DEPR危机公关手册：零售业利用科学数据提高营销额

数据科学广泛应用于当地各种规模的公司SMB去大公司(如Amazon）。但是零售商能从这项新技术中得到什么呢？产品推荐系统通常是第一个考虑因素，但制定更好的产品建议并不是零售业使用数据科学的唯一途径。如果你想最大限度地增加转化次数，产生更多的销售额，下面是另外四个值得探讨的例子。1.你可能喜欢快乐时光，讨厌数据驱动的价格管理Uber价格飙升，但两种做法都有相同的基本想法–根据市场情况增加利润。在下班时间内，零售公司能否善于吸引顾客，并在有需要时利用高需求？是的，如果他们知道如何将数据组合在一起。德勤表示，价格管理计划可在短短12个月内将利润率提高2%-7%，平均投资回报率为200-350%。但事实上，零售公司很少利用这个机会，主要是因为对所有渠道、产品组合和客户群体缺乏了解，数据成熟度低，分析文化分析差。如果你有一个数据科学团队，这两个问题都相对容易解决。一旦你准备好分析数据，你可以选择尝试以下价格管理策略：i）科学的个性化折扣/定价策略数据使您能够根据类似客户过去的行为将其反映到集群中，并确定最终的价格/折扣组合以转换它们。ii）如果您还没有准备好细化和个性化每个用户级别的价格，您仍然可以调整价格和产品来迎合不同的细分受众。例如：价值定价–如果讨价还价的购物者在方便的时候购买（例如，他们想在夏天穿冬靴）或检查需要清理的旧库存，他们可以向优惠商品的买家提供优惠券或额外折扣。标准定价–面向大多数买家。优质定价–通过额外的特权(如延长保修)(或他们可能会响应的其他报价)，为具有较高容忍度的受众提供折扣。iii）提供有竞争力的实时价格比较购物正处于高峰期，87%的客户在亚马逊上根据品牌/零售商网站查询价格。考虑到亚马逊在价格飙升中的表现，在竞争中手动测试基准是不可行的。然而，通过数据科学和预测分析，您可以创建一个高级系统，它将帮助您根据市场条件和竞争对手的趋势自动调整价格。2.数据驱动的归因建模仍然是零售公司的痛苦。根据Wolfgang Digital的最新《E-commerce 2019 KPI》报告称，欧盟零售业的平均转换率仅为1.7%-英国排名第一。然而，尽管基准相对较低，但大多数公司仍然专注于流量生成和转换优化。玩数字游戏似乎是一个很好的策略(流量更多=更多的销售额)，但事实上，你可以更深入地分析数据，确定哪些渠道带来最佳的投资回报，并确保最高的转化率，从而获得更少的回报。数据驱动的归因建模——一种自定义模型，可以在旅途中将转换和销售映射到客户的各个接触点/渠道，为您提供帮助。该模型显示了哪些营销顺序可以带来最多的销售，哪些创意资产在这个过程中起着主要作用，以及为什么一些客户最终没有改变。3.智能交叉销售和额外销售有效地交叉销售，即使是小票也会导致利润大幅增加。家具零售商决定向购物者推销相当于平均订单价值（AOV）6％的商品。在零售业使用数据科学可以帮助你增加利润，而不需要大量运营A / B测试。您甚至可以向不同的客户群体提供个性化的报价，以进一步促进转型和销售。将预测分析添加到组合中会给您带来更多优势：您将能够准确地看到何时增加销售/交叉销售以满足您的业务目标。例如，您可以创建一个算法来识别对您的利润有重大影响的关键值项（KVI）和键值类别（KVC），并将其相应地卖给不同的购物者。这些可以是：感知价值驱动力：长期以来在所有客户群体中仍然很受欢迎的产品。流量驱动因素：大量购买的高需求产品，或从货架上飞走的短期需求产品。篮式驱动：通常与其它产品一起购买的物品，如气垫和脚踏泵。分类感知驱动力：可能促使购物者在商店获得相关物品。如今，确定谁是最赚钱、最忠诚的客户相对容易。然而，传统的分析并不能告诉你这些购物者何时开始以较低的频率购买商品，以及为什么他们完全转向竞争对手。数据科学可以帮助你探索这些根本原因。您可以识别不同客户的选择/行为之间的依赖关系，并使用这些数据来预测他们未来的行动。以下是一些可用的CLV建模实现示例：订单归因：了解哪些营销渠道吸引了最忠实的客户；哪些广告系列对重复购买做出了最大贡献。购买成本和生命周期价值：确定高LTV降低成本的潜在领域。优化保留期。在正确的时间以正确的间距伸出手来重新激活每个购物者。在组合中添加更多可购买的物品。通过准确了解购物者的需求，使用数据来增加库存中可购商品的选择。如果你认为你的营销预算在增长，但销量保持不变，探索如何在零售中使用数据科学可能是你的正确选择。是的，这听起来像是一项崇高的投资，但投资回报肯定在那里。