Questo progetto pilota con l'utilizzo di tracciatori di posizione per analizzare il comportamento dei visitatori è stato implementato in due supermercati con un alto traffico. Il Capo del Dipartimento IT ha rappresentato il supermercato e ha fornito tutti i permessi per installare e mantenere il progetto pilota.
Pertanto abbiamo avuto il permesso per la connessione esterna del nostro sistema al FTP del supermercato e ai loro sistemi server, dove sono registrati tutti i conti del supermercato, consentendoci di utilizzare questi record.
L'idea
L'idea chiave era inviare offerte promozionali mirate ai visitatori del supermercato. Queste potevano essere offerte a lungo o breve termine, inviate ogni volta che il supermercato aveva bisogno di liquidare alcuni prodotti selezionati al più presto.
Inizialmente, l'obiettivo principale era ottenere informazioni da ciascun conto del acquirente. Più tardi queste informazioni formarono un database comune delle preferenze di prodotto per migliaia di clienti del negozio.
In altre parole, l'acquirente sceglie una gamma di beni, li paga al cassa e 30-40 minuti dopo avremmo le informazioni sulle loro compravendite nel nostro servizio.
L'idea tecnica era installare attrezzature direttamente all'ingresso dello spazio commerciale. L'intento qui era tracciare le entrate dei clienti abituali.
Flusso di implementazione del progetto
- Un visitatore entra nel negozio. La sua carta viene scansionata dal lettore all'ingresso, ma, come si scopre, non conosciamo nulla su di lui – non c'è alcuna informazione. Ma proprio questo è il punto: dopo che questo visitatore “pulito” effettua un acquisto, il nostro cloud si aggiorna in massimo mezz'ora con i dati del visitatore – e abbiamo la sensazione delle sue preferenze di acquisto.
- Poi elaboriamo queste informazioni e le salviamo in un database comune. Stiamo creando un grande gruppo di profili utente, permettendoci di lavorare con grandi quantità di dati.
- Per esempio, se il cliente X acquista latte di una certa marca e poi compra yogurt prodotto dalla stessa azienda, allora viene riconosciuto come parte del gruppo di prodotti lattiero-caseari. A sua volta, questo gruppo di prodotti lattiero-caseari può essere compatibile con altri gruppi di beni per vari motivi (le informazioni sono analizzate da noi). Ciò significa che possiamo inviare un'offerta di carne affumicata al cliente X, e possiamo essere certi, basandoci sulle nostre analisi estese, che il cliente acquisterà questa carne con una probabilità del 70%.
- Le probabilità sono calcolate dopo l'esame di milioni di conti. In questo modo abbiamo identificato determinate interconnessioni tra gli acquisti, come era importante per noi massimizzare le vendite.
- La fase conclusiva di tutto questo processo è l'offerta stessa, la promozione. Quando il cliente X visita il negozio pochi giorni dopo, già sappiamo quale offerta inviarli (se tale proposta è stata preparata dal dipartimento marketing, ovviamente).
Il server di notifiche riceve dati ininterrottamente dal Server di Promozione Marketing, quindi tutte le nuove offerte del supermercato che devono essere mostrate a un certo gruppo di visitatori con carte vengono distribuite al momento giusto.
Marketing Dietro il Servizio
Il dipartimento marketing ci invia i dati per circa 2000 articoli. Tipicamente, il dipartimento marketing pone un certo periodo di tempo in cui pubblicare un certo gruppo di beni.
Per esempio, il cliente Y entra nel negozio e, tenendo conto della nostra analisi del loro comportamento passato d'acquisto, possiamo arrivare alla conclusione che amano il vino e i chips. Trasferiamo questa informazione al Server di Promozione Marketing. Poi gli esperti del centro marketing guardano se ci sono offerte disponibili per quel cliente Y. Il centro forma il testo del messaggio pubblicitario, dà un segnale al Server di Notifiche e infine invia un messaggio a Y con un'offerta pubblicitaria. Il punto è che il servizio marketing sa quale offerta inviare. In parole semplici, un'offerta potrebbe essere progettata per amanti del latte, mentre un'altra potrebbe essere inviata ai fan di pesce.
Il Server di Promozione Marketing funzionava sulla base di Node.js in combinazione con MongoDB. Manteneva anche tutte le informazioni che il supermercato ha condiviso sulle aziende pubblicitarie.
Poi entra in gioco l'algoritmo della frequenza – a chi mostriamo i messaggi più spesso, a chi meno frequentemente? Per non annoiare gli acquirenti ai quali inviamo messaggi spesso, rallentiamo un po' e li inviamo solo a coloro che hanno ricevuto raramente i nostri messaggi.
Implementazione tecnica
Sono stati installati lettori ad alta penetrazione sopra le corsie nei supermercati; inizialmente abbiamo utilizzato lettori RFID RQ3. I visitatori del supermercato avevano carte di fedeltà con tag RFID unici. La carta stessa veniva applicata al checkout quando si effettuavano acquisti per una certa somma, o secondo qualsiasi altro programma commerciale.
Di conseguenza, quando un acquirente potenziale entrava nel supermercato, avevamo già le sue informazioni a disposizione.
L'idea era trasferire immediatamente tutte le offerte commerciali del negozio ai cellulari e alle app. Tuttavia, questo avrebbe significativamente ridotto il numero di visitatori che potrebbero usarlo. Questa situazione sollevò la barra: dovevamo implementare la migliore soluzione in modo che anche gli anziani potessero utilizzare la posta commerciale. Quindi la sfida del supermercato verso di noi era coprire almeno il 60% di tutti i clienti che si trovavano al negozio.
Di conseguenza, il canale di comunicazione di massa doveva basarsi su notifiche SMS o USSD.
Un visitatore entrava nel negozio e la sua carta veniva scansionata con un lettore speciale. Il nostro server riceveva quindi un segnale (tramite l'applicazione basata su Node.js, che è stata sostituita con Python), sollevando la questione se una promozione fosse utile in questo caso. C'era un modello per il cliente o no? ... Se c'era un'offerta per l'acquirente, riceveva un SMS.
Dove erano memorizzati tutti i dati?
Abbiamo utilizzato CouchDB per la memorizzazione dei dati. Successivamente abbiamo cambiato il sistema in Couchbase per maggiore comodità.
Come era organizzata la lavorazione dei microservizi? L'elaborazione dei dati, così detti profili, modelli e schemi che appartengono agli utenti – questo modulo lavorava direttamente con il database ed analizzava i suoi dati. Qui abbiamo utilizzato una combinazione di logica + Python + Couchbase. Cioè, è stato installato il protocollo MTP – servizi esterni comunicavano con esso, e un normale API Restfull esterno basato su Node.js è stato installato. Riceveva tutte le richieste dai tag provenienti dai nostri server Arduino, che passavano attraverso canali 3G. L'obiettivo dell'API RestFull era semplicemente ottenere dati e nient'altro. Qui ha trasferito le informazioni tramite il protocollo MTP alla memorizzazione.
In altre parole, c'erano un certo numero di compiti, e il servizio che lavorava con il database li riceveva come coda per l'elaborazione (coda), dove tutti i compiti venivano elaborati in modo sincrono.
Il server di notifiche era connesso a Twilio, così come al server di notifiche push. Il suo compito era ottenere il numero di cellulare o UID del dispositivo mobile e inviare il testo designato.
Avevamo una connessione al servizio Python in background, che si collegava periodicamente ai server FTP Node.js, e caricava centinaia di migliaia di record e hash extra. Circa un milione di record sono stati caricati e memorizzati in Couchbase. Ogni ora elaborava una certa quantità di dati per creare un certo gruppo di utenti con le chiare preferenze dei clienti.
La Prossima Fase Di Integrazione E Test
Nella seconda fase di sviluppo dovevamo installare più lettori in diverse zone per inviare il pacchetto di offerte. L'obiettivo chiave, come stabilito dal supermercato, era fornire ai promotori canali di comunicazione aggiuntivi senza il carico pubblicitario sullo spazio commerciale.
La gestione del supermercato voleva vedere quanto efficace sarebbe stata questa campagna pubblicitaria rispetto a metodi di marketing alternativi (ad esempio, banner, volantini, ecc.).
Avevamo bisogno di monitorare come il messaggio pubblicitario influisce sul risultato dell'acquisto. Ad esempio, i messaggi pubblicitari con il testo ipotetico “compra salsiccia” sono stati inviati a circa 10 mila potenziali clienti in un certo periodo. Era necessario calcolare quanto salsiccia è stata venduta durante questo periodo, rispetto ai risultati precedenti. In base ai risultati ottenuti, potevamo trarre determinate conclusioni. Un'analogia al modello Cost-Per-Action online nell'Internet potrebbe essere applicata qui dove il cliente paga solo quando azioni specifiche sono state compiute dagli utenti/visitatori.
Per testare questa fase, 20 visitatori del supermercato sono stati forniti di tag RFID, e il loro compito era simulare il comportamento dei visitatori normali del supermercato.
Riepilogo
Sebbene questo possa sembrare futuristico, le raccomandazioni/promozioni orientate ai visitatori appariranno in tutti i grandi supermercati nel prossimo anno. Amazon ha già dimostrato che molti processi nel retail possono essere automatizzati con il loro Amazon Go negozio. L'attenzione e la fedeltà dei visitatori sono il “tesoro d’oro” per cui le aziende moderne competono ora.