Pokud chce obchodník prodat, musí personalizovat. A to nejen obsah, ale taky formu komunikace směrem k zákazníkovi. Dávno to není jen o oslovení jménem a nabízení podobných produktů v e-shopech. „Koncový zákazník neočekává super komplikované řešení. Chce mít jen dobrou zákaznickou zkušenost a na míru ušitou komunikaci. Zkrátka aby mu prodejce nákup co nejvíc zjednodušil,“ říká v ADASTRA podcastu Jakub Šmíd, Techlead ze společnosti Blindspot Solutions.
- Jak dlouho trvá vyvinout prototyp pro personalizaci komunikace na e-shopech a kolik času je potřeba na jeho integraci?
- A proč je lepší začít s menšími úkoly a od těch se posouvat k hlubším analýzám?
- Jak nastavit dynamický pricing u jídla, kterému se blíží datum expirace tak, aby na něm prodejce zvednul obrat třeba až o 60 %?
- Jak díky tomu optimalizovat zásoby ve skladech a predikci prodejů?
Poslechněte si podcast
Přečtěte si podcast jako rozhovor
Ivana Karhanová: Personalizace je klíčovým prvkem úspěšného prodeje. Alespoň to na nás, kteří se zabýváme marketingem a prodejem, skáče ze všech stran. Že nejde jen o oslovení jménem, většina lidí z branže už ví. Jenže personalizace není ani pouhé nabízení podobných produktů. O tom, co všechno personalizace může znamenat a také o tom, co je data-driven e-commerce, si budu povídat s Jakubem Šmídem, Techleadem ze společnosti Blindspot Solutions.
Jakub Šmíd: Dobrý den, díky za pozvání.
Ivana Karhanová: Co všechno je personalizace? Nebo spíš, kde by podle vás třeba ještě mohla být a kde vám chybí?
Jakub Šmíd: To je dobrá otázka. Personalizace z mého pohledu znamená, že když jsem klient nějakého obchodu, přijdu tam, tak třeba chci, aby moje uživatelská zkušenost byla šitá na míru tomu, co hledám, co chci nebo jakým způsobem ke mně ten obchod promlouvá. Chci, aby mě kontaktoval, kdy se mi to hodí a na kanálech, na které jsem zvyklý a podobně. Poslední příklad, co jsem si všimnul, se týká mojí oblíbené aplikace na objednávání jídla Wolt. Mám zhruba šest restaurací, v nichž často objednávám. Když přijdu na stránku Woltu, rád bych, aby restaurace, ze kterých často nakupuji, pro mě byly snadno dostupné. Místo toho, když zadám název jídla, tak mi to vyhodí na dvě stě různých restaurací, které jsou zaměřené na asijskou kuchyni. Ta aplikace mně jako vracejícímu se zákazníkovi není schopna dát do výsledků moji oblíbenou restauraci. Pokaždé musím zadat podrobné vyhledávání, nebo prostě scrollovat, což mi zabere třikrát víc času, než bych chtěl. Byť mám tu aplikaci rád, prostor pro zlepšení tam určitě je. Když člověk čte články o personalizaci, tak oslovení jménem je sice určitě dobrý krok, ale chtělo by to ještě něco víc. V případě Woltu by stačilo seřadit vyhledávání, kde jsem nakupoval nejčastěji, což mi přijde jako velmi laciný krok, který je skoro zadarmo.
Ivana Karhanová: Anebo podle místa, kde zrovna jsem.
Jakub Šmíd: Přesně tak.
Ivana Karhanová: Konkurenční aplikace mi standardně nabízí restaurace po celé Praze, kde mě dovoz stojí strašné peníze, ačkoliv restaurace v okolí mají dovoz zdarma, nebo si pro jídlo můžu přijít.
Jakub Šmíd: U Woltu jsem si všimnul, že tam je i diskrepance mezi mobilní aplikací a webovými stránkami. Web mi nabízí všechno, co je v Praze, a mobilní aplikace jenom to, co je poblíž. Když jsem doma, tak si jídlo spíš objednávám přes notebook, ale když jsem na cestách, tak většinou sáhnu po mobilní aplikaci. Třeba když jsem na D1 v Průhonicích a vracím se domů, tak bych chtěl, aby na mě čekalo jídlo, až tam přijedu. Ale ta aplikace mi nabízí jenom restaurace blízko Průhonic, což právě nechci. Takže tam bych řekl, že to je skoro opačně, že na webu bych chtěl restaurace poblíž Holešovic, kde bydlím, a v mobilní aplikaci spíš přednastavit, kde to chci.
Ivana Karhanová: Proč myslíte, že to nemají? Asi není těžké seřadit výsledky vyhledávání podle zadaných parametrů.
Jakub Šmíd: Těžko říct. Možná mají spoustu jiné práce. Předpokládám, že zaměřují síly na integraci dat ze všech restaurací. Ale přijde mi, že spousta věcí by byla velmi laciná a jejich efekt by byl mimořádný. Třeba když si chci objednat jídlo, tak mi to zabere 20 minut místo tří kliknutí, zvlášť, když si objednávám pořád to samé. Kdyby tam bylo „Naposled jste si objednával“, tak by mi stačilo jenom ťuknout s tím, že přesně to chci zase dneska znova. Tak to bych byl úplně nejšťastnější.
Ivana Karhanová: Vlastně to, na co narážíte, docela úzce souvisí s UX a UI. Už to přesně není nabízení podobných produktů, ale je to práce s tím, jak uživatel tu aplikaci využívá.
Jakub Šmíd: Ano, určitě. Znalost o zákazníkovi je jedna věc a druhá stránka věci je, jak tu znalost využiju a třeba ji trochu přeskládám jako UI, vypíchnu nějaké věci, nebo naopak zvolím, kdy zákazníka kontaktovat. Myslím, že nejlepší jsou reálné příklady, kdy je impuls ke kontaktování relativně jasný. A těch je spousta. Třeba teď jsem hledal nějaký stan, hlídal jsem ho podle recenzí, a jeden jsem si vybral. Cenu znám, ale nikde ho nemají skladem, podle výrobce bude za pár měsíců. Nevadí, počkám si. Ale teď mě ten stan pronásleduje na webu. Jak jsem stan jednou zadal do Googlu, tak mě teď honí všude. Pokaždé, když se mi zobrazí, doufám, že ho mají skladem, abych bych si ho objednal, ale vždycky se dozvím, že ho skladem nemají. Tak to je pro mě ztráta času, protože si ho nemůžu objednat. Ale jako zákazník vysílám jasný signál, že jsem pro ten produkt rozhodnutý. Stačilo by, kdyby obchodníci měli nějakou tabulku, kdo konkrétní produkt poptával, a když se naskladní, tak mu o tom poslat e-mail. A ještě si dokážu představit, že kdyby mi přišla hezká zpráva: Dobrý den, Jakube, konečně máme ten stan skladem, a jako omluvu za to, že jste čekal tak dlouho, tady máte hezkou pětiprocentní slevičku. Tak já bych tam rovnou nakoupil, protože sleva je super, zaplatím ještě míň, než jsem chtěl, a už jsem byl pro ten produkt rozhodnutý a čekal jsem, tak nemám o čem přemýšlet. Nemyslím si ale, že mi takových e-mailů přijde moc. Chodí mi jen spousta newsletterů o tom, co mají e-shopy na svých stránkách nového, protože většinou, když tam člověk pošle poptávku, tak ho rovnou zařadí do nějakého odběru newsletterů.
Ivana Karhanová: My jsme se ale dostali v podstatě od personalizace produktů, kde se vracím a kupuju často, což je třeba jídlo, které můžete kupovat dejme tomu každý den nebo obden v nějaké rozumné míře přes aplikace, k produktům, které kupujete jednou za dlouhou dobu, v případě stanu třeba za několik let. Jak v tomto případě udělat personalizaci, protože tady už to není o UX a UI a o smart v přístupu k uživateli v aplikaci, ale personalizace by měla být založená na něčem jiném.
Jakub Šmíd: Byť UX a UI tam určitě hraje roli, viz třeba absence tlačítek jako „Dejte mi vědět až se něco naskladní“ a samozřejmě množství věcí, které tam můžu dělat s daty, je jiné. Jak jste správně řekla, tak u služeb, kam se vracím, tam o mně těch dat ví spoustu a já chci, aby s těmi daty něco dělali, protože mě znají jako zákazníka a celou moji zkušenost. A pak jsou jiné stránky, kde třeba stan si nekupuji pravidelně jednou za půl roku. Tam jde spíš o to, vědět, jací zákazníci tam chodí, co jim nabízet, jakým způsobem je oslovit, a v tom ta data můžou pomoct.
Ivana Karhanová: Já si pod tím zatím představuju klasickou lištu „Další zákazníci také zakoupili“, kde vidím výběr pěti fotek, co zákazníci také koupili.
Jakub Šmíd: Jasně, tam jde určitě dělat lepší analýzy, aby výsledky byly relevantní – co zákazník kupuje, podobné produkty. Může tam být i nějaká hlavní stránka, kterou můžu nastavit třeba i podle toho, co zjistím od Googlu, tedy alespoň základní kategorie typu jakého věku je zákazník.
Ivana Karhanová: To znamená, že z těch dat ještě děláte nějaké hlubší analýzy a využíváte data třetích stran.
Jakub Šmíd: Čím víc dat můžu pospojovat, tím o tom zákazníkovi vím víc. Samozřejmě to zabere víc času. Pokud jsem malý e-shop, tak je dobré začít s nějakou personalizací, například přidat tlačítko „Dejte mi vědět, až se to naskladní“ a napsat si nějaký jednoduchý prográmek, který to občas projde a napíše e-mail lidem, kteří e-shop zkontaktovali, a ty produkty jsou už skladem. To podle mě nezabere moc práce, ale kdybych měl za úkol pospojovat spoustu různých dat, tak se vyplatí stanovit si nějaké priority, jako v čem by mohla být zákaznická zkušenost lepší, jak to udělat, aby pro zákazníky byl nákup hezký, aby věděli všechny informace, případně nám dali na sebe kontakt a podobně. Ani to nemusí dát moc práce. Dělat hlubší analýzy je možné, ale vyplatí se začít těmito, jak by řekl Angličan: low hanging fruits.
Ivana Karhanová: Napadá mě ještě jedno odvětví, které nespadá do toho, o čem jsme mluvili, a to je móda. Já se sice vracím do oblíbených e-shopů, mohu i relativně pravidelně, třeba několikrát za rok, ale v podstatě kupuji pokaždé jiné produkty. A přesně tak, jak vás honí stan po webu, tak mě teď honí po webu šaty, které jsem si koupila na Zootu, a samozřejmě stejné si už kupovat nebudu. Ale přesto, jak oni můžou personalizovat nabídku, když, dejme tomu, si nebudu kupovat druhé stejné černé šaty, nebo nechci si kupovat druhé stejné dlouhé šaty. Jak to můžou udělat?
Jakub Šmíd: V minulosti jsme to dělali tak, že jsme se třeba koukali, jak zakazníci procházejí určitým webem. A viděli jsme, že když tam jdete s nějakým záměrem, třeba že si chcete koupit červené šaty, tak na ně klikáte. Dá se předpokládat, že když kliknete na šaty jedna a šaty dva, tak mezi nimi bude nějaká podobnost. Jsou nějaké algoritmy, které dokážou vzít balík různých průchodů, na co lidi klikali v těch posloupnostech, a nějakým způsobem se naučit, jaké produkty jsou si podobné. Pak můžu nabídku přizpůsobit pro nějaký konkrétní segment zákazníků podle toho, jak vnímají podobnost produktů.
Ivana Karhanová: A tu podobnost děláte na základě čeho – na základě popisů, nebo metadat zboží, anebo na základě vizuální podoby?
Jakub Šmíd: Na základě toho, jak tam ty lidi klikají. Nosný předpoklad je, že když kliknu na dva produkty hned po sobě, tak tam zachytím nějakou podobnost.
Ivana Karhanová: Ale podle čeho najdete podobné produkty? Na základě tvrdých popisů, které by tam musel zadat člověk, který zadává nebo přijímá zboží do systému, nebo by to muselo být od výrobce, anebo tu podobnost generujete na základě obrázku?
Jakub Šmíd: Ne, nic takového není potřeba. Nám stačí mít jenom sekvence, na co lidé klikali. Často se ukazuje, že když se dělá podobnost na základě popisků, které lidé píšou, nefunguje to dobře. Když si představím sám sebe, že mám před sebou třeba pole, kde je nějakých padesát bot, a mám představu o tom, jaké boty chci, tak kliknu na první. Ty se mi nelíbí, ale pak kliknu na jiné, které taky splňují vyhledávací kritéria. A když pak takhle dám dohromady informace o z několika desítek tisíc vyhledávání a sekvencí, jak lidi klikají, tak to nějakým způsobem může zachytit důležité podobnosti, protože tuhle informaci mi uživatelé říkají sami.
Ivana Karhanová: Takže v podstatě to načítáte z historie všech uživatelů, kteří procházejí weby, a na základě jejich reálného klikání.
Jakub Šmíd: Přesně tak. Kdybych to chtěl pak víc analyzovat, tak si vezmu lidi, kteří jsou podobní jako já, a jaký produkt je pro ně relevantní. Jedná se tedy o doporučení pro konkrétní skupinu uživatelů na základě podobnosti zákazníků.
Ivana Karhanová: To znamená, že mi podobné produkty nabízíte na základě obrovského množství dat – na co klikli lidé, s nimiž mám poměrně velkou datovou shodu.
Jakub Šmíd: Přesně tak. Nepotřebuji nikde explicitně říkat, jestli to dělám podle obrázků nebo podle nějakého textu, což vyžaduje samozřejmě velkou přípravu, abych měl relevantní texty. Naopak se ukazuje, že detaily jako přístupy, kde do podobnosti nedávám nic, co tam nějaký člověk explicitně zakóduje, protože často ty popisky nejsou moc relevantní tomu, co lidé vyhledávají. Příkladem může být popisek „červené tričko“.
Ivana Karhanová: S obrázkem.
Jakub Šmíd: Nebo něco takového. Sice to je nějaká informace, ale jen o tom, že kdybych hledal červená trička, tak jaká by vůbec mohla být relevantní. Hledal jsem teď pro dceru plyšovou postavičku lesního skřítka Totoro. Zadal jsem prostě plyšáky nebo Totoro, a nabídlo mi to spoustu výsledků. Někteří plyšáci byli malí, jiní velcí. Ale já jsem měl představu, jaký by se mi líbil, a jak jsem klikal, tak ta sekvence kódovala ty nejvíc podobné.
Ivana Karhanová: Zužovala výběr vám nabízených produktů.
Jakub Šmíd: Ano. Kdyby pak někdo hledal Totora a kliknul na jednoho konkrétního, tak ten algoritmus ví, že Kuba Šmíd potom, co kliknul na prvního, následně kliknul na druhého. Tuhle informaci pak může zařadit do nejpodobnějších produktů. Je to prostě založené na tom, na co kliknul nějaký Kuba a dalších třeba sto tisíc uživatelů.
Ivana Karhanová: Jak náročná je taková personalizace?
Jakub Šmíd: Protože nám stačí jenom historie, tak se dá udělat relativně rychle, v rámci dní, nějaký prototyp. Dát to pak někam na web je už otázka nějaké integrace. Záleží na tom, jak je komplikovaná, jestli klient využije nějaké naše API, nebo jestli my to integrujeme přímo k nim a bude se to spouštět v nějaké jejich databázi. Déle než několik týdnů by to zabrat nemělo.
Ivana Karhanová: Personalizace je jenom jedna část data-driven e-commerce. Další, co se řeší, je sustainability neboli udržitelnost. Řešíme ji například v segmentu food/beverage, plýtvání jídlem. Vyřešíte i algoritmy, které umí třeba supermarketům dopředu říct, kdy by se toho jídla měli začít zbavovat, aby ho nemusely vyhodit?
Jakub Šmíd: Ano, tohle spadá do nějakého širšího tématu, které se jmenuje dynamické naceňování, kdy se snažíme produkty naceňovat trochu optimálněji, abychom zvýšili počet prodejů a podobně. V případě sustainability si můžete v supermarketu často všimnout, že třeba u něčeho, čemu vyprchává trvanlivost, nastaví větší slevu a je to. Funguje to i on-line. Na Rohlíku mají „Zachraň jídlo“, to je docela hezký koncept. A co umíme my? Když se koukneme na data, tak se často ukazuje, že supermarkety nastaví slevu moc velkou, což znamená, že třeba nějaký produkt expiruje až třeba za týden a oni na něj dají slevu 50 procent. Další den je úplně vyprodaný. Skoro to vypadá, že kdyby nastavili slevu menší, tak vydělají víc peněz, a to jídlo se stejně nevyhodí.
Ivana Karhanová: To znamená, že ten prodej rozloží do delší doby za vyšší cenu a za vyšší marži?
Jakub Šmíd: Přesně tak. Druhý případ je, že tu slevu nastaví jako moc malou, nebo ji zavedou moc pozdě, a pak vyhodí spoustu jídla. Z pohledu optimálního nastavení ceny bych nastavil slevu takovou, abych omezil vyhození jídla a zároveň abych tím maximalizoval marži. A tohle mi přijde jako super příklad. Moc se mi to líbí, protože to má hezký průnik, kdy zájmy všech se slučují. Je tam nějaký zájem společnosti, kdy vyhodím miň jídla. Já jsem takový, že vždycky, když najdu v lednici něco, co se zkazilo, tak mám pak pár dní pocit viny.
Ivana Karhanová: Na to existuje ledničková polívka. Prostě hodíte do hrnce všechno, co potřebuje sníst, a uvaříte z toho polívku.
Jakub Šmíd: Já na to většinou přijdu pozdě a pak už to házet do polívky nechci. Asi se v tom budu muset taky zlepšit. Ale když člověk vidí čísla, kolik tun jídla vyhodí hypermarkety, tak má pocit, že se asi dělá něco špatně. Při nastavení slevy jsou šťastní všichni. Vyhodí se míň jídla, někdo si ho koupí levnější a supermarket má zároveň trochu větší marži. Ani supermarket nechce to jídlo vyhazovat, protože to, co neprodá, je čistá ztráta. Například u našeho klienta jsme na základě dat zjistili, že kdybychom vše nastavili optimálněji, tak mu zvedneme obrat u vyhozeného jídla o 60 procent, což samozřejmě na té marži udělá výrazně víc. Obzvlášť, když zboží prodáte s malou ztrátou, nebo bez ztráty. To pak v objemech, které prodávají větší řetězce, udělá hrozně moc.
Ivana Karhanová: Na druhou stranu ve chvíli, kdy tohle zavedete, tak se vám to musí začít propisovat i do stavu zásob, ne? Protože ten supermarket objednává další věci s nějakým předstihem, a když tam zavedete něco, co pracuje s dynamickými cenami, tak jim to ovlivňuje i stav zboží na skladě.
Jakub Šmíd: Já si myslím, že kdybych to naopak všechno dokázal propojit tak, že bych měl naceňování, které to jídlo a ty zásoby bude prodávat s nějakou relativně predikovatelnou křivkou, tak to naopak zvýší stabilitu zásob. Neříkám, že je to úplně jednoduché.
Ivana Karhanová: A zvýší efektivitu zásobovacího procesu.
Jakub Šmíd: Ano. První krok je pro mě jako pro supermarket vůbec vědět, co se děje. Stává se mi, že sleva je moc velká, nebo moc malá, vyhazuji ty věci, nebo se naopak prodávají moc rychle. Když zboží prodám moc rychle, tak to znamená nejen to, že jsem zavedl tu slevu moc velkou, ale můžu mít problém, že jsem třeba ještě neobjednal náhradní várku. Je super, že jsem to prodal rychle a nezkazí se to, ale najednou přijde další zákazník a už je všechno vyprodané.
Ivana Karhanová: Takže je pak naštvaný, že to není.
Jakub Šmíd: Přesně tak. Čím stabilnější je prodej zboží, tím lepší je to pro lidi, kteří řeší naskladňování. Mohou si říct, že každý týden se prodá tolik a tolik brambor, a že na pondělí můžou zase objednat další zásobu. Pokud to je ale tak, že někdy se to prodá a někdy se to vyhodí, tak nevědí, jestli to mají objednat na úterý, nebo na neděli.
Ivana Karhanová: Dostáváme se tím od dynamického pricingu k optimalizaci zásob nebo predikci prodejů?
Jakub Šmíd: Ano. Souvisí to v ruku v ruce. Myslím si, že tato témata jsou si dost podobná, a pokud částečně umíme řešit jedno, tak tím dokážeme trochu pomáhat tomu druhému zase opačným směrem. Pokud bych měl dobře vyřešeno, kdy mám co kupovat, tak i to může být nějakým vstupem do dynamického naceňování, protože třeba můžu tu slevu držet menší, pokud vím, že naskladním třeba až za dva dny. Pokud naopak vím, že mi přijede dalších několik desítek kilo zásob a potřebuji prázdný regál, tak je zase dobré tu slevu nastavit vyšší. Příklad dynamického naceňování s tím vyhazováním jídla, to myslím, že je jenom část celého problému. A čím víc logisticky to dokážu udělat, tak tím líp pro mě. Ale zase, pokud s tím začínám, tak si můžu vybrat jenom subsegment, než stavět nějaký velký systém, který se mi bude snažit holisticky zachytit co nejvíc informací.
Ivana Karhanová: To znamená začít něčím a postupně k tomu napojovat další části tak, jak se mi to jedno řešení bude postupně propisovat do dalších procesů.
Jakub Šmíd: Ano, to by bylo moje doporučení. Myslím si, že tak to funguje mnohem líp, než abych zjistil, že se snažím budovat něco, co je jako moc komplexní. Často se právě zjistí, že standardní proces je, že si uděláme nějakou analýzu, bavíme se s lidmi, jak ten proces funguje, kdy se vyhazuje, jak upravit ceny. Říct si, že zavedu slevu takovou a takovou na tento produkt je v on-line prostoru jednoduché, v případě kamenných obchodů to znamená, že tam bude muset někdo jít a přelepit nějaké štítky, pokud ten obchod už nemá digitální ukazatele cenovek. Není to tak, že lusknu prstem a v celém obchodě se mi rázem automaticky změní ceny. V rámci analýzy se zjistí, jak je tohle náročné, což taky vstupuje jako parametr. V on-linu můžu cenou hýbat, jak často se mi zachce, ale jenom v dynamickém naceňování můžu tu změnu udělat jednou denně, jednou za dvě hodiny. Každá změna ale může něco stát a je dobré s tím počítat. To se zjistí v té analýze, ale občas se nezjistí všechno. Takže když mám nějaký velký proces, který zahrnuje naskladňování, naceňování věcí v průběhu času, tak se může stát, že pak přijde někdo a řekne: To je hezké, že to tady spočítáte, ale já nemám kapacitu na to, abych to reflektoval, musel bych pak volat nějakým lidem. A samozřejmě, čím větší projekt, tím víc takových věcí se objeví v průběhu času. Takže začít něčím menším trochu eliminuje, že se pak ukáže nějaký problém proto, že někdo tak trochu předpokládal, že propsat tuhle informaci a zpropagovat ji k lidem, kteří s ní pak pracují, bude jednoduché. Pak se může ukázat, že to je úplně naopak, a trochu to brání celému use casu.
Ivana Karhanová: Říká Jakub Šmíd, Techlead z firmy Blindspot Solutions. Díky, že jste přišel do studia, a někdy u povídání u dalšího data-driven e-commerce na slyšenou.
Jakub Šmíd: Díky za pozvání. Hezký den.