Technomarketing. Czyli bądź jak Amazon i Zalando!

Technomarketing. Czyli bądź jak Amazon i Zalando!

Twój sklep internetowy to firma technologiczna a nie handlowa!

Buzz wordy, takie jak customer intelligence, deep learning, big data, czy machine learning to bliższe lub dalsze synonimy sztucznej inteligencji. Wszystkie dotyczą zagadnień związanych z przetwarzaniem ogromnej ilości informacji, które są na wyciągnięcie ręki. Jeszcze do niedawna wyzwaniem detalistów było przeniesienie handlu do internetu. Dzisiaj szansą dla detalistów sprzedających online jest wykorzystanie automatyzacji marketingu i big data do stworzenia firmy technologicznej.

O tym, że automatyzacja marketingu i machine learning nie są jedynie „buzz wordami”, czy przelotnym trendem świadczą sukcesy dwóch potentatów handlu elektronicznego. Światowego lidera, czyli Amazon.com oraz europejskiego giganta – Zalando. Opowiem Ci o tym co stoi za sukcesem tych dwóch sklepów internetowych oraz o tym jak sklep z mniejszym budżetem może dołączyć do grupy firm, które sukces w eCommerce opierają na nowoczesnej technologii.

Rysunek 1. edrone ratuje porzucone koszyki.

04_tlumaczony

TECHNOMARKETING

Jeśli twój e-sklep ma zaskakiwać tempem wzrostu i stać się znaczącym graczem na rynku, nie myśl o sobie jak o detaliście, myśl o sobie jak o firmie technologicznej.

Ciekawostka:

w 2002 r. AmaBot, czyli algorytm dopasowania oferty na podstawie wcześniejszego zachowania klienta na stronie Amazon.com, wygrał wyścig z działem edytorskim największego sklepu internetowego. Po kilku latach koegzystencji jeden z działów został zamknięty. Recenzje redaktorów nie miały szans konkurować ze skutecznością sprzedażową algorytmu.

Zwykle musi minąc dekada lub dwie, aby pionierskie rozwiązania stały się osiągalne dla szerszego grona rynkowych graczy. Jeszcze do niedawna algorytmy i sztuczna inteligencja były zarezerwowane tylko dla bardzo wąskiego grona firm. W ostatnim czasie automatyzacja i personalizacja oferty stały się dostępne dla biznesów praktycznie każdej wielkości.

Podobnie jak dopasowanie treści strony do zainteresowań użytkownika w przypadku Amazon.com jest jego główną przewagą konkurencyjną, tak w przypadku największego europejskiego e-commerce’u jest to CRM – machine learning, zwany „Zalando Marketing Machine”. Model biznesowy Zalando jest inspirowany sklepem Zappos (amerykański pionier sprzedaży butów online, skądinąd agresywnie przejęty przez Amazon.com w początkowym okresie działalności firmy).

Pod koniec pierwszej dekady XXI wieku, dziesięć lat po starcie strony Amazon.com, nowopowstały europejski e-commerce stanął przed dylematem wyboru kluczowej strategii oddziaływania na klientów. Dylemat polegał na wyborze między inwestycją w machine learning a wydatkami na reklamę. W początkowym okresie działalności firmy roczne koszty marketingowe wynosiły 25% jej obrotów. Porównanie efektywności wydatków marketingowych z efektywnością CRM-a machine learning, zainspirowane kryzysem gospodarczym końca dekady, doprowadziło do drastycznego ograniczenia wydatków Zalando na reklamę do pięciu mln euro miesięcznie.1

Florian Heinemann, wieloletni dyrektor marketingu w Zalando.com utrzymuje, że za sukcesem sklepu stoi „Zalando Marketing Machine”2 czyli CRM (ang. Customer Relationship Management – system do zarządzania relacjami z klientem). Zalando od początku analizowało zachowanie swoich klientów i na podstawie zebranych informacji prezentowało im spersonalizowaną ofertę. Twórcy Zalando obiecali sobie, że jeśli olbrzymie przedsięwzięcie, jakim jest CRM nie przyniesie rezultatów w pierwszym roku, to wstrzymają nakłady na jego rozwój i skupią się na agresywnej reklamie. Wydatki na reklamę drastycznie spadły, Marketing Machine jest ciągle rozwijany, a Zalando jest numerem jeden na europejskim rynku w branży fashion z przychodami na poziomie trzech miliardów euro w 2015 roku i wzrostem o 34% w stosunku do 2014 roku. Zalando, zatrudnia obecnie około 1000 inżynierów IT oraz Data Scientist. Podobnie jak Amazon.com, Zalando chce być postrzegana jako firma technologiczna a nie jako detalista.

MACHINE LEARNING

Zalando jest esencją technologicznego myślenia o e-commerce. To biznes, który wywodzi się z handlu, ale cała jego infrastruktura oparta jest na przetwarzaniu danych. To myślenie można opisać wyzwaniem: Jak IT oraz dane mogą uczynić marketing i sprzedaż lepszymi i bardziej efektywnymi? Najczęściej marketerzy nie są analitykami danych ani inżynierami IT. Zalando jako źródło swojego sukcesu wskazuje oparcie działu marketingu na analitykach danych i specjalistach IT.

Ciekawostka:

początkowo system rekomendacji Amazona oparty był na ocenach książek przez użytkowników strony. Proces nie sprawdził się, ponieważ tylko znikoma część użytkowników dokonywała ocen. W 1998 r. wprowadzono więc znacznie prostszy system rekomendacji oparty na zasadzie „klienci kupowali również”. Dzięki wdrożeniu, pewnej grupie użytkowników, tak zwanemu klastrowi, można było rekomendować książki czytane przez innych. Jeśli zakupiona przez Ciebie książka wchodziła w zestaw lektur innego użytkownika, mogłeś w propozycjach zobaczyć pozostałe zakupione przez niego książki. Ta funkcjonalność nazwana została Similarities (podobieństwa) i można ją uznać za prekursorską w personalizacji oferty.

ZAPROJEKTUJ PRZYGODĘ KLIENTA

Personalizacja oferty nie musi zaczynać się od analizy danych, które udało się zebrać na przestrzeni czasu. Może zacząć się o wiele wcześniej. Już podczas projektowania strony sklepu możesz określić jakie informacje chcesz wykorzystać w późniejszej automatyzacji. Do personalizacji oferty na stronie sklepu sprawdzą się najlepiej rozwiązania autorskie, lub moduły oferowane przez twórców platform. Zaawansowaną personalizację oferty oraz automatyzację wysyłek najlepiej obsłużą systemy eCommerce CRM lub klasy marketing automation.

Przykład:

Kiedy po raz pierwszy odwiedzasz sklep zalando.com, widzisz trzy duże banery: kobieta, mężczyzna, dziecko. Już na samym początku sklep został zaprojektowany tak, aby użytkownik swoim zachowaniem i w sposób nieświadomy opowiedział firmie o tym czego szuka. Każdy wybór od ogólnego takiego jak płeć, przez kategorie i styl wybieranych ubrań buduje profil użytkownika i pozwala na lepszą personalizację oferty. Cały wgląd strony i ścieżki poruszania się użytkownika są projektowane tak, aby lepiej dopasować ofertę do powracających użytkowników, a w efekcie podnieść CLV (ang. Customer Lifetime Value).3

01_tlumaczony

Czym kierować się podczas wyboru narzędzi typu CRM dla eCommerce?

Część platform sklepowych oferuje wysyłkę wiadomości przypominających o porzuconym koszyku. Różnica polega na tym jak łatwe jest uruchomienie takiej zautomatyzowanej kampanii, czy w wiadomości automatycznie będą umieszczone zdjęcia produktów oraz jak dużą ilość klientów porzucających koszyki takie narzędzie będzie w stanie zidentyfikować. Sprawdź, czy system, którego zamierzasz użyć rozpoznaje niezalogowanych użytkowników i czy potrafi dokonać identyfikacji na wielu urządzeniach. System CRM powinien również rozpoznać i połączyć z adresem email Twoich dotychczasowych użytkowników i subskrybentów newslettera. Spełnienie każdego z wymienionych warunków pozwoli na wysłanie wiadomości email nawet do ponad 40% wszystkich osób porzucających koszyki. , Bardziej zaawansowane machanizmy, to na przykład system rekomendacji. Numer produktu, jego nazwa czy kategoria i atrybut to metadane, które będą miały różną strukturę w każdym sklepie. Dlatego systemy rekomendacji oparte o metadane będą wymagały żmudnego i kosztownego wdrożenia. Będą też mało odporne na błędy człowieka. Z kolei system oferujący rekomendacje na podstawie danych behawioralnych zadziała w każdym eSklepie, ponieważ wykorzystuje machine learning, czyli uczenie się na podstawie zachowania innych użytkowników.

Przykład:

Jeśli przeczytałeś “Imię Róży”, to zainteresuje Cię kilka książek, które czytały osoby, które również przeczytały Imię Róży. System „Similarities” Amazona w wersji z 1998 r. rekomendujący książki nie sprawdziłby się jednak w sklepie z butami ponieważ każdy rozmiar buta potraktowałby jako osobny produkt na podstawie SKU (unikalny numer magazynowy produktu) Jeśli kupiłeś buty New Balance WL, to taki system będzie miał problem z poleceniem innych butów, kupowanych przez osoby, które również kupiły New Balance WL. System oparty o metadane potraktuje każdy rozmiar jako inny produkt na podstawie SKU. Wykorzystując rekomendacje behawioralne i machine learning wykorzystywany w edrone CRM nie będziemy mieli podobnego problemu.

Istota algorytmów sztucznej inteligencji, wykorzystującej dane behawioralne, polega na tym, że nie są to jedynie skrypty odtwarzające szereg przewidzianych przez człowieka możliwości. Machine learning to zbiór metod, które umożliwiają programowi nauczenie się, który produkt warto zaoferować na podstawie dotychczasowych decyzji zakupowych innych klientów.

IDENTYFIKACJA NIEZALOGOWANYCH UŻYTKOWNIKÓW

Wybierając narzędzie do automatyzacji po pierwsze sprawdź, czy zbiera i analizuje ono dane tylko o zalogowanych użytkownikach, czy o każdej osobie, która odwiedzi Twój sklep. Po drugie sprawdź jaki odsetek monitorowanych użytkowników narzędzie będzie w stanie połączyć z adresem e-mail w Twojej bazie i jak długo przechowywane są informacje o zachowaniu i preferencjach niezalogowanych użytkowników. Po trzecie system powinien też umieć identyfikować użytkownika na podstawie otwarcia wiadomości e-mail.

Rysunek 2. edrone identyfikuje Odwiedzających w twoim sklepie online.

03_tlumaczony

Przykład:

pewien użytkownik w ciągu miesiąca kilkukrotnie odwiedza Twój sklep i wykonuje w nim szereg działań, które pozwalają na automatyczne dopasowanie oferty. Okazuje się dodatkowo, że ten użytkownik jest na Twojej liście newsletterowej. Dzięki temu dane o jego aktywności zostają połączone z adresem e-mail – monitorowany użytkownik zostaje zidentyfikowany. Jak wiele straciłbyś, gdyby system personalizacji nie posiadał funkcjonalności identyfikowania użytkowników za pomocą otwarć e-maili?

Te trzy czynniki decydują, jak duża będzie grupa odbiorców spersonalizowanych wiadomości.

PRODUKT OD PIERWSZEGO WEJRZENIA

Czy wiesz, który produkt w Twoim e-sklepie jest najbardziej seksi? Większość marketerów za taki produkt uzna ten, który osiągnie najlepszą sprzedaż. Czy jednak najwyższa sprzedaż produktu X spowodowana była jego „seksappeal-em’ czy tylko e-merchandisingiem, czyli tym, że rzeczony produkt znalazł się na dobrze eksponowanym miejscu w newsletterze lub na stronie głównej. Narzędzie analityczne, takie jak CRM dla e-eommerce powinno podpowiedzieć Ci, które produkty są najbardziej seksi na podstawie stosunku kliknięć lub zamówień do wyświetleń.

Przykład:

produkt X został kupiony 50 razy, ale wyświetlony aż 10 000 razy. Produkt Y, został sprzedany 25 razy ale wyświetlony zaledwie 1000 razy. Mimo dwukrotnie niższej sprzedaży stosunek zakupów do wyświetleń w przypadku produktu Y był pięciokrotnie wyższy niż w przypadku produktu X. Produkt Y mógłby być sprzedany 250 razy, gdyby zajął eksponowane miejsce produktu X.? W podobny sposób możesz analizować produkty najczęściej dodawane do koszyka lub przeglądane, aby wykorzystać największą wartość jaką dysponujesz, czyli klientów, którzy odwiedzają Twój sklep.

Rysunek 3.  Rady online merchandisingu. edrone pokazuje top przeglądane, zamawiane i porzucone produkty.

04_tlumaczony

ZOSTAŃ TECHNOLOGICZNYM ECOMMERCEM

Narzędzia klasy CRM pomogą Ci zidentyfikować przyczyny i zwiększyć szansę retencji klientów. Połączenie tej wiedzy z automatycznymi i spersonalizowanymi rekomendacjami oraz możliwością wysyłki komunikatów do niezalogowanych użytkowników uczyni Twój e-commerce firmą technologiczną. A możliwości z zakresu sztucznej inteligencji, takie jak data science czy machine learning staną się twoimi botami sprzedaży bez konieczności tworzenia ich od zera w swojej firmie. Nowoczesna sprzedaż jest skuteczna dzięki automatyzacji. Pozostaje jedynie przyjrzeć się im i wybrać takie, które najlepiej rozwiązuje wyzwania Twojego sklepu.

Zapisz się na WEBINAR

Michał Blak

Michał Blak

view all post
  • mariusz.tidal

    no tak 😉 najważniejsza informacja – Burbon i Broklyn, brakuje jeszcze crosfitu i studenta prawa
    sorry

By Daniele Zedda • 18 February

← PREV POST

By Daniele Zedda • 18 February

NEXT POST → 34
Share on