Разделы

Интернет E-commerce Веб-сервисы Ритейл Big Data

Mail.Ru Group разработала сервис клиентской аналитики для ритейла

Компания Mail.Ru Group создала сервис, призванный помочь компаниям повысить конверсию кросс-продаж на 20% и увеличить лояльность клиентов. Пользователями продукта уже стали несколько крупных компаний из сегментов ритейл и e-commerce, среди которых — сеть «Эльдорадо» и интернет-магазин Ozon.ru, сообщили CNews в Mail.Ru Group.

Благодаря использованию предиктивных математических моделей, являющихся ядром сервиса, ритейлеры могут лучше понимать свою аудиторию: проводить глубокую сегментацию, предсказывать потенциальный интерес к той или иной категории товаров, выбирать правильные каналы коммуникаций, прогнозировать вероятности оттока и проч.

Также модели могут использоваться для построения аудиторных сегментов интернет-пользователей для их последующего использования в рекламных кампаниях на различных интернет-площадках. Таким образом, сервис позволяет повысить конверсию маркетинговых коммуникаций с существующими клиентами и привлекать новых, подчеркнули в компании.

«У ритейлеров сегодня накоплены достаточно большие объемы информации о клиентах: они знают, что клиенты покупают и как часто, им известен средний чек, география и прочее. Теперь, благодаря предиктивным моделям, созданным нашими экспертами, торговые сети могут более качественно сегментировать своих покупателей, выделять тех, с кем нужно контактировать здесь и сейчас. Сервис позволяет увеличить отклик на проводимые с клиентом коммуникации. При этом рост оборота и прибыли от кампаний, сформированных с использованием сервиса, составляет 20% и более», — рассказал Роман Стятюгин, директор по развитию бизнеса направления «Большие данные» Mail.Ru Group.

По мнению представителей компании, новый сервис полезен не только самим ритейлерам, но и их клиентам, так как позволяет предлагать клиентам релевантные продукты через удобный канал коммуникации. При этом компания может сократить общее количество отправляемых сообщений, которые иногда нервируют людей и не приводят к продажам. Кроме эффекта от использования в контексте контакта с клиентом в режиме real-time сервис позволяет компаниям улучшить понимание своей клиентской базы и в дальнейшем корректировать глобальную стратегию по запуску новых продуктов и маркетинговых кампаний.

«Использование предиктивного сервиса Mail.Ru Group демонстрирует прекрасные результаты: конверсия проводимых кампаний выросла на 28%, оборот на 21%. По сравнению с другими инструментами персонализации контента сервис Mail.Ru Group обеспечивает нам наилучшие показатели по основным KPI. Кроме того, применение высоко персонализированных рассылок позволяет улучшить восприятие коммуникаций с клиентом», — считает руководитель отдела управления взаимоотношениями с клиентами и лояльностью компании «Эльдорадо» Роман Троицкий.

Почему удаленный доступ стал главной уязвимостью медицинской инфраструктуры
Почему удаленный доступ стал главной уязвимостью медицинской инфраструктуры Импортонезависимость

Для создания предиктивных математических моделей, являющихся ядром сервиса, применяются технологии машинного обучения и новые методы обработки информации, созданные специалистами Mail.Ru Group в сфере data science. Компания выделила в отдельное направление работу с big data своих клиентов в начале 2016 г. В рамках направления предоставляются услуги по созданию предиктивных математических моделей, проведению маркетинговых исследований, консалтингу в области развития инфраструктуры и методологии работы с большими данными. Прежде всего, это проекты, которые направлены на оптимизацию процессов маркетинга и продаж, производства, логистики, управления рисками, планирования, управления персоналом и другие рабочие процессы различных бизнесов.

В реализации используются как собственные технологии (например, NoSQL базы данных Tarantool), так и другие open source-решения (Apache Hadoop, Apache Spark). Для построения предиктивных математических моделей используются методы машинного обучения (Machine Learning), в том числе собственные разработки компании, например, алгоритм построения моделей Multiclass Look-alike, являющийся развитием метода PU Learning.

Татьяна Короткова