Jako obchodníka vás zajímají informace typu: Kdo u vás nakupuje? Proč zrovna u vás? Přijdou stejní zákazníci znovu? Co u vás budou hledat? Co dalšího svým zákazníkům můžete nabídnout? Kdy a jak je nabídkou oslovit? Kdo jsou jejich přátelé? Doporučí vás svým známým?
Odpovědi na tyto otázky jsou ukryté v datech, z nichž je získáte pomocí pokročilých matematických metod. Zásadním předpokladem úspěchu je správná formulace zadání a vhodná kombinace použitých metod.
Běžně se na různých prodejních portálech setkáváme s čistou statistikou ve formě označování produktů jako „bestseller“ nebo „top 3 seller“. Podobné označení pomůže zákazníkům rychleji se zorientovat a nasměruje jejich pozornost primárně na označený produkt. Ten pak funguje jako „trhák“, po kterém je ještě větší poptávka.
Základním přístupem pro výběr produktů, zajímavých pro zákazníka, jsou metody doporučování obsahu. Tato skupina metod vybírá pro zákazníky potenciálně zajímavé zboží na základě zakoupených nebo oblíbených položek a podobnosti s ostatními zákazníky. Může se jednat o komplementární produkty, ale stejně tak dobře o produkty na první pohled nesouvisející.
U těchto základních přístupů velká část e-shopů a prodejních portálů prozatím končí s matematickými metodami. Touha po hlubším pochopení potřeb zákazníka, jeho chování a způsobu života, vede ke klasifikačním metodám, shlukování, segmentaci a mikrosegmentaci, která je postavená na komplexní analýze všech dostupných dat. S využitím těchto analýz lépe porozumíme konkrétním skupinám zákazníků a dokážeme tak vhodně reagovat na jejich potřeby.
Díky znalosti konkrétních skupin zákazníků, můžeme pomocí vhodných kombinací pokročilých matematických metod (sekvencí, asociací, k-means…) vystavět specifické prodejní strategie. S dostatečným množstvím a historií dat o reakcích zákazníků na doporučené produkty se nám otevírá ještě další příležitost - prediktivní modelování.
Prediktivní metody při použití dostatku kvalitních dat dokážou rozpoznat i nezřetelné souvislosti a korelace v datech a s určitou pravděpodobností předvídat reakce klienta. Jejich výhodou je také schopnost samoučení, tj. zpřesňování odhadů a tím zlepšování úspěšnosti prodeje doporučovaných produktů v čase.
Odvažuji se zakončit tento komentář poněkud schématickým heslem: „Čím lépe využíváte dostupná data, tím více prodáte!“
Autorka působí jako senior business consultant ve společnosti Profinit. Zaměřuje se na oblast customer intelligence řešící využití (nejen) velkých dat pro potřeby komplexního řízení vztahu se zákazníky. Má zkušenosti z finanční sféry, z oblastí risk management, finance, projektové řízení, pricing a CRM.
