הפקולטה לניהול. למה כל-כך קשה לחזות התנהגות של לקוחות? / צילום: Shutterstock
ארגונים קמעונאיים היו בין המגזרים העסקיים הראשונים שהשתמשו בכלים אנליטיים כדי למקד ולייעל את המכירות שלהם.
● קיבלנו את מכשיר הפרימיום החדש של סמסונג ל-24 שעות. אלה המסקנות | בדיקת גלובס
● תיקי המותגים אאוט, התיקים הפשוטים אין: הטרנד החם של חורף 2023
החלוצים שבהם היו מועדוני הספרים, שכל מי שהיה חבר בהם קיבל פעם בחודש ספר או שניים שנבחרו על-פי החלטת המועדון. אלא שמהר מאוד התברר כי הספרים לא בהכרח תאמו את ההעדפות של אותם לקוחות, מה שהביא לנשירתם ולהפסד כספי עבור אותם מועדונים. אז הם החלו - בתחילת שנות ה-90 - להשתמש בשיטות אנליטיות, שאפשרו להם לנתח את העדפות הצרכנים והתבססו על נתונים כמו גיל, מצב משפחתי, מקצוע, הספרים שקנו בעבר, עיתוי הקנייה, הסכום ששילמו ועוד.
מאז מועדוני לקוחות הפכו לדבר נפוץ מאוד. כמעט לכל רשתות הקמעונאות יש מועדונים, חלקם מכילים מיליוני לקוחות. אליהם הן מקפידות לשלוח בקביעות הצעות לרכישת מוצרים ושירותים, המותאמות שלהם אישית ומשקפות את ההעדפות ואת הרצונות שלהם.
כדי לבצע את אותו הסינון ולהצליח להגיע ללקוח עם ההצעה שהכי מתאימה לו, נכנסה לחיינו הטכנולוגיה של חיזוי אנליטי, שהיא אחד התחומים החמים ביותר במדעי הנתונים היום וכזו שמאפשרת לגופי השיווק לדוג רק את הלקוחות הרווחיים.
רק 0.5% מגיבים להצעות שיווק
מבין מגוון השיטות האנליטיות, נזכיר כאן את שתי הגישות הנפוצות ביותר - סינון שיתופי (Collaborative Filtering) ושיטה מבוססת רגרסיה.
סינון שיתופי מתבסס על הנחת שיתוף המידע בין אנשים. למשל, אם אדם מתלבט באיזה סרט לצפות או לאיזו מסעדה ללכת, הוא לרוב מתייעץ עם אנשים מהמעגל הקרוב לו ומקבל את ההחלטה על בסיס ההמלצות.
חברת אמזון, שהחלה את דרכה בכלל כמועדון ספרים, השתיתה באותם ימים את פעילות השיווק שלה על סינון שיתופי. הכלל היה פשוט: אנשים שקנו ספר A רכשו בעבר גם את הספרים B, C ו-D, ולכן ללקוחות אחרים שרכשו את A הוצעו גם B, C ו-D.
בגישות מבוססות רגרסיה, הרעיון הוא לבחור מדגם מקרי יחסית קטן של לקוחות מתוך בסיסי הנתונים, לפנות אליהם בהצעה לרכוש מוצר או שירות, ועל סמך התגובות לבנות מודל שמטרתו להסביר את החלטות הרכישה שלהם באמצעות סדרה של משתנים: דמוגרפיים, מוצרים שרכש בעבר, נתונים פיננסיים ועוד. את המודל הזה מפעיל הגוף המשווק על יתרת הלקוחות בבסיסי הנתונים (אלה שלא השתתפו במדגם), ובהתאם אליו נותן לכל לקוח ציון, שמשקף את סיכויי התגובה שלו. אלה שקיבלו את הציונים הגבוהים ביותר הם למעשה הלקוחות הרווחיים, ואליהם תפנה החברה באותה הצעה.
התהליך הזה מאפשר לסנן ממבצע השיווק את כל מאות האלפים שלא התכוונו מלכתחילה להיענות להצעה. ניסיון העבר מראה כי שיעורי התגובה של הלקוחות בבסיס הנתונים הוא 0.5% ואף פחות מזה, ומכאן החשיבות לנפות מראש את הלקוחות שאין להם עניין בהצעה השיווקית.
מודל חיזוי בעל יכולת הכללה
בניית מודל חיזוי המבוסס על רגרסיה בעולם נתוני העתק הוא תהליך מורכב ביותר. הבעיה העיקרית היא בחירת המשתנים המשפיעים ביותר על התגובה מתוך אוסף רב. המשתנים הם שיכריעו את איכות החיזוי של המודל ואת היציבות שלו.
לכן המטרה בבניית מודל חיזוי היא לא להקפיד על רמת דיוק מרבית, אלא לבנות מודל שממזער את שגיאות התחזית ומספק תחזיות טובות גם עבור הלקוחות שלא לקחו חלק במדגם. כלומר מדובר פה על יכולת הכללה של המודל. הספרות המקצועית מציעה כמה שיטות לבחירה של המשתנים המסבירים למודל כזה - אלה מחייבים מיומנות רבה ומאמץ חישובי רב.
זה ידרוש השקעה מרובה יותר, אבל היא תהיה שווה את זה, שכן מודל חיזוי איכותי, יציב ומשמעותי יניב תשואה עסקית גבוהה יותר, שמתבטאת בתמורה כספית גבוהה יותר וגם ביתרונות איכותיים: לקוחות שלא פוגשים הצעות שיווק שכלל אין להם עניין בהן מביעים שביעות-רצון גדולה יותר. לא בכדי אמזון, שהיא בין החברות שעשו את השימוש המושכל ביותר בגישות חיזוי, הגיעה לשיאים מרשימים מבחינת מכירות ושווי חברה.
לקריאה נוספת:
1. Miller, A. J., 2002, Subset Selection in Regression, Chapman and Hall
Shmueli, G., 2010, To Explain or to Predict? Statistical Science Vol. 25, No. 3, pp. 289-310
2. זהבי, י., חיזוי אנליטי (Predictive Analytics) - הלכה למעשה, חידושים בניהול, הפקולטה לניהול ע"ש קולר, אוניברסיטת תל אביב, 1, 55-69