DEPR危機公關手冊：零售業利用科學數據提高營銷額

數據科學廣泛應用于當地各種規模的公司SMB去大公司(如Amazon）。但是零售商能從這項新技術中得到什么呢？產品推薦系統通常是第一個考慮因素，但制定更好的產品建議并不是零售業使用數據科學的唯一途徑。如果你想最大限度地增加轉化次數，產生更多的銷售額，下面是另外四個值得探討的例子。1.你可能喜歡快樂時光，討厭數據驅動的價格管理Uber價格飆升，但兩種做法都有相同的基本想法–根據市場情況增加利潤。在下班時間內，零售公司能否善于吸引顧客，并在有需要時利用高需求？是的，如果他們知道如何將數據組合在一起。德勤表示，價格管理計劃可在短短12個月內將利潤率提高2%-7%，平均投資回報率為200-350%。但事實上，零售公司很少利用這個機會，主要是因為對所有渠道、產品組合和客戶群體缺乏了解，數據成熟度低，分析文化分析差。如果你有一個數據科學團隊，這兩個問題都相對容易解決。一旦你準備好分析數據，你可以選擇嘗試以下價格管理策略：i）科學的個性化折扣/定價策略數據使您能夠根據類似客戶過去的行為將其反映到集群中，并確定最終的價格/折扣組合以轉換它們。ii）如果您還沒有準備好細化和個性化每個用戶級別的價格，您仍然可以調整價格和產品來迎合不同的細分受眾。例如：價值定價–如果討價還價的購物者在方便的時候購買（例如，他們想在夏天穿冬靴）或檢查需要清理的舊庫存，他們可以向優惠商品的買家提供優惠券或額外折扣。標準定價–面向大多數買家。優質定價–通過額外的特權(如延長保修)(或他們可能會響應的其他報價)，為具有較高容忍度的受眾提供折扣。iii）提供有競爭力的實時價格比較購物正處于高峰期，87%的客戶在亞馬遜上根據品牌/零售商網站查詢價格。考慮到亞馬遜在價格飆升中的表現，在競爭中手動測試基準是不可行的。然而，通過數據科學和預測分析，您可以創建一個高級系統，它將幫助您根據市場條件和競爭對手的趨勢自動調整價格。2.數據驅動的歸因建模仍然是零售公司的痛苦。根據Wolfgang Digital的最新《E-commerce 2019 KPI》報告稱，歐盟零售業的平均轉換率僅為1.7%-英國排名第一。然而，盡管基準相對較低，但大多數公司仍然專注于流量生成和轉換優化。玩數字游戲似乎是一個很好的策略(流量更多=更多的銷售額)，但事實上，你可以更深入地分析數據，確定哪些渠道帶來最佳的投資回報，并確保最高的轉化率，從而獲得更少的回報。數據驅動的歸因建模——一種自定義模型，可以在旅途中將轉換和銷售映射到客戶的各個接觸點/渠道，為您提供幫助。該模型顯示了哪些營銷順序可以帶來最多的銷售，哪些創意資產在這個過程中起著主要作用，以及為什么一些客戶最終沒有改變。3.智能交叉銷售和額外銷售有效地交叉銷售，即使是小票也會導致利潤大幅增加。家具零售商決定向購物者推銷相當于平均訂單價值（AOV）6％的商品。在零售業使用數據科學可以幫助你增加利潤，而不需要大量運營A / B測試。您甚至可以向不同的客戶群體提供個性化的報價，以進一步促進轉型和銷售。將預測分析添加到組合中會給您帶來更多優勢：您將能夠準確地看到何時增加銷售/交叉銷售以滿足您的業務目標。例如，您可以創建一個算法來識別對您的利潤有重大影響的關鍵值項（KVI）和鍵值類別（KVC），并將其相應地賣給不同的購物者。這些可以是：感知價值驅動力：長期以來在所有客戶群體中仍然很受歡迎的產品。流量驅動因素：大量購買的高需求產品，或從貨架上飛走的短期需求產品。籃式驅動：通常與其它產品一起購買的物品，如氣墊和腳踏泵。分類感知驅動力：可能促使購物者在商店獲得相關物品。如今，確定誰是最賺錢、最忠誠的客戶相對容易。然而，傳統的分析并不能告訴你這些購物者何時開始以較低的頻率購買商品，以及為什么他們完全轉向競爭對手。數據科學可以幫助你探索這些根本原因。您可以識別不同客戶的選擇/行為之間的依賴關系，并使用這些數據來預測他們未來的行動。以下是一些可用的CLV建模實現示例：訂單歸因：了解哪些營銷渠道吸引了最忠實的客戶；哪些廣告系列對重復購買做出了最大貢獻。購買成本和生命周期價值：確定高LTV降低成本的潛在領域。優化保留期。在正確的時間以正確的間距伸出手來重新激活每個購物者。在組合中添加更多可購買的物品。通過準確了解購物者的需求，使用數據來增加庫存中可購商品的選擇。如果你認為你的營銷預算在增長，但銷量保持不變，探索如何在零售中使用數據科學可能是你的正確選擇。是的，這聽起來像是一項崇高的投資，但投資回報肯定在那里。