خرده فروشی city beach در استرالیا سالهاست که در زمینه مد و پوشاک فعالیت می کند. این خرده‌فروش مد و سبک زندگی جوانان (با بیش از ۷۰ فروشگاه فیزیکی و ۱.۴ میلیون تماس در دیتابیس) از سال ۲۰۲۱ با همکاری پلتفرم SAP Emarsys (که حالا بخشی از SAP است) شروع به استفاده از هوش مصنوعی (AI) کرد. هدف اصلی، مقابله با “churn” (ترک مشتری) و افزایش وفاداری بود. در ادامه، به صورت گام‌به‌گام توضیح می‌دهم چرا این کار را کردند (چالش‌ها و دلایل)، چطور (فناوری و فرآیند) و نتایج (شامل ۴۸ درصد بازگرداندن مشتریان در ۹۰ روز).
چرا City Beach به AI روی آورد؟ (چالش‌ها و زمینه)
City Beach در سال‌های اخیر با رشد سریع (به ویژه در دوران پساکرونا) مواجه شد، اما این رشد با مشکلات جدی همراه بود:
– داده‌های پراکنده و سیلو شده: اطلاعات خرید آنلاین و آفلاین، تاریخچه خرید، و تعاملات مشتری در سیستم‌های جداگانه ذخیره می‌شد. این باعث می‌شد ایجاد پروفایل‌های واحد مشتری (مانند RFM: Recency, Frequency, Monetary) سخت باشد و نتوانند مشتریان را به صورت فردی بشناسند.
– مقیاس‌بندی شخصی‌سازی: با بیش از ۱ میلیون مشتری، نمی‌توانستند تعاملات ۱:۱ (one-to-one) را در مقیاس بزرگ مدیریت کنند. تمرکز قبلی روی ROAS کوتاه‌مدت (بازگشت سرمایه تبلیغاتی) بود، اما Mike Cheng (Head of Digital) می‌خواست به سمت ارزش مادام‌العمر مشتری (LTV) برود و روابط بلندمدت بسازد.
– جلوگیری از churn در بازار ناپایدار: در بازار مد جوانان، مشتریان جوان (عمدتاً ۱۸-۲۴ ساله) به سرعت به رقبا می‌پیوندند. نرخ churn بالا (به ویژه در کانال‌های دیجیتال) تهدیدی برای درآمد تکراری بود. Cheng می‌گوید: “ما به یک راه‌حل بازاریابی واحد نیاز داشتیم که با رشد کسب‌وکار ما مقیاس‌پذیر باشد. SAP Emarsys به ما کمک کرد نقاط مختلف سفر مشتری را به هم متصل کنیم.”
این چالش‌ها در سال ۲۰۲۱ تشدید شد، زمانی که City Beach به دنبال “repositioning” در بازار نوسانی بود. AI به عنوان ابزاری برای پیش‌بینی رفتار مشتری و اتوماسیون کمپین‌ها انتخاب شد، چون دستیابی به personalization در مقیاس دستی غیرممکن بود.
چطور این کار را کردند؟ (فناوری، فرآیند و استراتژی)
City Beach از پلتفرم SAP Emarsys Customer Engagement استفاده کرد که با الگوریتم‌های AI و ماشین لرنینگ (ML) کار می‌کند. این پلتفرم داده‌ها را یکپارچه می‌کند و کمپین‌های هوشمند راه‌اندازی می‌کند. فرآیند به صورت زیر بود:
- تثبیت و سازماندهی داده‌ها:
– تمام داده‌های ۱.۴ میلیون مشتری (از فروشگاه‌ها، وبسایت، اپ، و خدمات مشتری) در یک مکان جمع‌آوری شد.
– ابزار Smart Insight (بخشی از Emarsys) داده‌ها را تمیز، سازماندهی و сегمنت‌بندی کرد. مثلاً، مشتریان بر اساس lifecycle (مرحله زندگی مشتری: جدید، فعال، در حال ترک، غیرفعال) دسته‌بندی شدند.
- پیش‌بینی churn با AI:
– از Max AI (ابزار پیش‌بینی‌کننده Emarsys) استفاده شد که churn را در سطح ۱:۱ پیش‌بینی می‌کند. این AI با تحلیل الگوهای رفتاری (مانند کاهش فرکانس خرید، عدم تعامل با ایمیل‌ها، یا بازدیدهای کم از سایت) مشتریان در آستانه ترک را شناسایی می‌کند.
– Cheng توضیح می‌دهد: “AI توانست پیش‌بینی کند که مشتریان کجا در حال churn یا defection هستند، در سطح ۱:۱، و این به ما اجازه داد کمپین‌هایی بر اساس lifecycle فردی هر مشتری بفرستیم.”
– ادغام با سیستم‌های loyalty (برنامه وفاداری) و POS (نقاط فروش) اجازه داد داده‌های آفلاین (مثل خرید حضوری) هم وارد مدل شود.
- اجرای کمپین‌های شخصی‌سازی‌شده و اتوماتیک:
– اتوماسیون واقعی‌زمان: وقتی AI churn را تشخیص داد، کمپین‌های هدفمند (مانند ایمیل‌های reactivation، تخفیف‌های شخصی، یا پیشنهاد محصولات بر اساس تاریخچه) از طریق کانال‌های omnichannel (ایمیل، SMS، موبایل، اجتماعی، وب) ارسال می‌شد.
– مثلاً: برای مشتری‌ای که ۳۰ روز خرید نکرده، یک ایمیل با “پیشنهاد ویژه بر اساس آخرین خریدت” ارسال می‌شود، یا در اپ، نوتیفیکیشن با تخفیف ۲۰ درصدی.
– تمرکز روی win-back campaigns: مشتریان defector (ترک‌کرده) را با محتوای مرتبط (مثل “دوست داری برگردی؟”) هدف قرار دادند.
- ادغام‌های فنی:
– پلتفرم با CRM، loyalty programs، و کانال‌های تبلیغاتی (مثل Facebook و Google Ads) ادغام شد تا ROAS (بازگشت سرمایه) را افزایش دهد.
– بدون نیاز به کدنویسی پیچیده؛ Emarsys ابزارهای drag-and-drop برای اتوماسیون دارد.
این رویکرد از ۲۰۲۱ شروع شد و در ۹۰ روز اول، ۴۸ درصد از مشتریان در حال churn را بازگرداند.
نتایج و تأثیرات
– ۴۸ درصد win-back: در ۹۰ روز اول، ۴۸ درصد مشتریان defector (در حال ترک) بازگردانده شدند، که مستقیماً به افزایش درآمد تکراری کمک کرد.
– سایر نتایج کلیدی (در ۴ ماه اول):
– +۱۰۵ درصد درآمد ایمیل سالانه (YoY).
– +۳۸ درصد مشتریان فعال، با ۳۶ درصد retention بالاتر.
– ۱۴ برابر ROAS در Facebook و ۱۱ برابر در Google Ads با کمپین‌های CRM.
– +۱۸ درصد تبدیل لیدها به خریداران اول‌بار.
– +۶ درصد تبدیل خریداران اول‌بار به دوم‌بار.
– تأثیر کلی: هزینه‌های بازاریابی کاهش یافت، سرعت بازار (speed-to-market) افزایش یافت، و LTV مشتریان بهبود یافت. Michael Doyle (سابق Head of Marketing) می‌گوید: “با ادغام SAP Emarsys، درآمد کلیدی ۱۰۰ درصد افزایش یافت، با هزینه کمتر.”
این موفقیت در گزارش‌های Emarsys و مقالات خبری (مانند Artificial Intelligence News در اوت ۲۰۲۵) برجسته شده. هیچ اطلاعات جدیدی پس از ۲۰۲۵ در مورد تغییرات یافت نشد، اما Cheng در مصاحبه‌ها تأکید کرده که AI حالا “موتور ROI تیم بازاریابی” است.
نتیجه‌گیری و درس‌ها
City Beach با تمرکز روی داده‌محور بودن و personalization واقعی، از AI برای تبدیل churn به فرصت استفاده کرد. دلیل موفقیت: ترکیب فناوری (Max AI و Smart Insight) با درک عمیق مشتری (lifecycle-based). اگر برندهای مشابه بخواهند تکرار کنند، باید از پلتفرم‌های یکپارچه مثل Emarsys شروع کنند و داده‌ها را اولویت دهند.
