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

Обсуждение с экспертами майских новостей офлайн-ритейла

Наши эксперты: Михаил Барабаш, «Джинсовая симфония»; Андрей Рощупкин, ПК РУКАРД; Дмитрий Болотов, «Ситилинк»; Александр Тарасов, DIS; Наталья Ворзова, «Ситилинк»; Руслан Кодачигов, DeltaClick (AG Deltaplan); Алексей Прыгин, MXP...

далее →

5 простых IT-решений, которые помогут поднять продажи небольших магазинов

К сожалению, передовые технологии используются в основном крупными сетями. Если зайти в небольшие локальные магазины, особенно в регионах, ситуация покажется совершенно иной. Между тем, существуют вполне доступные IT-решения, которые помогут поднять продажи. Доказано на практике.

далее →

Garmin 30 лет: как умные часы с «аналоговым» управлением конкурируют на рынке

В этом году компании Garmin исполняется 30 лет. В своем интервью Даниэл Бабич, генеральный менеджер компании Garmin по Восточной Европе, рассказывает о новинках, тенденциях, делится планами компании.

далее →

Обсуждение с экспертами апрельских новостей офлайн-ритейла

Наши эксперты: Самойлов Константин, основатель и генеральный директор ООО «Здоровье от Природы»; Глеб Харитонов, CEO foodtech-компании Briskly; Илья Лазученков, генеральный директор и управляющий партнер агентства «Пленум»; Никита Шабашкевич, коммерческий директор AWG; Эдуард Кевбрин, руководитель Eggs TV; Нина Филоненко, директор по развитию компании «Экоокна»; Ангелина Старикова, менеджер по работе с ключевыми клиентами компании МУЛЬТиКУБИК...

далее →

«Давайте после майских»: как на самом деле длинные выходные сказываются на прибыли магазинов

Компания InSales проанализировала обезличенные агрегированные данные о продажах нескольких сотен розничных точек и интернет-магазинов, торгующих одеждой и продуктами питания, а также кофеен и пивных баров за периоды с 1 по 17 апреля и с 29 апреля по 15 мая. По итогам подготовили статью — кое-что ожидаемо, но есть и неожиданные результаты.

далее →

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