I rivenditori sanno cosa comprerai?



<div _ngcontent-c15 = "" innerhtml = "

Alla fine del 2017, ho parlato con Dave Cherry (Executive Strategy Advisor con Cherry Advisory, LLC) e ha condiviso la seguente suddivisione dei principali elementi fondamentali di un visione unica del cliente:

Cherry Advisory, LLC

Oggi faremo un tuffo più profondo nell'elemento più difficile, ma più prezioso in questa base, nei modelli comportamentali e, più specificamente, nella previsione del comportamento del cliente.

Dave Cherry: La previsione accurata del comportamento del consumatore è il "santo graal" sia della visione unica del cliente sia del marketing al dettaglio / consumatore. I vantaggi per il cliente (maggiore personalizzazione, promozioni contestualmente rilevanti), marketing (targeting migliorato, spesa e punti di contatto ottimizzati), finanza (previsione migliorata di vendite, manodopera e inventario) e esperienza / cura del cliente (maggiore attrazione, coinvolgimento e fidelizzazione ) sono significativi. Le intuizioni che possono essere acquisite conoscendo ciò che un cliente sta per fare con accuratezza sono esponenzialmente più preziose rispetto a sapere cosa hanno fatto in precedenza (dati transazionali) o i loro profili demografici.

Drenik: Quindi, come stanno le aziende in termini di previsione accurata del comportamento dei consumatori?

ciliegia: In termini di previsioni aggregate (non personalizzate) di alto livello, stiamo riscontrando delle buone previsioni. Utilizzando i dati di Prosper Insights, NRF pubblica spesso le proprie previsioni sulla spesa totale (ad esempio, si prevede che la spesa per la festa della mamma aumenterà di x% quest'anno) e sulla spesa per categoria (ad esempio, si prevede che i fiori aumenteranno del y% e le caramelle diminuiranno dello z%) . Molti rivenditori sono in grado di prevedere la categoria / reparto e talvolta le vendite a livello di scelta attraverso la loro catena con precisione. Ma mentre questi sono utili in generale, non aiutano i rivenditori a fare progressi verso quel santo graal – predire la spesa pianificata di un cliente specifico per categoria e, infine, per attributo / scelta.

Drenik: Possiamo arrivare a quel livello di specificità?

ciliegia: Sì, ma ovviamente con un po 'di lavoro e una comprensione della probabilità e della fiducia. All'inizio di questa estate, al Conferenza CbusRetail R19 RetailReThought, Ho facilitato una tavola rotonda su questo argomento con Megan Kvamme (CEO e fondatore, Factgem), Dr. Martin Block (Professor Northwestern University) e Phil Rist (EVP Strategy, Prosper Insights & amp; Analytics).

In quella discussione, il Dr. Block ha condiviso la sua metodologia di ricerca e i risultati sulla previsione dell'uso di cannabis tra i consumatori. Ha usato i dati disponibili pubblicamente (ad esempio gli stati in cui la cannabis è legale) e i dati aggregati dell'indagine (ad esempio la probabilità che tu usi un prodotto di cannabis), per creare un albero decisionale potato. Attraverso ciò, ha trovato il profilo più probabilistico di un potenziale utilizzatore di cannabis (un maschio con una certa istruzione universitaria, che vive in uno stato in cui la marijuana è legale, con più figli e un animale domestico – in particolare un uccello).

Dr. Martin Block (Professor Northwestern University)

Ha anche condiviso il modo in cui può variare uno di questi attributi e ottenere una nuova probabilità di utilizzo della cannabis per quel nuovo profilo con un livello di confidenza associato.

Drenik: Quindi, sembrerebbe facile per un rivenditore di cannabis prendere di mira solo persone che si adattano a quei profili altamente probabili e vedere aumentare la conversione e le entrate. Ma non è così facile, vero?

ciliegia: Sicuramente no. In questo esempio, la maggior parte dei database dei clienti avrebbe solo genere e codice postale. Pochi, se del caso, avrebbero anche gli attributi necessari per numero di bambini e proprietà dell'animale domestico. Quindi, non è così semplice come interrogare il database per tutti i clienti esistenti che si adattano a questo profilo.

Anche se un rivenditore disponeva di questi dati, come condiviso da Megan, è probabile che siano presenti in più database legacy che sono difficili da combinare in modo efficace in modo significativo. Questi sistemi legacy non sono integrati e creano inefficienze operative e lacune nelle informazioni. Tuttavia, uno strumento come Factgem, come Megan ha condiviso questo video dalla conferenza, non solo può integrare facilmente diversi sistemi interni, ma può anche estrarre altri dati rilevanti da fonti esterne come il clima o le opinioni dei consumatori di Prosper.

Drenik: Questo sicuramente aiuta, poiché queste fonti di dati possono ora essere combinate dagli utenti aziendali senza una profonda competenza tecnica. Questo è progresso, ma c'è di più?

ciliegia: Sì, c'è di più. Anche quando i dati interni disponibili sui clienti sono collegati alle opinioni dei consumatori, ad esempio utilizzando Factgem e Prosper, ai rivenditori manca ancora il mercato potenziale più considerevole: quelle persone che si adattano al profilo ma non sono attualmente nel loro database. Ciò è particolarmente rilevante in questo esempio, poiché i prodotti a base di cannabis sono ancora nuovi e pochi rivenditori hanno dati storici transazionali o demografici orientati verso questa categoria.

Drenik: Quindi come può un rivenditore colmare queste lacune informative?

ciliegia: In primo luogo, il rivenditore deve identificare gli attributi di dati necessari mancanti. Ci sono molti servizi di arricchimento dei dati disponibili che possono prendere anche un solo pezzo di informazioni identificative (ad es. E-mail) e aggiungere genere, zip, figli e altri attributi. Generalmente offrono anche personaggi predefiniti che possono essere collegati a un profilo cliente come "big spender", "fashionista" o, in questo caso, "utente di cannabis". Sebbene questi servizi siano utili, non sono una panacea, poiché la mia esperienza ha mostrato circa il 50% di tassi di corrispondenza sull'identificazione dell'individuo e con una precisione variabile degli attributi allegati. Ma ci stiamo avvicinando.

Sono anche entusiasta dei nuovi modelli di Amazon Sagemaker di Prosper perché offrono qualcosa che va oltre il valore offerto dai servizi di arricchimento dei dati: probabilità e livelli di confidenza di comportamenti specifici collegati a un individuo identificato. Ciò consente a un rivenditore di personalizzare un messaggio di marketing, un'offerta promozionale e un servizio per un individuo specifico, aumentando così la pertinenza, l'impegno e la conversione.

Drenik: Ci sono altri ostacoli che un rivenditore dovrebbe affrontare nel tentativo di prevedere con precisione il comportamento?

ciliegia: Assolutamente, ed è l'attributo più difficile ma di impatto – il contesto. Nell'odierna economia digitale e mobile, i clienti si spostano costantemente attraverso le diverse fasi del percorso del cliente (che non è più lineare). Un individuo specifico, con gli stessi attributi transazionali e demografici, può evocare diverse persone ogni giorno (e talvolta anche nello stesso giorno). In una situazione un cliente può cercare valore dal proprio rivenditore preferito, ma cercare comodità o esperienza in un altro momento.

Prendiamo ad esempio il potenziale utilizzatore di cannabis (maschio, con bambini e un uccello). Potrebbe anche essere un professionista che lavora. Quindi, mirandolo a un venerdì durante l'ora di pranzo o la domenica mattina quando fa shopping con i bambini, non è probabile che produca il risultato desiderato, una conversione. Allo stesso modo, prenderlo di mira un sabato pomeriggio con i suoi amici sarebbe sia estremamente pertinente che contestuale – questo è quando è più probabile che venga al negozio, assaggi i prodotti ed effettui un acquisto.

Molti rivenditori parlano di avere il prodotto giusto al prezzo giusto al momento giusto. Il momento giusto non si riferisce solo all'inventario, ma stabilisce anche quella connessione con il cliente nel giusto contesto. Questa è una sfida che molti stanno ancora lavorando per risolvere.

Drenik: E questo sembra un argomento per un'altra conversazione. Grazie Dave.

& Nbsp;

">

Alla fine del 2017, ho parlato con Dave Cherry (Executive Strategy Advisor con Cherry Advisory, LLC) e ha condiviso la seguente suddivisione degli elementi fondamentali di base di un'unica visione del cliente:

Cherry Advisory, LLC

Oggi faremo un tuffo più profondo nell'elemento più difficile, ma più prezioso in questa base, nei modelli comportamentali e, più specificamente, nella previsione del comportamento del cliente.

Dave Cherry: La previsione accurata del comportamento del consumatore è il "santo graal" sia della visione unica del cliente sia del marketing al dettaglio / consumatore. I vantaggi per il cliente (maggiore personalizzazione, promozioni contestualmente rilevanti), marketing (targeting migliorato, spesa e punti di contatto ottimizzati), finanza (previsione migliorata di vendite, manodopera e inventario) e esperienza / cura del cliente (maggiore attrazione, coinvolgimento e fidelizzazione ) sono significativi. Le intuizioni che possono essere acquisite conoscendo ciò che un cliente sta per fare con precisione è esponenzialmente più preziosa di sapere cosa hanno fatto in precedenza (dati transazionali) o i loro profili demografici.

Drenik: Quindi, come stanno le aziende in termini di previsione accurata del comportamento dei consumatori?

ciliegia: In termini di previsioni aggregate (non personalizzate) di alto livello, stiamo riscontrando delle buone previsioni. Utilizzando i dati di Prosper Insights, NRF pubblica spesso le proprie previsioni sulla spesa totale (ad esempio, si prevede che la spesa per la festa della mamma aumenterà di x% quest'anno) e sulla spesa per categoria (ad esempio, si prevede che i fiori aumenteranno del y% e le caramelle diminuiranno dello z%) . Molti rivenditori sono in grado di prevedere la categoria / reparto e talvolta le vendite a livello di scelta attraverso la loro catena con precisione. Ma mentre questi sono utili in generale, non aiutano i rivenditori a fare progressi verso quel santo graal – predire la spesa pianificata di un cliente specifico per categoria e, infine, per attributo / scelta.

Drenik: Possiamo arrivare a quel livello di specificità?

ciliegia: Sì, ma ovviamente con un po 'di lavoro e una comprensione della probabilità e della fiducia. All'inizio di questa estate, al Conferenza CbusRetail R19 RetailReThought, Ho facilitato una tavola rotonda su questo argomento con Megan Kvamme (CEO e fondatore, Factgem), Dr. Martin Block (Professor Northwestern University) e Phil Rist (EVP Strategy, Prosper Insights & Analytics).

In quella discussione, il Dr. Block ha condiviso la sua metodologia di ricerca e i risultati sulla previsione dell'uso di cannabis tra i consumatori. Ha usato i dati disponibili pubblicamente (ad esempio gli stati in cui la cannabis è legale) e i dati aggregati dell'indagine (ad esempio la probabilità che tu usi un prodotto di cannabis), per creare un albero decisionale potato. Attraverso ciò, ha trovato il profilo più probabilistico di un potenziale utilizzatore di cannabis (un maschio con una certa istruzione universitaria, che vive in uno stato in cui la marijuana è legale, con più figli e un animale domestico – in particolare un uccello).

Dr. Martin Block (Professor Northwestern University)

Ha anche condiviso il modo in cui può variare uno di questi attributi e ottenere una nuova probabilità di utilizzo della cannabis per quel nuovo profilo con un livello di confidenza associato.

Drenik: Quindi, sembrerebbe facile per un rivenditore di cannabis prendere di mira solo persone che si adattano a quei profili altamente probabili e vedere aumentare la conversione e le entrate. Ma non è così facile, vero?

ciliegia: Sicuramente no. In questo esempio, la maggior parte dei database dei clienti avrebbe solo genere e codice postale. Pochi, se del caso, avrebbero anche gli attributi necessari per numero di bambini e proprietà dell'animale domestico. Quindi, non è così semplice come interrogare il database per tutti i clienti esistenti che si adattano a questo profilo.

Anche se un rivenditore disponeva di questi dati, come condiviso da Megan, è probabile che siano presenti in più database legacy che sono difficili da combinare in modo efficace in modo significativo. Questi sistemi legacy non sono integrati e creano inefficienze operative e lacune nelle informazioni. Tuttavia, uno strumento come Factgem, come Megan ha condiviso in questo video dalla conferenza, non solo può integrare facilmente diversi sistemi interni, ma può anche estrarre altri dati rilevanti da fonti esterne come il meteo o le opinioni dei consumatori di Prosper.

Drenik: Questo sicuramente aiuta, poiché queste fonti di dati possono ora essere combinate dagli utenti aziendali senza una profonda competenza tecnica. Questo è progresso, ma c'è di più?

ciliegia: Sì, c'è di più. Anche quando i dati interni disponibili sui clienti sono collegati alle opinioni dei consumatori, ad esempio utilizzando Factgem e Prosper, ai rivenditori manca ancora il mercato potenziale più considerevole: quelle persone che si adattano al profilo ma non sono attualmente nel loro database. Ciò è particolarmente rilevante in questo esempio, poiché i prodotti a base di cannabis sono ancora nuovi e pochi rivenditori hanno dati storici transazionali o demografici orientati verso questa categoria.

Drenik: Quindi come può un rivenditore colmare queste lacune informative?

ciliegia: In primo luogo, il rivenditore deve identificare gli attributi di dati necessari mancanti. Ci sono molti servizi di arricchimento dei dati disponibili che possono prendere anche un solo pezzo di informazioni identificative (ad es. E-mail) e aggiungere genere, zip, figli e altri attributi. Generalmente offrono anche personaggi predefiniti che possono essere collegati a un profilo cliente come "big spender", "fashionista" o, in questo caso, "utente di cannabis". Sebbene questi servizi siano utili, non sono una panacea, poiché la mia esperienza ha mostrato circa il 50% di tassi di corrispondenza sull'identificazione dell'individuo e con una precisione variabile degli attributi allegati. Ma ci stiamo avvicinando.

Sono anche entusiasta dei nuovi modelli di Amazon Sagemaker di Prosper perché offrono qualcosa che va oltre il valore offerto dai servizi di arricchimento dei dati: probabilità e livelli di confidenza di comportamenti specifici collegati a un individuo identificato. Ciò consente a un rivenditore di personalizzare un messaggio di marketing, un'offerta promozionale e un servizio per un individuo specifico, aumentando così la pertinenza, l'impegno e la conversione.

Drenik: Ci sono altri ostacoli che un rivenditore dovrebbe affrontare nel tentativo di prevedere con precisione il comportamento?

ciliegia: Assolutamente, ed è l'attributo più difficile ma di impatto – il contesto. Nell'odierna economia digitale e mobile, i clienti si spostano costantemente attraverso le diverse fasi del percorso del cliente (che non è più lineare). Un individuo specifico, con gli stessi attributi transazionali e demografici, può evocare diverse persone ogni giorno (e talvolta anche nello stesso giorno). In una situazione un cliente può cercare valore dal proprio rivenditore preferito, ma cercare comodità o esperienza in un altro momento.

Prendiamo ad esempio il potenziale utilizzatore di cannabis (maschio, con bambini e un uccello). Potrebbe anche essere un professionista che lavora. Quindi, mirandolo a un venerdì durante l'ora di pranzo o la domenica mattina quando fa shopping con i bambini, non è probabile che produca il risultato desiderato, una conversione. Allo stesso modo, prenderlo di mira un sabato pomeriggio con i suoi amici sarebbe sia estremamente pertinente che contestuale – questo è quando è più probabile che venga al negozio, assaggi i prodotti ed effettui un acquisto.

Molti rivenditori parlano di avere il prodotto giusto al prezzo giusto al momento giusto. Il momento giusto non si riferisce solo all'inventario, ma stabilisce anche quella connessione con il cliente nel giusto contesto. Questa è una sfida che molti stanno ancora lavorando per risolvere.

Drenik: E questo sembra un argomento per un'altra conversazione. Grazie Dave.