Datathon Challenge: Làm thế nào để tăng doanh số bán hàng cho nhà bán lẻ toàn cầu – LamKinhDoanh

Làm kinh doanh: Datathon Challenge: Làm thế nào để tăng doanh số bán hàng cho nhà bán lẻ toàn cầu – LamKinhDoanh


Mỗi khi bạn tận dụng ưu đãi giảm giá, tham gia chương trình khách hàng thân thiết của cửa hàng hoặc đơn giản là mua thứ gì đó trực tuyến – cho dù đó là túi hàng tạp hóa, mũ chống nắng cho trẻ mới biết đi hay bộ dụng cụ cạo râu – bạn đang nói với nhà bán lẻ điều gì đó về nhu cầu, sở thích và thói quen mua hàng. Hàng tỷ mẩu thông tin liên tục được tạo ra. Làm thế nào để các công ty hiểu được tất cả để đạt được lợi thế cạnh tranh? Tất nhiên, đó là nơi mà phân tích dữ liệu xuất hiện.

Theo một báo cáo trong Dây kinh doanh. Báo cáo lưu ý rằng phân tích dữ liệu đang được sử dụng ở mọi giai đoạn của quy trình bán lẻ để hiểu hành vi của khách hàng, dự đoán nhu cầu và tối ưu hóa giá cả.

Gần đây, một nhóm sinh viên Wharton và Đại học Pennsylvania đã được mời thử sức với thử thách phân tích dữ liệu trong thế giới thực. Họ được cung cấp dữ liệu giao dịch của khách hàng từ một thương hiệu tiêu dùng quốc tế và được giao nhiệm vụ tìm ra những cách thức sáng tạo để giúp công ty cải thiện tỷ suất lợi nhuận gộp của mình. Sự kiện ảo, một Datathon do Phân tích khách hàng Wharton, được tài trợ bởi Baring Private Equity Asia.

Nhà bán lẻ, không được tiết lộ danh tính, là một phần trong danh mục đầu tư của Baring PE. Phó chủ tịch Baring, Karim Awad mô tả đây là thương hiệu quần áo trẻ em và phụ nữ quốc tế có trụ sở tại Vương quốc Anh với cả sự hiện diện của cửa hàng thực và chức năng thương mại điện tử. Dữ liệu được cung cấp cho các sinh viên tiết lộ rằng công ty cũng bán các sản phẩm như đồ nấu ăn và ăn uống, hành lý và đồ đạc trong nhà.

“Sử dụng dữ liệu, làm thế nào chúng ta có thể đóng góp giá trị dưới hình thức cải thiện doanh thu?” Awad hỏi các sinh viên. Ông gợi ý rằng họ có thể thực hiện các cách tiếp cận như tối ưu hóa giá cả cho các loại hàng hóa cụ thể; kiến trúc và áp dụng chiết khấu; khuyến khích và cải thiện việc bán chéo (ví dụ: quảng cáo phụ kiện với quần áo) hoặc thu hút lại những khách hàng đã ngừng mua hàng của công ty.

Awad nói rằng mặc dù anh ấy đã vạch ra những mục tiêu mẫu đó, nhưng anh ấy muốn mở rộng thử thách. Mục đích của ông là mang đến cho sinh viên cảm giác về ” một kịch bản trong thế giới thực” với tư cách là một nhà phân tích dữ liệu thực tế, điều này thường liên quan đến việc ” đặt trước bạn một tập dữ liệu và một tờ giấy trắng.” Ông khuyến khích các sinh viên sử dụng sự sáng tạo của họ trong khi thiết kế các giải pháp tương đối dễ hiểu để các nhà quản lý của công ty có thể hiểu và thực hiện.

” Tôi nghĩ điều quan trọng hơn bao giờ hết đối với các nhà bán lẻ là sử dụng phân tích dữ liệu cẩn thận để hiểu khách hàng tốt của họ là ai.” –Raghuram Iyengar

Dữ liệu được chia sẻ với các sinh viên là thông tin về điểm bán hàng có giá trị trong hai năm, dưới dạng khoảng 20 triệu hàng giao dịch và 50 biến. Nó bao gồm cả hoạt động bán lẻ và thương mại điện tử từ Vương quốc Anh và Nhật Bản.

Giữ vai trò là một trong những giám khảo là giáo sư marketing của Wharton, Raghuram Iyengar, giám đốc khoa Phân tích khách hàng của Wharton. Ông đã nhận xét trong một cuộc phỏng vấn riêng về tầm quan trọng ngày càng tăng của phân tích dữ liệu trong bán lẻ, đặc biệt là trước những thách thức mà ngành này phải đối mặt trong đại dịch COVID-19. Ông nói: ” Tôi nghĩ điều quan trọng hơn bao giờ hết đối với các nhà bán lẻ là sử dụng phân tích dữ liệu cẩn thận để hiểu được khách hàng có giá trị của họ là ai.

Iyengar lưu ý rằng một cải tiến lớn mà phân tích dữ liệu có thể mang lại cho các nhà bán lẻ là giúp họ xác định khách hàng trên các kênh bán hàng để hiểu rõ hơn về hành vi mua sắm. Ví dụ: nếu một khách hàng đến một cửa hàng, họ có bị thúc đẩy để làm như vậy bởi các chương trình khuyến mãi tại cửa hàng gần đây, một quảng cáo trên thiết bị di động, một video trực tuyến hay thứ gì khác không? Tuy nhiên, nhiều nhà bán lẻ vẫn quản lý các kênh của họ trong các silo riêng biệt. Theo Iyengar, ưu tiên hàng đầu là phá vỡ các silo đó để cho phép thu thập dữ liệu trên chúng. Sau đó, các công ty sẽ đi đúng hướng để đạt được ” cái nhìn tổng thể về những gì khách hàng đang làm” .

Họ mua gì và khi nào họ mua?

Mười lăm đội gồm ba đến năm học sinh, mỗi đội thi đấu trong Datathon. Những người tham gia là các MBA của Wharton và sinh viên chưa tốt nghiệp cũng như sinh viên từ các chương trình Penn khác như kỹ thuật và công nghệ thông tin. Các nhóm đã phân tích tập dữ liệu bằng cách sử dụng các ngôn ngữ lập trình và công cụ (ví dụ: Python, R) mà họ lựa chọn, đồng thời tạo ra các mô hình thống kê giúp giải quyết thách thức kinh doanh. Ban giám khảo bao gồm ban lãnh đạo Phân tích khách hàng của Wharton. Đội hạng nhất được thưởng 1.500 đô la và đội hạng nhì 500 đô la.

Giành vị trí đầu tiên là một đội có bài thuyết trình có tiêu đề ” Mô hình hóa các sở thích bán lẻ của người tiêu dùng cho một thương hiệu tiêu dùng quốc tế” . Nhóm đã đưa ra một biến thể trên RFM (lần truy cập gần đây, tần suất và giá trị tiền tệ), một phương pháp được thiết lập để xác định giá trị của khách hàng dựa trên mức độ gần đây họ đã mua thứ gì đó, tần suất họ mua và số tiền họ chi tiêu. Thành viên nhóm Hoyt Gong khẳng định rằng cách tiếp cận RFM truyền thống không hoạt động tốt cho thương hiệu này. ” Điểm RFM thường phản ánh giá trị của khách hàng…. Tuy nhiên, khi chúng tôi cố gắng tìm kiếm mối tương quan giữa các điểm số RFM này và lịch sử giao dịch của khách hàng, chúng tôi chỉ thấy một mối tương quan yếu. Tương tự như vậy, chúng tôi thấy rất ít hoặc không có mối tương quan giữa cùng điểm RFM đó và lợi nhuận gộp của khách hàng của chúng tôi. ”

” Chiến lược của công ty sẽ thành công nhất nếu họ… hạ thấp xác suất xáo trộn đó.” –Hiên Thắm

Họ quyết định tách các phép đo lần truy cập gần đây và tần suất ra khỏi giá trị tiền tệ, nói rằng mô hình mới của họ sẽ cho doanh nghiệp biết khách hàng nào, dựa trên lần truy cập gần đây và tần suất của họ, sẽ tạo ra số lượng giao dịch lớn nhất trong tương lai. Mô hình này cũng sẽ mang lại giá trị lâu dài của khách hàng (CLV), được xác định bằng cách nhân các giao dịch dự kiến ​​trong tương lai của khách hàng với quy mô mua hàng trung bình của họ tính bằng đô la. Theo họ, một khi công ty áp dụng cách cải tiến này để tính toán CLV, công ty sẽ biết khách hàng nào cần tập trung vào và có thể tối ưu hóa việc ra quyết định của mình tốt hơn.

Nhóm cũng sử dụng một kỹ thuật được gọi là mô hình mạng hoặc phân tích mạng để tiết lộ rằng khách hàng mới và khách hàng lặp lại của công ty có các hành vi mua hàng khác nhau: cụ thể là họ mua các mặt hàng theo lô khác nhau. Ví dụ, họ chỉ ra rằng các gói đồ theo chủ đề Disney chiếm ưu thế trong lượt mua hàng thường xuyên nhất đối với những khách hàng lặp lại, chứ không phải khách hàng mới. Nhóm nghiên cứu lưu ý rằng công ty có thể thu hút tất cả khách hàng của họ vào mô hình này để xác định các sản phẩm hấp dẫn nhất để quảng cáo cho họ dưới dạng tiện ích bổ sung cho đơn đặt hàng của họ.

Bài thuyết trình của đội về nhì là ” Hiểu khách hàng” . Thành viên nhóm Gantavya Pahwa giải thích, ” Khi chúng tôi có quyền truy cập vào dữ liệu, chúng tôi rất nhanh chóng nhận ra rằng chúng tôi nên tập trung chính vào khách hàng…. Từ đó, chúng tôi nhận ra rằng có một số câu hỏi chính mà chúng tôi nên hỏi. “

Pahwa và các đồng đội của anh ấy đã tạo ra một khung câu hỏi ” khi nào, cái gì, tại sao và ai” . Đầu tiên, xem xét ” họ mua khi nào và bao nhiêu” , họ đã xây dựng một mô hình xác suất về các luồng giao dịch của khách hàng. Thứ hai, xem xét những gì khách hàng mua, họ tìm cách xác định hỗn hợp sản phẩm tối ưu để tối đa hóa doanh thu. Hỏi, “Tại sao họ mua?” họ đã kiểm tra khả năng đáp ứng đối với chiết khấu và giá cả. Và cuối cùng, họ đã xem xét khách hàng của thương hiệu dựa trên dữ liệu về độ tuổi, giới tính và quốc gia.

Điều thú vị là nhóm nghiên cứu nhận thấy rằng những khách hàng có tỷ lệ cao mà các nhà tiếp thị gọi là ” churn” (có nghĩa là họ ngừng mua hàng trong một khung thời gian nhất định) đang đóng góp một phần lớn – khoảng 74% – vào doanh thu của công ty. Vì những khách hàng bị khuấy động này cung cấp giá trị đáng kể, nên việc thu hút lại họ sẽ mang lại một cơ hội sinh lợi, họ nói. Thành viên nhóm Hsien Tham nhận xét, ” Chiến lược của công ty sẽ thành công nhất nếu họ… hạ thấp xác suất xáo trộn đó.” Nhóm đề xuất thiết kế phần thưởng khách hàng thân thiết, chương trình thành viên, sự kiện độc quyền hoặc các loại ưu đãi khác cho phân khúc khách hàng đầy hứa hẹn này.

Một thông tin chi tiết khác mà nhóm đưa ra là những khách hàng có giá trị nhất của thương hiệu cụ thể này là những người có ý thức về giá cả hơn. Họ nói rằng công ty nên tiến hành bán hàng nhiều hơn và giảm giá nhiều hơn, và tập trung vào các sản phẩm cấp thấp hơn. Bằng cách sử dụng phân tích dữ liệu, họ cũng quản lý để xác định hỗn hợp sản phẩm mà những khách hàng có giá trị này có xu hướng mua (bao gồm áo khoác ngoài, áo dài cách tân và váy liền thân).

Điều hướng một biển dữ liệu để tạo ra giá trị

Các giám khảo cũng chọn một đội hạng ba, có bài thuyết trình có tiêu đề ” Các mô hình phân khúc doanh thu và tỷ lệ giữ chân” . Nhóm này đã tạo ra một mô hình chi tiêu và một mô hình duy trì để phân tích hành vi của khách hàng. Sau đó, họ kết hợp các tính năng đóng góp hàng đầu của hai mô hình để đi đến danh sách các yếu tố tạo ra giá trị mà công ty nên tập trung vào: kênh thương mại điện tử; mua hàng tần suất cao; danh mục phụ kiện như hành lý, túi xách và ba lô; và danh mục trang phục.

” Nó không đủ để chỉ chỉ những con số; bạn phải giỏi nói về các con số, và sau đó giải thích ‘thì sao.’ –Raghuram Iyengar

Trong số các khuyến nghị mà nhóm đưa ra là công ty nên tăng cường nền tảng trực tuyến của mình để tạo ra trải nghiệm đa kênh phong phú hơn. Thành viên nhóm Namrita Narula nhận xét: ” Chúng tôi đã thấy [in the data] rằng thương mại điện tử là biểu hiện của việc bán hàng và duy trì, và do đó, điều quan trọng – đặc biệt là trong những thời điểm chưa từng có này – thương hiệu tiêu dùng có các mặt hàng được dự trữ đầy đủ và đầy đủ các sản phẩm của họ có sẵn trực tuyến. ” Nhóm cũng khuyên nên đầu tư vào ứng dụng di động vì theo Narula, lợi nhuận của việc bán hàng bằng một cú nhấp chuột thông qua mua hàng trong ứng dụng đang tăng lên.

Thứ hai, nhóm nghiên cứu đề xuất liên kết danh mục túi xách / ba lô với trang phục vì cả hai danh mục đều bán chạy. Ví dụ: công ty có thể tăng doanh số bán túi tote thông qua một chiến dịch thời trang tập trung vào tính bền vững. Nói chung, việc đóng gói các sản phẩm có thể tăng cường khả năng nhớ lại thương hiệu của khách hàng.

Nhóm nghiên cứu cũng trình bày một phát hiện liên quan đến tính thời vụ. Trong khi tiến hành phân tích, họ đã nhận thấy rằng doanh số bán hàng vào mùa đông của công ty gần gấp sáu lần so với mùa hè. Họ suy đoán rằng kho sản phẩm mùa hè của công ty có lẽ không hấp dẫn như mùa đông và cho rằng đó có thể là một lĩnh vực mở rộng, với những người có ảnh hưởng nhỏ tham gia để thúc đẩy doanh số bán hàng.

Về tổng thể Datathon, Iyengar của Wharton nói rằng kỹ năng quan trọng nhất mà những sinh viên này có thể học – và Datathon giúp họ thực hành – là tạo ra một câu chuyện mạch lạc xung quanh các phân tích của họ. ” Nó không đủ để chỉ chỉ những con số; bạn phải giỏi nói về các con số, và sau đó giải thích ‘thì sao.’

Trên thực tế, ông nói, việc chỉ có các kỹ năng cơ bản để chạy phân tích hoặc làm việc với mô hình học máy mới nhất không còn được đánh giá cao như trước đây, vì giờ đây chúng dễ dàng tiếp thu hơn. ” Bạn thực sự có thể nhận được điều đó trên Coursera hoặc các nền tảng khác,” Iyengar nói. Thay vào đó, một ứng viên thực sự có giá trị là người có thể thực hiện phân tích dữ liệu và sau đó đứng trước nhóm quản lý và giải thích một cách thuyết phục tầm quan trọng kinh doanh của những phát hiện của họ. ” Và tôi nghĩ những người đó ngày càng khan hiếm hơn,” anh nói.


Trang tin tổng hợp kiến thức Làm kinh doanh

Rate this post
Web Làm kinh doanh - Kiến thức Làm Kinh Doanh
Logo