12 Δεκεμβρίου 2024
Case Study MARKS & SPENCER
PREDICTA / PREDICTIVE ANALYTICS SOLUTIONS FOR RETAIL. Case Study: MARKS & SPENCER Σκοπός: Marketing Optimization, αξιοποιώντας Loyalty Scheme με την βοήθεια της τεχνολογίας analytical CRM / Data Mining IBM SPSS |
Το δεδομένο:
Η αλυσίδα καταστημάτων MARKS & SPENCER, στην Ελλάδα, έχει υιοθετήσει ένα Loyalty Scheme μέσω του οποίου συγκεντρώνονται σημαντικά στοιχεία του πελατολογίου της επιχείρησης πού αφορούν τόσο στην κοινωνικό-δημογραφική ταυτότητα του πελάτη όσο και στην αγοραστική συμπεριφορά του σε σχέση με την επιχείρηση.
Τα στοιχεία αυτά για μεγάλο χρονικό διάστημα τα χρησιμοποιούσε η επιχείρηση κυρίως για την μετατροπή των συγκεντρωμένων ‘πόντων’ ανά πελάτη σε εκπτωτικά κουπόνια ή δωροεπιταγές.
Το ζητούμενο:
Η επιχείρηση επιθυμούσε να αξιοποιήσει αποτελεσματικότερα τον πλούτο των διαθέσιμων δεδομένων, έτσι ώστε να αναδειχθούν οι κρυμμένες επιχειρηματικές πληροφορίες και παράλληλα να μπορέσει να αποσβέσει την επένδυση που πραγματοποίησε στην ανάπτυξη και υιοθέτηση του loyalty scheme.
Η πρόταση των Predictive Analytics Solutions:
Μέσα από ανάλυση και αξιολόγηση των συγκεκριμένων δεδομένων και παραμέτρων, η PREDICTA (πρώην SPSS BI GREECE πρότεινε στην M&S τη Λύση CRM / Data Mining IBM SPSS. Η Λύση αυτή προσδιορίστηκε ως το κλειδί για την επίτευξη των παρακάτω στόχων:
• Η γρήγορη και εύκολη ανάλυση μεγάλων όγκων δεδομένων,
• Η αποτύπωση της ιστορικής συμπεριφοράς του πελάτη και
• Η πρόβλεψη των μελλοντικών του αναγκών, καθώς και της συμπεριφοράς του.
Η συνεργασία & η στοχοθέτηση:
Η ομάδα marketing της MARKS & SPENCER σε συνεργασία με την ομάδα συμβούλων / αναλυτών της PREDICTA, η οποία φέρνει μαζί της τεράστια εμπειρία μεθοδολογικής προσέγγισης για την ανάλυση μεγάλων όγκων δεδομένων με σκοπό την πρόβλεψη, προσδιόρισε τους κατά προτεραιότητα επιχειρηματικούς στόχους, μέσα από την εφαρμογή της Λύσης Predictive Analytics Solution: CRM / Data Mining IBM SPSS:
• Η κατανόηση των ομοιογενών υποομάδων του πελατολογίου
• Η κατηγοριοποίηση του πελατολογίου βάσει δείκτη αξίας του πελάτη (RFM)
• H κατηγοριοποίηση του πελατολογίου λαμβάνοντας υπ’ όψιν όλα τα χαρακτηριστικά του πελάτη καθώς και την αγοραστική του συμπεριφορά (Μulti-attribute segmentation)
• Ο σχεδιασμός στοχευμένων ενεργειών Marketing μειωμένου κόστους και αυξημένης ανταπόκρισης.
Η μεθοδολογία:
ΒΗΜΑ 1ο: H δημιουργία ενός πελατοκεντρικού αρχείου,
• το οποίο αφενός περιέχει όλη την διαθέσιμη πληροφορία για κάθε πελάτη και αφετέρου όλους τους απαραίτητους δείκτες (Κey Predictive Indicators- KPI) προκειμένου να γίνεται εύκολα και καίρια η ζητούμενη ανάλυση και η παραγωγή των αποτελεσμάτων καθώς και η διάχυση τους προς όλους τους ενδιαφερόμενους. Το αρχείο αυτό το οποίο ονομάζεται στην γλώσσα των Predictive Analytics, Marketing Customer Information File (MCIIF), εφόσον δημιουργηθεί με τα διαθέσιμα δεδομένα σε μια χρονική στιγμή, μπορεί ιδιαίτερα εύκολα να επικαιροποιείται με τα νέα διαθέσιμα δεδομένα ανά τακτά χρονικά διαστήματα. Αξίζει να επισημανθεί εδώ ότι η δημιουργία του MCIF απαιτεί την συνένωση διαφορετικών πηγών δεδομένων καθώς επίσης και την δημιουργία σύνθετων KPIs όπως π.χ. ποσοστό αγορών ανά τρίμηνο ή καλοκαίρι/χειμώνα ή συγκεκριμένη προωθητική περίοδο, ποσοστιαίες μεταβολές ανά τμήμα σε σχέση με το σύνολο των αγορών κλπ. Οι διαδικασίες αυτές είναι ιδιαίτερα εύκολα πραγματοποιήσιμες με τις δυνατότητες της τεχνολογίας Data Mining της SPSS και συγκεκριμένα το λογισμικό ΙΒΜ SPSS Modeler.
ΒΗΜΑ 2ο: Η κατηγοριοποίηση του πελατολογίου,
• βάσει αξίας και βάση αγοραστικής συμπεριφοράς. Για την πρώτη περίπτωση κατασκευάστηκε ο δείκτης RFM (Recency, Frequency, Money) που συνδυάζει τον χρόνο που έχει παρέλθει από την τελευταία επίσκεψη του πελάτη στο κατάστημα, την συχνότητα επισκέψεων του πελάτη σε μια συγκεκριμένη χρονική περίοδο π.χ. κατά το τελευταίο τρίμηνο και το σύνολο των χρημάτων που έχει δαπανήσει την ίδια χρονική περίοδο. Για την δεύτερη περίπτωση χρησιμοποιήθηκαν τεχνικές clustering έτσι ώστε να συνδυαστούν συγχρόνως χαρακτηριστικά του πελάτη όπως τα είδη που αγοράζει, το σύνολο των χρημάτων που ξοδεύει ανά εποχή ή άλλη χρονική περίοδο ή για ειδικές προσφορές, ο αριθμός των ημερών της εβδομάδας ή του μήνα που ψωνίζει, η εξαργύρωση πόντων ή δωροεπιταγών, το κατάστημα προτίμησης, η συνήθης ώρα διέλευσης. Σημειώνεται ξανά, ότι οι κατηγοριοποιήσεις αξίας και αγοραστικής συμπεριφοράς που προκύπτουν με τα διαθέσιμα δεδομένα σε συγκεκριμένη χρονική στιγμή, μπορούν πολύ εύκολα να επικαιροποιούνται με τα νέα διαθέσιμα δεδομένα για μια επόμενη χρονική περίοδο.
Το αποτέλεσμα:
• Η ταξινόμηση των πελατών βάσει των δυο προσεγγίσεων δημιουργεί ενδιαφέρουσες υποομάδες, όπως π.χ.:
• Top Customers
• Likely Top Customers (πελάτες που έχουν ίδια χαρακτηριστικά με τους top customers)
• Increasing Spending (Αυξανόμενοι τζίροι ανά κυλιόμενο δωδεκάμηνο)
• Fallers (Μειούμενος τζίρος ανά κυλιόμενο δωδεκάμηνο)
• Lapsers (Μηδενικός τζίρος κατά το τελευταίο δωδεκάμηνο)
• Η κατανόηση αυτών των υποομάδων οδηγεί σε διαφορετικές στρατηγικές και προσεγγίσεις ανά ομάδα και σε προσωποποιημένες προτάσεις για νέα προϊόντα ανά ομάδα με αποτέλεσμα να δημιουργείται η αίσθηση στον πελάτη ότι η επιχείρηση τον προσεγγίζει προσωπικά και όχι μαζικά με συνεπαγόμενα οφέλη την ικανοποίηση του πελάτη, την διατήρηση του στην επιχείρηση και την αύξηση της κατανάλωσής του.
• Η ανάδειξη των συσχετίσεων μεταξύ των προϊόντων και της αλληλουχίας αγοράς τους από τον ίδιο πελάτη, σύμφωνα με τα ήδη προϊόντων που προμηθεύεται ταυτόχρονα αυτός σε μια συναλλαγή του, με την εφαρμογή της ευρύτατα χρησιμοποιούμενης τεχνικής ‘market basket analysis’.
Η πληροφορία αυτή μπορεί να βοηθήσει σημαντικά στην καλύτερη κατανομή και οργάνωση των προϊόντων στο κατάστημα με στόχο την αύξηση της αξίας της απόδειξης κάθε επίσκεψης του πελάτη, καθώς και στην πραγματοποίηση προωθητικών ενεργειών για ομάδες συγγενών προϊόντων στον κατάλληλο πελάτη την σωστή στιγμή.
Το όφελος:
Η συνεργασία της M&S με την PREDICTA A.E. και η υιοθέτηση της Λύσης Predictive Analytics Solutions, οδήγησε τη M&S σε σημαντικά οφέλη τα οποία συνοψίζονται στα ακόλουθα σημεία:
• Την πάντα διαθέσιμη και επικαιροποιημένη του συνόλου της πληροφορίας ανά πελάτη σε κεντροποιημένη βάση δεδομένων.
• Τη σημαντική μείωση του απαιτούμενου χρόνου για την διαθεσιμότητα αυτής της πληροφορίας.
• Την εύκολη και άμεση παραγωγή αποτελεσμάτων σε πίνακες και γραφήματα καθώς και την αυτοματοποίησή τους όταν είναι επιθυμητό.
• Τη μείωση του κόστους των προωθητικών ενεργειών.
• Τη σημαντική αύξησης τη ανταπόκρισης του πελάτη.
Αξίζει να αναφέρουμε ενδεικτικά ότι σε μια συγκεκριμένη προωθητική ενέργεια για μια κατηγορία προϊόντων που απευθύνθηκε σε 4.880 άτομα συγκεκριμένων ομάδων του πελατολογίου που κρίθηκαν κατάλληλες και η οποία πραγματοποιήθηκε με την χρήση SMS, 1362 άτομα επισκέφθηκαν και έκαναν μια αγορά σε κατάστημα. Ανταπόκριση σχεδόν 28%, ποσοστό καθόλου συνηθισμένο σε τέτοιου είδους ενέργειες.