Один из главных последних трендов e-commerce — оффлайн-магазины, даже не очень большие, выходят в онлайн. Это один из факторов общего роста электронной коммерции за последние пять лет.
Когда оффлайновый магазин открывает представительство в сети — сразу же возникает потребность сопоставлять данные о покупателях в обычном и интернет-магазине. Поговорим об этом.
Что такое мэтчинг данных
Сопоставление данных (мэтчинг) — объединение наборов данных, полученных из разных источников, в единые профили покупателей.
| Онлайн-профиль | Мобильный профиль | Оффлайн-профиль |
| — Демографические данные. — Физиологические параметры. — ID пользователя. — Электронная почта. — Телефон. — История покупок. — История просмотров. — Статистика по email-рассылкам и т.д. |
— Текущая геопозиция. — История геопозиций. — Текущий часовой пояс. — Бодрствует или спит пользователь и т.д. |
— История покупок в оффлайне. — Данные о клиенте из заполненных анкет. — Какие точки продаж чаще посещает и т.д. |
Цель сопоставления — получить полную картину о поведении конкретного клиента, чтобы затем использовать этот набор данных в интересах магазина. Делать рассылки с наилучшим таргетингом, проводить более эффективные рекламные кампании, выдавать на сайте точные товарные рекомендации — об этом подробнее чуть позже.
Примеры
Посетитель зашел на сайт и авторизовался под своей учетной записью. Полистал каталог, нашел нужный товар. Но заказ решил оформить по телефону: позвонил и заказал. Если данные не сопоставлять, то для магазина это будут два разных клиента. Если сопоставлять — один клиент (в данном случае вычислить, что это один и тот же человек, можно по номеру телефона).
Если у компании есть не только онлайн-магазин, но и физический отдел — нужно сопоставлять данные еще и с оффлайном. Например, чтобы бонусы с крупной покупки в оффлайне покупатель мог бы использовать в онлайн-магазине. И наоборот.
Что будет, если не сопоставлять данные
Если сопоставления не делать, страдает эффективность буквально всего маркетинга: баннерной рекламы, рассылок, товарных рекомендаций на сайте, программ лояльности.
Частично сопоставление есть у каждого магазина: например, обязательным пунктом анкеты при получении карты клиента является контактный е-мейл или телефон. Однако когда речь идет о десятках параметров из разных источников — без автоматизации объединить их в единый профиль не получится. И тем более — поддерживать актуальность каждого.
Кто автоматизирует сопоставление данных
Есть следующие варианты автоматизации:
- Сопоставление с помощью отдельного сервиса. Например, на Западе существуют такие решения, как Specificmedia, Liveramp или Datalogix (куплен Oracle). Такие решения, как правило, эффективны, но дороги.
- Как часть CRM. В системе агрегируются все данные о покупателях, в том числе сопоставляется информация из онлайна и оффлайна. Недостаток — подходит крупному, но не малому бизнесу: вторым нет особого смысла вести всех клиентов в CRM — потребуется не только покупать дорогостоящий софт, но и нанимать отдельного человека, который бы занимался маркетингом.
- Как часть рекомендательной системы. Система кровно заинтересована в том, чтобы повысить качество рекомендаций, эффективность рассылок и ремаркетинга, поэтому стремится более качественно сопоставлять данные. Мы в REES46 называем процесс объединения данных «ведением виртуальных профилей».
Как применяется мэтчинг сегодня?
Пример: как применяется мэтчинг в email-рассылках
Покупатель заинтересовался двумя разными товарами, пусть это будет телевизор X и игровая приставка Y. Система отмечает заинтересованность покупателя. Спустя какое-то время клиент покупает приставку Y в оффлайн-магазине. Что происходит дальше:
- Ему приходит автоматическое письмо с благодарностью, а также уведомлением о начисленных за покупку баллах.
- Можно стимулировать покупки в онлайне: например, в нашем случае самым очевидным будет сделать персональную скидку на телевизор X при покупке в онлайн-магазине только для купивших товар Y.
- Автоматически исключаем из рассылок этому пользователю предложение Y, но активно продвигаем предложение X.
Пример: как применяется мэтчинг в ретаргетинг-кампании
С одной стороны у покупателей есть трекинг-код (берется из cookie на сайте), с другой ID покупателя и товара, информация о дате покупке, сумме и другие данные из оффлайна (из программы лояльности). Математические алгоритмы «сравнивают» данные и те, которые с большой вероятностью принадлежат одному покупателю — сливаются в общий профиль. Это помогает сделать следующие улучшения в рекламной кампании:
- Показы баннерной рекламы на сторонних площадках в соответствие с покупками клиента (в онлайне и оффлайне).
- Мгновенное прекращение показов рекламы уже купленного товара, форсирование предложений по другим товарам, которыми интересовался пользователь (по той же модели, что и с рассылками).
Пример: товарные рекомендации
Рекомендательная система будет советовать товары не просто с учетом истории покупок и кликов в онлайне или поведения пользователя на других сайтах, но и с привлечением ценных данных из оффлайна. Механики примерно такие же:
- Сервис товарных рекомендаций не будет рекомендовать товары, уже купленные пользователем в оффлайне (а также их прямые аналоги).
- Сервис будет рекомендовать товар, который также купили пользователи с похожей моделью потребления.
- Сервис получает данные об оффлайн-истории сразу, что позволяет ему делать точные рекомендации уже при первом визите покупателя в онлайн-магазин (решается проблема «холодного старта»)..
Пример: возврат товаров
Есть такая особенность в ритейле: даже если покупатель сделал покупку в онлайн-магазине, то возврат товара он предпочтет сделать в оффлайн-точку. Если не заниматься мэтчингом, то получится, будто бы онлайн-пользователь купил товар и остался им доволен (ведь он не совершал возврата в интернет-магазин). А по факту всё будет не так.
Следовательно, без мэтчинга целостность данных нарушится и магазин будет настойчиво советовать купить дополнительные комплектующие к гаджету, который пользователь вернул в магазин. А узнав о факте возврата товара, магазин может не потерять клиента, постаравшись получить отзыв о причинах возврата и предложить другой нужный человеку товар с персональной скидкой.
Заключение
Сопоставлением данных критично важно заниматься тем магазинам, у которых много каналов продаж: оффлайн-магазин, сайт, мобильное приложение. Чем больше каналов — тем богаче данные, которые по-отдельности не так эффективны, как если их объединять в единые виртуальные профили.
Оптимальным решением для крупных ритейлеров будет работа со специализированным сервисом мэтчинга или интеграция нужных функций в CRM. Для малого и среднего бизнеса подойдет сервис рекомендаций, который сопоставляет и объединяет данные из разных источников, оффлайна и онлайна.
