Mateusz Gordon, ekspert od e-commerce, Gemius

Analitycy z firmy IDC oceniają, iż na świecie ilość powstającej i gromadzonej informacji podwaja się co osiemnaście miesięcy. W przypadku firm działających w Internecie, dostęp do szerokiej gamy źródeł danych wydaje się oczywisty. Ważna w tym przypadku jest umiejętność archiwizowania i prowadzenia analizy w czasie rzeczywistym, co z kolei daje obraz dynamicznych zmian na rynku – również otoczenia biznesowego – oraz prognozowania i budowania strategii. W przypadku takich branż, jak e-commerce mamy nie tylko do czynienia ze środowiskiem naturalnie osadzonym w przestrzeni wirtualnej i wielkich ilościach gromadzonych tam danych. Możemy bowiem szybko reagować na zmiany preferencji klientów – użytkowników Internetu, korygować wydatki marketingowe i ofertę, przyglądając się poczynaniom konkurencji i ogólnym trendom.

Jak uporządkować dane?

Te „duże zbiory danych” (z ang. Big Data) stanowią i szansę dla biznesu, i wyzwanie. Kluczowe jest bowiem posiadanie innowacyjnych rozwiązań technologicznych, które oddzielą „ziarno” od „plew”, a więc dostarczą narzędzi analitycznych i porządkujących informacje. Co możemy uzyskać z zawansowanej analityki i do czego się sprowadza wykorzystanie Big Data w e-commerce?

Segmentacja użytkowników

Podstawowym działaniem analitycznym jest segmentowanie użytkowników. Daje ona obraz tych użytkowników sieci, którzy są klientami bądź odwiedzającymi platformę e-commerce. Sprowadza się to do opisania klientów za pomocą cech, które jednocześnie określają jego podobieństwo do innych w grupie i różnicują wobec innych. Dane, na podstawie których dokonuje się segmentacji użytkowników, pochodzić mogą z:

• systemów CRM (zarządzanie bazą klientów; dane teleadresowe, historia zakupów, ich częstotliwość ect.);
• zewnętrznych systemów web analytics (śledzenie zachowań internautów na stronie www; zachowanie na stronie, źródła z których przyszedł użytkownik, co wkładał do koszyka przed jego porzuceniem itp.);
• zewnętrznych systemów w ramach sieci czy marki (np. karty lojalnościowe i dane z offline’owych zachowań klientów);
• badań ad hoc (ankiety precyzujące pewne działania użytkownika, np. dlaczego porzucił koszyk, czy widział reklamę, czy był na stronach konkurencji, z jakich porównywarek korzysta i in.).

Rysunek 1. Przykład segmentacji ze e-sklepu spożywczego (po kolei: co kupuje klient, średnia wartość koszyka, ile razy dokonuje zakupu, kiedy ostatnio dokonał zakupu, ile wtedy wydał, kim jest, tj. płeć i wiek)

Cykl życia

Każdy użytkownik sieci, w tym odwiedzający platformę e-commerce, znajduje się na pewnym etapie całego cyklu życia (lifecycle). Przeważnie cykl ten dzieli się na trzy etapy: pozyskiwania, konwersji i utrzymania. Na każdym z nich można analizować „życie” użytkownika w takich kontekstach, jak:

• koszt, jaki należy ponieść, aby internauta zmienił swój profil (np. z potencjalnego na pozyskanego klienta, z pozyskanego na konwertującego, z konwertującego na stałego, utrzymanego);
• szanse takiej zmiany profilu (prawdopodobieństwo, że np. potencjalny stanie się rzeczywistym klientem e-sklepu);
• zyski, jakie osiągnąć można ze zmiany profilu bądź utrzymania użytkownika na obecnym etapie (konwertujący bądź utrzymani);
• średni czas, w jakim pozostanie internauta przy danym profilu (na jednym z etapów).

Analiza powyższych wskaźników daje szansę szacowania potencjału poszczególnych użytkowników serwisu, a także – pozwala optymalizować wskaźniki (za pomocą dostępnych narzędzi marketingowych) i zwiększać efektywność sprzedażową platformy online.

Potencjał i wierność klienta

Precyzyjna analiza danych pozwala ocenić lojalność klienta (i ich grup) oraz zdolność zakupową. Share of wallet stanowi rodzaj analizy porównawczej (wykorzystującej dane o całym segmencie rynku, w tym wyników konkurentów) z udziałem profili socjodemograficznych internautów (wiek, wykształcenie, miejsce zamieszkania, zarobki, ilość osób w gospodarstwie domowym itp.). Pozwala to z ogromu danych wyłowić te, które dotyczą interesującej nas grupy konsumentów, zbadać jakiej wysokości środki wydatkują na zakupy, i jaka ich część trafia do naszego budżetu (konfrontując dane z rynku z własnymi, generowanymi przez CRM).

Efektywność

Big Data daje też możliwość prowadzenia szeregu analiz o walorach efektywnościowych (ROI) – a więc dających obraz, jak inwestycja w e-biznes przekłada się na jego zyskowność. Bardzo ciekawym przykładem, dającym jak się zdaje obraz nowych trendów w sieci, jest post view, a więc analiza efektów brandingowych kampanii. Z danych Gemius (raporty adMonitor) wynika bowiem, iż internauci coraz częściej inspirują się komunikacją marketera. Wchodzą w interakcję z marką bądź dokonują zakupu, proces ten nie wynika jednak z odesłania internauty od reklamy do strony docelowej, lecz jego zainteresowania marką, wzbudzonego co najwyżej kampanią (poszukiwanie oferty w sieci, „polubienie” fan page’u na Facebooku itd.).

***

Wszystkie możliwości, jakie daje Big Data w e-commerce, wiążą się z automatyzmem procesów marketingowych i wdrażaniem zaawansowanych narzędzi IT. Przykładem jest targetowanie behawioralne, a więc komunikacja marketingowa dostosowana do profilu użytkownika (na podstawie historycznych danych o jego zachowaniu w sieci), jak również rekomendacje, personalizowanie przekazu, a także prognozowanie sprzedaży (zarządzanie zasobami magazynowymi na podstawie danych Big Data). Ogromne zbiory danych, efektywnie eksploatowane, przynoszą nie tylko oszczędność czasu i zasobów, lecz również zwiększają efektywność biznesu, bezpośrednio przekładając się na zyskowność.