Методические материалы → Офлайн-ритейл

Компании и рынки

Технологии изучения паттернов покупательского поведения при помощи Big Data

Про методы/технологии сбора и анализа данных о покупательском поведении, построение выводов и их практическое применение рассказывает Анастасия Конькова, руководитель отдела компании Loyalty Partners Vostok (управляющая компания программы «Малина»)

На сегодняшний день человек окружен абсолютно разными устройствами – мобильные телефоны, планшеты, бытовая техника, машины и т.д. С каждым годом устройства становятся все более мощными и предоставляют человеку все больше возможностей. И это уже вопрос ближайшего будущего, когда устройства «поумнеют» настолько, что начнут сами взаимодействовать между собой. Такая концепция названа «Интернет вещей» (Internet of Things). Это сеть, соединяющая все возможные объекты. С учетом огромного количества устройств, объем данных, которые они будут генерировать, колоссальный. В связи с этим встает вопрос о том, как с ними работать.

Основные технологии, позволяющие работать с таким количеством данных, подразумевают их параллельную обработку, масштабируемую на сотни и тысячи узлов:

  1. NoSQL – ряд подходов, направленных на реализацию хранилищ баз данных. Применяется к базам данных, в которых делается попытка решить проблемы масштабируемости и доступности за счет атомарности и согласованности данных.
  2. MapReduce – это фреймворк для вычисления некоторых наборов распределенных задач с использованием большого количества компьютеров.
  3. Hadoop – набор утилит, библиотек и программный каркас для разработки и выполнения распределенных программ, работающих на кластерах из сотен и тысяч узлов.

В будущем данные с устройств позволят более детально изучить не только поведение и предпочтения людей (покупателей), но и их физическое, а также психологическое состояние (всевозможные браслеты и часы для отслеживания пульса и т.п. уже существуют).

Для изучения и прогнозирования поведения клиента обычно используются следующие методы:

  1. Прогнозирование (Классификация, регрессионный анализ и др.) – для предсказания конкретного показателя – например, товара, который выберет клиент.
  2. Сегментация (Кластеризация) – для разделения людей на группы с похожим поведением. В дальнейшем, можно работать с каждой из групп в отдельности, опираясь на схожие потребности клиентов внутри группы. Например: выбрать группу людей с высокой суммой покупок, а затем предлагать им более дорогие товары.
  3. Ассоциативные правила – для нахождения типичных паттернов поведения клиентов, что позволяет делать рекомендации по товарам/товарным группам (часто используется для онлайн-магазинов). Например: если клиент выбирает пульт, система предлагает ему батарейки.
  4. Нейронные сети – обучающиеся алгоритмы, позволяющие сегментировать клиентов, а также прогнозировать их поведение.

Новые данные позволят улучшить модели по всем направлениям. Так, например, если сейчас вы знаете, что человек покупает молоко с периодичностью раз в две недели, по истечении данного срока можно отправить ему напоминание или интересное предложение со скидкой. Однако в будущем, имея данные в том числе с самих товаров, вы будете знать, закончился ли/испортился ли товар или он на исходе – и при необходимости, если клиент будет проезжать мимо вашего магазина (или будет изучать ваш сайт с целью других покупок), вы сможете ему напомнить об этом – по смартфону или любому другому устройству.

С точки зрения маркетинга, новая информация о товарах и их использовании позволит по-новому взглянуть на взаимодействие с клиентами. Это приведет к исключительной персонализации будущих предложений. Если знания, полученные из анализа новых данных, будут использоваться в рекламных кампаниях и платформах, это позволит предугадывать поведение клиента и предлагать ему то, что ему нужно и даже то, о чем он еще не успел подумать.

Конечно, активное взаимодействие устройств – это вопрос ближайшего, но все-таки будущего. Однако в упрощенному виде концепция работает уже сейчас. Так, например, если участник программы «Малина» установил наше мобильное приложение на свой телефон, то при его нахождении вблизи точек партнеров мы можем стимулировать человека посетить ту или иную локацию, отправив push-уведомление. При этом это может быть, как просто оповещение, так и конкретное персональное предложение, основанное на поведении клиента и целях наших партнеров.


См. также:

Новые технологии в розничной торговле.Big Data

Инструменты Big Data. Мнения практиков

Автор: Александр

Подписаться на новости

Читайте также

22 февраля / Комментарии

Как запустить современный бизнес без персонала и рисков?

Эксперты, анализирующие состояние российского вендингового рынка и общемировые тенденции, прогнозируют развитие этого рынка в ближайшие несколько лет. Сергей Поляков, владелец франшизы Первый тест, рассказал о тонкостях работы вендингового бизнеса.

далее →

20 февраля / Комментарии

Глобальное исследование Ford: процесс шопинга радует людей больше, чем сама покупка

Компания Ford опубликовала свой шестой по счету ежегодный отчет, в котором проанализировала ключевые тренды потребительских настроений и поведения, и составила прогноз на 2018 год.

далее →

13 февраля / Комментарии

Что ждет ритейл в наступившем году. Часть 1

В начале года принято подводить итоги прошедшего и отмечать тенденции, которые будут определять развитие той или иной отрасли в новом году. И для такой динамично развивающейся сферы, как ритейл - это особенно актуально.

далее →

12 февраля / Комментарии

Топ-12 новостей офлайн-ритейла за 2017 год

12 наиболее интересных новостей по офлайн-ритейлу за 2017 год по мнению редакции

далее →

1 февраля / Комментарии

Рейтинг городов по количеству присутствия фастфуд-сетей

Ресторанные сети наращивают географию присутствия, но рынок еще далек от насыщения. По данным сервиса r_keeper на 12% населения, проживающего в Москве и Санкт-Петербурге, приходится порядка 70% фастфуд-заведений страны. Территориальная диспропорция отрицательно влияет на качество быстрого питания в регионах, но свидетельствует о высоком потенциале для роста.

далее →

X
Нажмите «Нравится»,
чтобы читать Shopolog.ru в Facebook