Что такое Big Data и как это работает. Часть 2.

Big Data в e-commerce: кейс Нетологии

Цель — оптимизировать маркетинговые коммуникации для 3 интернет-магазинов косметики и средств ухода с ассортиментом более 500 товаров. Что для этого сделали специалисты «Нетологии»? Начали со сбора всех доступных данных о потребительском поведении клиентской базы — около 100 тысяч потребителей — из популярных ecommerce-систем Magento и Shopify. Это: 

  • Информация о покупках, корзинах, среднем чеке, времени заказов и т.д.;
  • Обратная связь подписчиков email-рассылки: данные об открытии писем и переходов по ссылкам из сервисов типа Mailchimp и Dotmailer, а также о последующей активности на сайте (просмотр карточек товаров, категорий, покупки после рассылки);
  • Активность повторных посещений постоянных клиентов по данным о просмотрах товаров до совершения покупки.

 Из этих данных получили следующие показатели: 

  • Оптимальный размер скидки;
  • Время жизни клиента и его общую ценность (LTV);
  • Вероятность повторных покупок.

 Таким образом получился полноценный образ каждого клиента с уникальным набором предпочтений, привычек и особенностей. Допустим: Клиент А. Покупает каждый месяц один и тот же шампунь для волос. Нет причин делать дополнительные акции на этот товар для этого клиента. Лучше предложить ему через месяц купить дополнительно кондиционер или маску того же бренда. Клиент B. Один раз купил туалетную воду и духи и после ничего не покупал. Однако просматривает рассылки от интернет-магазина и интересуется декоративной косметикой. Есть вероятность, что клиент В совершает покупки в другом месте. Предложение набора теней со скидкой может послужить решающим стимулом совершения покупки. На основе этой информации система сформировала сегменты для запуска кампаний через email и Facebook — за неделю получилось от 40 до 100 автоматизированных кампаний для каждого бренда. В ходе сбора данных исследователи выявили ряд триггеров. Например, некоторая группа пользователей просматривают почту по утрам, а вечером возвращаются домой и покупают увиденный товар. Есть смысл продублировать им товарное предложение вечером через дополнительный канал. Результат: удалось утроить повторные продажи, повысить open rate писем в среднем на 70%, а конверсия из получивших письмо — на 83%.

«Очеловечивание» данных: кейс Яндекс.Такси

У Яндекс.Такси есть уникальные данные обо всех поездках. На основе них можно маркетинговые коммуникации сделать более эмоциональными. Основная идея — по-дружески «общаться» с клиентами и ненавязчиво напоминать о себе. Реализовать её помогла персональная статистика в виде историй и характеров.

Медиафасады

Маркетологи Яндекс.Такси выяснили самые популярные места в городе и маршруты. Для этого подсчитали количество заказов к самым значимым местам: паркам, театрам, музеям, памятникам. Эти данные не такие персональные и никого не обижают, но показывают, чем живет город. Такие наблюдения позволили реализовать идею личного общения с аудиторией посредством медиафасадов. Дизайн оформили в виде дружеских сообщений в чате. Для каждого города — свои фразы. 

Big Data — медиафасад

 Компания как будто перекидывается с человеком фразой, которую поймет только он. Ему приятно, так как это внимание и участие, а Яндекс.Такси рассчитывает на повышение узнаваемости бренда в городе. При составлении текста использовали следующие приемы: 

  • Городской сленг — местные слова, которые понимают все жители. Искали их в городских пабликах и форумах, а также уточняли у региональных менеджеров и краеведов. Например, в Казани загс называют «Чаша», набережную в Екатеринбурге — «Драма»;
  • Игра слов. Вот примеры:

 3 090 человек, которые доехали до Мадрида на такси. А вы знаете толк в путешествиях! («Мадрид» — гостиница в Екатеринбурге).958 человек, которые умчались к Юпитеру. Вы просто космос! («Юпитер» — название компании). Это был тестовый эксперимент, сейчас Яндекс разрабатывает более комплексную кампанию с привлечением разных онлайн- и офлайн-источников.

Новогодние ролики

По итогам 2017 года Яндекс.Такси хотели рассказать клиентам, сколько времени они провели вместе и поблагодарить за это — сколько поездок, минут ожидания и утренних заказов. Чтобы сделать это интересно, придумали вероятный сюжет для одной из миллиона поездок и сняли ролик на эту тему с цифрами из статистики. Получилось следующее: 

Big Data — видео про минуты ожидания

 764 миллиона минут ожидания — влюбленная пара прощается у такси. 

Big Data — видео про утренние поездки

 56 миллионов утренних поездок за год — мама с дочкой едут на утренник. 

Big Data — видео про поездки с животными

 122 тысячи поездок с животными. По результатам первой попытки выяснили, что ролики выглядят так, будто бренд хвастается большими числами. Чтобы точнее донести посыл «посмотрите, сколько времени в этом году мы провели вместе», статистику поменяли, чтобы сместить фокус на персонажей истории. Например, про минуты ожидания добавили время, сколько водитель по сюжету ролика ждет влюбленных: 

Big Data — ролик про влюбленных

 Сами по себе цифры ни о чём не говорят. Сложно понять, большая эта цифра или маленькая, и что ею хотели показать. Яндекс использовал данные не как самоцель, а как способ рассказать историю.

Пасхалки в приложении

Компания также придумала характеры для своих клиентов — «такситипы» — в зависимости от количества поездок, их длительности и минут ожидания. Механизм определения учитывал три этих характеристики, складывал из них образ клиента и относил к одной из категорий: 

Big Data — такситипы

 Данные оценивались по тому городу, где человек сделал свыше 70% поездок. Алгоритм находил медиану по городу и относительно неё оценивал метрики — «много» или «мало» поездок, минут поездки и ожидания. Узнать свой «такситип» мог каждый пользователь, который совершил больше 4 поездок за год, в приложении по кнопке: 

Big Data — такситип в приложении

 Например: 

Big Data — черная пума

 Черная пума: ездил много, поездки короткие, редко выходил вовремя 

Big Data — дальновидный странник

 Дальновидный странник: ездил много, долго и выходил к автомобилю вовремя 

Big Data — черепашка-нинздя

 Черепашка-ниндзя: ездил мало, поездки короткие, редко выходил вовремя 

Big Data — прыткий спринтер

 Прыткий спринтер: ездил много, поездки короткие, выходил вовремя 

Big Data — турбоциклон

 Турбоциклон: ездил мало, поездки короткие, выходил к автомобилю вовремя 

Big Data — дзен-стайер

 Дзен-стайер: поездок мало, больше длинных, редко вовремя Здесь же можно посмотреть подробную статистику: 

Big Data — подробная статистика по такситипам

 20% из тех, кто просматривал, заскринивали результаты и делились ими в соцсетях — это в два раза больше, чем предвещали прогнозы!

Статистика для водителей

Для водителей также показывали их личную статистику в приложении Таксометр. Здесь обошлись без метафор и историй, так как сами по себе данные показывают достижение. Картинку с ними можно сохранить и расшарить в соцсетях, что сделали 21% водителей. 

Big Data — статистика для водителей
Leave a reply

Ваш e-mail не будет опубликован. Обязательные поля помечены *