Автоматическое формирование индивидуальных маркетинговых предложений в зависимости от интересов и потребностей клиента – пожалуй, самое распространенное приложение Big Data. Пока маркетологи соревнуются друг с другом в креативности, конкурируя за внимание целевой аудитории, инструменты Data Science не просто определяют текущие или будущие желания клиента, а превращают посетителей в покупателей, предлагая им актуальные товары в нужное время и в нужном месте. В отличие от массовой рекламы, эффективность которой недостаточно высока из-за отсутствия таргетинга, модели машинного обучения в предиктивной аналитике рассматривают результат как функцию от множества параметров, в т.ч. неявных. Например, как уровень продаж зависит от внешних факторов, таких как погода. Именно такие кейсы генерации маркетинговых предложений с учетом погодных условий рассмотрены в этой статье.
Как погода влияет на продажи
Некоторые товары не случайно называют сезонными: никто не ищет новогоднюю елку в июле, а газировка лучше продается в жаркий летний день, чем в зимние каникулы. В частности, даже повышение температуры на 1 градус летом приводит к еженедельному увеличению продаж мороженого на 240 тысяч штук [1]. Таким образом, влияние погоды на уровень продаж – общеизвестный факт. Унылый дождь или яркое солнце задают настроение, которое является весьма значимым фактором для совершения покупок.
Например, американская компания Weather Trends International, занимающаяся метеомаркетингом, составила список товаров, особенно чувствительных к температурным колебаниям, назвав его «The Profit of 1 Degree» («Выгода одного градуса»). Согласно этому перечню рост температуры на 1 градус в теплое время года приводит к существенному росту продаж следующей продукции [1]:
- клубника +4%;
- пиво +1,2%;
- прохладительные напитки +2%;
- вентиляторы +10%;
- кондиционеры +24%;
- средства УФ-защиты +11%;
- спортивные напитки +3%.
При этом следующие товары продаются лучше, если температура понизится хотя бы на 1 градус [1]:
- апельсиновый сок +3%;
- средства ухода за губами +5 тысяч штук;
- мобильные обогреватели +15%.
Зависимость покупательской способности и желания посещать супермаркеты от погоды и атмосферного давления наглядно подтверждается результатами аналитическими исследований торговых чеков с помощью BI-системы Qlik Sense. Как показали данные приложения «Анализ чеков», товарооборот растет с повышением температуры воздуха [2] (рис. 1).
Kaggle.com, популярная онлайн-площадка соревнований по Data Science, с 1 апреля по 25 мая 2015 года проводила рекрутинговый конкурс от крупнейшего в мире ритейлера Walmart по предиктивным моделям машинного обучения (Machine Learning, ML) [3]. На основании датасетов, заранее предоставленных торговой компанией, требовалось предсказать продажи товаров, чувствительных к погодным условиям. Какие именно данные о погоде и продажах использовались, а также каким образом они анализировались, мы рассмотрим чуть позже.
Итак, возвращаясь к влиянию погоды на продажи и маркетинг, можно выделить несколько вариантов такой взаимосвязи:
- непосредственная зависимость товарооборота от погодных условий, когда температура воздуха, показатели влажности, ветра и прочие метеоиндикаторы явно связаны с прикладным назначением продаваемых товаров. Например, купальники отлично расходятся в солнечную погоду, независимо от цифр на столбике термометра, а увеличение температуры воздуха на 2 градуса выше нормы приводит к резкому росту продаж сидра [1];
- отсутствие прямой связи между погодой и прикладным назначением товара, когда погодные факторы косвенно влияют на продажи продукции. В частности, в туманную и пасмурную погоду звонков в агентства недвижимости на предмет поиска новой квартиры становится существенно больше, чем в ясные дни [4];
- погода как дополнительный фактор формирования клиентской потребности в продукте. К примеру, в случае урагана или грозы, многие регулярные авиарейсы отменяются, что провоцирует повышенный спрос на отели и гостиницы вблизи аэропортов [5].
Далее мы рассмотрим практические кейсы по реализации всех вышеперечисленных вариантов зависимости продаж от погоды.
Примеры метеозависимого маркетинга
Прежде всего, перечислим некоторые особенно заметные случаи взаимосвязи маркетинга с погодными условиями. Наиболее распространены такие кейсы у крупных западных ритейлеров. В частности, уже упомянутая крупнейшая в мире сеть оптовой и розничной торговли Walmart выдает клиентам рекламу и товарные рекомендации в зависимости от температуры и погодных условий. Например, при температуре выше 30°C покупателям предлагаются прохладительные напитки, в случае прохладной погоды рекламируются готовые к употреблению супы, а при сильном ветре, разносящем аллергены, - антигистаминные препараты.
Конкурент Walmart, сеть магазинов Walgreens, совместно с производителем косметики и бытовой химии Procter&Gamble, запустили программу Pantene Weather Program. В зависимости от уровня влажности в конкретной местности женщинам предлагается определенный продукт Pantene для ухода за волосами вместе с купоном на его покупку в Walgreens. Реклама работает в популярном мобильном приложении Weather Channel, доступном для скачивания в App Store и Google Play [1].
Маркетологи строят целые рекламные стратегии с учетом погодных условий. К примеру, благодаря знаниям о корреляции продаж своих товаров с погодой, английская сеть магазинов купальников и женского нижнего белья Bravissimo увеличила конверсию онлайн-рекламы более чем в 2 раза (на 103%). Анализ накопленных данных показал, что наиболее существенным фактором продажи купальников является солнечная погода, независимо от показаний термометра. Настроив и запустив соответствующую контекстную кампанию в Google AdWords (погодный таргетинг с интеграцией прогнозов в реальном времени), компания за 3 месяца в 6 раз увеличила продажи купальников посетителям, кликнувшим по рекламному баннеру [1].
Не менее впечатляющих результатов добились маркетологи Stella Artois – производителя пива и слабоалкогольных напитков. Выявив резкий рост продаж сидра при увеличении температуры воздуха на 2 градуса выше нормы, компания рекламировала этот прохладительный напиток лишь в жаркие дни. В итоге уровень продаж сидра вырос на 65,5% по сравнению с аналогичным периодом прошлого года. Также эта стратегия позволила оптимизировать рекламный бюджет, увеличив эффективность инвестиций. Наконец, были получены и нематериальные дивиденды: положительная реакция публики и СМИ [1].
Аналогичным образом использовал американский бренд беговой обуви и аксессуаров Brooks использовал погоду в качестве триггера для своих email-рассылок. Погодный таргетинг позволил компании отправлять своим подписчикам маркетинговые предложения, релевантные окружающей обстановке предложения. Учет такого, казалось бы, тривиального факта, о связи погодных условий с занятиями спортом на открытом воздухе, принес следующий эффект [1]:
- общий рост конверсии на 61%;
- рост выручки на 56% от письма с триггером «дождь»;
- рост выручки на 95% от письма с триггером «жара».
Подобные выводы о зависимости товарооборота от температуры (чем выше температура, тем больше продаж) и атмосферных осадков (в отсутствии дождя и снега товары продаются лучше) демонстрируют и аналитические исследования белорусской компании А2 Консалтинг [2] (рис. 2)
Механика погодного маркетинга
Идея автоматизированного управления рекламными объявлениями в зависимости от погоды – не новая. Рекламная сеть Google Ads предлагает для этой задачи типовой скрипт, который позволяет увеличивать или уменьшать ставку (бид) в аукционах своей рекламной сети. Весовой коэффициент, изменяющий бид, выставляется вручную и применяется к исходной ставке в зависимости от попадания текущих погодных условий конкретной местности в заданные интервалы (рис. 3) [6].
Скрипт считывает данные по рекламной кампании и, при совпадении целевой геолокации с текущей, извлекает модификатор текущей ставки (весовой коэффициент). Погода для этого местоположения запрашиваются по API OpenWeatherMap. При соответствии текущих погодных условий заданным в правилах, сравниваются модификаторы ставки. Если указанный в датасете модификатор отличается от текущего, скрипт изменяет модификатор ставки для этого местоположения. Изменения не вносятся в следующих случаях [6]:
- погодные условия не совпадают;
- значение нового и текущего модификатора ставки одинаковы;
- рекламная кампания не нацелена на местоположение, указанное в датасете с правилами.
Данный скрипт от Google Ads управляет рекламными ставками в зависимости от жестко заданных правил. Такой инструмент хорошо для узкой задачи бид-менеджмента, однако не решает другие проблемы маркетинга, связанные с погодными условиями. В частности, предсказание уровня продаж метеочувствительных товаров или генерация персональных маркетинговых предложений узкому сегменту потребителей или, в идеальном случае, каждому отдельно взятому клиенту. Но на практике для разработки эффективной маркетинговой стратегии недостаточно только знаний о корреляции товарооборота с погодными условиями. Например, большинству мужчин не интересна продажа женских купальников даже в яркий солнечный день. Такое маркетинговое предложение, не ориентированное на индивидуальные потребности, не принесет положительного для бизнеса эффекта (хотя рекламу с красивыми моделями в купальниках этот пользователь с удовольствием посмотрит). А, поскольку сегодня маркетинг стремится стать персональным, возникает потребность в предиктивной аналитике. В таких задачах анализируется гораздо больше факторов, на первый взгляд, никак не связанных между собой.
Однако, современные ML-инструменты позволяют определить влияние входных переменных на целевую, чтобы получить на выходе наиболее эффективное решение, приближенное к реальности с максимальной точностью. В частности, интересен опыт участника уже упомянутого ML-конкурса от ритейлера Walmart на соревновательной площадке Kaggle, когда по анонимизированным данным о продажах 111 товаров в 45 гипермаркетах по всему миру с 01.01.2012 по 30.09.2014 требовалось предсказать, сколько будет продано каждой товарной позиции с учетом информации с метеорологических станций [7]. Для этого использовались регрессионные алгоритмы и искусственные нейронные сети, а также применялись методы исследования исходных датасетов, похожие на те, о которых я рассказывал на примере своего участия в подобном конкурсе от Tinkoff Data Science Challenge. Отметим, что, помимо анализа данных, в этом случае также решается задача, отличающая Data Scientist’а от Data Analyst’а – разработка программного обеспечения.
Аналогичным образом с привлечением Data Scientist’ов была построена маркетинговая стратегия сети гостиниц Red Roof, которая предлагала пассажирам задержанных или отмененных рейсов размещение в отелях вблизи аэропортов. Возможные задержки или отмены вылетов вычислялись на основе неблагоприятного прогноза погоды. Максимальное число постояльцев определялось по количеству пассажирских мест в самолетах, рейсы которых могли быть задержаны или отменены. По этим данным рассчитывалась потенциальная заполненность номерного фонда и запускалась рекламная кампания с предложениями той или иной локации. Такой подход увеличил рост сети на 10% в районах, охваченных этой рекламной кампанией [5].
Аналитик данных тоже может с выгодой использовать закономерности о связи погодных условий с интересами риелторов. Например, анализ данных о телефонных звонках по рынку недвижимости Москвы за 2015–2016 годы показал, что в плохую погоду интенсивность звонков резко увеличивается: в туман люди звонят больше в среднем на 28% (рис. 4) [4]. Этот факт можно учитывать при запуске таргетированной контекстной рекламы в связи с интересами и геолокацией пользователя.
Вместо заключения
Подводя итог описанию кейсов метеочувствительного маркетинга, можно сделать вывод, что эта область приложения Data Science, популярная на западе, пока не слишком распространена в России. Тем не менее, растущий интерес к Big Data и аналитике данных в различных прикладных отраслях, от ритейла до банков, позволяет предположить, что и в нашей стране будущие рекламные кампании будут все больше персонализироваться, в том числе, с учетом погодных условий. Также выявленные закономерности о влиянии погоды на уровень и динамику продаж дают возможность оптимизации маркетингового бюджета уже сегодня путем автоматизированного управления ставками на размещение рекламных предложений.
Источники
- Дождь, снег, или солнце: как ритейлеры используют погоду для повышения продаж
- Анализ сезонных продаж
- Walmart Recruiting II: Sales in Stormy Weather
- Удивительные находки в маркетинге недвижимости, которые показала аналитика
- How Big Data And Analytics Are Changing Hotels And The Hospitality Industry
- Weather-based Campaign Management
- Kaggle: предсказание продаж в зависимости от погодных условий