Solncesprava.Ru

Все больше ритейлеров стремится к персонализации предложения клиенту. Однако найти грань между навязчивостью и индивидуальным подходом непросто. Как выстраивать общение, чтобы потребителю не было мучительно неприятно, а продавцу – больно и бесполезно?

Персонализация – это способность перевести восприятие и эмоции клиента в заказ, сделав индивидуальное предложение. Пока данный навык у ритейлеров развит не слишком хорошо. 

Компания Vanson Bourne провела исследование 680 магазинов и опросила почти 7000 клиентов в разных странах. 86% потребителей-респондентов назвали персонализацию важной при покупке. Клиенты передавали личные данные, чтобы приобретение товара было быстрым, удобным и безопасным. Однако результат чаще всего оказывался негативным, что подрывало доверие к продавцам, – 96% отметили «плохую персонализацию». Негатив вызывали ошибки в сбое личных данных, отправка слишком большого количества сообщений и неправильные выводы об интересах клиента. 

Делать более точные предложения компаниям мешают проблемы системной интеграции, государственные правила сбора данных, отсутствие навыков и слишком большие объемы информации. В итоге около 60% брендов не могут обеспечить онлайн-взаимодействие с клиентами в режиме реального времени. В идеале, по данным того же исследования, компании должны иметь возможность просматривать индивидуальные профили клиентов, оперативно получать информацию об их поведении и автоматизировать ответы на основе действий потребителей. 

То есть, с одной стороны, ритейлеры хотят личного общения, а с другой – желают максимально автоматизировать процесс до такой степени, чтобы не только подставлять имя клиента в рассылке, но и сразу решать, кому предложить скидку, кому – вечеринку в магазине, а кому – бонус за лайк. Получается, что вопрос, как сделать общение с клиентом персональным, состоит из трех частей: как собрать данные о потребителе, как детализировать информацию о предлагаемом продукте и как совместить первое со вторым.

Адаптивный контент

Работа российского сервиса Yagla построена по принципу мимикрии. Сервис буквально «на лету» трансформирует текст на сайте под запрос, который вводит пользователь, и автоматически сравнивает конверсию каждой подмены с исходным вариантом. К примеру, если в интернет-магазине есть мужская одежда, но в описаниях товаров нет слов «брюки в клеточку», то сервис Yagla сам их подставит, как только пользователь введет такой запрос в «Яндекс». Это называется адаптивный контент. 

В одном из кейсов сервису удалось с помощью адаптивного контента увеличить конверсию в интернет-магазине одежды с 1,3% до 3,2%. Для сравнения – средняя конверсия онлайн-площадок в нише «одежда, обувь, аксессуары» составляет 1,6% (по данным центра Enter). Причем адаптивный контент использовался для каталога, а не для карточек товара. 

Что было сделано? Интернет-магазин женской одежды, в котором представлено 15 категорий товаров и 2484 артикула, настроил рекламную кампанию в «Яндекс.Директ» на 3687 ключевых запросов, распределенных под 597 уникальных объяв­лений. Yagla выбрал пять самых прибыльных категорий: платья, юбки, брюки, блузки, костюмы – и проанализировал самые частые пользовательские запросы. Оказалось, что клиенты ищут одежду по цене («блузки недорого»), фасону («юбка в клетку»), цвету («желтое платье»), стилю («деловая юбка»), сезону («летние женские брюки») и размеру («женские костюмы больших размеров»). Все запросы были объединены в 140 групп и выгружены в таблицу подмен Yagla. 

Если до запуска сервиса клиент, который искал «желтую юбку», попадал на страницу со всеми юбками подряд, то после включения адаптивного контента сразу оказывался на странице с нужным артикулом. Обычно на каждые 5–30 запросов делается одна подмена. И она не просто адаптирует слова, но включает еще предложение, мотивирующее к заказу: «бесплатная доставка», «быстрая доставка», «замена размера» и т. д. 

Сервис позволяет протестировать десятки и сотни заголовков, текстов и предложений, подписей в формах для сбора данных и к картинкам на первом экране. Результаты показа становятся более соответствующими запросу. А главное – появляется возможность составить портрет клиентов по индивидуальным потребностям, свойствам товара, вариантам их применения, условиям покупки, брендам конкурентов.

Нейросети-стилисты

Сегодня все IT-компании включились в разработку нейросетей, которые могут круглосуточно собирать и обрабатывать данные: сколько раз клиент кликнул на сайт перед походом в магазин, как долго он выбирал между голубыми и синими джинсами, что смотрел в дополнение к ним — ремень, носки, авиабилеты или запчасти к авто. Нейросеть — это математическая модель обработки большого количества разнокалиберных данных, созданная по образцу сетей нервных клеток в мозге. Нейросети не программируются, а обучаются устанавливать связи. Это помогает делать более точные прогнозы, как поведет себя человек, фабрика, экономика региона. 

Для электронной торговли «сердцем» и двигателем нейросети является обработка запросов про товар. Российский сервис Sarafan, созданный компанией Anetika на базе продуктов Microsoft, распознает обувь и одежду благодаря компьютерному зрению и машинному обучению. Sarafan можно установить и на сайтах, и в аккаунтах магазинов в соцсетях, и в блогах партнеров. Бренды оплачивают стоимость перехода на их площадки и получают дополнительный поток клиентов, клиенты – возможность быстро найти понравившийся товар. Sarafan уже установили на своих ресурсах Crocs, Love Republic, «Эконика», Befree и Ralf Ringer. 

Исследователи Калифорнийского университета в Сан-Диего при поддержке компании Adobe Research создали искусственный интеллект, который изучает стиль человека и создает на его основе цифровую одежду. Сначала они использовали сверточную нейросеть (CNN), устроенную по принципу человеческой зрительной коры. Эта сеть проанализировала покупки одежды на Amazon в шести категориях: обувь, футболки и брюки для женщин и мужчин. Такая рекомендательная модель используется онлайн-магазинами, предлагая «другие товары, которые могут вам понравиться». Затем исследователи обучили генеративно-состязательную сеть (GAN) принципам поиска. GAN соединяет сразу две нейросети: одна из них генерирует «идеальные образцы», вторая учится различать реалистичные и фейковые изображения. 

Сейчас возможности сети как стилиста находятся в зачаточном состоянии: если пользователь ищет синие рубашки, она предложит ему еще больше синих оттенков. Но зато сеть уже научилась к брюкам подбирать ботинки. А в перспективе GAN поможет интернет-ритейлерам выяснять, чего не хватает клиентам в существующем ассортименте, не задавая вопросы напрямую.

Алгоритмический дизайн

Дальше всех в искусстве прогнозов ушли агрегаторы персональных стилистов и службы проката одежды. Что логично – у них самая большая потребность в быстром получении образа клиента и такой же оперативной сортировке одежды для него. Американский сервис персональных стилистов Stitch Fix в 2017 году создал собственную систему аналитики Hybrid Design. Stitch Fix тщательно классифицирует весь ассортимент и описывает каждый предмет одежды через набор характеристик (от 30 до 80 критериев для каждой вещи), таких как цвет, длина, количество кнопок, форма, текстиль, тип рисунка, раскрытие рукава, воротник. 

Потом в работу вступает система, построенная на трех алгоритмах. Первый выбирает три базовых элемента, которые могут быть объединены. Второй предлагает три разных атрибута, которые уточняют стиль — возможно, это другой вырез или другая форма рукава. И третий алгоритм вносит элемент случайности, предлагая нечто нетипичное для ранее предложенного стиля, но возможно интересное. Вместе алгоритмы собирают модель одежды из 30 триллионов потенциальных комбинаций, чтобы в итоге получить всего девять основных силуэтов, которые передаются дизайнерам – те используют их как основу и вдохновение для конструкции, силуэта, подбора материалов к модели для конкретного клиента. 

Компания даже ввела специальный термин для обозначения дизайна, в основе которого не только идея, родившаяся в голове художника, но и результаты аналитической работы – data-generated designs. Сейчас на него приходится 1% продаж. С учетом того, что сервис запущен год назад, это немало. 

Вопрос не в том, чтобы заменить роботами творчество, суть – в экономии времени на этапе переговоров с клиентом. Программное обеспечение могло бы сделать математически совершенный предмет одежды, но оно все еще не способно оценить культурный контекст, который делает ту или иную вещь модной. Модель Stitch Fix основана на персонализированных данных, а не на маркетинговых профилях, обычно используемых в разработке продукта, – таких как «работающая мама», «молодой профессионал», «успешный менеджер». Это делает модель устойчивой в долгосрочной перспективе. 

Свое программное решение разработала и американская служба проката модной одежды Le Tote, работающая по принципу подписки — за 49 долларов в месяц клиент получает коробку одежды. Алгоритм Chloe предсказывает, какими товарами, скорее всего, будут интересоваться потребители, учитывает историю поиска, отказы, размеры, устройства, с помощью которых пользователь выходит в интернет. Le Tote начинает процесс сбора данных, когда клиенты подписываются на услугу и выбирают желаемые варианты одежды, а также просматривают ассортимент. Машинный интеллект анализирует покупки, письменные отзывы клиентов и даже решает такую непростую проблему, как несоответствие размеров у разных марок. 

Таким образом, сервисы нового поколения позволяют все точнее прогнозировать потребительское поведение, которое совсем недавно казалось совершенно непредсказуемым. Еще несколько шагов, и ритейл сможет выйти на этап действительно персонального подхода к клиенту – создавая для каждого одно, только ему соответствующее предложение, от индивидуально спроектированной одежды до собственного «маршрута» сбора гардероба.

Читайте эту и другие статьи в журналах PROfashion