Актуальность исследования. Персонализация – это один из главных трендов в современном ритейле (Goller, 2016). Опрос компании Accenture выявил, что в Америке 73% покупателей предпочитают бренды, которые применяют персонализацию. Кроме того, молодое поколение покупателей еще более благосклонно к персонализации (Donnelly, 2015). Применение персонализации может стать сильнейшим способом получения конкурентного преимущества, увеличения среднего размера покупки и создания лояльности покупателей.

В силу технологических возможностей, персонализацию гораздо легче осуществить в онлайн-ритейле. Однако наибольшего результата смогут добиться те ритейлеры, которые сумеют внедрить так называемую «омни-канальную» персонализацию и связать покупательский опыт в онлайн- и оффлайн-каналах (Gaudin, 2016). Сложность этой задачи определяется различиями в доступности данных, идентификацией и взаимодействием с покупателем оффлайн. Данная работа изучает вопрос преодоления этих сложностей, а также предлагает обзор существующих технологий омни-канальной персонализации, исследование возможных сценариев применение и выявление наиболее подходящих алгоритмов для конкретных задач ритейлера.

Степень научной проработанности темы исследования

Тема персонализации всё чаще поднимается в исследованиях тенденций ритейла. Чаще всего описание необходимости персонализации встречается в исследованиях консалтинговых компаний и компаний, разрабатывающих технологии, применяемые в ритейле. Алгоритмы персонализации основываются на базовых техниках бизнес-аналитики, которым посвящен большой объем теоретических работ. Тем не менее, практически не существует источников, описывающих полный процесс внедрения персонализации, включающий подготовку, сбор, хранение и анализ данных.

Объектом исследования является предприятие розничной торговли.

Предмет исследования – персонализация в маркетинге: сущность, цели и задачи, практика применения

Цели исследования – разработка методологии внедрения технологии персонализации в ритейле.    

Задачи исследования:

1. Консолидировать результаты исследований на тему эффективности персонализации в розничной торговле;
2. Описать необходимые условия и порядок внедрения персонализации;
3. Описать аналитические алгоритмы, применяемые для персонализации;
4. Описать алгоритм персонализации на примере конкретных данных.

Методы и технологии

Методологической основой теоретической части (глава 1 и 2) послужили методы: анализ и синтез публикаций по теме персонализации.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПЕРСОНАЛИЗАЦИИ В МАРКЕТИНГЕ
1.1 Понятие персонализации, цели и задачи

По мнению экспертов индустрии, формирование персонализированных предложений станет главным фактором развития маркетинга в российском ритейле на горизонте 2-3 лет (Судник, 2017). На данных момент, персонализацию применяют лишь единицы, однако значительная часть ритейлеров внедряет программы лояльности. Эти программы являются необходимым, но не достаточным условием персонализации: они позволяют собирать персональные данные о клиенте, «привязывая» их к информации о покупках.

По данным исследования Nielsen, В России 52% потребителей ответили, что они владеют картами лояльности ритейлеров. 75% россиян говорят, что программы лояльности способствуют их продолжительным отношениям с компанией. 56% считают, что это очень важный пункт для взаимосотрудничества. Кроме того, 57% российских потребителей говорят, что чаще посещают и тратят больше в магазинах тех ритейлеров, в чьих программах лояльности участвуют. 35% россиян, обладая картой лояльности магазина, готовы потратить в нем немного больше, чем в том, карту которого они не имеют. Персонализация позволит улучшить эффективность программы и достичь еще больших результатов.

1. Goller L. 5 Disruptive Retail Trends to Watch in 2016 // RangeMe Blog. 2016.
2. Donnelly C. The CEO’s new mandate: Own the customer experience // Accenture Strategy.
3. Gaudin S. For retailers, e-commerce alone won't make the sale // ComputerWorld // 2016.
4. Бри жа ше ва  О.В. Ма рке ти нг то рго вли . Уче бно е  по со би е . – Ульяно вск: Го суда рстве нно е  о бра зо ва те льно е  учре жде ни е  высше го  про фе сси о на льно го  о бра зо ва ни я «Ульяно вски й го суда рстве нный те хни че ски й уни ве рси те т», 2007. – 169 с.
5. Kotler P., Keller, K. L. Marketing management. - N.J: Pearson Prentice Hall, 2009.
6. Vandenbulcke V., Lecron F. Customer segmentation based on a collaborative recommendation system: Application to a mass retail company // 42nd Annual Conference of the European Marketing Academy, 2013.
7. Bodapati A.V. Recommendation Systems with Purchase Data // American Marketing Association.
8. Murphy R. New Study Reveals That Traditional Retailers Are Failing to Meet Consumer Desires for “Amazon-like” Personalization // Swirl, 2015.
9. Retail personalization: customer trust and expectations // Accenture, 2015
10. The Future Of Grocery // Nielsen, 2015
11. Кульги н М. iBeacon и ли  Geofencing? // Innospace, 2015
12. Bacos J. Why starting with your customers may be the worst way to serve them // The Oliver Wyman Retail Journal. Vol. 2. P. 7-12.
13. MacQueen J. B. Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability // University of California Press.
    No. 1. P. 281-297
14. Foreman J.W. Data Smart. Using Data Science to Transform Information into Insight. – N.Y.: Wiley, 2013. – ­425 p.
15. Brandes U., Delling D. On Finding Graph Clusterings with Maximum Modularity // Department of Computer & Information Science, University of Konstanz.
16. Linden G., Smith B., York J. Amazon Recommendation Systems // IEEE Computer Society. No. 1. P. 76-79.
17. Ко птяе в Ю. Пе рсо на ли за ци я и  ди джи та л: ка к те хно ло ги и  вли яют на  ра зви ти е  про гра мм ло яльно сти  // Retail-Loyalty. 2016.
18. Судни к А. Инте гри руй это : ка к ро сси йски е  ри те йле ры на  пра кти ке  ста но вятся о мни ка на льными  // Forbes. 2017.
19. Га спа рян В. Омни ка на льный ри те йл в Ро сси и  // Retail-Loyalty, 2016. P. 80-86.
20. Clifford S. Store is tracking your cell // New York Times, 2013.
21. Yancey J., How To Collect In-Store Customer Data in a Transparent Manner // CloudTags. 2015
22. Klena K. Shoppers disrupted. Retailing through the noise // IBM Institute of Business Value.
23. Improving Retail Performance with Big Data. Architect’s Guide and Reference Architecture Introduction // Oracle.