«Перекрёсток» и GlowByte Consulting провели аналитику впечатлений посетителей в магазине

2021: Аналитика впечатлений посетителей в магазине

Торговая сеть «Перекрёсток» и компания GlowByte завершили исследовательский проект по аналитике впечатлений посетителей в магазине. Об этом Glowbyte сообщил 21 апреля 2021 года. По итогам исследования, торговая сеть пересмотрела внутренние процессы, которые прямо или опосредованно влияют на NPS, и провела специальные сервисные марафоны для всех сотрудников розницы - около 28 000 человек по всей России.

Целью проекта было определить степень влияния различных аспектов работы магазина на клиентов.

Команды «Перекрёстка» и Customer Experience GlowByte начали с исследования уже накопленных данных в компании на основе результатов NPS-исследования, которое проводилось через звонки клиентам после посещения ими магазинов продовольственной сети. Вместе с самим NPS-вопросом у клиентов интересовались тем, что им понравилось и не понравилось в процессе посещения. После, комментарии клиентов категоризировали на 10 основных тем: ассортимент, качество товаров, удобство визита и т.д. Требовалось определить степень влияния отдельных аспектов работы магазина на клиентов. «Перекрёсток» и GlowByte решили задачу в несколько этапов.

На первом этапе были сформулированы 58 идей-триггеров эмоций клиентов для оцифровки 10 основных категорий впечатлений клиентов, например, «Клиент заметил просроченный продукт», «Не смог найти товар после перестановок в магазине. Не нравится, когда продукты меняют местами». Затем на втором этапе собрали данные из разных источников, выбрав глубину данных в 1 календарный год. В качестве исходных источников использовали таблицы хранилища данных и выгрузки из различных систем, на основании которых составили витрину атрибутов для аналитики.

После этого аналитики просчитали распределения и корреляции по получившемуся набору метрик-факторов и разбили их на 9 групп по тому, каким образом они влияют на клиентское восприятие. Например, есть факторы «негативные»: их рост приводит к росту доли негативных эмоций, и при этом не влияет на изменение доли позитивных эмоций.

В результате проекта команды получили ряд инсайтов для бизнеса. Например, заметили, что мужчины чаще ругают и реже хвалят различные аспекты работы магазинов. Что можно проинтерпретировать, как «если мужчину послали в магазин, то он априори всем недоволен», а можно тем, что «мужчины в среднем склонны замечать больше негативных аспектов». Но вне зависимости от интерпретации, это actionable insight: если в магазин ходит большая доля покупателей-мужчин, то, возможно, его стоит немного адаптировать под эту аудиторию. Во многом это подтверждает уже давно известный принцип one-size-does-not-fit-all: подходы к клиенту должны быть различны в зависимости от сегмента (как по полу, так и по тому к какому поколению относится клиент: бумер, X-поколение, миллинеал или зумер).Метавселенная ВДНХ 3.6 т

Для проверки полученных инсайтов и гипотез «Перекрёсток» запустил A/B-тестирование в 60 супермаркетах.

Клиентоориентированность лежит в основе всей стратегии развития нашей сети, - рассказывает Иван Братцев, руководитель Управления клиентского опыта торговой сети «Перекрёсток», - Конечная цель данного исследования и последовавшего за ним тестирования – оценить, как влияет NPS на РТО компании. После этого мы сможем внедрить в работу самые полезные и актуальные для бизнеса изменения».

Этот кейс интересен тем, что при реализации мы не остановились на исследовании одного лишь индекса NPS как метрики клиентской удовлетворенности. Мы копнули глубже, в анализ драйверов впечатлений клиентов, что послужило источником глубинных инсайтов для бизнеса, - подчеркивает Евгений Пименов, соруководитель практики Customer Experience в GlowByte.

2019: Завершение второго этапа проекта по оптимизации маркетинговых коммуникаций

17 октября 2019 года компания `Перекрёсток` сообщила, что совместно с GlowByte завершила второй этап проекта по оптимизации маркетинговых коммуникаций. Это первое решение по внедрению SAS Marketing Optimization (SAS MO) в ритейле.

По информации компании, в рамках проекта команды разработали комплекс предиктивных моделей UpLift и моделей, прогнозирующих средний чек в рамках акции для каждой кампании. Они учитывают более 200 атрибутов по клиенту и рассчитывают будущую доходность, поэтому прогнозный результат позволяет подобрать лучшее предложение на текущий момент и увеличить эффективность коммуникации с клиентом на 30%.

Ключевой целью проекта было увеличить результативность маркетинговых коммуникаций. Сначала запуск кампаний был переведен из ручного режима в автоматический при помощи SAS MA. Затем, имея пул автоматизированных кампаний, необходимо было выстроить систему, которая отправляет клиенту наиболее выгодное предложение при условии доступности для него нескольких кампаний. Это стало возможным благодаря настройке SAS MO, в котором решается задача приоритизации предложений на уровне клиента, с учетом внешних ограничений и уникальных параметров.

Прежняя стратегия взаимодействия с клиентами основывалась на ручной выборке и экспертной приоритизации маркетинговых предложений. Для оптимизации использовали модели прогнозирования отклика на разные типы коммуникаций. Они показали эффективность, но системе не хватало метода приоритизации предложений для отдельного клиента. В результате потребитель получал одно не всегда оптимальное для него предложение. Это уменьшало вероятность отклика и приводило к снижению конверсии кампаний и увеличению затрат.

Обновленная система выстроена на основе расчёта прогнозной выручки от маркетинговой коммуникации в разрезе каждого клиента. Она просчитывает вероятность отклика на предложение в разных условиях:

• при наличии коммуникации;
• без коммуникации.

Прогнозирует сумму покупок клиента в период акции. Этот подход сложен тем, что необходимо на каждой отдельной модели получить сравнимые результаты. `Перекрёсток` первый из ритейлеров в РФ решил комплексную задачу по оптимизации целевого маркетинга с помощью SAS MO и получил положительные результаты.

Подход основан на идее о том, что для каждого клиента эффективность конкретной коммуникации будет разной, при этом она может быть спрогнозирована на основе транзакционной истории. Например, модель рассчитывает, что эффект от коммуникации X будет выше, чем от коммуникации Y, хотя в ручном подборе менеджер может отдать коммуникации Y более высокий приоритет, основываясь на результатах предыдущих запусков.

Модели, ранее запускаемые по отдельности, теперь загружены в единую систему, на выходе из которой формируется оптимальный список `один клиент - одно предложение`. Всё это работает в условиях ограничений по количеству коммуникаций и предоставляемых программой лояльности бонусов.

В качестве изначального набора маркетинговых предложений использовались пять маркетинговых коммуникаций с предложением повышенного бонуса в выбранных категориях товаров.

Для оценки эффективности оптимизации SAS MO команды `Перекрёстка` и GlowByte запустили два сценария:

• Отбор лучшего предложения для клиента по бизнес-правилам;
• Отбор лучшего предложения для клиента на основе оптимизации SAS MO.

В каждом сценарии участвовали клиенты, отобранные по одинаковым условиям и один и тот же набор маркетинговых предложений.

Основным критерием для сравнения двух сценариев была метрика прироста среднего оборота в период акции на участника. На основании этого критерия на октябрь 2019 года результаты SAS MO оказались более чем в 10 раз выше в сравнении с результатами коммуникации по бизнес-правилам и на 30% выше, чем стандартная маркетинговая коммуникация, запускаемая на регулярной основе.Также результаты в разрезе каждой коммуникации оказались выше при запуске с помощью SAS MO.

Цель `Перекрёстка` ‒ внедрение системы автоматического выбора предложений для каждого клиента к концу 2019 года и запуск SAS MO на большем объёме клиентов. Также торговая сеть планирует расширять список маркетинговых предложений для выбора в системе. Дальнейшими шагами станет добавление других типов коммуникации в систему.

В 2019 году мы поставили перед собой амбициозную цель - автоматизировать до 80% целевых маркетинговых кампаний, а также запустить более пятидесяти регулярных кампаний, отбор которых осуществляется на основе предиктивных моделей. Реализовать запуск мы планируем на базе SAS Marketing Optimization. Ожидаем, что это поможет нам автоматизировать процесс запуска и увеличить выручку от маркетинговых кампаний на 15%. рассказала Михайлова Екатерина, руководитель управления монетизации клиентской базы торговой сети «Перекрёсток»