Виталий Александров, основатель агентства CRM-маркетинга Out of Cloud

В прошлых частях мы говорили о клиентоцентричном подходе, который пришел на смену продуктоцентричному. Выделили три важных отличия современного рынка – обилие данных о пользователе, возможность персонифицированного таргетинга и беспрецедентный информационный шум, из-за которого возникает необходимость делать предложения персональными.

Эти предпосылки и процессы определяют пять важных тенденций и подходов, характерных для современного CRM-маркетинга, прежде всего, на Западе, в то время как в России они используются единичными компаниями.

1. Ориентация на CLV

На сегодняшний день уже понятно, что на отношения покупателя с брендом влияет вся совокупность их взаимодействий. До этого компании пользовались многими инструментами хаотично – например, давали много скидок, не учитывая, как это может повлиять на продажи через год и более.

Сегодня мы знаем о существовании паттернов клиентского поведения, которые позволяют сопоставлять причины и следствия. Если компания предоставляет много скидок, скоро у нее уже не будут покупать без дисконта.

Вывод: при планировании любых коммуникаций надо учитывать, как они повлияют на поведение покупателей в перспективе.

Также нужно понимать, что не на всех покупателей действуют одни и те же драйверы покупки. Одного можно привлечь только скидками, для другого важна бесплатная доставка (и потому он всегда стремится довести свою покупку до установленной стоимости), а третий покупает очень редко, но сразу на большую сумму.

В связи с этим наша задача – определить сегменты аудитории с разными паттернами поведения и выстроить для каждого из них свою стратегию взаимодействия, которая позволит оптимизировать CLV.

Таким образом, фокус внимания компаний смещается с текущих продаж на измерение, анализ и оптимизацию той прибыли, которую клиент принесет за всю «жизнь». Бренды задумываются, к чему приведут их сегодняшние действия в ближайшей перспективе и действуют более продуманно и осторожно. Из этого положения вытекает вторая тенденция:

2. Проведение экспериментов

Этот давно известный, но малоиспользуемый подход позволяет точечно работать с узкими сегментами аудитории и получать важные данные для подбора механик взаимодействия.

Приведем пример того, как это работает. Среди покупателей выделяется несколько экспериментальных групп и одна контрольная. В рамках эксперимента, одна группа, к примеру, получает 100 баллов, другая – 300, третья – 400, а контрольная не получает баллов вовсе. Начав после этого наблюдение за покупательским поведением, отмечаем следующие эффекты:

● У группы, получившей по 400 баллов, увеличился показатель частоты потребления.

● При этом группа, получившая по 100 баллов, наоборот, стала покупать реже.

● Группа, которой дали по 300 баллов, показала снижение среднего времени между покупками.

● У контрольной группы, не получавшей баллов, также увеличилась частота потребления, как и у первой группы.

По итогам наблюдения мы можем присвоить каждой группе определенную характеристику, которая описывает, на какие драйверы покупки и каким образом реагируют эти покупатели. И в будущем, как только в базе данных появляется человек со схожим поведением, мы уже знаем, как именно с ним необходимо взаимодействовать, чтобы он покупал чаще.

Важно помнить, что со временем люди меняют свои покупательские предпочтения, начинают следовать другим паттернам поведения, поэтому эксперименты должны проводиться постоянно.

По нашим наблюдениям, российские ритейлеры мало и редко используют методику экспериментов, несмотря на то, что она существует уже давно. Возможно, это связано с невысокой квалификацией маркетологов в нашей стране, с нехваткой аналитического инструментария и незнанием моделей анализа.

Из этих двух тенденций — ориентации на CLV и проведения экспериментов — вытекает третья тенденция современного CRM-маркетинга:

3. Определение оптимальных мотиваций для каждого пользователя

Чтобы разработать хорошее персональное предложение, необходимо знать обо всех предпочтениях и интересах покупателя. Для этого необходимо провести сбор информации по трем направлениям:

⎯ Трекинг продаж на сайте и других транзакционных взаимодействий с компанией: определение среднего чека, суммы каждого чека, количества позиций в чеке, стоимости доставки, размера скидки, наличия у покупателя карты лояльности. Данные получаем из CRM-системы.

⎯ Сбор социально-демографических данных покупателей: пол, возраст, место проживания, образование, работа, размер одежды и обуви и т.д. Из всей информации о покупателе эти данные наиболее стабильны, и они играют очень важную роль для корректной оценки CLV отдельных людей. Данные получаем через регистрационные формы и анкетирование.

⎯ Трекинг действий покупателя на сайте и в приложении компании. В каких разделах он побывал, какие товары смотрел, что делал в личном кабинете – вся информация об этом должна сохраняться в базе данных компании для дальнейшей аналитики и использования при формировании персональных предложений. Данные собираем с помощью трекеров, пикселей. Систем, предоставляющих подобные трекеры, на сегодняшний день достаточно много. К ним, к примеру, относятся MindBox, RetailRocket, Exponea и ряд других платформ.

В результате получается следующая иерархия данных. Первое, что надо понимать о человеке, это статистика его покупок. Это база, с которой можно начать работать уже сейчас, выстраивая CRM-стратегию. Второе – социально-демографические характеристики, которые накладываются на данные о продажах. Третье – его действия на сайте/в приложении.

В итоге получается такая пирамида:

111.png

Сбор этих данных должен отвечать определенным требованиям. В нашей практике часто бывают случаи, когда ритейлеры не могут выгрузить эту информацию в нашу аналитическую платформу. Приведение сбора данных к единому формату и интеграция с аналитическими системами – один из первых и важнейших шагов в нашей работе.

4. Использование аналитических CRM в связке с операционными

Операционные CRM – это системы, решающие задачи контроля, учета и автоматизации процессов взаимоотношений с клиентами. Через oCRM осуществляется непосредственное управление коммуникациями, например, настраиваются email- и SMS-рассылки, push-уведомления и многое другое. В oCRM присутствует некоторый аналитический функционал, но он не может сравниться с теми возможностями, которые предоставляют аналитические CRM, нацеленные на сбор и глубокую аналитику данных о покупателях.

Аналитические CRM, как, к примеру, SAS (дорогое решение для очень крупного бизнеса), LightInside (более дешевое и современное решение для среднего и крупного бизнеса), являясь прослойкой между сырыми данными и операционной CRM, решают задачу быстрой сегментации, построения аналитических моделей, получения инсайтов из тех данных, которые у нас есть.

В результате это выглядит как пирог.

222.png

Таким образом, если aCRM отвечают на вопрос «Как те или иные пользователи реагируют на различные офферы?», то oCRM используется для запуска емейла на этот конкретный сегмент.

До последнего времени российские компании делали упор на операционные CRM, однако для качественных изменений необходимо использовать их в тесной связке с аналитическими CRM, о которых говорилось выше.

5. Предиктивная аналитика

Мы уже говорили про такую метрику, как CLV, которая позволяет прогнозировать будущее поведение клиента. Мы видим, что на Западе и постепенно в России все чаще начинают пользоваться прогнозными моделями, которые предсказывают будущее. С течением времени количество аналитических систем будет расти и модели прогнозирования будут совершенствоваться.

Но уже сейчас можно, имея достаточно ограниченные данные, предсказывать, какими товарами будет интересоваться покупатель в следующем сезоне. А если предиктивная аналитика покажет, что через несколько месяцев он уйдет в отток, у маркетологов будет шанс предотвратить это, подобрав механику для удержания – подходящий подарок при покупке или звонок из call-центра.

Если коротко:

1. При планировании любых коммуникаций надо учитывать, как они повлияют на поведение покупателей в перспективе.

2. Чтобы сделать хорошее персонализированное предложение, нужно собирать и анализировать данные о покупках человека, его социально-демографические характеристики и характеристики поведения на сайте и в приложении компании.

3. Максимальной эффективности можно добиться при использовании связки oCRM и aCRM.

4. Используя метрику CLV и другие модели прогнозирования, можно достаточно точно предсказывать будущие события людей, тем самым максимизируя прибыль с этих пользователей.

Источник: retail-loyalty.org