Jak przyciągnąć więcej klientów do lokalu sushi na Woli?

Jak modelowanie ML może zwiększyć ROAS reklam restauracji sushi?

Może kierować budżet na osoby o wysokim prawdopodobieństwie zakupu i dopasować przekaz do pory dnia, lokalizacji i preferencji.

Modele przewidują skłonność do zamówienia, wartość koszyka oraz ryzyko rezygnacji. Dzięki temu reklamy docierają do osób, które najchętniej zamówią wieczorem, a inne kreacje trafiają do osób, które częściej wybierają lunch. ML pomaga też wykluczyć promowanie pozycji niedostępnych, gdy kuchnia ma ograniczoną przepustowość. W efekcie spada koszt pozyskania, rośnie współczynnik konwersji i stabilizuje się zwrot z wydatków reklamowych.

Czym jest AWS SageMaker i co wniesie do marketingu?

To platforma chmurowa do budowy, trenowania i wdrażania modeli ML, która porządkuje dane i automatyzuje procesy.

Dla marketingu lokalu sushi wnosi:

Jakie dane z zamówień i koszyka trzeba zebrać?

Potrzebne są dane, które łączą zachowanie użytkownika z efektem sprzedażowym oraz kontekstem dostawy.

• Identyfikatory zamówienia i klienta lub zaszyfrowane identyfikatory, zgodne z przepisami.
• Źródło ruchu i kampania, na przykład parametry UTM, gclid, fbclid lub ttclid.
• Skład koszyka na poziomie pozycji, kategorie, warianty i dodatki.
• Wartość koszyka, ewentualne kody promocyjne i typ płatności.
• Status realizacji, czasy: przyjęcia, przygotowania, wydania i dostawy.
• Lokalizacja dostawy w promieniu Woli oraz sposób odbioru.
• Dostępność produktów i ograniczenia kuchni w danym czasie.
• Interakcje przed zakupem, na przykład przeglądane pozycje i porzucone koszyki.

Jak połączyć system reklam z zamówieniami online i dowozem?

Trzeba spiąć kliknięcia z konwersjami oraz zapewnić bezpieczne przesyłanie zdarzeń do platform reklamowych.

• Włączanie konwersji offline i przesyłanie zdarzeń zakupu wraz z gclid do Google Ads oraz przez Conversion API do platform społecznościowych.
• Serwerowe tagowanie i zgodność z Consent Mode v2, aby zachować pomiar przy różnych preferencjach prywatności.
• Zaszyfrowane dopasowanie zdarzeń zakupowych do kliknięć, bez ujawniania danych osobowych.
• Strumień danych z systemu zamówień i aplikacji dostawczych do chmury. Dane trafiają do S3, następnie do Feature Store i modeli w SageMaker.
• Zasilanie list odbiorców i stawek z wyników modeli. Na przykład listy lookalike dla osób o wysokim prawdopodobieństwie zamówienia na terenie Woli.

Jak testować modele, by mierzyć wzrost zamówień i ROAS?

Najprościej przez testy A/B lub testy geograficzne, z grupą kontrolną i eksperymentalną.

W testach A/B część odbiorców trafia do kampanii z modelem, a reszta do kampanii standardowej. W testach geograficznych jedna strefa działa z modelem, inna bez. Warto używać podziału czasowego, aby uniknąć efektu sezonowości. Kluczowe wskaźniki to ROAS, koszt pozyskania, współczynnik konwersji, średnia wartość koszyka oraz retencja w kolejnych tygodniach. Warto też zdefiniować minimalny wolumen zamówień, aby wyniki były istotne statystycznie. Modele porównuje się do prostych bazowych reguł, na przykład stawek równych lub kierowania tylko na Wole.

Jakie zmiany w lokalu ułatwią działanie systemu ML?

Potrzebna jest spójna ewidencja, proste procesy w kuchni i stała jakość danych.

• Jednolite identyfikatory pozycji menu, dodatków i zestawów.
• Rejestrowanie czasu przygotowania i punktów wąskich gardeł na każdej zmianie.
• Informacja o braku w magazynie w czasie rzeczywistym, aby model nie promował niedostępnych pozycji.
• Stabilne oznaczanie kodów rabatowych i źródeł zamówień, bez dublowania tagów.
• Zgody marketingowe i jasne polityki prywatności, aby legalnie przetwarzać dane.
• Proste narzędzia dla zespołu do oznaczania powodów anulacji i opóźnień.

Jakie są główne ryzyka i ograniczenia takiego wdrożenia?

Najczęstsze problemy wynikają z małej skali danych i zmian na rynku.

• Zbyt mało danych w jednej lokalizacji może ograniczać skuteczność modeli.
• Ograniczony dostęp do identyfikatorów kliknięć w aplikacjach agregatorów utrudnia atrybucję.
• Zmiany w algorytmach platform reklamowych mogą wpłynąć na trafność segmentów.
• Sezonowość, pogoda i wydarzenia lokalne powodują dryft modeli.
• Braki kadrowe lub ograniczona przepustowość kuchni mogą zniwelować efekt reklam.
• Błędy w tagowaniu i niespójne dane prowadzą do błędnych wniosków.

Czy warto uruchomić pilotaż ML w restauracji sushi?

Tak, jeśli działa śledzenie konwersji i istnieje stały przepływ zamówień, pilotaż może przynieść wartościowe wnioski.

Dobry pilotaż trwa kilka tygodni i obejmuje jeden lub dwa kanały reklamowe. Celem jest sprawdzenie, czy modele zwiększą współczynnik konwersji i obniżą koszt pozyskania przy zachowaniu jakości dostawy. Zakres powinien obejmować teren Woli i sąsiednich kwartałów, gdzie fraza „sushi wola” ma najwyższy sens lokalny. Kryteria sukcesu to wzrost ROAS, stabilna realizacja czasów dostaw i brak negatywnego wpływu na oceny klientów. Po teście można skalować kampanie lub wrócić do prostszych reguł, jeśli wyniki nie potwierdzą założeń.

Uczenie maszynowe nie zastąpi dobrego produktu, ale może pomóc kierować reklamy tam, gdzie prawdopodobieństwo zamówienia jest większe. W Woli, przy dużym natężeniu ruchu i krótkich oknach popytu, to często różnica między średnim a solidnym wynikiem. Warto podejść do tematu pragmatycznie, zacząć od małego zakresu i budować przewagę na danych.

Zacznij pilotaż SageMaker dla „sushi wola” i sprawdź, jak wpłynie na ROAS oraz liczbę zamówień.