Как изучить 300 000 клиентов по картам лояльности «Купилка»— кейс сети «Соседи»

«Каждое действие клиента понятно и прозрачно: сколько человек вернулись, сколько они потратили, что купили. У нас становится все больше маркетинга с измеримым результатом» — так описывает эффект программы лояльности «Купилка» руководитель отдела маркетинга сети магазинов «Соседи» Андрей Янюк.

Но изначально «Купилка» не была такой эффективной. Недавно «Соседи» вместе с компаниями «А2 Консалтинг» и «Лаборатория клиентского опыта» провели аналитику базы из 300 000 клиентов. Эксперты проекта поделились с «Про бизнес.», какие результаты это дало.

— Все говорят про суперэффективность программ лояльности — дешевле удержать, чем привлечь, лояльные клиенты тратят больше и покупают чаще. Но ведь любая программа подразумевает под собой дополнительные расходы. А какая реальная отдача может получиться?

Большинство программ лояльности сталкиваются с одной и той же проблемой: отсутствие работы с накопленными данными о клиентах. Эти данные позволяют осознанно работать с клиентской базой: возвращать ушедших клиентов, понимать, как можно увеличить средний чек и его глубину, сформировать предложение с наибольшим откликом.

С какими вызовами столкнулась «Купилка»

«Соседи» запустили программу лояльности в 2014 году. Возникли следующие вызовы:

1. Сложность в сегментации клиентов. Одно дело, когда вы маленькая компания с 30−50 клиентами, и другое — когда их несколько сотен тысяч. Как их сегментировать?

• ABC-анализ (распределение ресурсов по степени их важности — прим. «Про бизнес.») здесь уже не поможет
• В Excel — проблематично и долго
• Любой ручной самостоятельный анализ — это анализ в «статике»: один раз сегментировали, в следующий раз придется начинать все заново, нет возможности видеть динамику

Но ведь когда идет работа с клиентской базой «вообще» — это не так эффективно, как если бы вы работали с разными сегментами по-разному.

2. Подход к сегментации — тоже отдельный разговор. Типичный подход — размытое социодемографическое деление «наш клиент — мужчина 25−45 лет с высшим образованием, активный пользователь Интернета». Какую практическую информацию дает такое описание?

Другое дело, когда мы исходим из поведения клиента. Что покупает, как покупает и почему? Вот тогда мы понимаем, что необходимо сделать для увеличения продаж.

3. Сложность анализа клиентской корзины и потребительского поведения. 300 000 карт, по каждой десятки транзакций, каждая содержит сумму покупки, товары, время, способ оплаты… А когда нужно еще хотя бы отсортировать все по группам, мы сталкиваемся с нетривиальной задачей.

4. Нехватка внутренних специалистов. На белорусском рынке практически нет специалистов, которые умеют и знают, как работать с такими данными. Даже если специалист есть — он достаточно дорогой для содержания в штате.

Решение: Мы стали анализировать клиентскую базу, собранную за два года — это более 300 000 карт. В ходе проекта мы использовали RFM-анализ.

RFM-анализ — что это такое

Это сегментация клиентов по трем признакам:

1. Recency — сколько времени прошло с последней покупки.

2. Frequency (частота) — сколько покупок клиент совершил за определенный период.

3. Monetory — сколько клиент потратил денег в компании за период.

В каждой группе выделяется 5 признаков. Например, купил неделю назад, две недели, месяц, два, три. Получается 125 групп.

Метод позволяет делать глубокую сегментацию клиентов, быстро и достаточно просто. Важно не ошибиться с величиной шага: можно деление по сумам взять из «головы», а можно сначала изучить свою клиентскую базу, понять размер этого шага и исходя из него делить на сегменты.

Это не идеальный метод. Он красиво звучит в теории, но на практике мы получаем 125 очень схожих между собой сегментов. Что с ними делать дальше — зависит от конкретных задач. Однако для начала — лучший метод, на наш взгляд.

Поняв структуру своей клиентской базы, можно углублять анализ в дальнейшем.

Ход проекта

1. Мы сегментировали клиентские базы по картам лояльности и сформировали 125 групп по трем признакам:

• Количество покупок в месяц
• Время, прошедшее с последней покупки
• Накопленная сумма покупок за месяц

Примеры групп:

Клиенты, которые потратили значительную сумму за месяц, делают до 8 покупок в месяц, но при этом не делали покупок уже 45 дней. Эту группу можно постараться вернуть — это хорошие клиенты, которые перестали покупать.

Клиенты, которые делают 2 покупки в месяц на сумму 30 рублей, покупали две недели назад. А эту группу необходимо изучать. Возможно, это неинтересный клиент. С другой стороны, это могут быть клиенты, которые используют магазин в качестве «забежать за хлебом», а основные потребности закрывают в другом месте — тогда можно попробовать расширить их корзину.

2. Описали 5 ведущих клиентских сегментов в базе. Когда на руках 125 сегментов — работать очень сложно. Мы выбрали 5 самых массовых и описали их более детально:

• В каких магазинах совершают покупки
• В какое время
• Какие продукты покупают
• Как часто это делают
• Карточкой или наличными и т.п.

Мы увидели, что часть клиентов приходят в «Соседи» не как в основной магазин. Они посещают крупные магазины сети с большим ассортиментом, но покупают только базовые товары: «молочку», хлеб… В то же время не берут «корзинообразующие» товары: мясо, птицу, крупы. Неужели не едят? Все может быть. Но скорее всего, покупают в другом месте.

3. Проанализировали акции, которые проходят в сети. И стали возвращать клиентов путем формирования целевых предложений. Обычно акция анализируется с точки зрения товара, но не с точки зрения клиента: сколько клиентов пришло, как изменилась корзина, какой товар вызывал наибольший отклик.

Мы сформировали контрольные и экспериментальные группы для различных предложений, чтобы понять, какое из предложений наиболее эффективно. Также мы анализировали, какой канал коммуникации дает наибольший отклик. Приведу пример.

Одной из групп мы разослали SMS, другой — только указали информацию в чеке. Информация в чеке не сработала — практически ни один клиент не совершил желаемое действие.

Хотя чеки всегда считались очень перспективным каналом рекламы.

4. Проанализировали поведение клиентов — смежные и похожие покупки, чтобы предложить попробовать новинки. Мы предложили купить товар тем, кто его ни разу не покупал, но кто очень похож на любителей этого товара, исходя из поведения и покупок.

5. Проанализировали средний чек и доходность каждого чека среди участников программы лояльности и роста продаж. Мы проанализировали доходность каждого чека: не участника программы и участника. За счет бонусных начислений доходность чека участника программы ниже (в %), однако при общей меньшей доходности конкретного чека, количество «дорогих» чеков оказалось значительно выше у участников. Это в целом показало большую доходность.

Эффективность программы лояльности стала очевидной.

Результаты

Аналитика продаж и клиентов вышла на новый уровень — разработана система возврата ушедших клиентов и программа по удержанию существующих клиентов. Мы получили четкое представление о поведении клиентов:

• Что именно покупают в магазинах
• Где именно покупают больше
• Как часто совершаются покупки
• На какие суммы отовариваются держатели карт лояльности
• Какие сегменты являются неинтересными для работы
• Какие клиенты вскоре перестанут покупать и сколько есть времени, чтобы их вернуть.

Когда мы сформировали точечные предложения, то получили возврат порядка 12% от числа клиентов, которые не покупали, но начали покупать снова.

Теперь мы точно знаем, что рассылка клиентам со спецпредложением в День Рождения увеличивает средний чек на 86%. По спецпредложению купит каждый второй участник программы лояльности.

Хороший эффект мы получили и в результате предложения покупок из зоны смежных предпочтений. Например, была категория клиентов, которая регулярно покупала детское питание, но не покупала подгузники. Их мы и предложили. Прирост продаж в целом по всем предложениям составил до +200%.

Взвешенный подход помог отказаться от ненужных затрат. Например, оказалось, что простые и популярные механики (купи на сумму N — получи дополнительные бонусы) на практике могут «прибавить» дополнительных затрат в сотни тысяч рублей — имеются в виду проценты от суммы покупки, которые начисляются в виду бонусов. Поскольку за бонусы можно приобретать настоящие товары и они будут отданы клиенту бесплатно или с глубоким дисконтом, каждое начисление — это затраты.

«Подумаешь, 1% дополнительно» — но без подготовительной работы это может привести к таким вот незапланированным расходам. А привлечет ли покупателя?

Чтобы перекрыть такие затраты, необходимо было кратно увеличить продажи. Мы сделали эксперимент на небольшой пилотной группе — дополнительно увеличили начисления за определенную сумму покупок на небольшой выборке (до 1000 карт). И посмотрели, как они себя повели на самом деле. Оказалось, что по экспериментальной группе наблюдался рост продаж в 8%, а затраты на приобретенные товары увеличились на 20%. Механика себя не оправдала.

Понимание доходности клиентской базы и эффективности мероприятий позволили более взвешенно подходить к планированию маркетинговых активностей. Следующий этап — оптимизация и упрощение сегментации, дальнейшие эксперименты с товарными предложениями для разных групп клиентов.