Verwenden Sie Analytics, um Ihren Kunden zu kennen

Dieses Playbook zeigt, wie Sie das Verhalten und die Stimmung von Kunden in Bezug auf verschiedene Parameter Ihres Treueprogramms mithilfe von Dashboards und künstlicher Intelligenz bewerten können, die auf der Retail Data Platform basieren.

Geschäftslösung

Dieses Playbook zeigt, wie Daten aus dem Loyalty-Management-System, Point-of-Sale-/POS-Transaktionsdaten kombiniert und diese Daten dann mit externen Verbraucherdatenpunkten um die Altersgruppen und den Familienstand angereichert werden, alle Daten kollidieren, mit Datenqualität umgehen und die Analyse automatisch stündlich vorbereiten.

Darüber hinaus verwendet dieses Szenario zur Validierung der richtigen Maßnahmen alle Daten und die integrierte KI-Modellierung von Oracle, um Was-wäre-wenn-Szenarios zu entwickeln, um die Auswirkungen vorgeschlagener Änderungen vorherzusagen, damit Benutzer die beste Alternative auswählen können.

Hinweis:

Im größeren Know-your-Customer-Szenario würde dies wahrscheinlich zusätzliche Daten über Kampagnen, möglicherweise Merchandising, möglicherweise Social-Media-Feeds (automatisch angereichert und in ein nützliches Format übertragen) und andere externe Ereignisse wie Wetter, Sport, Veranstaltungen usw. erhalten.

Mit der Oracle Retail Data Platform können Sie alle Aspekte von Daten erfassen und verwalten und an einem Ort gut organisieren. Von strukturiert bis unstrukturiert, von relationalen über Videos bis hin zu Tweets bis hin zu Geodaten sind alle Formate an einem Ort gespeichert, sodass eine sichere und organisierte Analyse möglich ist.

Kunden, die sich stark auf Oracle-Produkte verlassen und die Datengravitation nutzen, d.h. alle Daten in einem Betriebsmodell konsolidieren, eine Cloud und ein Anbieter, bieten klare Vorteile:

• Keine Egress-Gebühren.
• Weniger Datenlatenz- und Qualitätsprobleme.
• Ein Sicherheits- und Governance-Modell.

Relevante Begriffe und Konzepte der Branche verstehen

Dieses Playbook verwendet einige Branchenbegriffe und -konzepte, mit denen Sie vertraut sein sollten, damit Sie den Wert dieses Szenarios besser verstehen können:

• Erfassung

  Kundenakquise ist der Prozess, neue Kunden über verschiedene Kanäle zu gewinnen. Bezahlte Anzeigen, Social Media, Mundpropaganda und E-Mail-Marketing sind nur einige Beispiele dafür, wie Unternehmen neue Kunden gewinnen können.

• Segmentierung

  Ein Segment ist eine Gruppe von Kunden, die anhand von Daten erstellt werden, die Verhalten und Profileigenschaften verfolgen. Jedes Segment verfügt über bedingte Kriterien, die bestimmte Kunden aus Ihrer Kundendatenbank qualifizieren. Von Ihnen erstellte Segmente können in andere Oracle-Marketingorchestrierungstools zur Implementierung von Kampagnen wie Oracle Responsys und Oracle Eloqua exportiert werden. Als Beispiel möchte Ihr Unternehmen eine Werbekampagne durchführen, um überschüssigen Bestand an Winterbekleidung für Kinder zu verkaufen. Sie können das Segment für diese Kampagne in Oracle Unity für den Export in ein Marketingorchestrierungstool erstellen.

• Aktivierung

  Die Kundenaktivierung bezieht sich auf den Akt, Kunden zu motivieren, die Vorteile des von ihnen getesteten Produkts vollständig zu nutzen und somit ihr gesamtes Engagement zu erhöhen. Das Ergebnis könnte darin bestehen, einen neuen Kunden zu generieren oder einen inaktiven Kunden erneut zu kontaktieren. Was auch immer es ist, Aktivierung geschieht, wenn ein Kunde von Ihrem Produkt oder Service durch relevantes Marketing begeistert wird, indem er seine Vorteile vollständig versteht (der schwer fassbare 'aha!' Moment)

• Konvertierungsrate

  Konvertierungsrate ist der Prozentsatz der Personen, die Ihre Webseite besuchen, die in Ihrem Angebot konvertieren. Die Konvertierungsrate wird berechnet, indem die Anzahl der Personen geteilt wird, die sich in die Anzahl der Personen konvertiert haben, die Ihre Seite besucht haben.

Technische Lösung

Die technische Lösung basiert auf der Oracle Retail Data Platform, einer einzigen Plattform zum Speichern, Verwalten, Anreichern und Analysieren aller Arten von Daten. In diesem Beispiel importieren wir Datenfeeds aus POS- und Loyalty-Systemen (API-Schnittstellen), die sie über Datenqualität und Transformationspipelines ausführen, um einen kuratierten See zu schaffen. Dann nehmen wir einen Feed von Oracle Advertising Cloud an, um zusätzliche Informationen über die Verbraucher zu erhalten, beispielsweise über ihre Altersgruppen und den Familienstand.

Oracle Fusion Analytics und Retail Insights sind Beschleuniger für einen schnelleren Zugriff auf die Datenmodelle, und Oracle übernimmt einen Teil des Wartungsaufwands. Diese Services verwenden denselben technischen Baseline-Stack, der eine größere Interoperabilität gewährleistet. Folgende Informationen können Sie von Oracle Analytics ableiten:

• Schwache Signale von Verbrauchern (aus sozialen Medien).
• Kundensegmentierung, mit der Sie eine bessere Aktivierung/Nachricht fördern und Merchandising- und Versorgungsstrategien vorantreiben können.
• Nachfrageänderungen auf der Grundlage von Kampagnen oder externen Veranstaltungen (Wetter, Sport, nationale Veranstaltungen, lokale Veranstaltungen).

Von strukturierten zu unstrukturierten, von relationalen über Videos bis hin zu Tweets bis hin zu Geodaten werden alle Formate für eine sichere und organisierte Analyse an einem Ort gespeichert. Während alle Cloud-Anbieter eine Form von Data Lake haben, ist Oracle der einzige, bei dem Sie die verschiedenen Datentypen frei in einem Toolset kombinieren können. Sie müssen Daten nicht zwischen verschiedenen Datenbanktypen verschieben, und Sie können relationale Tools verwenden, um nicht strukturierte Daten- oder Data-Science-Tools abzufragen, um maschinelles Lernen an Ort und Stelle im See durchzuführen. Darüber hinaus verwendet die gesamte Datenplattform ein Sicherheitsmodell, einen Standort und einen Managementansatz für einfachere und effizientere Vorgänge.

Beschreibung der Abbildung Retail-lakehouse.png

Retail-Lakehouse-oracle.zip

Architektur

Das folgende Diagramm veranschaulicht den in dieser Lösung beschriebenen Workflow.

Beschreibung der Abbildung retail_lakehouse_fc.png

retail_lakehouse_fc.png

Die Architektur umfasst die folgenden Phasen:

• Suchen

  Hier erfassen wir die strukturierten und unstrukturierten Daten aus verschiedenen Quellen wie Point of Sale-(POS-)Systemen wie Micros, Enterprise Source Systems (ERP), Customer Experience, Produkt und Marketing sowie IoT Input, Store Operations, einschließlich In-Store-Fußverkehr und Social Media-Daten.

• Erfassen

  Die Daten werden aus einer Vielzahl von Quellsystemen mit OCI-Integrationsservices aufgenommen und an den Data Lake-Objektspeicher übergeben, der die Landing Zone der Datenplattform ist.

• Transformieren und pflegen

  Darüber hinaus werden die Daten mit dem OCI Data Flow-Service, dem vollständig verwalteten Apache Spark-Service, bereinigt, transformiert und angereichert, der Verarbeitungsaufgaben für extrem große Datasets ohne Infrastruktur zum Bereitstellen oder Verwalten ausführt. Wir verschieben Daten von einer kuratierten Zone in die endgültige Speicherebene der Datenplattform, bei der es sich um eine Kombination aus Object Storage und Autonomous Data Warehouse (ADW) handelt. Sie unterstützt die Demokratisierung von Daten im gesamten Unternehmen.

• Analysieren, lernen und vorhersagen

  Die Daten werden jetzt verwendet, um Geschäftseinblicke über zentralisierte Oracle Analytics Cloud-(OAC-)Dashboards zu analysieren und bereitzustellen. Darüber hinaus erweitern wir unsere Analyse mit dem KI/ML-Stack von Oracle, um die Ergebnisse zu erlernen und vorherzusagen.

• Messen und handeln

  Die Datenplattform kann jetzt mit benutzerdefinierten Apps, Open-Source-Technologiestacks und Hybridplattformen integriert werden. In dieser Demo zeigt die Integration mit der Data Science-Plattform die hinzugefügte Intelligenz zur Erfassung des Kundenverhaltens.

Architekturkomponenten

Die Architektur für dieses Szenario enthält die folgenden Komponenten:

• Datenquellen

  Dies sind die Ursprungspunkte für die Datenaufnahme zur Datenplattform. Beispiele: POS-Systeme wie Micros, User Web Behavior Analytics, Fusion Supply Chain Management-Apps, eCommerce-Quellen usw.

• Oracle Data Integration Service

  OCI Data Integration ist ein vollständig verwalteter, serverloser, cloud-nativer Service, der Daten aus einer Vielzahl von Datenquellen in Oracle Cloud Infrastructure-Zielservices wie Autonomous Data Warehouse und Oracle Cloud Infrastructure Object Storage extrahiert, lädt, transformiert, bereinigt und neu ausbildet.

• Object Storage

  Object Storage bietet schnellen Zugriff auf große Mengen strukturierter und unstrukturierter Daten eines beliebigen Inhaltstyps, darunter Datenbankbackups, Analysedaten und umfangreiche Inhalte, wie Bilder und Videos. Sie können Daten sicher und geschützt speichern und dann direkt aus dem Internet oder aus der Cloud-Plattform abrufen. Sie können den Speicher nahtlos skalieren, ohne dass sich die Performance oder Servicezuverlässigkeit verschlechtert. Verwenden Sie Standardspeicher für "Hot"-Speicher, auf den Sie schnell, sofort und häufig zugreifen müssen. Verwenden Sie Archivspeicher für "kalten" Speicher, den Sie über lange Zeiträume aufbewahren und selten oder selten darauf zugreifen.

• Datenfluss

  OCI Data Flow ist eine cloudbasierte, serverlose Plattform, mit der Sie Spark-Jobs in beliebiger Größe erstellen, bearbeiten und ausführen können, ohne dass Cluster, ein Betriebsteam oder hochspezialisierte Spark-Kenntnisse erforderlich sind. Während der Laufzeit ruft Data Flow die Anwendungsquelle ab, erstellt die Verbindung, ruft die Daten ab, verarbeitet sie und schreibt die Ausgabe in Oracle Cloud Infrastructure Object Storage.

• Autonomous Data Warehouse

  Oracle Autonomous Data Warehouse ist ein selbststeuernder, selbstsichernder und selbstreparierender Datenbankservice, der für Data Warehousing-Workloads optimiert ist. Sie müssen keine Hardware konfigurieren oder verwalten oder Software installieren. Oracle Cloud Infrastructure verwaltet das Erstellen der Datenbank sowie Backup, Patching, Upgrade und Optimierung der Datenbank.

• Datenkatalog

  OCI Data Catalog ist ein Metadatenmanagementservice, mit dem Datenexperten Daten ermitteln und die Daten-Governance unterstützen können. Sie wurde speziell für eine gute Arbeit mit dem Oracle Ökosystem entwickelt und bietet eine Bestandsaufnahme von Assets, ein Geschäftsglossar und einen gemeinsamen Metastore für Data Lakes.

• Datenanalyse

  OCI Data Science ist eine vollständig verwaltete Plattform, auf der Teams von Data Scientists Modelle für maschinelles Lernen mit Python und Open-Source-Tools erstellen, trainieren, bereitstellen und verwalten können.

• Oracle Machine Learning

  Maschinelles Lernen ist eine Teilmenge von künstlicher Intelligenz (KI), die sich auf die Entwicklung von Systemen konzentriert, die basierend auf den von ihnen konsumierten Daten die Leistung erlernen oder verbessern.

• OML-Notizbücher

  Oracle Machine Learning Notebooks ist eine kollaborative Benutzeroberfläche für Data Scientists und Business-/Data Analysts, die maschinelles Lernen in Oracle Autonomous Database ausführen.

• OCI-Sprache

  OCI Language ist ein cloudbasierter KI-Service, der skalierbare anspruchsvolle Textanalysen durchführt. Mit diesem Service können Sie intelligente Anwendungen erstellen, indem Sie REST-APIs und SDKs nutzen, um unstrukturierten Text für Sentimentanalyse, Entityerkennung, Übersetzung und mehr zu verarbeiten.

• Oracle Analytics Cloud

  Oracle Analytics Cloud ist ein skalierbarer und sicherer Public Cloud-Service, mit dem Business Analysts moderne, KI-gestützte Selfservice-Analysefunktionen für Datenvorbereitung, Visualisierung, Unternehmensreporting, erweiterte Analysen sowie Verarbeitung und Generierung von natürlicher Sprache erhalten. Mit Oracle Analytics Cloud erhalten Sie außerdem flexible Serviceverwaltungsfunktionen, wie schnelles Setup, einfache Skalierung und Patching sowie automatisiertes Lifecycle Management.

• Datenverbraucher

  Daten-Consumer sind Entitäten, die von der Datenplattform verarbeitete Daten visualisieren und verwenden. Dazu gehören Geschäftsleiter, Oracle Business Intelligence-Apps, Oracle Analytics Cloud oder Kampagnen, Messaging und Treueprogramme eines Kunden.

Dashboards

Das Kundenverhalten von Loyalty wird in diesen beiden Analyse-Dashboards erfasst und dargestellt:

• Management-Dashboard
• Dashboard für Kundenprofilerstellung

Die Beispiele in diesem Playbook konzentrieren sich auf diese Dashboards und darauf, wie der Einzelhändler Einblicke daraus gewinnen kann. Sie können die Metriken, die Sie aus diesen Dashboards erfassen, auch mit einer Verwaltungsanwendung für Treueprogramme kombinieren, wie CrowdTwist von Oracle, um das Kundenverhalten besser zu verstehen und zu adressieren. Diese Anwendungen bieten in der Regel Funktionen wie Registrierung, Punkteverfolgung, Angebote und Prämieneinlösung. Eine Treueprogrammanwendung wie CrowdTwist würde als Quelle und möglicherweise als Consumer der in diesem Szenario angezeigten Analysen verwendet werden.

Die verschiedenen Perspektiven auf dem Dashboard für Treueprogramme zeigen die Performance und Konvertierungsraten von Treueprogrammen in den USA. Es analysiert die Mitgliedschaftsbewegung der letzten paar Jahre und identifiziert die Gründe für Geschäftsabweichungen. Die Kundenprofilingperspektiven zeigen verschiedene Aspekte der Kundenidentifizierung und des Kundenverhaltens, wie Mitgliedschaften, Konvertierungsrate (pro Filialverkehr), Geopräsenz des Programms, Ablehnungsgründe, Punkteeinlösung und Managementkampagnen.

Obwohl diese wie einfache Diagramme sauberer Daten aussehen, sind diese Daten selten in einem einfachen Format an einem einzigen Ort verfügbar. Während die Business-Anwender vor allem das Ergebnis sehen, ist der eigentliche Prozess, um hierher zu kommen, komplex und in der Vergangenheit, die meisten Unternehmen konnten dies als primär manuellen Prozess vielleicht ein- oder zweimal im Jahr tun. Mit unserer Lösung können Sie all das und mehr fortlaufend analysieren. Um am sinnvollsten zu sein, anstatt sich auf statische Klassifizierungen zu verlassen, lassen wir KI mehrere der Kategorien finden und bei der Modellierung helfen.

Beachten Sie, dass nicht alle diese Daten intern verfügbar waren. Einige der Elemente - insbesondere Alter und Familienstand - sind Datenanreicherung aus externer Quelle, Oracle Advertising Cloud.

Konvertierungsrate für Filialtraffic

Dieses Management-Dashboard bietet einen Überblick darüber, wie viele Kunden Ihrem Treueprogramm beitreten oder dieses verlassen. Es bietet Gründe zur Unterstützung positiver und negativer Kennzahlen. So können Sie das Geschäftsverhalten im Laufe der Zeit und für ein ausgewähltes Quartal in einem bestimmten Jahr besser verstehen.

Das folgende Beispiel veranschaulicht diese Geschichte: Das erste Diagramm zeigt die gesamte Loyalty-Mitgliedschaft im Vergleich zur vierteljährlichen Konvertierungsrate (d.h. neue Loyalty-Mitglieder). Im Quartalsvergleich sehen Sie ab Q3 2021 einen Abwärtstrend der Loyalty-Konvertierungsraten. Nehmen Sie nun einen tiefen Einblick in das andere Balkendiagramm. Es zeigt, dass der Filialverkehr im Jahr 2021 deutlich zugenommen hat (~100% Wachstum), aber die neuen Nettotransaktionen liegen bei etwa 25%. So scheint es, dass seit 2021 bei Treueprogrammen etwas schief gelaufen ist.

Beschreibung der Abbildung store_traffic_conversion.png

Loyalty - Kundenperformance

Im Dashboard "Kundenperformance für Treueprogramme" können Sie das Verhalten der aktuellen Mitglieder des Treueprogramms untersuchen.

Beschreibung der Abbildung loyalty_customers_performance.png

Wenn Sie in diesem Beispiel die vorhergehenden zehn Quartale untersuchen, geben die ersten beiden Balkendiagramme ab Q3 2021 eine signifikante Iteration/Opt-out für Treueprogramme in der Kundenmitgliedschaft an. Wenn Sie sich auf die untere Hälfte des Dashboards konzentrieren, wird das Verhalten von eingelösten Punkten gegenüber abgelaufenen Punkten angezeigt, was auf eine Abnahme der eingelösten Punkte und eine entsprechende Erhöhung der ablaufenden Punkte hinweist. Daraus können Sie schließen, dass Kunden keine Punkte bis zum angegebenen Ablaufdatum einlösen können. Das Tortendiagramm (niedriger rechts) gibt an, dass etwa 50% der Kunden den Punktablauf als Hauptgrund für die Abmeldung vom Treueprogramm erwähnt haben. Basierend auf diesen Daten können Ihre umsetzbaren Erkenntnisse darauf hinweisen, dass Sie die Punktezuteilung und die Ablaufzeitleiste ausführlich untersuchen.

Kampagnenprogramm

Mit dem Dashboard "Kampagnenprogramm" können Sie Kundenkampagnen weiter analysieren. Beispiel: Im Szenario ist es eine Kampagne, um das Treueprogramm "Opt-out-Kunden" beizubehalten. Hier helfen die in den letzten drei Monaten gesammelten Daten, die häufigen Käufer zu identifizieren, die sich für Loyalty-Mitgliedschaften entschieden haben.

Beschreibung der Abbildung campaign_program.png

Durch die Anwendung von Data Science können Sie die wenigen personalisierten Angebote identifizieren, die dazu beitragen, Kunden zu binden, wie:

• Cashback-Angebote
• Einen kaufen, einen erhalten (BOGO)
• Geschenkgutscheine
• Sonderrabatte

Ab dem dritten Quartal des Geschäftsjahres 2021 sehen Sie Spitzen bei den Opt-out-Kunden, da sie die Punkte aus verschiedenen Gründen nicht einlösen konnten, wie im Tortendiagramm angegeben. Als proaktive Kennzahl zur Rücknahme der Opt-out-Kunden können Sie bestimmte Kampagnen ausführen, personalisierte Angebote mit E-Mail-Marketing bereitstellen oder die Parameter der Einlösungsregeln ändern.

Dashboard "Treueübersicht"

Verwenden Sie das Kundenprofiling-Dashboard "Treueübersicht", um den Umsatz mit der Effektivität des Onboardings neuer Kundentreueabonnenten zu vergleichen.

Beschreibung der Abbildung loyalty_summary.png

In diesem Szenario können Sie anhand von Daten der letzten fünf Jahre feststellen, dass der Umsatz seit 2021 rückläufig ist. Seit März 2022 ist der Umsatz immer noch nicht so großartig, aber durch die Analyse des Wasserfalldiagramms sehen Sie überraschenderweise einen Aufwärtstrend beim Erwerb neuer Loyalitätsmitglieder.

Konzentrieren Sie sich jetzt auf das untere Balkendiagramm, und bewerten Sie die neue/neue Aktivität für Treuekunden. Sie werden feststellen, dass Ihr Treueprogramm bis 2020 hauptsächlich auf Cashback-Angebote und Koalitionstreue ausgerichtet ist, aber seit 2021 hat ein Teil unserer Geschäftsstrategie den Fokus auf das Treueprogramm "Kostenpflichtig" und "Staffel" verlagert. Basierend auf diesen Daten weisen aktionsfähige Erkenntnisse darauf hin, dass Ihre Geschäftsstrategie erneut überprüft werden muss, um zu bestimmen, wie Sie den Fokus auf Cashback- und Koalitionsprogramme zurückgeben können.

Kundenprofil

Das Dashboard "Kundenprofil" bietet eine weitere Perspektive auf das Kundenverhalten basierend auf demografischen Kennzahlen im Vergleich zum Umsatz.

Beschreibung der Abbildung customer_profile.png

In diesem Szenario sehen Sie, dass die Geschäftsumsätze seit 2021 gesunken sind. Um den Grund für den Umsatzrückgang zu ermitteln, können Sie in diesem Dashboard verschiedene Aspekte untersuchen, wie z.B. Mitgliedschaften, Geopräsenz, Treueprogrammkategorie, Familienstand, Alter und Kaufmuster. Nachdem Sie festgestellt haben, dass Sie die Einlösungsregeln ändern möchten, können Sie mithilfe von Visualisierungen, die von diesem Dashboard bereitgestellt werden, verschiedene Parameter ausprobieren und sehen, wie sie sich auf den Erfolg Ihrer Treue auswirken würden. Beispiel: Wenn Sie sich das Jahr 2020 ansehen, wurden die Treueprogramme hauptsächlich auf die verheirateten Menschen ausgerichtet, die zu 51% des gesamten Kundenstamms und verschiedenen Treueprogrammen wie Koalition und Cashback zusammen mit der gestaffelten Kundentreue beitragen, die umfangreiche Beiträge von 25 bis 35 Jahren bereitstellten. Daher müssen Sie sich ansehen, wie Sie lukrative Angebote einführen können, um die verheirateten Kunden in einer Altersgruppe von 25-35 Jahren zurückzubringen. Um um verwertbare Erkenntnisse zu erhalten, können Sie Was-wäre-wenn-Analysen ausführen und basierend auf den Einlösungsregeln verschiedene Parameter ausprobieren, um zu visualisieren, wie sich dies auf Ihren Treueerfolg auswirken würde.