Big Data in moderne retail: voorspellende technologieën voor retentie en LTV verhoging

Hoe heeft de moderne retail zich getransformeerd? Waarom kun je het als webshop wel vergeten als je geen gebruik maakt van Big Data en slimme algoritmes?

Ze zeggen dat het implementeren van Big Data technologieën een must is, maar het effect van Big Data applicaties is nog niet duidelijk. We hebben een gedetailleerd artikel geschreven, gebaseerd op diepgaand onderzoek en de beste case studies van de Europese en Russische markt. 

De verandering in traditionele retail en e-commerce

Marketing specialisten definieerden de wensen van consumenten op basis van surveys en sales analyses, voordat de personalisatie technologieën werden gelanceerd. Het werd duidelijk dat deze aanpak een resultaat gaf dat niet overeenkwam met de realiteit. 

H&M heeft tot 2018 10 kwartalen op rij een omzetdaling ervaren, welke het bedrijf bijna fataal werd. Slimme algoritmes zijn geïmplementeerd om dit te verbeteren. Het werd hierdoor mogelijk 40% van het assortiment op te ruimen, zonder de omzet te verlagen. Deze test geeft aan dat een retailer soms niet exact weet wat de interesses en behoeften van de consument zijn. 

Retailers verzamelen een enorme hoeveelheid data, die geanalyseerd kan worden en vervolgens gebruikt kan worden om de communicatie met klanten te verbeteren en interne processen te optimaliseren. 

Walmart had vroeger duizend specialisten in dienst om 24.000 requests per uur te analyseren. Big Data technologieën kunnen dit werk nu doen, en zelfs meer, waardoor moderne retail verschuift van CRM marketing naar predictive technologieën. 

Facts & Figures:

• De waarde van de Big Data industrie zal $77 biljoen zijn in 2023
• Bedrijven die Big Data gebruiken stijgen 8% in omzet en dalen 10% in kosten, waardoor zij winstgevender worden
• 50% van de bedrijven gelooft dat het implementeren van Big Data, marketing en sales drastisch veranderd heeft
• 79% van de retailers gelooft dat het afwijzen van Big Data zal resulteren in een verzwakte concurrentiepositie of zelfs faillissement

 2011-2027 Big Data marktgroei voorspelling in omzet ($ mln):

 

 

 

 

 

 

 

 

 

 

 

 

Belangrijke Big Data kansen voor retail

Een van de meest belangrijke veranderingen met behulp van Big Data betreft 1:1 communicatie. Voor de opkomst van mass mailing en webshops, kenden winkeliers klanten persoonlijk en konden dan ook advies op maat geven. Jaren later kunnen we met behulp van personalisatie tools direct communiceren met klanten. Hoe meer data je verzameld, des te beter de product aanbevelingen, wat resulteert in conversie- en omzetgroei. 

Mogelijkheden van Big Data in retail:

• assortiment planning en voorraad beheer
• distributie en merchandising in winkelcentra
• vraag en aanbod inschatten
• data analyse van loyalty programma’s
• pricing en dynamic pricing
• marketing en advertising campagnes optimaliseren

Retentie, LTV en toename in loyalty door predictive technologieen

Laten we predictive technologieën eens onder de loep nemen. Hieronder delen we een aantal succesvolle cases van onze klanten. Je kunt deze strategieën gebruiken als voorbeeld en als inspiratie voor je eigen business. 

Real-time personal recommendations

Moderne predictive marketing systemen leren ons over real-time gebruikersgedrag, aankoophistorie en interesses zonder dat daar een technische specialist voor nodig is. Dit biedt retailers veel mogelijkheden voor een gepersonaliseerde service.

Service kun je personaliseren in elk stadium: interactie op de website, nieuwsbrieven, trigger e-mails, etc. Het is goed om nieuwe hypotheses te blijven testen, om er zeker van te zijn dat de communicatie effectief blijft. 

We hebben de beste configuratie voor aanbevelingen op de product pagina van online hypermarkt Hoff.ru onderzocht. Hierin zijn vier verschillende hypotheses getest, waarvan twee totaal geen verschil bleken te maken. Het winnende segment toonde echter een significante AOV stijging en 5,8% omzetgroei: 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Predictive Trigger-based marketing communicatie

Online shoppers genereren een enorme hoeveelheid data, wat het mogelijk maakt om elk deel van de sales funnel te onderzoeken. De transactie van elke gebruiker doorloopt verschillende aankoopfasen, waardoor berekend kan worden wat de waarschijnlijkheid zal zijn van de eerstvolgende aankoop. 

Het algoritme voor het voorspellen van een aankoop bestaat uit verschillende fasen: 

• Algemene analyse van de aankoop volgorde van klanten
• Statistische identificatie van de significantie in aankoop volgorde
• Het voorspellen van de volgende aankoop “klik” direct na het plaatsen van een order 

Deze volgorde kan gemaakt worden voor elke productcategorie. Hieronder zie je de aankoop volgorde van een webshop in baby- en kinderproducten.

 

 

 

 

 

 

 

 

 

 

 

Een gebruiker kan in verschillende aankoop volgordes tegelijk vallen. Door een complex grouping algoritme te gebruiken kunnen we ontdekken wat een gebruiker precies nodig heeft. Er kunnen verschillende campagnes uitgevoerd worden op hetzelfde moment. In het trigger e-mail scenario “Next Best Offer” worden producten getoond vanuit het algoritme “personal” gebaseerd op iemands interesses en aankoophistorie. 

 

 

 

 

 

 

 

 

 

 

 

 

 

Hetzelfde algoritme wordt gebruikt in het “Repurchase” scenario. Dit algoritme berekent de termijn waarin het product op zal raken en stuurt een automatische email om het product bij te vullen of opnieuw te kopen. 

 

 

 

 

 

 

 

 

 

 

 

 

 

Op interesse gebaseerde emails en geautomatiseerde processen

Klanten genereren een grote hoeveelheid aan data die gebruikt kan worden in campagnes. Als een bezoeker bijvoorbeeld ooit kleding heeft gekocht, weet de winkel de kledingmaat. Dit kan vervolgens gebruikt worden bij het aanbieden van een volgend product. Bij het creëren van een campagne kan je in het aanbod rekening houden met deze maat en kun je producten uitsluiten die niet meer in de juiste maat beschikbaar zijn.

Hierdoor kun je de juiste maat highlighten om een bepaald product uit te lichten, maar je kunt ook aangrenzende maten uitlichten (een maat groter of kleiner):

 

 

 

 

 

 

 

 

 

 

 

 

Als er nog geen data beschikbaar is om te kunnen personaliseren, kunnen wel de beschikbare maten getoond worden. De meeste gebruikers hebben een standaard maat, dus de informatie die verschaft wordt in de mail, zal in de meeste gevallen relevant zijn. 

 

 

 

 

 

 

 

 

 

 

 

Conclusie

Nu of nooit – is het motto voor bedrijven die nog geen gebruik maken van Big Data technologieën. Je kunt heel lang voortborduren op product exclusiviteit of customer loyalty, maar helaas zal dit zelfs voor grote bedrijven zoals bijvoorbeeld H&M tot falen leiden. Big Data werkt voor je en benadrukt het unieke karakter van jouw winkel. Waarom zou je het niet maximaal benutten?!