Personifiering är ett modeord för detaljhandeln som använts i många år men som just nu håller på att bli en nyckelstrategi. Det är vettigt – ju fler återförsäljare som kan förstå vad som får kunden att känna sig unik, desto lättare är det att sälja. Personifiering som integreras sömlöst i flera beröringspunkter online men även i butik allt – från automatiserade erbjudanden – till bättre produktförslag – gör att köpupplevelsen blir personligare, enklare och roligare.

När detta görs korrekt ökar kundens engagemang och intäkterna med upp till 28% och försäljningskonverteringen med upp till 71%, enligt Gartner

Kundupplevelsen ska vara personlig, morgondagens kunder vill inte i första hand bli exponerade för information och livsmedel som de inte är intresserade av.

Hur vet du vad dina kunder vill ha? Hur hoppar du på nya trender innan de blir mainstream? Hur sticker du ut från konkurrenterna?

Svaret är både svårt och enkelt: följ din kunder.
Machine learning är då en viktigt verktyg för att klara detta, MI kräver mycket data och korrekt data och där anser vi att själva livsmedlens egenskaper är en del av denna data.
De flesta större återförsäljarna inom livsmedel har redan mycket data så som basinfo om livsmedlen, kategoriindelning, tidigare köpbeteende, kön, ålder, geografisk placering både på personnivå och aggregerat på gruppen. Däremot saknar det korrekt detaljerad information om själva livsmedlens ingredienser.

3 områden där detaljerad livsmedelsdata kan hjälpa Machine learning att bli ännu mer träffsäker:

 

1.Kundsegmentering

Ett kundsegment inom foodtech utgörs av en grupp kunder som delar samma attribut, beteenden eller intressen. Kundsegmentering kan hjälpa företager att öka sin försäljning genom att effektivare nå ut till de rätta målkunderna och kommunicera med dem mer träffande. Kundsegmenteringen gör det möjligt att skräddarsy sin marknadsföring och bättre möta kundernas behov. Om man kan förstå hur individer inom ett visst segment interagerar med ens livsmedel kan man nämligen börja finjustera sin marknadsföring för att säkerställa att man kan leverera vad de letar efter och därför uppnå bättre kundengagemang.

Genom att titta på vilka egenskaper de livsmedelkunderna valde att köpa så är detta ytterligare ett attribut som kan ligga till grund för att få ännu träffsäkrare segment.
Exempelvis en konsument som under en längre tid endast väljer veganska livsmedel med låg mängd tillsatt socker utan palmolja, då kan ni skräddarsy marknadsföringen gentemot kunden så att livsmedel med dessa egenskaper lyfts fram.

Eatersmap fooddata har över 60 olika tags (filter) som kan använda vid segmentering. Lista hittar du här: eatersmap.com

 

2. Produktlansering

Lansera nya produkter är kostsamt och statiskt så misslyckas 4 av 5 produktlanseringar.
En stor källa för att minimera risken för en misslyckad produktlansering är att basera beslutet på relevant data. 
För at fatta rätt beslut så är MI ett utmärkt verktyg men det bygger också på att man talar om för MI vad den ska titta på och vilket resultat man är ute efter.

Några olika datakällor som kan ligga till grund för dessa beslut:

Externa källor
Social Influencer Plattform
Kund & Målgrupps Analyser
Nyhetsflöde
Mediebevakning
Sociala Medier

Interna källor
* Förändringar i köpbeteende, klickbettende, med mera.
* Kunskap om dessa produkter på en aggregerad nivå, vad har de för egenskaper.

När man på ett effektivt sätt kan kombinera rätt datakällor med rätt maskininlärning så kan du reducera komplexiteten och uppnå konkurrensfördelar.

3. Livsmedelsrekommendationer

Att inte bara basera MI-rekommendation på aggregerad köphistorik, klickhistorik, livsmedelskategorier – utan även väga in livsmedlens egenskaper (ingredienser, allergivarningar, mm) gör att man kan få ännu mer träffsäkra rekommendationer.
Detta är egentligen inget unikt – det görs redan för annan e-handel där man tittar på vilka egenskaper en produkt har. Det är en naturlig inriktning att även ehandel med livsmedel tar detta steg, en stor anledning att detta inte gjorts tidigare är att merpatern av ingredienslistorna och datan varit såpass dåligt skrivna. Detta har nu eatersmap löst.

 

Om eatersmap

Vi har valt att enbart jobba med foodtech. Vi har byggt ett flertal appar och webblösningar unikt för denna bransch. I teamet finns en djup spetskompetens inom detta segment och vi kan bygga de allra vassaste lösningarna. Detta i kombination med eatersmap unika data gör att vi kan skapa riktigt smarta och innovativa lösningar.

Vi hjälper företag inom mat att skapa en bättre online upplevelse för kunden så att han återkommer och i slutänden konsumerar mer.

eatersmap.com