3 эффективных способа повышения лояльности в сфере электронной коммерции в 2018 году
3 эффективных способа повысить лояльность в сфере электронной коммерции в 2018 году
Давайте посмотрим, что нового на этот раз. Мы подготовили что-то легкое для чтения и очень полезное в использовании. Мы хотим рассказать вам о возможностях персонализации в электронной коммерции с помощью алгоритмов машинного обучения.
имейте в виду на всю оставшуюся жизнь, что современный потребитель очень искушен и, более того, очень занят. Таким образом, показывать контент или рассылать предложения, не относящиеся к нему, – настоящий провал. Только представьте, покупатель идет в интернет-магазин и выбирает пылесос. У него есть бюджет около 100 долларов на эту покупку и огромное желание придерживаться выделенного лимита. Каким будет его разочарование, если вся информация, оставленная о нем, приведет только к полученному предложению с «скидками на технику Karcher»? Интернет-магазин не понимал, чего хочет потенциальный потребитель, или не счел нужным понимать.
Такой подход может привести к потере клиента для этого интернет-магазина. Чтобы этого не случилось, важно дать возможность потенциальному потребителю почувствовать себя особенным. В офлайновых магазинах это делает консультант. Он прислушивается к пожеланиям клиента и предлагает подходящие товары или услуги. В сегменте электронной коммерции персонализация – ключ к решению проблемы индивидуального подхода. Итак, читайте ниже, чтобы узнать, что это такое и как это влияет на лояльность клиентов.
Персонализация – это выбор контента, продуктов, метода и канала для общения с конкретным человеком. Маркетологи персонализируют рассылки, сайты и лендинги, а также рекламные кампании. Вся информация, представленная в таких кампаниях, рассказывает о том, что компания предлагает уникальным образом каждому сегменту аудитории. Сегменты распознаются по схожим характеристикам, таким как:
Данные о пользователях могут быть любого типа. Анализ такого количества информации вручную требует много времени и усилий, а также будет довольно экономически неэффективен. Таким образом, машинное обучение является решением.
Дэвиду нужен пылесос для новой квартиры, его бюджет составляет 100 долларов. Он посмотрел несколько вариантов до 100 долларов, однако больше всего ему понравился аппарат Phillips за 115 долларов. Стоимость пылесоса пока выходит за рамки бюджета Дэвида. Так что все, что он делает – оставляет свой адрес электронной почты, чтобы получить письмо, если появится какая-то специальная сделка. Далее – он закрывает страницу. Через несколько часов Дэвид получает предложение купить пылесос Phillips, на который он смотрел.
Аппарат проанализировал поведение Дэвида на сайте: определил, что он ищет пылесосы до 100 долларов, но долго искал устройство Phillips, которое стоит 115 долларов.
Невозможно включить и использовать все данные без специалистов по маркетингу. Они анализируют данные, собранные алгоритмами, чтобы использовать их для продажи. Если какие-то данные о пользователе отсутствовали, а теперь они появляются, вновь полученная информация будет добавлена в модель машинного обучения. Благодаря собранным данным пользователи группируются вместе с аналогичным набором поведенческих характеристик.
Пример.
В целевой группе были Боб, Салли и Натали вместе с Дэвидом. У них тоже есть бюджет на пылесос, не более 100 долларов, и им также понравился этот идеальный продукт Phillips, который не укладывается в этот бюджет. Все они живут в Миннеаполисе-Стрит. Пол, Миннесота, их среднемесячный доход чуть выше $ 4 500. Все они женаты.
Сейчас же:
Задача интернет-магазина – сделать так, чтобы вся целевая группа приобрела пылесосы своей мечты. Как ее решить с помощью машинного обучения?
Метод 1. Подстроиться под возможности аудитории.
Динамическое ценообразование – важный способ использования машинного обучения в электронной коммерции. Это изменение цены на товары или услуги в зависимости от их ценности для клиента и его способности платить за них. Машинное обучение способно учитывать спрос, предложение и определять пределы эластичности по цене для каждого продукта или услуги.
Пример.
В случае с Дэвидом машинные алгоритмы определили, что пылесос Philips более ценен, чем все другие пылесосы на объекте. Но это не укладывается в бюджет потенциального заказчика. Поэтому цена товара была изменена, что дало Дэвиду возможность приобрести пылесос. Окончательная стоимость прибора при этом осталась в допустимых для продавца пределах.
Поскольку алгоритмы постоянно самообучаются, они легко адаптируются к изменяющимся моделям рынка или поведения потребителей. Что примечательно, ситуация работает не только на покупателя. Может случиться так, что автомат покажет товар по несколько более высокой цене, чем есть на самом деле, после изучения поведения пользователя в интернет-магазине.
Пример.
Дэвид сменил работу, и в течение следующего года его зарплата утроилась. Он решил сделать сюрприз к юбилею вместе с женой и на этот раз купить робота-пылесоса. Так как в последний раз ему понравился интернет-магазин, он зашел туда еще раз. Как только Дэвид зашел на сайт, алгоритмы машинного обучения идентифицировали его. А когда он отфильтровал отображение только роботов-пылесосов, они определили параметры поиска и увеличили стоимость модели на 3%.
Метод 2. Создайте релевантный контент
Согласно исследованию Criteo и IDC, 66% маркетологов считают, что технологии машинного обучения могут создавать высококачественный релевантный контент, соответствующий потребностям аудитории.
В сети
Машинные алгоритмы могут показать каждому посетителю ту версию сайта, которая полностью привлечет его внимание и с большей вероятностью приведет к целевому действию.
Пример.
Анализируя поведение Дэвида на сайте, алгоритмы машинного обучения показали на главной странице предложение с пылесосом Phillips по сниженной цене.
Вот еще один интересный пример авторемонта. Целью было увеличить количество запросов, конвертируемых в продажи. Источник лидов – контекстная реклама, которая привела на целевую страницу. Потенциальный заказчик, введя в поисковую строку Google «замена колеса на Land Cruiser», переходит по первой ссылке из выдачи и попадает на посадочную страницу. Чтобы клиент остался, машинное обучение показывало на целевой странице контент, отвечающий запросу потенциального клиента. Первое сообщение, увиденное клиентом, было «замена колеса на Land Cruiser любого года выпуска». Потенциальный покупатель, увидев релевантный контент, быстро перешел к целевому действию.
В информационных бюллетенях
Собирая данные о посетителях на сайте, машина группирует их в узкие целевые группы. Он автоматически создает списки для рассылки с конкретным предложением и содержанием. Сообщения отправляются в то время, когда пользователь внимательно просматривает почту. Также автомат анализирует активность потенциального покупателя и выбирает предпочтительное время для отправки письма. Таким образом, увеличивается скорость открытия писем. Если посетитель помимо адреса электронной почты указал дополнительные средства связи, алгоритм выберет наиболее подходящий на данный момент канал. Это могут быть СМС, push-уведомления в браузере, сообщения в мессенджерах или емейлы.
В рекламных кампаниях
Алгоритмы машинного обучения можно научить определять посетителей, которые с большей вероятностью совершат покупку, чем другие. Для этого маркетологам необходимо разработать собственную оценку «перспектив» контакта. Алгоритм может анализировать языковые особенности, которые увеличивают вовлеченность и увеличивают количество кликов. После этого он составит список ключевых слов, которые маркетологи используют при составлении объявлений для рекламных кампаний.
Пример.
Дэвид – потенциальный покупатель интернет-магазина бытовой техники, но его нужно подтолкнуть. Нам нужно показать ему преимущества пылесоса Phillips. Алгоритм подсчитал, что все пылесосы, за которыми следил Дэвид, имели функцию влажной уборки. Значит, Дэвид ищет пылесос с такими характеристиками, и это для него важно. Машина знает, что важно для Дэвида, поэтому она показывает баннер на главной странице с текстом о технических преимуществах и сокращении затрат на вакуум до допустимого бюджета Дэвида.
Метод 3. Прогнозирование поведения потенциальных покупателей.
Машинное обучение может предсказать, когда и почему потенциальный клиент свяжется с компанией. Это помогает персонализировать общение с пользователем и планировать расходы на техническую поддержку. Например, вы можете узнать о вкусовых предпочтениях человека, создать модель его потребительского поведения и определить средний чек. Можно даже пойти дальше и узнать, сколько готов потратить поклонник грузинской кухни, а сколько потратит французский или итальянский.
Пример.
Прежде чем потенциальный покупатель понял, чего он хочет, машина предложила это. Например, машина отслеживает, как часто пользователь очищает память. Если он будет делать это регулярно, то компания придумает подключение к облачному хранилищу. Больше никакой магии – только алгоритмы!
Примечания для запоминания:
- Персонализация позволяет пользователю почувствовать себя особенным.
- Создает чувство заботы и участия в решении своих проблем, не нарушая при этом личного пространства.
- Машинное обучение можно научить генерировать цены в зависимости от возможностей пользователя и его потребностей.
- Также он может отображать релевантный контент на сайте, в рассылках или рекламных кампаниях.
- Машинное обучение может предсказывать поведение потенциальных покупателей.
Источник записи: https://elogic.co