Персональные скидки позволяют магазинам уходить от одинаковых акций для всей аудитории и предлагать каждому покупателю то, что с большей вероятностью приведет к покупке. Для этого системы анализируют историю заказов, просмотренные товары, частоту посещений и реакцию на прошлые предложения.
Покупатель при этом может использовать и внешние источники экономии. Промокод М.Видео, к примеру, позволяет отдельно проверить доступные предложения перед оформлением заказа. Для ритейлера же основная задача состоит в том, чтобы определить подходящую скидку автоматически и показать ее в нужный момент.
Как данные превращаются в предложение
Алгоритму недостаточно знать, что человек когда-то покупал определенный товар. Гораздо полезнее увидеть закономерности:
- какие категории он просматривает чаще;
- сколько обычно тратит;
- возвращается ли после получения скидки;
- насколько чувствителен к цене.
На основе этих данных аудитория делится на группы, для каждой из которых можно подобрать собственный сценарий коммуникации. Такой подход применяется в самых разных категориях интернет-торговли. Покупатель, который регулярно заказывает витамины и товары для здоровья, может получить персональную скидку на привычную категорию, а перед оформлением заказа отдельно проверить, доступен ли для iHerb промокод. Магазину при этом важно не просто дать максимальную скидку, а рассчитать минимальное стимулирование, которого будет достаточно для принятия решения.
Что учитывают алгоритмы
Модели персонализации работают сразу с несколькими типами информации. Один пользователь лучше реагирует на снижение цены, другому интереснее бесплатная доставка, а третьему достаточно напомнить о товаре, который он недавно просматривал. Поэтому одинаковая акция способна дать совершенно разный результат в зависимости от поведения конкретного покупателя.
Особенно хорошо это заметно в продуктовой рознице, где покупки совершаются регулярно и быстро накапливается история предпочтений. Если человек часто покупает определенные продукты, система может предложить скидку именно на них или на близкую категорию. Дополнительно перед заказом можно посмотреть купоны Перекресток и сравнить доступные акции. Чем больше данных о предыдущих покупках, тем точнее можно определить, какое предложение действительно заинтересует клиента.
При расчете персональной скидки могут учитываться:
- история и частота покупок;
- средний чек;
- просмотренные товары;
- содержимое брошенной корзины;
- реакция на предыдущие акции;
- любимые категории и бренды;
- время с момента последнего заказа.
Почему максимальная скидка не всегда выгодна
Задача алгоритма не сводится к тому, чтобы предложить человеку самую низкую цену. Если покупатель и без акции готов приобрести товар, дополнительное снижение стоимости просто уменьшает маржу магазина. Поэтому системы пытаются оценить вероятность покупки как со скидкой, так и без нее.
Другой сценарий возникает с клиентом, который давно ничего не заказывал. Здесь более заметная выгода может оказаться оправданной, если она вернет покупателя и запустит новую цепочку заказов. Ритейлеру приходится сопоставлять размер скидки с ожидаемым доходом не только от одной покупки, но и от дальнейших отношений с клиентом.
Скидка зависит от момента
Одно и то же предложение может работать по-разному в зависимости от того, когда его показать. Скидка на товар из брошенной корзины наиболее уместна вскоре после незавершенной покупки, а предложение на регулярно приобретаемый продукт лучше отправить ближе к предполагаемому сроку следующего заказа.
Для этого алгоритмы оценивают интервалы между покупками и поведение пользователя на сайте или в приложении. В результате персонализация затрагивает уже не только размер выгоды, но и канал, время и содержание сообщения.