Анализ потребительской корзины

Помимо сегментации, сделанной на основе исследований отношений, о которой мы только что поговорили, есть и другие методы, помогающие корректировать и адаптировать вашу маркетинговую коммуникацию. Анализ потребительской корзины, то есть буквальная добыча информации об ассортименте продуктов, который находится в тележке покупателей во время их хождения по магазину, зачастую способен рассказать обо всем, что вам нужно знать, поскольку вы сразу понимаете, в чем конкретно проявляется покупательская заинтересованность. Этот метод стал довольно популярным в 1990-е годы в среде розничных магазинов благодаря замечательной истории про «пиво и подгузники».

Однажды в одном американском супермаркете[9] решили провести статистический анализ потребительских корзин, и в процессе исследования выяснилась любопытная закономерность. По вечерам в пятницу в тележках покупателей очень часто пиво соседствовало с подгузниками. Поразмыслив над этим феноменом, сотрудники догадались, в чем дело: приобретая на выходные подгузники по просьбам своих жен, многие мужья не могли удержаться от искушения и покупали себе в конце рабочей недели упаковку пива. Осознав суть происходящего, в супермаркете быстро передвинули стеллажи – и с тех пор пиво всегда стояло рядом с подгузниками. В результате взлетели продажи по обеим категориям продуктов.

Отличная история. Жаль только, что придуманная. Судя по всему, ее рассказывали консультанты, пытающиеся продавать свои услуги магазинам. На самом деле подобные исследования не проводились ни в розничных сетях, ни в отдельных магазинах. Тем не менее, несмотря на весь вымысел, эта история идеально показывает, почему анализ информации может стать мощным инструментом. Позволю себе привести еще один пример (представляющий собой несколько видоизмененное описание реально проведенного нами проекта), благодаря которому вы сможете лучше понять суть происходящего.

Крупная компания, занимавшаяся рекламной деятельностью путем адресной рассылки по почте, размышляя о новых принципах маркетинговой коммуникации, пыталась понять, на какие клиентские группы следует ориентироваться. Сотрудники компании хотели исследовать интенсивность пользования товаром, особенно их интересовало, какие продукты покупаются вместе, а какие – нет и почему. Естественно, полученные выводы они собирались использовать для работы с потребителями и корректировки рекламных рассылок.

В базе данных компании значилось 3360 различных продуктов. Итак, наш первый шаг состоял в том, чтобы рассортировать их по сходным группам. Для пущей простоты мы использовали двухуровневую классификацию. На первом уровне продукты были разделены по двадцати продуктовым семействам; на втором – получилось сто пятьдесят девять семейств, меньших по размеру. Мы проанализировали каждый отдельно взятый продукт, который можно было купить вместе с другим. Как вы уже догадались, количество возможных комбинаций для анализа увеличивалось со скоростью экспоненциального роста в зависимости от количества продуктовых групп (семей).

После завершения этой работы мы перешли к созданию модели, способной предсказать вероятность совместной покупки двух различных продуктов (в рамках той же сделки или в течение определенного времени). Мы протестировали модель, отправив двум группам клиентов единственный элемент маркетинговой коммуникации – памятную монету номиналом в 50 центов с портретом президента Кеннеди. Первая группа была отобрана из базы данных с помощью анализа потребительской корзины. Мы искали людей, уже купивших похожие памятные монеты. Вторая группа была отобрана случайным образом, без применения особых правил. Формула для анализа корзины выглядела следующим образом:

A = B & C & D → N, P, S

На первый взгляд формула выглядит крайне запутанной, но на самом деле она довольно проста.

• A – продукт (или семейство продуктов), для которого я разрабатываю правило. Иными словами, я пытаюсь предсказать, купит ли определенный клиент сувенирные монеты при условии, что он активно покупает другие сходные вещи на сайте этой компании. В данном случае мой продукт – монета номиналом 50 центов.

• B, C, D – прогностические параметры (факторы, позволяющие предсказать, будет ли куплен продукт A). К ним относятся также такие продукты, как другие памятные монеты либо сувениры с определенной исторической тематикой – короче, продукты, дающие основания считать, что клиент купит и монеты с портретом Кеннеди.

• N – охват в абсолютных показателях (общее количество клиентов, купивших продукты B, C и D в рамках одной покупки).

• P – вероятность того, что кто-то купит A, при условии, что уже купил B, C и D.

• S – поддержка (процент от общего числа людей, купивших B, C, D и A).

Чтобы понять, идем ли мы по верному пути, мы протестировали модель, отправив один и тот же элемент маркетинговой коммуникации двум группам клиентов. Первая группа была отобрана из базы данных с помощью правил анализа потребительской корзины. Вторая группа была отобрана случайным методом, без применения особых правил. Показатель эффективности рекламы для первой группы оказался в пять раз выше, чем для второй, – что отлично демонстрирует потенциал этого метода с точки зрения дохода.

Если вам нравится одно, то понравится и другое

Инструменты автоматической рекомендации, такие как анализ потребительской корзины, стали крайне популярными в интернет-среде. Лучше всего на рынке известны рекомендационные механизмы Amazon и Netflix. Они предлагают продукты – если вам понравилась определенная книга или фильм, то вам наверняка понравятся и вот эти, – сравнивая ваш выбор с выбором других людей, читавших те же книги (или смотревших тот же фильм). Разумеется, это имеет вполне реальную ценность в глазах потребителей. Мне очень нравится, когда Netflix рекомендует мне кинофильм, о котором я даже раньше не слышал. Это основная причина, по которой я готов подписаться на услуги сайта, и Netflix отлично это понимает. Работающие там люди отслеживают, как часто я арендую диски с фильмами, основываясь на их предложениях. В сущности Amazon и Netflix делают то же самое, что и супермаркеты, пытающиеся предсказать, захотите ли вы купить яблоки и бананы за один поход в магазин, или почтовое ведомство, пытающееся понять, какая комбинация продуктов окажется наиболее интересной для коллекционеров марок.

Теперь вам доступны и готовые решения, помогающие персонализировать свою маркетинговую коммуникацию примерно так же, как это делают Amazon и Netflix. Эти решения позволяют сравнительно мелким компаниям уравнять шансы и эффективно конкурировать с отраслевыми гигантами. Компании, идущие по этому пути, внимательно изучают пристрастия клиентов, затем адаптируют свои рекомендации им, в результате чего получают изрядное конкурентное преимущество. Нужные для этого решения уже есть, они не слишком дорогие и показывают хорошие результаты. Если вы их не используете, то для вас нет оправдания. Изучите то, что предлагают компании Audience Science, Proclivity и Netmining. Лично я предпочитаю Netmining (и совсем не потому, что основатель компании Тон Ван Парис – бельгиец).

Netmining собирает данные от потребителей, путешествующих по Сети, в режиме реального времени. Затем эти данные используются для прогнозирования того, в каких товарах мог бы быть заинтересован тот или иной клиент. Netmining автоматически показывает рекламный контент, соответствующий интересам клиента. (О том, каким образом рекламодатели могут постоянно следовать за вами и показывать вам рекламу джинсов именно того цвета, который вы ищете, – я расскажу в четвертой главе.)

Подобные инструменты, позволяющие предлагать нужному клиенту подходящий ему товар, способны обеспечивать невероятные результаты. Например, компания Fiat, когда начала работать с Netmining, заметила 350-процентный прирост в количестве клиентов и 500-процентное увеличение показателя эффективности рекламы.

Самое крутое в работе Netmining – это возможность визуализации результатов. Программа позволила сотрудникам Fiat легко увидеть, какие именно модели интересуют клиентов и насколько вероятна последующая покупка (демонстрацию программы можно найти на сайте www.netmining.com).

Итак, мы с вами успели обсудить, как понимать настоящих и потенциальных клиентов с помощью анализа данных, получаемых из трех источников исследований (качественных или количественных); данных о сделках (об этом было сказано во второй главе) или данных о поведении клиента в Интернете. Все эти источники данных у нас уже давно есть. Теперь давайте обратим внимание на другие интересные источники данных, которые появились совсем недавно.

Помимо сегментации, сделанной на основе исследований отношений, о которой мы только что поговорили, есть и другие методы, помогающие корректировать и адаптировать вашу маркетинговую коммуникацию. Анализ потребительской корзины, то есть буквальная добыча информации об ассортименте продуктов, который находится в тележке покупателей во время их хождения по магазину, зачастую способен рассказать обо всем, что вам нужно знать, поскольку вы сразу понимаете, в чем конкретно проявляется покупательская заинтересованность. Этот метод стал довольно популярным в 1990-е годы в среде розничных магазинов благодаря замечательной истории про «пиво и подгузники».

Однажды в одном американском супермаркете[9] решили провести статистический анализ потребительских корзин, и в процессе исследования выяснилась любопытная закономерность. По вечерам в пятницу в тележках покупателей очень часто пиво соседствовало с подгузниками. Поразмыслив над этим феноменом, сотрудники догадались, в чем дело: приобретая на выходные подгузники по просьбам своих жен, многие мужья не могли удержаться от искушения и покупали себе в конце рабочей недели упаковку пива. Осознав суть происходящего, в супермаркете быстро передвинули стеллажи – и с тех пор пиво всегда стояло рядом с подгузниками. В результате взлетели продажи по обеим категориям продуктов.

Отличная история. Жаль только, что придуманная. Судя по всему, ее рассказывали консультанты, пытающиеся продавать свои услуги магазинам. На самом деле подобные исследования не проводились ни в розничных сетях, ни в отдельных магазинах. Тем не менее, несмотря на весь вымысел, эта история идеально показывает, почему анализ информации может стать мощным инструментом. Позволю себе привести еще один пример (представляющий собой несколько видоизмененное описание реально проведенного нами проекта), благодаря которому вы сможете лучше понять суть происходящего.

Крупная компания, занимавшаяся рекламной деятельностью путем адресной рассылки по почте, размышляя о новых принципах маркетинговой коммуникации, пыталась понять, на какие клиентские группы следует ориентироваться. Сотрудники компании хотели исследовать интенсивность пользования товаром, особенно их интересовало, какие продукты покупаются вместе, а какие – нет и почему. Естественно, полученные выводы они собирались использовать для работы с потребителями и корректировки рекламных рассылок.

В базе данных компании значилось 3360 различных продуктов. Итак, наш первый шаг состоял в том, чтобы рассортировать их по сходным группам. Для пущей простоты мы использовали двухуровневую классификацию. На первом уровне продукты были разделены по двадцати продуктовым семействам; на втором – получилось сто пятьдесят девять семейств, меньших по размеру. Мы проанализировали каждый отдельно взятый продукт, который можно было купить вместе с другим. Как вы уже догадались, количество возможных комбинаций для анализа увеличивалось со скоростью экспоненциального роста в зависимости от количества продуктовых групп (семей).

После завершения этой работы мы перешли к созданию модели, способной предсказать вероятность совместной покупки двух различных продуктов (в рамках той же сделки или в течение определенного времени). Мы протестировали модель, отправив двум группам клиентов единственный элемент маркетинговой коммуникации – памятную монету номиналом в 50 центов с портретом президента Кеннеди. Первая группа была отобрана из базы данных с помощью анализа потребительской корзины. Мы искали людей, уже купивших похожие памятные монеты. Вторая группа была отобрана случайным образом, без применения особых правил. Формула для анализа корзины выглядела следующим образом:

A = B & C & D → N, P, S

На первый взгляд формула выглядит крайне запутанной, но на самом деле она довольно проста.

• A – продукт (или семейство продуктов), для которого я разрабатываю правило. Иными словами, я пытаюсь предсказать, купит ли определенный клиент сувенирные монеты при условии, что он активно покупает другие сходные вещи на сайте этой компании. В данном случае мой продукт – монета номиналом 50 центов.

• B, C, D – прогностические параметры (факторы, позволяющие предсказать, будет ли куплен продукт A). К ним относятся также такие продукты, как другие памятные монеты либо сувениры с определенной исторической тематикой – короче, продукты, дающие основания считать, что клиент купит и монеты с портретом Кеннеди.

• N – охват в абсолютных показателях (общее количество клиентов, купивших продукты B, C и D в рамках одной покупки).

• P – вероятность того, что кто-то купит A, при условии, что уже купил B, C и D.

• S – поддержка (процент от общего числа людей, купивших B, C, D и A).

Чтобы понять, идем ли мы по верному пути, мы протестировали модель, отправив один и тот же элемент маркетинговой коммуникации двум группам клиентов. Первая группа была отобрана из базы данных с помощью правил анализа потребительской корзины. Вторая группа была отобрана случайным методом, без применения особых правил. Показатель эффективности рекламы для первой группы оказался в пять раз выше, чем для второй, – что отлично демонстрирует потенциал этого метода с точки зрения дохода.

Если вам нравится одно, то понравится и другое

Инструменты автоматической рекомендации, такие как анализ потребительской корзины, стали крайне популярными в интернет-среде. Лучше всего на рынке известны рекомендационные механизмы Amazon и Netflix. Они предлагают продукты – если вам понравилась определенная книга или фильм, то вам наверняка понравятся и вот эти, – сравнивая ваш выбор с выбором других людей, читавших те же книги (или смотревших тот же фильм). Разумеется, это имеет вполне реальную ценность в глазах потребителей. Мне очень нравится, когда Netflix рекомендует мне кинофильм, о котором я даже раньше не слышал. Это основная причина, по которой я готов подписаться на услуги сайта, и Netflix отлично это понимает. Работающие там люди отслеживают, как часто я арендую диски с фильмами, основываясь на их предложениях. В сущности Amazon и Netflix делают то же самое, что и супермаркеты, пытающиеся предсказать, захотите ли вы купить яблоки и бананы за один поход в магазин, или почтовое ведомство, пытающееся понять, какая комбинация продуктов окажется наиболее интересной для коллекционеров марок.

Теперь вам доступны и готовые решения, помогающие персонализировать свою маркетинговую коммуникацию примерно так же, как это делают Amazon и Netflix. Эти решения позволяют сравнительно мелким компаниям уравнять шансы и эффективно конкурировать с отраслевыми гигантами. Компании, идущие по этому пути, внимательно изучают пристрастия клиентов, затем адаптируют свои рекомендации им, в результате чего получают изрядное конкурентное преимущество. Нужные для этого решения уже есть, они не слишком дорогие и показывают хорошие результаты. Если вы их не используете, то для вас нет оправдания. Изучите то, что предлагают компании Audience Science, Proclivity и Netmining. Лично я предпочитаю Netmining (и совсем не потому, что основатель компании Тон Ван Парис – бельгиец).

Netmining собирает данные от потребителей, путешествующих по Сети, в режиме реального времени. Затем эти данные используются для прогнозирования того, в каких товарах мог бы быть заинтересован тот или иной клиент. Netmining автоматически показывает рекламный контент, соответствующий интересам клиента. (О том, каким образом рекламодатели могут постоянно следовать за вами и показывать вам рекламу джинсов именно того цвета, который вы ищете, – я расскажу в четвертой главе.)

Подобные инструменты, позволяющие предлагать нужному клиенту подходящий ему товар, способны обеспечивать невероятные результаты. Например, компания Fiat, когда начала работать с Netmining, заметила 350-процентный прирост в количестве клиентов и 500-процентное увеличение показателя эффективности рекламы.

Самое крутое в работе Netmining – это возможность визуализации результатов. Программа позволила сотрудникам Fiat легко увидеть, какие именно модели интересуют клиентов и насколько вероятна последующая покупка (демонстрацию программы можно найти на сайте www.netmining.com).

Итак, мы с вами успели обсудить, как понимать настоящих и потенциальных клиентов с помощью анализа данных, получаемых из трех источников исследований (качественных или количественных); данных о сделках (об этом было сказано во второй главе) или данных о поведении клиента в Интернете. Все эти источники данных у нас уже давно есть. Теперь давайте обратим внимание на другие интересные источники данных, которые появились совсем недавно.