Produkty o niskiej rotacji, czyli rozumiane m.in. jako niszowe, specjalistyczne, czy po prostu rzadziej kupowane, są jednym z większych wyzwań dla branży e-commerce. Bardzo często ich potencjał sprzedażowy jest ograniczany z uwagi na strategie marketingowe, które opierają się na danych historycznych. Problem nie leży więc w popycie. To kwestia braku ekspozycji w decydujących momentach ścieżki zakupowej, czy nieodpowiedniego dopasowania komunikatu do intencji kupujących. Wszystko to powoduje, że marki coraz częściej podejmują decyzję o zmianie podejścia do sprzedaży produktów z tzw. long tail i sięgają po rozwiązania oparte na deep learning.
Jak przewidzieć popyt przy niewielkiej liczbie danych?
Standardowe podejście do produktów o niskiej rotacji opiera się na przekonaniu, że na pewnym etapie konieczne będzie zastosowanie obniżki cen. To z kolei przyzwyczaja klientów do czekania na rabaty, a finalnie wpływa na wysokość marży. Największym wyzwaniem w przypadku produktów z tzw. long tail jest to, że generują niewielką liczbę danych i wymagają zdecydowanie dłuższego procesu decyzyjnego.
To moment, w którym kluczową rolę zaczynają odgrywać algorytmy deep learning. Dlaczego? Są w stanie przeanalizować setki sygnałów jednocześnie, co z kolei umożliwia zidentyfikowanie wzorców zakupowych, niewidocznych w tradycyjnej analityce. Mówiąc najkrócej – możliwe staje przewidywanie prawdopodobieństwa zakupu produktów, które generują niski wolumen danych. Dzięki algorytmom deep learning możliwe jest skupienie się na tym, co ma potencjał sprzedaży w danym momencie.
Koncentracja na wzorcach zachowań – większa efektywność
Analiza zachowań użytkownika w ramach danej sesji, jej kontekstu (np. pora dnia), ale też cech produktu, pozwalają dopasować kreację i moment emisji reklamy do konkretnego użytkownika, do jego intencji. Efekt? Przykładowo, gdy klient porównuje drogie modele produktu, algorytm pokazuje w tym momencie tańszą alternatywę o niskiej rotacji. Takie podejście pozwala dotrzeć z produktami do osób, przy których pojawia się duże prawdopodobieństwo, że będą nimi zainteresowane.
Przy produktach o niskiej rotacji często mamy do czynienia z wydłużonym procesem decyzyjnym. Ważne jest więc, aby efektywnie rozpoznać na jakim etapie decyzji jest użytkownik i do tego dostosować komunikację. Dzięki technologiom opartym na deep learning, marketerzy mogą więc zmieniać narrację komunikacji, tj. prezentować go w różnych rolach w zależności od etapu zakupowego, np. „niskobudżetowy wybór” lub „rozsądna alternatywa dla droższego produktu”. Chodzi o to, aby zbudować odpowiedni przekaz w najlepszym możliwym momencie, indywidualnie dla każdego użytkownika.
Optymalizacja budżetu marketingowego
Dzięki wykorzystaniu podejścia deep learning w strategii marketingowej, możemy z jednej ograniczyć koszt dotarcia do użytkowników o niskim prawdopodobieństwie zakupu danego produktu nisko rotującego, a z drugiej zwiększyć współczynnik konwersji bez konieczności rabatowania. Zmieniamy tym samym podejście do produktów o niskiej rotacji – traktujemy je nie jako obciążenie dla magazynu, ale szansę na dywersyfikację przychodów, w obszarze który do tej pory był najczęściej traktowany drugoplanowano.
Komentarz ekspercki Przemysława Wójcickiego, Sales Director w RTB House.