Чернобровов АлексейАналитик

Метеочувствительный маркетинг: как погода влияет на продажи и при чем тут Data Science

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).

 

Рис. 1. Зависимость товарооборота от погодных условий
Рис. 1. Зависимость товарооборота от погодных условий

 

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)

 

Рис. 2. Зависимость товарооборота от погодных условий
Рис. 2. Зависимость товарооборота от погодных условий

 

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].

 

Рис. 3. Формирование датасета с правилами для скрипта Google Ads по автоматизированному управления рекламными ставками
Рис. 3. Формирование датасета с правилами для скрипта Google Ads по автоматизированному управления рекламными ставками

 

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.

 

Рис. 4. Влияние погоды на спрос по рынку недвижимости
Рис. 4. Влияние погоды на спрос по рынку недвижимости

 

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

  1. Дождь, снег, или солнце: как ритейлеры используют погоду для повышения продаж
  2. Анализ сезонных продаж
  3. Walmart Recruiting II: Sales in Stormy Weather
  4. Удивительные находки в маркетинге недвижимости, которые показала аналитика
  5. How Big Data And Analytics Are Changing Hotels And The Hospitality Industry
  6. Weather-based Campaign Management
  7. Kaggle: предсказание продаж в зависимости от погодных условий

Контакты