Každý obchodník se snaží kromě získávání nových zákazníků navyšovat prodeje těm stávajícím. V marketingové hantýrce se postupu obvykle říká cross sell a patří k základním stavebním kamenům každé marketingové strategie. Vychází z premisy, že dodatečný prodej stávajícímu zákazníkovi je obvykle více nasnadě než nákladné získávání nových zákazníků. Ačkoli cross sell nemůže být jediným směrem, jak získávat nové zákazníky, jde vždy přinejmenším o doplňkovou strategii. Zatímco prodej souvisejících produktů je technikou starou jako Metuzalém a zvládá ho každý trhovec, jeho databázová aplikace je otázkou posledních deseti let.
Pokud vám tedy v restauraci nabídnou ke guláši pivo, číšník udělá několik úvah:
- Jaké jsou potřeby zákazníka
- Jaké jsou souvislosti mezi prodávaným zbožím
-
Na koho aplikovat souvislosti
Větší korporace než je hospoda „Na Růžku“ tato pravidla automatizují. Je zřejmé, že cross sell je denním chlebem většiny myslitelných firem. V prostředí e-shopů žádným číšníkem ani prodejcem nemusíme disponovat, a tak je vhodné si ho alespoň naprogramovat. Úloha spočívá v automatizaci výše uvedených úvah. Ukážeme si jak na to.
Pavouky vztahů mezi produkty
Pro efektivní prodej souvisejících produktů hledáme souvislosti, které jsou založeny na zákaznickém chování. Chceme přesně to, co vám prodejce v elektru naservíruje se slovy „zákazníci k tomu hodně berou XY“. Tohle jsou pravidla získaná praxí, učením se a analýzou předchozích nákupů. Pokud chceme postup automatizovat, budeme postupovat téměř stejně jako náš zkušený prodejce.
V prvním kroku musíme vytvořit tabulku, kde bude prodej každého produktu s každým. Kvalitní pravidla prodeje souvisejících produktů budou následující:
- Mnoho předchozích prodejů každého z produktů, jež prodáváme v kombinaci
-
Silná vazba mezi produkty
Obchodní potenciál pravidla se objeví právě jen v kombinaci silných produktů a silné souvislosti mezi nimi. Souvislosti mohou nastat z těchto důvodů:
-
Jeden produkt nefunguje bez druhého
o např. DVD přehrávač a televize -
Jeden produkt odpovídá stejnému životnímu stylu jako druhý produkt
o např. gril a krmivo pro psa -
Jeden produkt navazuje v životním cyklu zákazníka na druhý
o Např. dětská botička velikosti 22 na botičku velikosti 20 -
Jeden produkt je příslušenstvím druhého
o např. obal k notebooku
Databázovým řešením, které zjistí, co skuteční zákazníci skutečně kupují dohromady, zabijeme několik much jednou ranou. Nemusíme se po jednotlivých souvislostech příliš pídit, protože nám je zákazníci v databázi zanechali.
Data miningový přístup znamená podívat se na kombinace každého produktu s každým jako na možná pravidla a vyhodnotit tyto kombinace z hlediska síly a četnosti výskytu. Celkové skóre pravidla je kombinací síly vazby mezi produkty a síly produktů (tedy jejich prodejnosti).
Toto je jednoznačně nejlepší přístup jak vytvořit silná a platná pravidla. V praxi se ovšem mnoho e-shopů uchyluje k řádově jednodušším, ale méně účinným strategiím prodeje souvisejících produktů.
Praxe posadit brigádníka k Excelu, aby manuálně hledal, které produkty se mu zdají být související, je v českých e-shopech celkem běžná. Vede ovšem v nejlepším případě k nalezení příslušenství typu brašny k notebooku. Ostatní, méně intuitivní souvislosti, zůstanou manuálním párovačům zboží skryty, protože souvislosti na úrovni stejného životního stylu se dají jen velmi těžko poznat od stolu.
Ještě méně účinné než manuální párování je ovšem přebírání souvislostí od výrobců zboží. Výrobci sice často produkují ke svému zboží jakési příslušenství, občas toto „perfektně související“ zboží sami potopí cenou nebo designem. I k dobrému výrobku tak někdy vzniká příslušenství, které k němu prostě nikdo nebere. E-shop, který nekriticky přijímá produktové souvislosti od výrobců, tak může dělat zákazníkům poněkud medvědí službu. Dlužno dodat, že za nekvalitní služby se platí nezájmem zákazníků.
Modelová situace v řetězci s rychlým občerstvením
Korelace (vztahy) mezi prodejem jednotlivých produktů, založené na chování zákazníků
Cesta k nejlepší praxi
Vzorem všech e-shopů na poli doporučování produktů je jednoznačně Amazon. Mechanika obchodu je samozřejmě založena na analýze transakcí a pečlivě vyladěna pro doporučování opravdu relevantního zboží. Málokdy se tak stane, že by se zákazníkovi dostalo nerelevantních tipů na zboží. V rámci „kamenného“ světa si zajděte pro dobrý příklad doporučování souvisejících produktů do kterékoli pobočky McDonald’s. Pokud neprojevíte pevnou vůli, odejdete s více produkty.
V českých podmínkách jsou algoritmy hledající související zboží součástí nejdražších balíčků softwaru pro e-shopy. Kromě „balíčkových řešení“ je možné najmout i data miningovou firmu jako je Data Mind a nechat ji, ať souvislosti spočítá ona. I v tom případě je možné integrovat proces hledání pravidel přímo do obchodu, aby fungoval na pravidelné bázi.
Zboží související s luxusními hodinkami nejsou jen hodinky, zdroj amazon.com
Je zřejmé, že automatizované modely souvislostí mezi produkty, nazývané analýza nákupního košíku, přinášejí velmi silné výsledky. Z praxe firmy Data Mind lze u velkých českých e-shopů najít tisíce pravidel, kde se doporučený produkt prodá s více než pětinásobnou pravděpodobností oproti nabízení náhodných produktů. Pokud tedy prezentujeme produkt, který skutečně souvisí, máme pětinásobnou pravděpodobnost prodeje, než když nabízíme libovolné katalogové položky. Takové zvýšení šancí na prodej už stojí za trochu snahy.
Je poněkud paradoxní, že mnoho e-shopů zatím po možnosti prodávat dle souvislostí nesáhlo, když doporučování produktů v kamenném prodeji zvládl běžný zelinář nebo řezník. Aplikace pravidel vzniklých z analýzy nákupního košíku neprobíhá jen prezentací souvisejícího zboží, ale i zaškolením personálu kamenných prodejen, cílením kampaní přímého marketingu apod. Dalšímu stupněm je pak vytváření balíčků zboží přímo na míru zákazníkovi. Rozumí se samo sebou, že balíčky zboží musí být výhodné jak pro prodávajícího, tak atraktivní pro zákazníka.
Možnosti prodeje souvisejícího zboží dle modelu nákupního košíku
Jak to vypadá reálně
Ačkoli zásadně neprezentuji data zákazníků, dovolím si malý příklad pravidla ze své velmi dávné implementace. Jde o úsměvné pravidlo, které říká, že po koupi matrace následuje koupě dětského pokoje. Souvislost samozřejmě není dána výrobcem, ale během života. V praxi Data Mind se později objevilo mnoho vtipných pravidel, ale toto stále vede na našem žebříčku. Pravidlo má ve skutečnosti velký obchodní potenciál, protože pokud budeme dětské pokoje prodávat lidem, kteří již přistoupili ke koupi matrací, zvýšíme účinnost prodeje více než čtyřnásobně.
Publikováno v časopise Computer
