Dieses Pilotprojekt mit der Verwendung von Standorttrackern zur Analyse des Besucherverhaltens wurde in zwei Supermärkten mit hoher Kundenanzahl implementiert. Der Leiter der IT-Abteilung vertrat den Supermarkt und stellte alle Genehmigungen zur Installation und Wartung des Pilotprojekts zur Verfügung.
Daher hatten wir die Erlaubnis, unser System extern mit dem FTP-Server und den Server-Systemen des Supermarkts zu verbinden, in denen alle Kassendaten des Supermarkts aufgezeichnet wurden, wodurch wir diese Aufzeichnungen nutzen konnten.
Die Idee
Die zentrale Idee war es, gezielte Werbeangebote an Supermarkt-Besucher zu senden. Diese konnten langfristige oder kurzfristige Angebote sein, die jederzeit versendet wurden, wenn der Supermarkt bestimmte Produkte schnell verkaufen wollte.
Zunächst war die Hauptaufgabe es, Informationen aus jeder Kassenzettel zu erhalten. Später bildete diese Information eine gemeinsame Datenbank von Produktpreferenzen für tausende von Shop-Kunden.
Mit anderen Worten, der Kunde wählt eine Reihe von Waren aus, zahlt sie an der Kasse und 30-40 Minuten später haben wir die Informationen über ihre Käufe bei unserem Service.
Die technische Idee war es, Geräte direkt am Eingang des Einzelhandelsspaces zu installieren. Ziel hierbei war es, die Eintritte regelmäßiger Kunden zu verfolgen.
Projektimplementierungsablauf
- Ein Besucher betritt den Laden. Seine Karte wird vom Lesegerät am Eingang gescannt, aber wie sich herausstellt, wissen wir nichts über ihn – es gibt keine Informationen. Aber genau dieser Punkt ist es, dass nach diesem „reinen“ Besucher eine Käufe getätigt werden, unsere Cloud innerhalb von maximal einer halben Stunde mit diesen Besucherdaten aktualisiert wird – und wir haben ein Gefühl für seine Kaufpräferenzen.
- Wir verarbeiten diese Informationen und speichern sie in einer gemeinsamen Datenbank. Wir erstellen eine große Gruppe von Benutzerprofilen, die es uns ermöglichen, mit Big Data zu arbeiten.
- Wenn zum Beispiel der Kunde X Milch einer bestimmten Marke kauft und dann Joghurt vom gleichen Hersteller kauft, wird dies als Teil der Milchprodukte-Gruppe erkannt. Infolgedessen kann diese Gruppe von Milchprodukten mit anderen Warengruppen aus verschiedenen Gründen kompatibel sein (die Informationen werden von uns analysiert). Das bedeutet, wir können einem Käufer X ein Angebot für zum Beispiel Rauchfleisch senden und wir können sicher sein, basierend auf unserer umfangreichen Analyse, dass der Kunde dieses Fleisch mit einer Wahrscheinlichkeit von 70% kaufen wird.
- Wahrscheinlichkeiten werden nach der Untersuchung von Millionen von Kassenzetteln berechnet. Auf diese Weise haben wir bestimmte Zusammenhänge zwischen Käufen identifiziert, was für uns wichtig war, um die Verkäufe zu maximieren.
- Der abschließende Schritt dieses gesamten Prozesses ist das Angebot selbst, die Werbung. Wenn Kunde X einige Tage später den Laden besucht, wissen wir bereits, welches Angebot wir ihm senden (natürlich nur, wenn ein solcher Vorschlag von der Marketingabteilung vorbereitet wurde).
Der Benachrichtigungsserver erhält kontinuierlich Daten vom Marketingwerbe-Server, so dass alle neuen Angebote des Supermarkts, die an eine bestimmte Gruppe von Besuchern mit Karten gezeigt werden müssen, zum richtigen Zeitpunkt deployed werden.
Marketing hinter dem Service
Die Marketingabteilung sendet uns Daten zu etwa 2000 Artikeln. Typischerweise legt die Marketingabteilung einen bestimmten Zeitraum fest, wann eine bestimmte Gruppe von Waren beworben werden soll.
Wenn zum Beispiel Kunde Y den Laden betritt und unter Berücksichtigung unserer Analyse ihres bisherigen Kaufverhaltens zu dem Schluss kommt, dass er Wein und Chips mag, übertragen wir diese Informationen an den Marketingwerbe-Server. Dann schauen sich die Spezialisten des Marketingzentrums an, ob es Produktangebote gibt, die für den Y-Besucher beworben werden könnten. Das Zentrum erstellt den Text der Werbung, sendet ein Signal an den Benachrichtigungsserver und sendet schließlich eine Nachricht an Y mit einem Werbeangebot. Der Punkt ist, dass der Marketingdienst weiß, welches Angebot er senden soll. Einfach ausgedrückt: Ein Angebot könnte für Milchliebhaber konzipiert sein, während ein anderes für Fischfans gesendet wird.
Der Marketingwerbe-Server arbeitete auf der Basis von Node.js in Verbindung mit MongoDB. Er speicherte auch alle Informationen, die der Supermarkt über Werbeunternehmen teilte.
Dann kommt der Frequenzalgorithmus ins Spiel – an wen zeigen wir Nachrichten öfter, an wen seltener? Um nicht die Werbung für solche Käufer zu nerven, die wir oft Nachrichten senden, verlangsamen wir etwas und senden nur an jene, die unsere Nachrichten selten erhalten haben.
Technische Implementierung
Hochpräzise Lesegeräte wurden über die Gänge in Supermärkten installiert; zunächst verwendeten wir RQ3 RFID-Leser. Supermarkt-Besucher hatten Treuekarten mit eindeutigen RFID-Tags. Die Karte selbst wurde beim Kauf für einen bestimmten Betrag oder entsprechend einem anderen kommerziellen Programm am Kassenabschluss angewandt.
Als Ergebnis hatten wir bereits vor dem Eintreffen eines potenziellen Käufers deren Informationen zur Hand.
Die Idee war es, alle kommerziellen Ladenangebote sofort auf Smartphones und Apps zu übertragen. Dies hätte jedoch die Anzahl der Besucher reduziert, die dies nutzen könnten. Diese Situation stellte eine Herausforderung dar: Wir mussten die beste Lösung implementieren, damit auch ältere Menschen den kommerziellen Versand nutzen konnten. Somit war die Herausforderung des Supermarkts für uns, mindestens 60% aller stehenden Kunden des Ladens abzudecken.
Dementsprechend basierte der Massenkommunikationskanal auf SMS- oder USSD-Benachrichtigungen.
Ein Besucher betritt den Laden und seine Karte wird mit einem speziellen Lesegerät gescannt. Unser Server erhält dann ein Signal (über die Anwendung basierend auf Node.js, die durch Python ersetzt wurde), das die Frage aufwirft, ob eine Werbung in diesem Fall sinnvoll wäre. Gibt es ein Muster für den Kunden oder nicht? … Falls es ein Angebot für den Käufer gibt, erhält er eine SMS.
Wo wurden alle Daten gespeichert?
Wir verwendeten CouchDB zur Datenspeicherung. Später änderten wir das System auf Couchbase für mehr Komfort.
Wie wurde die Arbeit der Mikroservices organisiert? Die Verarbeitung von Daten, sogenannte Profile, Vorlagen und Muster, die zu den Benutzern gehören – dieser Modul arbeitete direkt mit der Datenbank und analysierte auch deren Daten. Hier verwendeten wir eine Kombination aus Logik + Python + Couchbase. Das heißt, das MTP-Protokoll wurde installiert – externe Dienste kommunizierten damit, und eine reguläre externes Restfull-API basierend auf Node.js wurde installiert. Es empfing alle Anfragen von den Tags, die von unseren Arduino-Servern kamen, die über 3G-Kanäle liefen. Die Aufgabe der RestFull-API war es, nur Daten zu erhalten und nichts weiter. Hier übermittelte sie die Informationen über das MTP-Protokoll an die Speicherung.
Mit anderen Worten, es gab eine bestimmte Anzahl von Aufgaben, und der Dienst, der mit der Datenbank arbeitete, erhielt sie als Warteschlange zur Verarbeitung (que), in der alle Aufgaben synchron verarbeitet wurden.
Der Benachrichtigungsserver war mit Twilio sowie dem Push-Benachrichtigungsserver verbunden. Seine Aufgabe war es, die Handynummer oder UID des mobilen Geräts zu erhalten und den vorgegebenen Text zu senden.
Wir hatten eine Verbindung zum Python-Dienst im Hintergrund, der periodisch mit FTP-Node.js-Servern verbunden war und Hunderttausende von Datensätzen und zusätzliche Hashes hochlud. Etwa eine Million Datensätze wurden hochgeladen und in Couchbase gespeichert. Stündlich verarbeitete es einen bestimmten Datenumfang, um eine bestimmte Gruppe von Benutzern mit klaren Kundenpräferenzen zu erstellen.
Der nächste Schritt der Integration und Tests
In der zweiten Entwicklungsstufe sollten wir mehr Leser in verschiedenen Zonen installieren, um Pakete von Angeboten zu senden. Das Hauptziel, wie vom Supermarkt festgelegt, war es, den Werbenden zusätzliche Kommunikationskanäle zu bieten, ohne die Werbelastung des Handelsraums zu erhöhen.
Die Supermarktleitung wollte sehen, wie effektiv diese Werbekampagne im Vergleich zu alternativen Marketingmethoden (zum Beispiel Banner, Flyer usw.) sein würde.
Wir mussten verfolgen, wie die Werbenachricht den Kaufresultat beeinflusst. Zum Beispiel wurden Werbenachrichten mit dem hypothetischen Text „kaufe Wurst“ an etwa 10.000 potenzielle Kunden in einem bestimmten Zeitraum gesendet. Es war notwendig, zu berechnen, wie viel Wurst während dieses Zeitraums verkauft wurde im Vergleich zu den vorherigen Ergebnissen. Je nach den erhaltenen Ergebnissen konnten wir bestimmte Schlussfolgerungen ziehen. Ein Analogon zum Online-Cost-Per-Action-Modell im Internet könnte hier angewendet werden, bei dem der Kunde nur dann zahlt, wenn bestimmte Aktionen von Benutzern/Besuchern ausgeführt wurden.
Um diese Phase zu testen, erhielten 20 Supermarkt-Besucher RFID-Tags und ihre Aufgabe war es, das Verhalten gewöhnlicher Besucher des Supermarkts zu simulieren.
Zusammenfassung
Obwohl dies futuristisch klingen mag, werden besuchergesteuerte Empfehlungen/Angebote in allen großen Einzelhandelssupermärkten des kommenden Jahres auftauchen. Amazon hat bereits bewiesen, dass viele Prozesse im Einzelhandel mit ihren Amazon Go Läden automatisiert werden können. Aufmerksamkeit und Loyalität der Besucher sind die „Goldkammer“, für die moderne Unternehmen heute kämpfen.