Анализ данных о покупках клиентов для международной FMCG-компании

Клиент

Международная компания-производитель товаров первой необходимости.

Контекст

Так как конкуренция на рынке товаров для детей нарастает с каждым годом, а японские производители подгузников наращивают долю и усиливают свои позиции, бренды запускают новые активации для удержания клиентов, увеличения их лояльности и привлечения новых покупателей.
Так в начале 2019 года клиент в партнерстве с сетью магазинов товаров для детей «Детский мир» решили запустить программу лояльности для покупателей по всей России.

Задача

Разработать веб-платформу с возможностью создания личного кабинета, регистрации чеков и накопления бонусов, чтобы получать дополнительную скидку на следующую покупку товаров бренда клиента или подарки от партнеров-ритейлеров.

Но это стало только только первым этапом проекта, и тогда мы еще не знали, до каких масштабов он вырастет.

Решение

Этап 1 — Механика программы лояльности довольно проста:

В магазинах сети «Детский мир» размещают рекламный баннер, что чек с товарами бренда можно зарегистрировать на сайте программы лояльности;
Покупатели открывают личный кабинет на сайте и загружают чек;
Встроенный нами CV-модуль «читает» QR-код на чеке, чтобы получить информацию о покупке, а также валидировать, что покупка проходит все условия акции;
Система автоматически распознает продукты бренда и начисляет баллы, которые потом клиент может потратить — обменять на скидку или подарок от бренда.

Кроме этого в административной панели сайта собирается глобальная статистика по всем покупателям, зарегистрированным в программе, и их действиям, что помогает рассчитывать успешность промо.

Когда с момента запуска программы лояльности прошло полтора года, а у нас накопилось 300 тысяч чеков, появился рациональный вопрос: как мы можем использовать полученные данные и что еще сможем узнать о клиентах. Проанализировав их покупки, можно лучше понять портрет покупателя и какие сопутствующие товары приводят к покупке товаров бренда.

Этап 2 — В начале 2021 года мы начали работать над платформой для анализа чеков.
Нам нужно было создать систему для регулярного анализа данных о покупках, чтобы была возможность отслеживать динамику. Теперь из имеющихся 300 тысяч чеков нам нужно было получить не только информацию о товарах бренда, но и ответить еще на три вопроса:

Какие бренды чаще покупают вместе с брендом клиента?
Какие именно это товары?
Меняются ли товары-спутники с увеличением чека?

Мы столкнулись с тем, что данные были очень плохого качества. Напомним, мы собирали чеки из разных магазинов огромной сети «Детский мир», каждый из которых — самостоятельное юрлицо, и один и тот же товар мог быть заведен в систему по-разному. Или же разные товары заведены одинаково, стоимость так же могла различаться.

Чтобы структурировать данные, мы разработали свой собственный парсер. Он состоит из огромного количества правил, которые структурируют всю информацию и приводят к единому виду. Он научился доставать из чека все детали о товарах, которые важно было понимать: какая линейка, какая категория товаров, какой объем. Так мы научились различать все SKU бренда, но это был только один поток информации.

Второй поток — все остальные товары в чеке, которые нам тоже было важно распознавать. Так как о них нам не нужна была такая детальная информация, мы подключили распознавание чеков от банка Тинькофф, и этого оказалось вполне достаточно.

Для визуализации полученных данных мы создали интерактивный дашборд в Microsoft PowerBI в различных разрезах и настроили ежемесячное автообновление данных.

Сейчас на базе полученной информации мы можем собрать большую аналитику по товарному соседству, на основе которой бренд может:

— проводить RFM-анализ клиентов и готовить персонализированные предложения для покупателей;
— планировать совместные промокампании с другими производителями;
— запускать эффективную таргетированную рекламу.

Кроме того, к программе лояльности присоединился маркетплейс Ozon, а это значит, что теперь мы сможем получать еще больше информации о предпочтениях покупателей.