Este proyecto piloto usando rastreadores de ubicación para analizar el comportamiento de los visitantes se implementó en dos supermercados con alto tráfico. El Jefe del Departamento de TI representó al supermercado y proporcionó todos los permisos para instalar y mantener el proyecto piloto.
Por lo tanto, tuvimos permiso para conexión externa de nuestro sistema al FTP del supermercado y a sus sistemas de servidor, donde se registraban todas las compras del supermercado, permitiéndonos usar estos registros.
La Idea
La idea clave era enviar ofertas promocionales dirigidas a los visitantes del supermercado. Estas podrían ser ofertas a largo o corto plazo, enviadas cuando el supermercado necesitaba vender algunos productos seleccionados lo antes posible.
Inicialmente, la tarea principal era obtener información de cada compra del cliente. Más tarde, esta información formó una base de datos común de preferencias de productos para miles de clientes de la tienda.
En otras palabras, el comprador elegiría un rango de artículos, los pagarían en caja y 30-40 minutos después tendríamos la información sobre sus compras en nuestro servicio.
La idea técnica era instalar equipos directamente en la entrada del espacio comercial. La intención aquí era rastrear las entradas de clientes regulares.
Flujo de implementación del proyecto
- Un visitante entra a la tienda. Su tarjeta es escaneada por el lector en la entrada, pero, como resulta, no sabemos nada sobre él – no hay información. Pero justo ese punto es que después de esta visita 'limpia', el comprador hace una compra, nuestra nube se actualiza en hasta media hora con los datos del visitante – y tenemos la sensación de sus preferencias de compra.
- Luego procesamos esta información y la guardamos en una base de datos común. Estamos creando un gran grupo de perfiles de usuarios, permitiéndonos trabajar con grandes volúmenes de datos.
- Por ejemplo, si el cliente X compra leche de una marca determinada y luego compra yogur producido por el mismo fabricante, entonces se reconoce como parte del grupo de productos lácteos. A su vez, este grupo de productos lácteos puede ser compatible con otros grupos de artículos por diversas razones (la información es analizada por nosotros). Esto significa que podemos enviar una oferta de carne ahumada al comprador X, y podemos estar seguros, basados en nuestro análisis extenso, de que el cliente comprará esta carne con una probabilidad del 70%.
- Las probabilidades se calculan después de examinar millones de compras. De esta manera identificamos ciertas interconexiones entre las compras, lo cual era importante para maximizar las ventas.
- La etapa final de todo este proceso es la oferta en sí, la promoción. Cuando el cliente X visita la tienda unos días después, ya sabemos qué oferta enviarles (si tal propuesta ha sido preparada por el departamento de marketing, por supuesto).
El Servidor de Notificaciones recibe datos sin interrupción del Servidor de Promoción de Marketing, por lo que todas las nuevas ofertas del supermercado que necesitan ser mostradas a un grupo específico de visitantes con tarjetas se despliegan en el momento adecuado.
Marketing Detrás del Servicio
El departamento de marketing nos envía los datos de unos 2000 artículos. Normalmente, el departamento de marketing establece un marco de tiempo para cuándo anunciar un grupo específico de productos.
Por ejemplo, un comprador Y entra a la tienda y, teniendo en cuenta nuestro análisis del comportamiento de compra pasado, podemos concluir que les gustan el vino y las papas fritas. Transferimos esta información al Servidor de Promoción de Marketing. Luego los especialistas del centro de marketing revisan si hay ofertas disponibles para ese visitante Y. El centro formula el texto del mensaje publicitario, da una señal al Servidor de Notificaciones y finalmente envía un mensaje a Y con una oferta publicitaria. El punto es que el servicio de marketing sabe qué oferta enviar. Simplificando, una oferta podría estar diseñada para amantes de la leche, mientras que otra podría enviarse a fanáticos del pescado.
El Servidor de Promoción de Marketing funcionó basado en Node.js junto con MongoDB. También mantuvo toda la información que el supermercado compartió sobre las empresas publicitarias.
Luego entra en juego el algoritmo de frecuencia – a quién mostramos mensajes más a menudo, a quién menos frecuentemente? Para no molestar a los compradores a quienes enviamos mensajes con frecuencia, reducimos un poco la frecuencia y solo enviamos a aquellos que recibieron nuestros mensajes raramente.
Implementación técnica
Se instalaron lectores de alta penetración sobre las cintas en supermercados; inicialmente usamos lectores RFID RQ3. Los visitantes del supermercado tenían tarjetas de fidelización con etiquetas RFID únicas. La tarjeta misma se aplicaba en la caja al hacer compras por un monto determinado, o según cualquier otro programa comercial.
Como resultado, cuando un comprador potencial entraba al supermercado, ya teníamos su información a mano.
La idea era transferir inmediatamente todas las ofertas comerciales de la tienda a teléfonos móviles y aplicaciones. Sin embargo, esto reduciría significativamente el número de visitantes que podrían usarlo. Esta situación elevó el nivel: necesitábamos implementar la mejor solución para que incluso los mayores también pudieran usar el correo comercial. Así que el desafío del supermercado para nosotros fue cubrir al menos el 60% de todos los clientes que estaban en la tienda.
Por lo tanto, el canal de comunicación masiva se basaría en notificaciones SMS o USSD.
Un visitante entraría a la tienda y su tarjeta sería escaneada con un lector especial. Nuestro servidor recibiría una señal (a través de la aplicación basada en Node.js, que fue reemplazada por Python), planteando la pregunta de si una promoción sería útil en este caso. ¿Había un patrón para el cliente o no? … Si había una oferta para el comprador, recibirían un SMS.
¿Dónde se almacenaban todos los datos?
Usamos CouchDB para el almacenamiento de datos. Más tarde cambiamos el sistema a Couchbase para mayor comodidad.
¿Cómo se organizó el trabajo de los microservicios? El procesamiento de datos, es decir, perfiles, plantillas y patrones que pertenecen a usuarios – este módulo trabajaba directamente con la base de datos y también analizaba sus datos. Aquí usamos una combinación de lógica + Python + Couchbase. Es decir, se instaló el protocolo MTP – los servicios externos se comunicaban con él, y se instaló una API Restfull externa regular basada en Node.js. Esta recibía todas las solicitudes de las etiquetas provenientes de nuestros servidores Arduino, que pasaban por canales 3G. La tarea de la API RestFull era simplemente obtener datos y nada más. Aquí transfería la información mediante el Protocolo MTP al almacenamiento.
En otras palabras, había un número determinado de tareas, y el servicio que trabajaba con la base de datos las recibía como cola para procesarlas (cola), donde todas las tareas se procesaban sincrónicamente.
El servidor de notificaciones estaba conectado a Twilio, así como al servidor de notificaciones push. Su tarea era obtener el número de teléfono o UID del dispositivo móvil y enviar el texto designado.
Teníamos una conexión al servicio Python en segundo plano, que se conectaba periódicamente a los servidores FTP Node.js, y cargaba cientos de miles de registros y hashes adicionales. Aproximadamente un millón de registros fueron cargados y almacenados en Couchbase. Una vez por hora procesaba cierta cantidad de datos para crear cierto grupo de usuarios con las preferencias claras de los clientes.
La Siguiente Etapa De Integración Y Pruebas
En la segunda etapa de desarrollo, tuvimos que instalar más lectores en diferentes zonas para enviar el conjunto de ofertas. El objetivo clave, según lo establecido por el supermercado, era proporcionar a los promotores canales de comunicación adicionales sin cargar el espacio comercial con publicidad.
La administración del supermercado quería ver qué tan efectiva sería esta campaña publicitaria en comparación con métodos de marketing alternativos (por ejemplo, carteles, folletos, etc.).
Necesitábamos rastrear cómo la mensaje publicitario afecta el resultado de la compra. Por ejemplo, se enviaron mensajes publicitarios con el texto hipotético “comprar salchichas” a unos 10 mil clientes potenciales durante un período determinado. Era necesario calcular cuántas salchichas se vendieron durante este periodo en comparación con los resultados anteriores. Dependiendo de los resultados obtenidos, podríamos sacar ciertas conclusiones. Una analogía al modelo Cost-Per-Action en Internet podría aplicarse aquí donde el cliente solo paga cuando se realizan acciones específicas por parte de usuarios/visitantes.
Para probar esta fase, 20 visitantes del supermercado recibieron etiquetas RFID, y su tarea era simular el comportamiento de visitantes comunes al supermercado.
Resumen
Aunque esto pueda sonar futurista, las recomendaciones/promociones orientadas al visitante aparecerán en todos los grandes supermercados minoristas en el próximo año. Amazon ya demostró que muchos procesos en el comercio pueden automatizarse con sus tiendas Amazon Go . La atención y lealtad del cliente es el “tesoro de oro” por el cual las empresas modernas ahora compiten.