Jak wykorzystać Big Data w ecommerce

Szum wokół pojęcia big data w ostatnich latach stał się mocno słyszalny, mimo że wykorzystanie go do maksymalizacji sprzedaży internetowej ma już 15-letnią historię. I jak to często bywa z popularnymi trendami, zamieszanie nie idzie w parze ze zrozumieniem czym dokładnie jest big data, a przede wszystkim - komu i w czym może się przydać.

Zacznę od  wyjaśnienia fenomenu zwanego big data. Zwięzła definicja encyklopedyczna, odwołująca się do modelu 3V (volume, velocity i variety - duża ilość, zmienność i różnorodność danych) nie daje obrazu tego, jaką korzyść może odnieść konkretna firma ze stosowania big data w swoim modelu sprzedaży. Odwołam się więc do tradycyjnego procesu sprzedażowego, na przykładzie sklepu osiedlowego.

Analiza aktywności klienta w sieci jest o wiele prostsza niż w realu

Big data wnosi jakościową zmianę do wiedzy na temat procesu sprzedażowego. Przede wszystkim dzięki medium, jakim jest internet, zbieranie danych o klientach stało się nieporównywalnie prostsze. Każda aktywność w internecie pozostawia po sobie pewien ślad. Daje to możliwość łączenia owych śladów w sposób, który do tej pory wydawał się zupełnie abstrakcyjny.

Czy to, co publikuje na Facebooku klient banku może w znaczący sposób wpłynąć na ocenę jego zdolności kredytowej? Czy analiza tego, co kupuje w księgarniach internetowych może być podstawą dla stwierdzenia, że będzie potrzebował porady w kwestii rozwodu? Albo czy rekordy telefoniczne kandydata do pracy mogą przyczynić się do oceny jego osoby w procesie rekrutacyjnym?

Tego typu pytania większości z nas mogą wydawać się jeszcze należeć do dziedziny science fiction, niemniej warto zdać sobie sprawę z tego, że o ile nie są jeszcze w większości przypadków normą, o tyle już stają się faktem.

Oczywiście udzielenie odpowiedzi na te pytania wymaga, po pierwsze, dostępu do określonych danych historycznych, a następnie umiejętności ich łączenia i analizowania, co jest niedostępne dla większości małych i średnich firm. Jednak w świecie dużych firm i międzynarodowych korporacji analiza taka jest już codziennością, a profesja big data scientist na rynku pracy przeżywa swoje najlepsze dni.

Okazuje się, że analiza big data nie jest wyłącznie wykorzystywana do działań wzmacniających sprzedaż. Najlepszym przykładem może być projekt Google Flu Trends, w którym Google udostępniło informacje na temat wyszukań informacji o grypie na całym świecie. Zestawiono oficjalne statystyki zachorowań na grypę i zauważono korelację między liczbą zachorowań na danym obszarze a częstotliwością wyszukiwania haseł w najpopularniejszej wyszukiwarce, związanych z grypą. W ten sposób dane wyświetlane w Google Flu Trends zostały oparte o zbiorcze dane z zapytań wpisywanych do wyszukiwarki Google. Wyniki zostały utworzone przy użyciu zautomatyzowanej formuły, która gromadzi hasła z milionów wyszukiwań w Google.

Źródło: Google Flu Trends

Przewaga big data nad innymi modelami analizy danych

Dlaczego big data jest jakościowo odmienne od tradycyjnego modelu analizy danych? Przede wszystkim nie szukamy tu odpowiedzi na pytanie dlaczego coś się dzieje. Zestawienie ze sobą najbardziej nawet absurdalnych danych ma odpowiedzieć na pytanie co dokładnie się dzieje.

Mówiąc językiem fachowym, big data nie poszukuje przyczynowości, ale korelacji. Analityk big data nie zastanawia się nad tym, dlaczego osoby wpisujące w swoim profilu na Facebook określone zainteresowania (np. filmy czy książki) są doskonałym targetem kampanii producenta bielizny czy określonej marki samochodu. Korelacja, którą widzi po zestawieniu ze sobą danych, mówi mu tylko, że tak się dzieje. Na tej podstawie dział marketingu dostosowuje kolejne kroki w kampanii reklamowej. Bez dostępu do big data, stwierdzenie tej zależności nie byłoby możliwe.

Wspomniałem na początku o zawodności analizy danych deklaratywnych w odniesieniu do decyzji zakupowych. Pora wyjaśnić dlaczego tak się dzieje. Eksperymenty na badaniach focusowych pokazują, że poszukiwanie wyjaśnienia (pytanie “dlaczego”) może okazywać się zwodnicze. Ludzie mają tendencję do uzasadniania swoich wyborów po fakcie, przypisując im znaczenie zupełnie odmienne od faktycznych pobudek - najczęściej jest to uzasadnienie zupełnie racjonalne, które usprawiedliwia kupno tego konkretnego produktu.

Psychologowie zdemaskowali ten fakt, dając badanym do wyboru niczym nie różniące się produkty, ale sygnalizując istnienie między nimi różnic. Badani, pytani o to, dlaczego ich wybór padł na ten, a nie inny produkt, umieli zupełnie “racjonalnie” go wytłumaczyć. Jest to jeden z błędów poznawczych, jakie często stosujemy jeśli chodzi o postrzeganie rzeczywistości. Racjonalizacja zakupu pomaga nam zwłaszcza w sytuacji, w której nie jesteśmy zadowoleni z produktu, jaki kupiliśmy, ale w celu zachowania dobrego nastroju tworzymy fałszywe przekonanie o słuszności jego zakupu (Samochód, jaki kupiłem kosztował mnie więcej niż zakładałem, ale za to jest duży i komfortowy, przyda mi się na pewno, gdy będę mieć dzieci). Sprowadzając to do naszego przykładu sklepu osiedlowego - deklaracje od potencjalnych klientów o chęci zakupu brokułów nie musi (i z reguły nie ma) przełożenia na faktyczną ilość zakupionych brokułów w sklepie.

Ludzie nie kupują produktów, tylko lepsze wersje siebie

W marketingu wiemy o tym stwierdzeniu Samuela Hulicka doskonale. Tworzymy wokół produktów historie, które łatwiej przyjąć racjonalnie, podczas gdy rzeczywiste oddziaływanie kampanii marketingowych porusza sferę emocji. Czy klienci kupili białe koszulki Kanye Westa (120$ za sztukę) kierując się jakością materiału albo tym, że faktycznie takich koszulek potrzebowali do ubrania? Czy każdy kolejny model iPhone jest rzeczywiście na tyle lepszy od poprzedniego, że użytkownicy starszego modelu mają realną potrzebę ich zmiany? Być może takie uzyskamy odpowiedzi, jeżeli zapytamy samych zainteresowanych. Czy są one użyteczne dla naszej strategii sprzedażowej? Niekoniecznie, a właściwie - wcale nie.

Źródło: A.P.C. Store

Proces sprzedażowy oparty na big data jest pozbawiony poszukiwania wyjaśnienia - po prostu go nie potrzebujemy. Potentat rynku ecommerce, Amazon, w systemie rekomendacji na początku wykorzystywał opinie zatrudnionych redaktorów-krytyków. Ta wąska grupa ekspertów decydowała, czy osoby czytające konkretną książkę, z dużym prawdopodobieństwem będą zainteresowane inną (która spodobała się redaktorowi, i której wybór potrafił on uzasadnić). Zastosowanie pod koniec lat 90-tych analizy big data (m.in. ruchu na stronie i danych transakcyjnych) przy pomocy skomplikowanych algorytmów pozwoliło Amazonowi stworzyć automatyczny system rekomendacji up-sellingowej, który bardzo szybko wyeliminował “czynnik ludzki” i obecnie generuje (według różnych szacunków, jako że firma oficjalnie takich danych nie publikuje) ok. 30% sprzedaży Amazona.

Obserwowane korelacje mogą się nam wydać zupełnie absurdalne z perspektywy “racjonalnej”, ale jak głosi przysłowie: “Jeżeli coś jest głupie i działa - nie jest głupie”.

Źródło: Amazon

Big data nie tylko dla wielkich graczy

W jaki sposób przeciętnej wielkości firma może wykorzystać potencjał big data? Jak wspomniałem wyżej, zakładając, czy nawet prowadząc od dłuższego czasu sklep internetowy, nie masz dostępu do wielu złożonych danych, które mogłyby zostać użyte do analizy. Przypomnę, że jedną z cech wyróżniających big data jest volume, które to pojęcie dotyczy ilości danych jednostkowych, które pozwalają nam po zestawieniu wskazać korelację.

Jeżeli mamy 1000 klientów, których dane różnego rodzaju ze sobą zestawimy, możemy otrzymać zupełnie inne wyniki, niż w momencie, gdy nasza baza urosłaby do dziesięciu czy stu tysięcy klientów. Zasadą big data jest im więcej, tym lepiej; w statystyce badanie większej próby losowej wcale nie powiększa naszej wiedzy, w big data - wręcz przeciwnie.

Big data jednak eliminuje problem statystyki z generowaniem próby rzeczywiście losowej, gdzie każde zaburzenie czynnika losowego zniekształca rezultaty analizy. Innymi słowy, jeżeli chcielibyśmy stosować badanie statystyczne w celu uzyskania wiedzy o naszych klientach, mielibyśmy dużo większy problem z uzyskaniem użytecznych dla sprzedaży wyników, niż koncentrując się na możliwości wykorzystania big data.

Co więc możesz zrobić?

Przede wszystkim: nie doszukiwać się wyjaśnień. Narracje są niezmiernie użyteczne na etapie tworzenia wizerunku marki, jednak przy analizie danych musisz wyzbyć się potrzeby tworzenia historii na temat tego, dlaczego klient podjął taką a nie inną decyzję zakupową. Jeżeli nie wyzbędziesz się przyzwyczajenia do wyjaśniania, to im więcej danych będziesz gromadził o użytkowniku, tym większe prawdopodobieństwo, że Twoje wyjaśnienie będzie… błędne! Dlaczego? Ponieważ z czasem będziesz tworzył coraz bardziej skomplikowane hipotezy wyjaśniające, a te nie będą w stanie objąć wszystkich czynników, jakie rzeczywiście wpłynęły na decyzję. Paradoksalnie więc tworząc wyjaśnienia z większą ilością danych oddalamy się od prawdy.

Skąd wziąć zatem dane? Przede wszystkim, operuj na danych, które już masz i możesz ich zbieranie maksymalizować. Nie potrzebujesz do tego skomplikowanych narzędzi: wykorzystaj dane zbierane przez giganta big data, jakim jest Google. Google Analytics dostarczy Ci dużo wartościowych informacji nie tylko o Twoich użytkownikach, ale również o trendach ogólnych wśród użytkowników internetu - i to za darmo.  

W analizie sprzedaży możesz wziąć choćby pod uwagę czynniki takie jak:

• skąd klient przyszedł na naszą stronę,
• ile czasu spędził,
• czym był zainteresowany (np. jakimi produktami interesował się przed finalnym zakupem),
• współczynnik odrzuceń itp.

Zestawienie tych informacji z danymi o sprzedaży pozwoli Ci skuteczniej dostosowywać się do profilu i potrzeb Twoich klientów.

Dysponując takimi danymi jesteś w stanie automatyzować swoje działania marketingowo-sprzedażowe. Jak już wspomniałem, w miarę zbierania coraz większej ilości danych, wyniki będą nie tyle bardziej dokładne, co bardziej użyteczne w praktyce - dobrze więc zacząć automatyzację jak najszybciej, aby system był w stanie samodzielnie zbierać dane i dostosowywać się do nich (na przykład, zmienić częstotliwość wysyłania maili, albo wysyłać do konkretnych użytkowników treść, co do której nawet nie pomyśl, że może okazać się skuteczna). Oprócz komunikacji mailowej, wykorzystaj bazujące na skomplikowanych algorytmach systemy do up-sellingu, dostępne na platformach takich jak IAI Shop czy Shoper, które działają na zasadzie podobnej do systemu automatycznych rekomendacji Amazona.

Nie można przeceniać znaczenia big data - zwłaszcza dla przewidywania przyszłości, jak często się to interpretuje. Dane historyczne nie pokazują (i nie są w stanie) pokazać nam tego, co będzie. Użyteczność big data polega jednak na tym, że są w stanie wskazywać to, co dzieje się i reagować na zmiany trendu niemalże w czasie rzeczywistym.