ИИ-аналитика количественных данных помогла вырастить доход "Галери Лафайет" от определенных рекламных кампаний на 34% (!).
Как это было?
В статье о том, что традиционные сегментации умрут, а за ИИ-сегментациями будущее, мы нашли скупое упоминание о том, как компания "Галери Лафайет" (Galeries Lafayette, сеть универмагов премиум-класса) в 2017-2018 годах внедрила AI-платформу Tinyclues для анализа количественных данных о покупателях - и оказалось, что на мужские рекламные компании в большинстве случаев (80%) откликаются женщины, а на женские в 25% случаев откликаются мужчины. Изменение таргетинга - соответственно, таргетирование мужских компаний преимущественно на женщин и женских - в том числе на мужчин - помогло увеличить доходы на 34 %, число клиентов на 32% и CTR на 25%.
Рост дохода и метрик впечатлял - но мы не могли понять суть этого кейса.
В магазинах Галери Лафайет продается премиальная одежда, обувь, нижнее белье, парфюм, аксессуары, товары для дома и бытовая техника.
Какие товары для женщин из этого ассортимента привлекали мужчин, и какие товары для мужчин привлекали женщин?
В статье с описанием гибели традиционных сегментаций об этом скромно умалчивалось.
Мы нашли - оказалось, что это было
И тогда у нас появился следующий вопрос - ПОЧЕМУ нельзя было это предположить без помощи ИИ? Особенно в 2017 году, имея все инструменты маркетинговых исследований?
Есть много данных о том, что люди покупают одежду и косметику не только для себя, но и для близких. Мужчины вообще не очень любят покупать себе одежду, очень часто это делают женщины. Маркетологи и маркетинговые исследователи не могли об этом не знать:
• McKinsey, 2021: "The State of Fashion" — около 25–30 % покупок одежды совершаются не для себя, а для других членов семьи.
• Google Retail Study, 2019: женщины совершают >50 % покупок мужской косметики и аксессуаров.
• Statista, 2020: до 60 % женатых мужчин в Европе заявляют, что их одежду «часто выбирает или покупает жена».
В конце концов, можно было провести исследование ситуаций покупки.
Можно. Но для этого нужно было мыслить хотя бы немного out of the box. Хотя бы на два миллиметра.
Потому что, строго говоря, даже если в качественном исследовании выяснится, что женщины покупают ЭТО мужчинам, а некоторые мужчины - женщинам, то это тенденция может не подтвердиться на количественнике. Кроме того, по количественнику нельзя точно понять, что когда женщина покупает одежду мужчине, она откликается именно на мужскую рекламную компанию - и наоборот.
Силы, которые заставляют маркетологов не смотреть в сторону очевидных вещей, тоже очень мощные. Даже крупные ритейлеры могут жить в парадигме «если в корзине есть мужская одежда, значит покупатель — мужчина», и никакие исследования рынка им не указ. Особенно если это ритейлер из люксового сегмента, который считает, что он знает своих клиентов, потому что он же их и формирует. А в фокус CRM-аналитики вопрос «для кого вы покупаете?» не попадал в принципе.
Если ИИ, в отличие от человека-исследователя, может мыслить за рамками - такой исследователь действительно не нужен.
Пусть люди, которые закрыты и предубеждены, не работают исследователями - от этого все только выиграют.
Пусть аналитику, которая делается не для галочки, от которой зависит многое, делает человек, который любит и умеет это делать.
Умеет - это значит, видит закономерности в неочевидных данных. Использует открытые данные по отрасти. Думает над полученными данными и сомневается в принятых практиках.
Это кейс даже не про роль ИИ - а про способность аналитика, человеческого или искусственного, учитывать реальность и учиться на фактах.