Автор Гилад Коэн

Фото автора Fikri Rasyid на Unsplash

Отток клиентов является серьезной проблемой для ритейлеров. Любой, кто имел дело с розничной торговлей, знает, что отток вреден, поскольку организации тратят время и ресурсы на поддержание лояльности и заинтересованности своих клиентов. Чтобы заставить их возвращаться и не покупать в другом месте, командам по маркетингу, брендам, категориям, мерчандайзингу и данным необходимо надежное понимание предпочтений, образа жизни своих клиентов и вероятности роста или оттока.

Самый простой показатель в прогнозировании оттока — время, прошедшее с момента последнего посещения. В большинстве отраслей, если клиента не видели в течение трех месяцев, можно с уверенностью предположить, что он либо ушел, либо отправился в кругосветное путешествие. Но выявление оттока через три месяца после факта, как правило, слишком поздно, чтобы предотвратить его. Даже традиционные модели, которые предсказывают отток до того, как он произойдет, не всегда точны, поскольку они часто рассматривают риск оттока только на уровне магазина, чего не всегда достаточно для получения полной картины.

Недавно мы работали с несколькими командами из разных вертикалей (как продовольственных, так и непродовольственных), чтобы помочь им оптимизировать обнаружение оттока и увеличить долю кошелька. Мы обнаружили, что если клиент по-прежнему активен, но значительно снижает активность в категории с высокой повторяемостью, такой как макароны или газированные напитки, существует высокая вероятность того, что он или она покупает этот товар в другом месте. Даже если он/она все еще покупает другие товары в магазине, тот факт, что некоторые покупки снизились, является сильным предвестником оттока в будущем, поскольку ваши конкуренты начинают развивать и расширять взаимодействие с этими конкретными покупателями. Это именно тот момент, когда вам нужно вмешаться.

Преимущества просмотра на уровне категории

Учитывая ограничения традиционных моделей, передовые методы прогнозирования оттока сегодня переходят от уровня магазина к уровню категории, чтобы получить информацию, которая действительно может эффективно прогнозировать и предотвращать отток.

Давайте посмотрим на розничных продавцов, которые продают несколько товаров, например, на магазины красоты и здоровья. Покупатели часто приходят в поисках чего-то конкретного, например, чтобы выписать лекарство по рецепту, но они, скорее всего, купят дополнительные товары, пока находятся в магазине. Это хорошо не только с точки зрения дохода, но и с точки зрения оттока — как мы знаем, когда клиенты покупают более чем из одной категории, они приходят чаще и имеют меньший риск оттока.

Однако мультикатегорийные магазины оценить сложнее, поскольку поведение покупателей сильно различается между категориями. У клиентов заканчиваются разные виды товаров с разной частотой — подгузники расходуются быстрее, чем косметика, скоропортящиеся продукты питания нужно пополнять чаще, чем моющие средства.

Поэтому эффективные модели прогнозирования оттока должны выходить за рамки уровня магазина и оценивать отток на уровне категории, чтобы получать точные данные о поведении клиентов и прогнозировать отток с большей точностью. Используя модели машинного обучения, команды теперь могут анализировать многие особенности поведения клиентов в определенной категории, чтобы получать важную информацию для розничных продавцов.

Важно использовать модели, которые учитывают уникальные характеристики каждой категории — это не универсальный вариант. Например, покупатель раньше покупал детское питание и вдруг перестал — это не обязательно повод для беспокойства, такова природа категории. Младенцы растут, и нет смысла тратить ценные маркетинговые ресурсы, пытаясь убедить покупателя купить их детские товары для дошкольников. Но другие категории, такие как свежие продукты и туалетные принадлежности, не имеют естественного окончания и должны быть постоянными покупками. Когда клиент внезапно перестает покупать в этих категориях, есть возможность принять меры и предотвратить отток клиентов. Для одного бакалейщика нам удалось определить примерно 70 категорий/товаров, неактивность которых указывает на высокий потенциал оттока, и 40 таких показателей для наших клиентов в сфере красоты.

Тесты, которые мы проводим в ciValue, показывают, что модели оттока, включающие категории, выявляют ранние стадии оттока в 3–5 раз эффективнее, чем модели для всего магазина, что дает ритейлерам достаточно возможностей для эффективного вмешательства. Для наших моделей прогнозирования оттока, в которых используется информация на уровне категории (вместо информации только на уровне магазина), мы обнаружили, что модель категории значительно эффективнее поднимает предупреждающий флаг, чем модель только на уровне магазина.

Для этого мы запускаем нашу модель прогнозирования на активных покупателях (т. е. тех, кто посетил сайт в прошлом месяце) и проверяем, действительно ли покупатели ушли через 6 месяцев. Мы обнаружили, что наша модель оценки оттока рассчитывала склонность к оттоку в диапазоне от 51% до 81% (25%/75%) для клиентов, которые фактически ушли, и показатель от 18% до 53% (25%/75%). %) для клиентов, которые этого не сделали (см. рисунок).

Строить или покупать?

Большинство команд данных, с которыми мы встречаемся, находятся в загадке создания или покупки своих прогнозов оттока. Если вы и ваша команда рассматриваете такие варианты, вот несколько параметров, на которые мы рекомендуем обратить внимание:

Собственная разработка. Один из вариантов – создать решение самостоятельно, но это требует значительных затрат времени и финансов – найма группы специалистов по обработке и анализу данных, масштабного управления данными в реальном времени и хранения данные в безопасности. Это сложно и требует времени. Если вы рассматриваете этот вариант, подумайте о времени и ресурсах, которые вы должны выделить на проект. Это включает в себя не только создание моделей, но и их поддержку и тесное сотрудничество с вашими последующими пользователями.

При покупке существующего решения важно подумать, как вы собираетесь тестировать модели. Если это универсальное решение, как вы извлечете ценность и рентабельность инвестиций или как быстро вы сможете настроить алгоритм? Может ли решение поддерживать быстро меняющуюся среду FMCG? Насколько адаптируется решение для сложной области?

Если вы работаете в сфере розничной торговли и хотите обсудить лучшие практики машинного обучения, не стесняйтесь обратиться — мы здесь, чтобы помочь!