Зумеры на маркетплейсах: как продавать поколению, которое приходит не покупать, а смотреть
С каждым годом среди покупателей маркетплейсов становится все больше представителей поколения зумеров (поколение Z, с англ. «Generation Z», людей, родившихся в период с 1997 по 2010 годы). По прогнозам, покупательская способность поколения Z во всем мире вырастет до 12 трлн долларов к 2030 году.
Как поколение зумеров меняет подход к онлайн-покупкам
Если раньше интернет-магазины работали с уже сформированным спросом, то для зумеров маркетплейсы становятся пространством для досуга и вдохновения, чем-то средним между социальной сетью и торговой платформой. Пользователи заходят «посмотреть», пролистать подборки, вдохновиться визуалом, провести время. По данным «ЮMoney», 33% представителей поколения Z всегда покупают спонтанно, тогда как среди более старших поколений 27% совершают такие покупки.
Таким образом, формируется модель поведения, при которой сессии на маркетплейсах начинаются без конкретного намерения купить. Она радикально меняет экономику прогнозирования в ритейле. Классические модели по-прежнему опираются на историю продаж, сезонность и динамику SKU (Stock Keeping Unit, «единица складского учета»), то есть на изменения показателей карточки товара (SKU) во времени. Однако в условиях, когда покупка возникает спонтанно, такие модели фиксируют спрос слишком поздно, уже после того, как интерес сформировался. В результате ошибка прогноза означает не только недополученную выручку, но и потерянное внимание. Если товар отсутствует в момент пикового интереса, пользователь не ждет — он переключается на альтернативу в один клик. «Окно для покупки» у зумеров очень короткое, а популярность товара может взлететь и упасть за считанные дни.
Это происходит из-за влияния контента, рекомендаций и трендов в соцсетях: 42% поколения Z доверяют советам блогеров, а 77% регулярно совершают покупки под влиянием публикаций в соцсетях, тогда как 91% миллениалов не доверяет рекомендациям блогеров. Это требует от ритейла умения формировать интерес и улавливать сигналы до того, как они превращаются в спрос.
Какие технологии помогают ритейлу следить за трендами
В новых условиях ритейлу необходимы системы, которые анализируют ранние сигналы интереса, выявляют зарождающиеся тренды, управляют цифровой витриной как медиапространством и персонализируют пользовательский опыт в моменте.
Системы анализа поведения пользователей
Платформы анализа поведения клиентов на базе машинного обучения обрабатывают миллионы событий – от скроллинга и пауз на карточках товаров до повторных визитов и добавлений в избранное. Анализ этих взаимодействий позволяет выявить pre-intent, то есть скрытые намерения, возникающие за дни или недели до покупки. В отличие от классической веб-аналитики, системы интегрируются с платформой клиентских данных (CDP, Customer Data Platform) и работают в реальном времени, динамически адаптируя витрину, рекомендации и контент. Так, Amazon использует поведенческие данные для прогнозирования спроса и оптимизации логистики, Zalando — для создания персонализированных подборок, а Sephora — для конвертации интереса в покупку через контент и сценарии взаимодействия.
Несмотря на высокий потенциал, такие системы могут сталкиваться с ограничениями. Один из ключевых — высокий уровень «шумовых данных». Случайные клики, скроллинг без интереса или активность ботов могут искажать аналитику. Есть риск переоценки слабых сигналов, что может приводить к нерелевантным рекомендациям. Уменьшить влияние этих факторов помогает калибровка моделей машинного обучения, при которой создается вторая модель, обучающаяся на других данных. В результате вероятности, которые предлагает первая модель, корректируются до более реальных.
Системы выявления трендов на основе больших данных
Системы выявления трендов позволяют ритейлу отслеживать, как тренд переходит из соцсетей на маркетплейсы. Система анализирует информацию из внешних источников, например, соцсетей, видео-контента и отзывов пользователей, и определяет визуальные или поведенческие паттерны. Например, в сфере fashion-ритейла, система может определить, какие цвета, фасоны, бренды или стили набирают популярность. В результате ритейлер получает сигнал о зарождении тренда еще до того, как он становится массовым. Например, Shein выстроил свою модель сверхбыстрой моды именно на анализе микро-трендов, сокращая цикл от появления тренда до вывода товара на рынок до нескольких дней. H&M также использует данные, основанные на данных, для создания дизайнов и планирования коллекций.
Основная сложность в работе с этой технологией — высокая волатильность микро-трендов, то есть тренды могут возникнуть и исчезнуть, не конвертируясь в устойчивый спрос. Это создает риск перепроизводства и ошибок в ассортименте.
Системы управления цифровой витриной
Для поколения Z карточка товара перестает быть просто источником информации, она воспринимается как контент, конкурирующий с лентами социальных сетей. Создать на маркетплейсы динамичную медиасреду могут помочь системы управления цифровой витриной. Они используют алгоритмы машинного обучения и технологию компьютерного зрения, то есть анализа изображений, близкий к тому, как это делает человек. Системы определяют, какой формат контента, визуальные элементы и структура карточки товара вызовет наибольший отклик у пользователей. В отличие от классического подхода, где витрина настраивается вручную и обновляется с задержкой, системы управления витринами позволяют в реальном времени адаптировать контент под поведение пользователя. Система анализирует взаимодействия — клики, скроллинг, время просмотра, переходы между карточками — и автоматически тестирует различные варианты представления товаров.
Среди ограничений работы этой системы – риск переоптимизации под краткосрочные метрики (например, клики), который может снижать долгосрочную лояльность пользователей. Также, интерпретация влияния визуального контента остается вызовом, так как одни и те же элементы могут по-разному восприниматься в зависимости от контекста и аудитории. Кроме того, создание и поддержка различных форматов контента (видео, UGC, то есть пользовательский контент, «карусели» с изображениями) требует дополнительных ресурсов.
Системы персональных рекомендаций и динамической персонализации
Системы рекомендаций и динамической персонализации позволяют ритейлу успешнее работать со спонтанными покупками, характерными для представителей поколения Z. Алгоритмы на базе искусственного интеллекта (ИИ) анализируют поведенческие паттерны, в том числе историю просмотров, скорость навигации, глубину вовлеченности, и определяют вероятность спонтанной покупки и момент, когда пользователь наиболее готов к принятию решения. Это позволяет не просто рекомендовать товары, а делать это в нужный момент и в релевантной форме.
В отличие от классических систем рекомендации, основанных на статических правилах или истории покупок, ИИ-решения работают в режиме реального времени и учитывают контекст текущей сессии. Персонализация становится динамической: система может менять подборки, порядок товаров, баннеры и даже коммуникации в зависимости от поведения пользователя «здесь и сейчас». Например, Amazon активно использует предиктивные модели в своих рекомендательных сервисах, анализируя поведение пользователей и подбирая релевантные товары с учетом вероятности покупки в конкретный момент.
Ключевой риск технологии — это избыточная персонализация, которая может создавать эффект «информационного пузыря» и ограничивать пользователя в выборе. Кроме того, ошибки в определении момента готовности к покупке могут приводить к навязчивым рекомендациям и снижению доверия.
Особенности внедрения
Чтобы получить качественный результат от использования технологий, важно внедрять их поэтапно. Для начала, важно быть уверенным, что собранные вами данные – качественные, то есть достаточно точные, полные, согласованные и актуальные, чтобы на их основе можно было принять правильное решение. Если данные в порядке, то включаем аналитику поведения пользователей. Удостоверившись, что она работает корректно, можно добавлять мониторинг трендов. После этого, можно добавлять системы персонализации.
Помимо маркетплейсов, понимание трендов особенно актуально в продажах одежды, косметики, спортивных товаров, а также для FMCG-брендов. Покупки в этих категориях зумеры совершают на 4-14% чаще, чем миллениалы. Кроме того, в этих сегментах особенно сильно социальное влияние, тренды и визуальная подача, определяющие спрос у поколения Z.
