Как FMCG-магазинам использовать специфику регулярных покупок в свою пользу

Название этого сегмента eCommerce говорит само за себя — FMCG-товары рано или поздно у покупателя заканчиваются. И он приходит за добавкой. То есть главная черта продаж в FMCG — это их регулярность. Они как будто делаются по графику (фактически так и есть).

Поэтому у магазинов в этом сегменте есть просто удивительная возможность — выравнивать поток прибыли. Главное, каждый месяц реактивировать покупателей, и будут у магазина стабильные продажи. На словах здорово, на деле не очень. Сегодня смотрим, почему обычная товарная персонализация часто не справляется со своими обязанностями в FMCG-магазинах.

Напоминать, а не только рекомендовать

Товарная персонализация выполняет простую задачу — продать больше и увеличить средний чек. Для этой задачи внутри у нее работают сложные алгоритмы, а Большие Данные подкидывают им «пищу для размышлений».

В большинстве магазинов персонализация товаров работает по двум сценариям. Первый называется «с этим товаром покупают».

Посетитель рассматривает товар или кладет его в корзину. Товарные рекомендации проявляют заботу: «обычно вместе с этой пастой покупают сливки, чеснок и шампиньоны». То есть всё логично: собираешься готовить пасту, позаботься об остальных ингредиентах блюда.

Такая персонализация чаще всего задается вручную — магазин выбирает, какие товары связать в группы. С пастой рекомендуются шампиньоны, с чаем — лимон, а с курицей — набор специй и бумага для запекания.

Второй называется «люди, которые это купили, также выбрали». Здесь уже чистая Big Data.

Если большая группа людей вместе с пачкой зернового кофе покупают пачку креветок (ну получилось так, была скидка на то и на это) — каждый покупатель кофе увидит креветок в рекомендациях. Нелогично? Ну и что, зато статистически достоверно — а вдруг и этот купит?

Big Data может смущать ваших посетителей своими неожиданными «советами», но при этом продажи будут расти — статистика не врет.

А теперь о том, что упускают оба вида товарных рекомендаций. Это та самая регулярность покупок. Например, есть посетитель, который постоянно покупает овощи в большом количестве — они составляют более 50% чека на одну покупку. И вот этот человек кликает на томаты, чтобы отправить их в корзину. Тут же включаются рекомендательные механизмы, описанные выше — магазин рекомендует ему макароны, соус, сыр и другие составляющие блюд с томатами.

Но при этом рекомендации упускают свой шанс стимулировать регулярные покупки. Порекомендовать к томатам другие овощи, которые обычно покупает этот человек. В итоге товарная персонализация выглядит, как в этом магазине:

Что мешает рекомендательной системе такого магазина быть еще и «сервисом напоминаний»? Всё просто: универсальные механизмы персонализации не дают рекомендовать клиенту то, что он уже покупал. Вместо этого система персонализации строит гипотезы, что бы еще такого посоветовать этому покупателю.

И в других отраслях это работает — например, логично не рекомендовать покупателю еще один ноутбук. Или еще одну кожаную сумочку. Но в том-то и дело, что такие покупки делаются раз в длительный период. И эффективнее в следующий заход клиента посоветовать ему какой-то аксессуар к купленному ноутбуку или красные туфли к красной сумочке.

В FMCG всё наоборот. Регулярные покупки решают. И справиться с ними могут только рекомендательные системы, заточенные под нишевую специфику.

Итак, приводим «математику» — используя эти механики расчета, вы сможете превратить товарную персонализацию своего магазина Прогрессивную Персонализацию.

Анализ регулярности покупок

Принцип выявления регулярных покупок достаточно прост: магазин рассматривает все товары, которые были куплены одним конкретным посетителям за месяц. После этого фильтрует список, оставляя только те, что приобретались один и более раз.

Неделя 1 Неделя 2 Неделя 3 Неделя 4
Жидкое мыло 1 1
Хлеб 1 1 1
Туалетная бумага 1 1
Моющее средство 1 1
Батарейки 1 1

На основании полученной сетки покупок магазин может сделать прогноз о покупках в следующем месяце — таблица будет иметь точно такой же вид. А значит, рекомендательная система будет знать, когда что порекомендовать каждому посетителю.

Прогрессивная персонализация и эффективный email-маркетинг для FMCG

Следующие рекомендации улучшают сервис вашего магазина и позволяют управлять потоком прибыли от регулярных покупок.

Триггерные письма-напоминания для группы товаров. Напоминания через товарные рекомендации на сайте — хорошо, но недостаточно. Нужно еще и напоминать о покупке тому, кто вообще забыл прийти в магазин. Поэтому персонализированные товарные рекомендации лучше добавить в ваши email-рассылки и сервис по доставке веб-пушей.

Примерно такие письма будет получать ваш клиент, когда его запасы подойдут к концу:

Магазин может создать столько шаблонов писем, сколько товаров регулярно покупает посетитель — в визуальном редакторе REES46. И за несколько дней до того, как клиент обычно покупает конкретный товар, присылать ему письмо-напоминание.

Триггерные письма-напоминания для группы товаров. Магазин анализирует поведение покупателя и оптимизирует схему его покупок: предлагая вместо нескольких микро-покупок в течение месяца совершить всего одну — включающую все регулярно покупаемые товары.

Неделя 5 Неделя 6 Неделя 7 Неделя 8
Жидкое мыло 2
Хлеб 3
Туалетная бумага 2
Моющее средство 2
Батарейки 2

Покупатель получает напоминание о том, какие товары и в каком количестве скоро пора будет покупать — и призыв сделать это за один подход.

Один из вариантов такого сценария — магазин заранее формирует готовую корзину со всеми товарами и присылает покупателю автоматическое письмо-напоминание. Покупателю остается только перейти в корзину и оформить заказ.

Прогрессивная персонализация + большие данные

Персонализация на основе больших данных — сильный, но несовершенный инструмент. Она не учитывает индивидуальные особенности посетителей, ей нужно время и достаточный объем данных для обучения.

Однако эти недостатки компенсируются технологией прогрессивной персонализации — которая успешно используется как средними, так и крупными онлайн-ритейлерами.

Особенности прогрессивной персонализации:

  • От магазина не требуется высокой посещаемости (подходит магазинам с посещаемостью менее 30 000 уникальных посетителей в сутки).
  • Для того, чтобы персонализированные товарные рекомендации начали работать, посетителю нужно сделать всего 2 клика.
  • Учитываются индивидуальные особенности каждого посетителя (пол, уровень дохода, наличие детей, бренд-предпочтения и другие).
  • Учитывается специфика продаж в определенном товарном сегменте.

Вы можете использовать методику прогрессивной персонализации в связке с Big Data персонализацией или же как самостоятельный инструмент. В любом случае вы ощутите положительные сдвиги в виде увеличения выручки, процента конверсии в покупку, среднего чека и других ключевых показателей.

Все механики, описанные в этом руководстве, вы можете внедрить самостоятельно или же воспользоваться готовым решением для прогрессивной персонализации в магазине FMCG-продуктов.

Читаете наш блог?

Подпишитесь и один раз в неделю мы будем рассказывать вам об обновлениях продукта и делиться новыми статьями.