Как заработать на
персональных данных

Программы лояльности сейчас есть практически у каждой розничной сети. Работают они по-разному: где-то вам начисляются баллы, где-то предоставляется дополнительная скидка, некоторые ритейлеры дают купоны и подарки, но суть механизма одна: чтобы получить заветную карточку, покупатель сообщает о себе часть персональной информации, а затем при ее использовании ритейлеру становится известно, что любит есть ее владелец, как часто ходит в магазин и имеет ли домашних животных.

Годы работы в рамках таких программ позволяют компаниям накопить значительный объем данных, большая часть которых до недавнего времени никак не использовалась. Опыт последних нескольких лет показывает, что сбор и системный анализ таких больших данных (big data) дает возможность превратить гигабайты неструктурированной информации в мощный инструмент повышения эффективности всех бизнес-процессов розничной сети и увеличения продаж. Современные технологии позволяют не только собирать и изучать данные о покупательских предпочтениях, но и использовать их в маркетинговых и коммерческих программах. По сути, использование big data может существенно изменить подход к маркетингу: от построения гипотез мы переходим к анализу реальных данных. Я расскажу о том, как это работает, на примере нашего опыта в «Ленте».

Еще несколько лет назад о больших данных в России рассказывали лишь как о новом, хотя и многообещающем направлении. В 2015 году совместное исследование CNews Analytics и Oracle показало, что лишь около трети российских розничных сетей работает с big data. При этом использование этого ресурса может увеличить прибыль ритейлера на 7—10%.

В 2008 году мы поняли, что имеем доступ к очень ценной информации о покупательском поведении и начали анализировать данные, а в 2013-м в партнерстве с компанией emnos запустили проект big data.

Как известно, основные характеристики big data — «три V» (объем информации — Volume, скорость прироста информации — Velocity, многообразие информации — Variety). Поэтому технология наиболее эффективна в крупных компаниях, способных обеспечить наличие всех трех параметров. В «Ленте» информация стекается из 72 городов, где расположено 147 гипермаркетов и 42 супермаркета сети. В 2015 году число активных участников программы «Ленты» составило 8,4 млн человек. При регистрации покупатель сообщает о себе базовые данные: возраст, пол, семейное положение, владение автомобилем, контактные данные. А представление о привычках и особенностях потребления каждого можно получить, анализируя совершаемые им покупки.

На Западе работа с большими данными ведется давно и весьма успешно. Компании уделяют большое внимание анализу своих данных, особенно когда дело касается персонализации коммуникации с пользователями. Например, Amazon 35% всей своей выручки получает от рекомендательных систем. Крупнейшая мировая сеть Walmart строит маркетинговую стратегию, учитывая даже прогноз погоды на ближайшие дни. И, конечно, в первую очередь ритейлеру необходимо иметь самое четкое представление о своих покупателях.

У нас сформировано четыре основных рабочих потока, направленных на повышение эффективности продаж и лояльности покупателей: Pricing — ценообразование; Category Management — управление категориями товаров в зависимости от того, как они формируются в корзине покупателя; Direct Marketing — формирование блока таргетированных акций, которые позволяют работать с реальными потребностями покупателей; еmnos Tools — набор стандартных инструментов, необходимых для генерации отчетов для анализа эффективности продаж и проводимых промоакций.

Первой и основной задачей проекта стала сегментация покупателей и полный отказ от ориентации в продажах на «типичного» или «среднего» покупателя. Опираясь на данные о продажах с 2012 года, мы разделили всех покупателей на категории в зависимости от их ценности для компании и собственных потребностей. Принцип RFV (Recency – давность; Frequency – частота; Value – ценность) позволил определить наиболее ценных с точки зрения продаж клиентов. На конец 2015 года в эту категорию входило более 2,5 млн владельцев карт.

Также была проведена сегментация покупателей в зависимости от их покупательских привычек и потребностей. Ориентируясь на выделенные девять сегментов, компания смогла адаптировать ассортимент и принципы выкладки товаров в каждом магазине. Например, удалось выявить значительный сегмент покупателей, ориентированных на приготовление пищи дома и покупку товаров под торговой маркой «Ленты». Этот сегмент назвали Budget Cooking. В покупках сегмента Party People преобладают напитки и снэки, в этой группе большинство мужчин.

Среди покупателей «Ленты» есть клиенты, часто совершающие небольшие покупки, и те, кто приходит редко, но тратит значительные суммы. В целом они приносят примерно одинаковую выручку, однако анализ их потребительского поведения дает компании понимание того, как дальше развивать бизнес в каждом конкретном магазине: концентрировать усилия на повышении частоты покупок или фокусироваться на увеличении размера среднего чека. Кроме того, появляется возможность адаптировать ассортимент под разные категории покупателей, сделать мерчендайзинг и маркетинг адресным.

«Лента» позиционирует себя как сеть магазинов с низкими ценами, поэтому в рамках проекта big data большое внимание уделяется чувствительности покупателей к ценам. Компании удалось идентифицировать наиболее важные для разных категорий покупателей товары. Уже сегодня эти данные используются для тонкой настройки ценовой политики и ассортимента в магазинах, а также проведения специальных акций, что значительно повышает лояльность и активность покупателей. В режиме онлайн big data доступны для десятков менеджеров «Ленты» во всех регионах присутствия сети.

После тщательного анализа данных и сегментации покупателей «Лента» запустила программу персонифицированной прямой маркетинговой коммуникации Thank you mailing, нацеленную на повышение лояльности покупателей. Ежеквартально компания формирует индивидуальное предложение для 2,5 млн наиболее лояльных покупателей из всех регионов присутствия сети. Предложение содержит 6 купонов, подобранных исходя из индивидуальных потребностей каждого покупателя. Молодые родители, например, могут получить купон на подгузники или детское питание, молодежь — на снэки и напитки, кофеманы — на новый сорт любимого напитка. Предъявляя на кассе купон при покупке указанного на нем товара, вы получаете значительную скидку.

С помощью этого инструмента также тестируют покупательские предпочтения и стимулируют кросс-продажи. Например, ранее вы часто покупали вареную колбасу, а сейчас перестали. Анализ покупок поможет выяснить причину: стало ли у вас меньше денег или вы переключились на правильное питание. В зависимости от полученного результата компания перенастраивает коммуникацию и подталкивает к новым покупкам. По нашему опыту уровень отклика на подобные акции составляет около 4—6%. Это хороший показатель, оправдывающий проведение акций и развитие этого направления. Однако важно постоянно анализировать эффективность таких акций, как в разрезе аудитории, так и в контексте задействованного ассортимента, чтобы последовательно увеличивать отклик и охват.

Несмотря на относительную молодость проекта, работа с big data уже сейчас приносит ощутимые результаты. Компания хорошо знает и понимает своих покупателей. А им, в свою очередь, покупки стали обходиться дешевле и не требуют больших временных затрат.