація з клієнтами у ритейлі постійна, однак має певні сезонні сплески, такі як листопадові розпродажі до Чорної п’ятниці або ж до різдвяно-новорічного сезону. Щоб ритейлери могли краще підготуватися до них, постачальники Big Data-рішень, зокрема Київстар, мають спеціальні пропозиції.
А як таргетовані та тригерні розсилки на основі Big Data допомагають бізнесу знаходити працівників, можна дізнатися тут