مشتریان بزرگ را از اولین خرید آنها شناسایی کنید
اوا آسکارزا (Eva Ascarza)، محقق بازاریابی و دانشیار دانشکده بازرگانی هاروارد، میگوید با استفاده از اطلاعات جمع آوری شده در طول اولین خرید مشتری، یک ابزار بازاریابی جدید که از فناوری یادگیری ماشین استفاده میکند، میتواند پیشبینیهای ارزشمندی در مورد رفتار آینده مشتری در اختیار شرکتها قرار دهد.
با ترکیب دادههایی که اکثر شرکتها دور میریزند، آسکارزا و همکار محقق او الگوریتمی ابداع کردند که قادر به تجزیه و تحلیل سریع بیش از ۴۰ متغیر برای ایجاد “اولین تصور” از مشتری پس از معامله اولیه است. سپس این الگوریتم پیشبینی میکند که چه مشتریانی تبدیل به خریداران مکرر میشوند و کدامیک به کمپینهای ایمیلی پاسخگوتر هستند، اطلاعاتی که شرکتها میتوانند برای بهبود استراتژی بازاریابی و بازگشت سرمایه استفاده کنند.
آسکارزا میگوید: شرکتها پول روی میز میگذارند، زیرا نمیدانند چگونه از بیشتر دادههای مشتریانی که جمعآوری میکنند، استفاده کنند، به ویژه زمانی که سعی میکنند مشتریان تازهای را که به تازگی به دست آوردهاند، که هیچ داده تاریخی برای آنها وجود ندارد، استفاده کنند.
«افرادی که در اولین معامله محصولات بیشتری خریدند، به ویژه آنهایی که این کار را در فروشگاهها انجام دادند، در آینده به احتمال زیاد خریدارهای مکرر بودند.»
افرادی که در اولین معامله محصولات بیشتری خریدند، به ویژه آنهایی که این کار را در فروشگاهها انجام دادند، در آینده به احتمال زیاد خریدارهای مکرر بودند.
در مقاله کاری خود، آسکارزا و همکارش نیکلاس پادیلا، در مدرسه بازرگانی کلمبیا، نشان میدهند که یک ابزار آماری که به عنوان مدل خانواده عمیق نمایی شناخته میشود، میتواند به طور مؤثری مرتبطترین متغیرها را مرتب کند و روابط پیچیده بین آنها را توضیح دهد.
این الگوریتم یک تصور اولیه را از هر مشتری ایجاد میکند، به همان صورتی که دو نفر شخصیت یکدیگر را در اولین قرار مشخص میکنند – با تفسیر نشانههای خاص برای استنباط ویژگیهای مهم.
آسکارزا میگوید: «فرض کنید شما در اولین قرار ملاقات هستید و میخواهید بفهمید که آیا این شخص شریک خوبی در زندگی خواهد بود یا خیر. شما نشانههایی را از رفتار فرد دریافت میکنید، از جمله اینکه شخص چه لباسی میپوشد، چگونه با افراد دیگر در آن مکان رفتار میکند، چگونه با شما رفتار میکند، چه نظراتی می دهد و غیره. به طور مشابه، به اعتقاد ما، دادههایی که از اولین تراکنش استفاده میکنیم، نشانههایی را در مورد چگونگی وضعیت مشتری ارائه میدهند.»
دادههایی که از اولین تراکنش استفاده میکنیم، نشانههایی را در مورد چگونگی وضعیت مشتری ارائه میدهند.
آزمایش دادهها بر روی ۱۳۰۰۰ خریدار
برای نشان دادن نحوه عملکرد این مدل، آسکارزا و پادیلا برخی از دادههای مشتری ارائه شده توسط یک خردهفروش بینالمللی را که برند خود محصولات زیبایی را به طور انحصاری در فروشگاهها و وبسایت خود به فروش میرساند، در اختیار آن قرار دادند. این شامل حدود چهار سال معاملات بیش از ۱۳۰۰۰ مشتری در شش بازار میشود.
محققان شش متغیر را برای نشان دادن رفتار جذب مشتریان برای اولین بار استخراج کردند، از جمله اینکه آیا خرید به صورت آنلاین یا آفلاین انجام شده است، تعداد اقلام خریداری شده، قیمتها، تخفیفها، اینکه آیا خرید در یک دوره تعطیلات انجام شده است یا خیر، و اینکه آیا مشتری یک محصول تازه منتشر شده را خریداری کرده است. تنها با این شش متغیر، محققان نشان میدهند که چگونه این الگوریتم بهتر میتواند خرج کنندگان سنگین آینده و کسانی را که تنها پس از یک تراکنش بیشتر به تبلیغات ایمیلی آینده پاسخ میدهند، شناسایی کند.
به طور خاص، آنها دریافتند افرادی که در اولین تراکنش محصولات بیشتری خریدند، به ویژه آنهایی که این کار را در فروشگاهها انجام دادند، احتمال بیشتری داشت که در آینده خرید را تکرار کنند. به همین ترتیب، این الگوریتم افرادی را که محصولات تازه منتشر شده را خریداری میکردند، بهعنوان مشتریان بالقوه با ارزش بالا که به بازگشت ادامه میدهند، برچسبگذاری کرد.
افرادی که در اولین تراکنش محصولات بیشتری خریدند، به ویژه آنهایی که این کار را در فروشگاهها انجام دادند، احتمال بیشتری داشت که در آینده خرید را تکرار کنند.
افرادی را که محصولات تازه منتشر شده را خریداری میکردند، مشتریان بالقوهای هستند با ارزش بالا که به بازگشت ادامه میدهند.
از سوی دیگر، کسانی که محصولات تخفیف خورده را خریداری میکردند، به ویژه آنهایی که این کار را در جمعه سیاه یا در دورههای تعطیلات دیگر انجام میدادند، «ارزش پایین تر» و اغلب مشتریان یکباره بودند.
کسانی که محصولات تخفیف خورده را خریداری میکردند، به ویژه آنهایی که این کار را در دوره های تعطیلات دیگر انجام میدهند، «ارزش پایین تر» و اغلب مشتریان یکباره هستند.
آسکارزا میگوید اگرچه این یافتهها ممکن است بدیهی به نظر برسند، اما این تحقیق شواهد تجربی برای سودمندی ایجاد اولین برداشتها از مشتریان ارائه میدهد و با دادههای غنیتر، شرکتها میتوانند حتی بیشتر بیاموزند. به عنوان مثال، شرکتهایی که از کوکیها برای جمعآوری دادههای مرور استفاده میکنند، میتوانند نوع دستگاه و موتور جستجویی را که یک فرد برای خرید آنلاین استفاده میکند، یا تعداد محصولاتی که قبل از خرید جستجو کردهاند، ترکیب کنند تا پیشبینی کنند که مشتری در آینده چه کاری انجام خواهد داد.
همانند سایر ابزارهای هوش مصنوعی، اشکال این فناوری این است که این مدل به عنوان نوعی جعبه سیاه عمل میکند، بنابراین محققان نمیتوانند عوامل دقیقی را که پیشبینی میکنند، تعیین کنند. همین امر در مورد پیشبینیهایی که مدل آسکارزا درباره اینکه مشتریان به ایمیلهای بازاریابی به خوبی پاسخ میدهند، صادق است. بر اساس تجزیه و تحلیل محققان، کمپین بازاریابی ایمیلی خرده فروشان زیبایی اگر مشتریان را بر اساس برداشت اولیه آنها هدف قرار می داد، ۳۹.۷ درصد مؤثرتر بود.
آسکارزا میگوید: خبر خوب این است که میتوانید هر تعداد متغیر که میخواهید اضافه کنید، و این مدل سریع اجرا میشود و بسیار کارآمد است. نقاط منفی انجام این نوع مدلسازی این است که، تعیین دقیق اینکه چه چیزی افراد را نسبت به ایمیلها حساس میکند بسیار دشوار است. من میتوانم به شما بگویم چه کسی به ایمیلها حساس است، اما نمیتوانم یک یا دو متغیر را به تنهایی شناسایی کنم که بتواند آن را توضیح دهد.
داخل جعبه سیاه چیست؟
کشف اسرار جعبه سیاه چیزی است که آسکارزا شروع به کشف آن کرده است. او میداند که ارائه شواهدی برای اثربخشی روشهای بازاریابی جدید تنها زمانی کمک میکند که شرکتهایی که به آنها نیاز دارند بتوانند به آنها دسترسی داشته باشند و به آنها اعتماد کنند. به همین دلیل، او برای یافتن راههایی برای مهندسی معکوس مدل پیشبینی تلاش میکند تا بینشی در رابطه بین متغیرها و انگیزههای خریدی که از دادهها تشخیص میدهد به دست آورد.
او میگوید: «راهی که میخواهید شرکتهای بیشتری را برای اعمال این موارد به کار بگیرید، این است که ما بتوانیم جعبه را باز کنیم».
آسکارزا میگوید خردهفروشان و سایر سازمانها، مانند موسسات خیریه، که به دنبال تقسیمبندی مشتریان با ارزش برای تبلیغات و درخواستهای تجدیدنظر هستند، باید به این فکر کنند که چه دادههایی را جمعآوری میکنند، و چگونه آنها میتوانند با استفاده از دادهها و پیشرفت در فناوری یادگیری ماشین، از اولین تماس بیشتر بیاموزند.
در آینده، آسکارزا انتظار دارد که شرکتهای بیشتری شروع به سرمایه گذاری در ابزارهای الگوریتمی برای تقویت تصمیم گیری کنند. او میگوید که این سرمایهگذاری به نوبه خود درک بیشتر در مورد کاربردهای بالقوه و ارزش چنین ابزارهایی را هم در بازاریابی و هم در تجارت به طور گستردهتر تسهیل میکند.
من فکر میکنم پتانسیل این مدل بسیار بالاتر از آن چیزی است که ما نشان میدهیم، زیرا شرکتها در اولین معامله به دادههای غنیتری دسترسی خواهند داشت، بنابراین میتوانند اطلاعات بیشتری از آنچه ما در حال حاضر انجام میدهیم استخراج کنند.
گفتوگو