Blog

Sie haben mehr „Loyalitätsdaten“ als Sie denken: das Nutzen von Kundendaten ohne Treuekarte

Eine dunnhumby Perspektive von Julie Sharrocks und David Ciancio

Vor fast einem halben Jahrhundert, im Sommer 1974, wurde der erste Scanner für Lebensmittelgeschäfte in einem Marsh Supermarkt in Troy, Ohio, installiert. Der allererste Barcode-gescannte Artikel war eine Packung saftiges Fruchtgummi. Kaum ein Lebensmittelhändler hatte sich dann die vielen transformativen Konsequenzen vorgestellt, die sich aus diesem Scanner und einem bisschen Kaugummi ergeben würden.

Die Wissenschaft, die den Scanner ermöglichte – vom Laser über das UPC-Etikett (Universal Product Code) bis hin zum Computergerät, dass die Produktdetails, Preise und die Transaktionsdetails aufzeichnete – waren Wunder der Erfindung. Aber es ist die Wissenschaft, die sich bei der Analyse der Transaktionsdetails des Scanners entwickelt hat, die sich für den Einzelhandel, die verarbeitende Industrie und die Forschungsbranche wohl transformativer gestaltet, da diese Wissenschaft die moderne Lieferkette von End-to-End-, Category Management- und Lieferantenzusammenarbeit, Arbeitsproduktivität in den Filialen, und alle Anwendungen von Customer Data Science, einschließlich CRM, Insights und Personalisierung vorantreibt.

Ganz einfach: Scanner haben die Daten selbst revolutioniert, indem sie seit 47 Jahren jeden Artikel, jeden Coupon, jeden Rabatt und jede Zahlung bei jeder Transaktion in jedem Geschäft in riesigen elektronischen Kassensystemen (EPOS) speichern.

Es ist nicht allgemein bekannt, dass diese EPOS-Daten das Kundenverhalten genau beschreiben, wenn Sie wissen, wie Sie nach ihm suchen – und EPOS-Daten können zur Verbesserung der Kundenerfahrung und zur Steigerung der Loyalität extrahiert und auf ähnliche Weise wie Loyalitätsdaten operationalisiert und monetisiert werden.

Auch heute gibt es eine neue transformative Wissenschaft für nicht-personalisierte Daten, die reiche Einblicke in die Kunden für Kanäle und Wertangebote ohne Kundenkarte und in den Formaten und Abteilungen ermöglicht, in denen die Kundenkarten nur wenig durchdringen (für solche mit Karten). Tatsächlich bietet diese leistungsstarke neue EPOS -Wissenschaft viel mehr von den Vorteilen der Customer Data Science, als Einzelhändler vielleicht für verfügbar halten, einschließlich tiefer Erkenntnisse zur Verbesserung von Entscheidungen in Bezug auf Sortiment, Preise und Werbung.

 

 

Es gibt vier Stufen der persönlichen Identifizierbarkeit von Kundendaten

Grundlegende Kundendatenwissenschaft

Mit dem Aufkommen von Kundenbindungsdaten (Mitte der 1990er Jahre) konnte dunnhumby – der erste Datenwissenschaftler im Kundenbereich – die Einkäufe der Kunden im Laufe der Zeit verfolgen. Diese sogenannte Längsschnittanalyse bedeutete, dass wir sehen konnten, welche Produkte immer wieder vom gleichen Kunden gekauft wurden und welche Möglichkeiten Kunden getroffen haben, ein Produkt zu ersetzen, wenn es nicht mehr vorrätig war, das Sortiment gewechselt wurde oder sich der Preis oder die Werbeaktion geändert hat. Das Verständnis der Ersetzbarkeit von Produkten wurde zum Grundpfeiler aller kundengeführten Fachkategorien und erschließt die Möglichkeit, Einzelhandelsentscheidungen im Hinblick auf Sortiment oder Preis und Promotion zu bewerten, zu optimieren und vorherzusagen.

Jede Unze Daten ausschöpfen

Natürlich möchten nicht alle Händler je nach Strategie oder Kundenvorstellung Treueprogramme oder -Karten anbieten, insbesondere in Discount- und Convenience-Kanälen.

Darüber hinaus verzeichnet der typische Einzelhändler selbst im besten Fall 70 % der Verkäufe, die über Kundenkarten abgewickelt werden (bei Convenience-Formaten oder bestimmten Kundensegmenten oft deutlich weniger). Es ist von entscheidender Bedeutung, jedes bisschen der verfügbaren Daten zu nutzen. Die Zeiten, in denen die restlichen 30 % der „EPOS“-Daten einfach weggeworfen wurden, sind daher vorbei.

Ein gemischter Ansatz, bei dem das Beste aus EPOS-Wissenschaft und das Beste aus der Kundenwissenschaft gemeinsam überlegen und zunehmend notwendig ist, um schwierige Entscheidungen im Einzelhandel in einem ständig gestörten Einzelhandelsumfeld zu treffen.

Dementsprechend musste sich die Datenwissenschaft weiterentwickeln, um Produktsubstitute ohne die personenbezogenen Daten und Längsschnittdaten abzuleiten, die ursprünglich die Grundlage der Wissenschaft selbst bildeten. Glücklicherweise haben sich auch Wissenschaft und Machine Learning erheblich weiterentwickelt. So hat sich dunnhumby beispielsweise über unser Programm für akademische Partnerschaften die neue Wissenschaft der „Vektoreinbettung“ zu eigen gemacht, die in der natürlichen Sprachverarbeitung bereits weit verbreitet ist.

Coole und leistungsstarke neue EPOS Data Science

Vector-Embedding-Techniken werden häufig für Suchbegriffe und das Abrufen von Dokumenten verwendet. Die „Vektoren“ sind wie Fingerabdrücke, da jedes Wort eine eindeutige numerische Zeichenfolge (Vektor) hat, abhängig vom Kontext, in dem es relativ zu anderen Wörtern im selben Dokument oder auf derselben Webseite gefunden wird. Die Idee ist, dass Wörter mit eng abgestimmten Fingerabdrücken (ähnliche Vektoren) ähnliche Bedeutungen haben.

Nun ist das coole – wir nehmen das Konzept und wenden es auf die Welt des Lebensmitteleinkaufs an, aber statt eines Wortes im Kontext eines Dokuments haben wir ein Produkt im Kontext eines Korbes. Wenn wir den Inhalt aller Körbe betrachten, in denen wir ein bestimmtes Produkt finden, erstellen wir einen Fingerabdruck für dieses Produkt. Wir stellen beispielsweise fest, dass eine bestimmte Kaffeeart oft mit Orangensaft und Croissant gekauft wird. Im einfachsten Sinne, Orangensaft und Croissant, ohne anderen Produkten, würde der Fingerabdruck für dieses Produkt. Und wenn wir nach Produkten mit einem ähnlichen Fingerabdruck suchen, werden wir wahrscheinlich zu anderen Kaffeeprodukten geführt.

Stellen Sie sich vor, dass diese Wissenschaft auf Tausende von Produkten in Millionen von Körben optimiert werden kann. Diese Wissenschaft kann nicht nur extrem leistungsfähig werden, sondern wohl sogar noch leistungsfähiger als von Treuekarten abgeleitete Methoden allein.

Unsere Erfahrung mit Kundendaten hat uns zu Experten für nicht personalisierte Daten gemacht.

Diese Art des unbeaufsichtigten Machine Learnings ist nicht leicht zu implementieren. In der Kategorie Wissenschaft gibt es zum Beispiel keine absolute Wahrheit, auf die die Maschine verweisen kann, keinen wahren Norden, keine objektive Funktion, mit der die neuen Ergebnisse modelliert oder gemessen werden können. Zum Beispiel, einige setzen Pepsi Max als den besten Ersatz für Produkt Coke Zero, während andere für Diät Pepsi argumentieren; entweder kann richtig sein.

dunnhumby hat zwei große Vorteile: Über 25 Jahre Erfahrung mit Hunderten von Category Management-Experten in den Top-Händlern auf der ganzen Welt und eine bewährte Substitutionswissenschaft auf der Grundlage personalisierter Kundendaten (Loyalitätsdaten). Dies bedeutete, dass wir die EPOS-Ersetzbarkeit mit unserer branchenführenden Ersetzbarkeit für Kunden vergleichen und die Ergebnisse für beide herausfordern konnten. Die Vergleiche kamen zu dem Schluss, dass die EPOS-Substituierbarkeit die bestehende Kundenwissenschaft gut ergänzt.

Coole Convenience-Channel-Anwendungen von EPOS Data Science

Die Betreiber von Convenience-Stores stehen im Vergleich zu ihren Supermarktketten vor einzigartigen Herausforderungen, wie z.B. verschiedenen Sortimenten und Sets nach Geschäften oder Franchise, und dies führt zu Datenkomplexität und einer Art „Chaos“ im gesamten Netzwerk. Die neue EPOS-Datenwissenschaft macht dieses Chaos zu einem Vorteil und nicht zu einer Barriere, indem sie Machine Learning Methoden wie Empfehlungsalgorithmen einsetzt, um Beziehungen in volatilen Umgebungen zu erlernen.

Die kollaborative Filterung ist eine Art Empfehlungsalgorithmus, der von vielen Websites verwendet wird, um ihren Kunden Produkte vorzuschlagen, z.B. „Käufer mit ähnlichen Interessen wie Sie haben auch das Produkt X gemocht“. Tatsächlich lernen diese Algorithmen aus chaotischen Produktzusammenhängen, „Menschen wie mich“ zu verstehen. In der neuen EPOS-Wissenschaft lernen ähnliche Empfehlungsalgorithmen von anderen Convenience-Stores, wie gut ein Produkt im Kontext einer bestimmten Unterkategorie funktioniert, und die daraus resultierende Wissenschaft liefert eine „Laden wie ich“ Empfehlung, die den typischen Ansatz übertrifft (bei dem es beispielsweise nur um meistverkaufte Artikel geht).

Unterschätzen Sie nicht den Wert von EPOS-Daten ohne Loyalität: Wichtige Erkenntnisse

  • EPOS-Daten beschreiben das Kundenverhalten genau, wenn Sie wissen, wie Sie es suchen – Sie haben also mehr „Loyalitätsdaten“ als Sie denken
  • EPOS-Daten können untersucht werden, um die Kundenerfahrung zu verbessern und die Loyalität zu erhöhen, auch wenn Sie kein Treuekartenprogramm anbieten
  • EPOS-Daten können ähnlich wie Loyalitätsdaten operationalisiert und monetisiert werden
  • Wenn Sie Daten von einer Treuekarte haben, kann EPOS Data Science die Lücken füllen
  • Die EPOS-Wissenschaft ist wohl sogar noch leistungsfähiger geworden als die von Treuekarten abgeleiteten Methoden, je nach Format, Kanal oder Wertversprechen.
  • EPOS Data Science ist eine Verbesserung der Loyalitätsdaten, nicht ein Rückschritt

dunnhumby verfügt über mehr als 25 Jahre Erfahrung in der transformativen EPOS-Kundendatenforschung und arbeitet mit Discount-, Convenience- und Supermärkten ohne ein traditionelles Treueprogramm zusammen. Setzen Sie sich mit Ihrem lokalen dunnhumby -Team in Verbindung, um zu erfahren, wie Sie Ihre EPOS-Daten maximieren können, um Ihre Kunden besser zu verstehen.

The latest insights from our experts around the world

customer first data science analytics & machine learning services
Ready to get started?

Speak to a member of our team for more information