Сегментация клиентов на основании больших данных: практические кейсы

Илья Цырульников, product owner CDP Mindbox, платформы автоматизации маркетинга

Давать скидку только клиентам с низкой вероятностью покупки и не тратить деньги на отправку SMS тем, кому неинтересна акция, – это реальные примеры из жизни компаний, выстраивающих маркетинг вокруг сегментации клиентов на основании больших данных. В этом материале я расскажу, что такое целевой (или персонализированный) маркетинг, как к нему перейти и какую выгоду от data driven-подхода извлекают лидеры рынка в диапазоне от fashion-компании United Colors of Benetton до сети аптек «Ригла».

Если в вашей компании отправляют массовые рассылки «по всей базе», а данные о клиентах хранятся в нескольких системах, вам могут быть полезны примеры из этой статьи.

Почему целевой маркетинг эффективнее традиционного

Целевой маркетинг предусматривает персонализированные предложения на основании сегментации. Так, если клиент раз в месяц покупает на 1000 рублей, бессмысленно предлагать ему бонус за покупку на эту сумму, ведь он совершит ее без дополнительной мотивации. Зато дать повышенный кэшбэк при покупке на полторы тысячи полезно: это увеличит средний чек.

До недавнего времени точечно работать с каждым сегментом было невозможно: у компаний не было нужных инструментов и данных. При этом эффективность массовых коммуникаций снижалась из-за раздражения от спама и баннерной слепоты. По данным компании Infolinks, занимающейся медийной рекламой, уже в 2012 году только 2,8% американцев считали рекламу в интернете релевантной, а за 18 лет с появления первого баннера в 1994 году средний CTR снизился с 78% до 0,9%.

Постепенно становился очевидным запрос клиентов на персонализацию: по данным аналитической компании Experian Marketing Services, уже в 2013 году конверсия персонализированных email-рассылок была в 6 раз выше, чем у неперсонализированных.

Как сегментация помогает компаниям больше зарабатывать

Чтобы сегментировать клиентов, компании должны централизованно хранить данные из всех возможных источников: интернет-магазина и лендингов, программы лояльности и рекламных кабинетов, DMP- и CRM-систем. Чем больше источников данных, чем чище и актуальнее информация о клиентах, тем точнее будет сегментация и, как следствие, коммуникация с клиентами.

Ниже – о том, как сегментация на основании данных помогает Kari, «Ригле», United Colors of Benetton и другим data-driven компаниям.

Увеличивает средний чек. Средний чек участников программы лояльности «Риглы» на 61% выше, чем у обычных клиентов. Компания собирает и хранит всю информацию об участниках программы, в том числе данные об активации карты, действия на сайте и реакцию на рассылки. Благодаря этому маркетолог может составлять персональные акции и не тратить деньги на раздачу скидок клиентам, которые купят и без них. Пример такой акции – предложить скидку в 20% на средства La Roche-Posay только тем, кто ранее покупал уходовую косметику:

Марина Лаговская, директор по маркетингу «Риглы»: «За время проекта мы научились работать с программой лояльности. Предлагаем партнерам-производителям готовые решения: начиная от технологий, заканчивая идеологией и расчетом экономики для акций. Стали принимать во внимание поведенческие метрики, потому что научились их отслеживать. И надо сказать, что для компании это дает существенный экономический эффект».

Увеличивает выручку. Персонализированные email- и SMS-рассылки в рамках омниканальной программы лояльности приносят United Colors of Benetton ~20% от общего дохода в онлайне и офлайне. Доля персонализированных коммуникаций в выручке интернет-магазина достигает 32%.

Чтобы достоверно измерить пользу от программы лояльности, маркетологи Benetton выделили контрольную группу: 10% клиентов не получают коммуникации. С ними сравнивают добавленную выручку основной группы – ежемесячно прямые коммуникации приносят несколько миллионов рублей.

Письмо для реактивации оттока – тех, кто совершил последний заказ более 180 дней назад:

Александр Вологодский, ecommerce-директор United Colors of Benetton: «Нам важно понять, кто наш клиент, какие мотивы побуждают его становиться нашим клиентом, а что может оттолкнуть. Это критически важно для построения бренда. Поэтому приоритетом последних двух лет для нас является оцифровка взаимодействия клиента с брендом. Эти знания помогут перестроить процессы формирования и закупок коллекций, более точно выбирать аудитории и позиционировать продукт, точечно выстраивать коммуникации и предоставлять дополнительные сервисы участникам клуба».

Снижает издержки на коммуникацию. Приведу примеры двух брендов: обувного ритейлера Kari и DIY-ритейлера «Петрович».

— Kari сэкономил 19% бюджета на коммуникации с помощью персонализации.

Из акционной SMS-рассылки исключили 19% клиентов, которые покупают мало обуви или получали специальное предложение за последние две недели:

По сравнению с рассылкой по общей базе конверсия экспериментальной рассылки не изменилась, а затраты — снизились. Стоимость одного заказа упала с 46 до 37 рублей.

Сергей Гуменников, руководитель программы лояльности Kari: «Нужно было улучшить финансовый результат рассылок, при этом не только сократить затраты на SMS, но и сохранить конверсию в заказы. Было понимание, что сделать это можно с помощью гибкой сегментации клиентов — отправлять предложение только тем, кому оно действительно интересно. Задачу удалось решить: быстро запустили тесты и получили результаты».

— «Петрович» в два раза сократил расходы на коммуникации по программе лояльности благодаря каскадным рассылкам.

Вся информация о клиентах, включая подписки на каналы и реакцию на рассылки, хранится в едином профиле, поэтому способы доставки можно ранжировать по цене: от бесплатных email’ов и мобильных пушей до дорогих Viber и SMS. При 400 тысячах активных участников программы лояльности экономия в годовом выражении существенная: сотни тысяч рублей.

Рассылка о сгорании баллов показала, что с 51,1% клиентов удалось связаться с помощью бесплатных писем и мобильных пушей:

Ольга Касикова, руководитель CRM-коммуникаций «Петровича»: «Наша цель № 1 — достучаться до клиента всеми возможными способами, то есть донести сообщение в релевантном канале, от бесплатного мобильного пуша до дорогого SMS. Таким образом мы показываем клиенту, чем «Петрович» может быть ему полезен во время ремонта. При внедрении каскадных рассылок мы ожидали сокращения затрат на 20–25%. Результат оказался неожиданным: падение стоимости коммуникаций в 2 раза. Это для нас колоссальное достижение!».

Увеличивает конверсию сайта. Производитель обуви Mario Berluchi предсказал поведение клиентов с помощью Data Science и увеличил конверсию сайта на 16%. Когда клиент заходит на сайт, его действия записываются и прогоняются через алгоритм предсказания: «купит в текущей сессии или не купит» и «вернется в течение семи дней или не вернется». Если вероятность покупки меньше 30%, запускается показ попапа:

Азамат Тибилов, директор по маркетингу Mario Berluchi: «Предсказание помогает в нужный момент побуждать клиента к покупке или, наоборот, не трогать его, если он купит и так. В рамках AB-теста механика персонализации сайта на основе предсказания помогла увеличить конверсию интернет-магазина на 16,5% и ARPU на 35,7% относительно контрольной группы».

В каких случаях сегментация будет менее эффективной

Данные о клиентах хранятся разрозненно. Если сведения о заказах в офлайне доступны только в «1С», данные о реакции на письма — в рассыльщике, а сведения о брошенной корзине — на сайте, сегментация будет неполноценной. Например, в сегмент оттока попадут в том числе клиенты, которые постоянно покупают в онлайне.

База клиентов не дедублицируется. Если один и тот же клиент записан в базе несколько раз с разными идентификаторами, настроить корректные сегменты не получится. Например, маркетолог хочет выделить клиентов с двумя заказами и дать скидку на третий. Если у клиента в системе два профиля и на каждый записано по заказу, такой покупатель не попадет под условия акции. Хотя на самом деле он покупал дважды!

У компании нет программы лояльности. Если у компании, работающей и в онлайне, и в офлайне, нет программы лояльности, то маркетологи будут располагать информацией лишь о покупателях интернет-магазина. Данные о среднем чеке или о том, какие товары чаще всего покупают вместе, будут только в разрезе конкретной розничной точки, а не всех клиентов сети.

Запустить персональную акцию не получится – только массовую. Данные о поведении базы будут искажены: и среднюю частоту покупки, и конверсию новой рекламной кампании в интернете можно будет оценить только на примере онлайн-покупателей. Экстраполировать их поведение на всю базу некорректно: поведение в онлайне и офлайне отличается.

Информация о клиентах не обновляется в режиме реального времени. Это критично для товаров с высокой частотой покупки, например продуктов питания или подгузников. Если база обновляется реже, чем клиент совершает покупки, построенные сегменты не будут отображать реальную картину и клиенты получат неактуальное сообщение и лишние скидки.

Как понять, что пришло время внедрять сегментацию на больших данных

Исчерпан потенциал роста. Если компания хочет повысить выручку, средний чек, частоту покупки и другие показатели, а традиционные инструменты продвижения с массовыми акциями и рассылками уже не приносят желаемого эффекта, значит, пора подключать персонализацию.

Снижается маржинальность. Маркетологи запускают только массовые акции формата «20% на всё», а в итоге спецпредложениями пользуются клиенты, которые купили бы и без скидки. Получается, что бизнес отдает часть маржи и не может измерить реальную эффективность этих акций: выделить контрольную группу и сравнить ее поведение с остальными клиентами получится только в онлайне.

Каналы для общения с клиентами выбираются по наитию. Сегментация на больших данных поможет подобрать наиболее эффективные каналы для каждого клиента. Так, если клиент три раза не совершил покупку после получения SMS, его можно отнести к сегменту «не отправлять SMS» – это сэкономит бюджет компании.

Маркетинговые гипотезы не тестируются. Проверка гипотез – важный источник данных о клиентах и основа персонализированного маркетинга. Например, «Перекрёсток Впрок» использовал AB-тест, чтобы понять, что привлекательнее: скидка в деньгах или процентах. Оказалось, что скидка в процентах конвертируется в заказ на 80% лучше.

Чтобы маркетологи доверяли результатам таких тестов, важно правильно сделать выборку клиентов на основании сегментации. Так, в тесте «Перекрёстка Впрок» участвовали клиенты, которые совершили от трех заказов за всё время, но ничего не покупали за последние 45 дней. Если группы получателей будут непохожи друг на друга, выводы по результатам проверки гипотез будут некорректными.

Ручная работа с базой отнимает много ресурсов. Если маркетолог не может самостоятельно создать нужный сегмент и тонет в «простынях» файлов из Excel, а у ИТ-отдела или аналитиков вечно не хватает времени на помощь, значит, пора автоматизировать сегментацию. Ручная переливка данных, например выгрузка контактов и отписок в рассыльщик раз в неделю, — тоже тревожный сигнал. Человеческий фактор ведет к ошибкам в данных.

Как внедрить сегментацию: с чего начать и как выбрать технологическое решение

Можно выделить пять этапов, без которых внедрение целевого маркетинга обречено на провал:

1. Сформулируйте цель внедрения: метрику успеха и ожидания по ней. Метрика успеха должна быть такой, чтобы имитировать ее достижение было невозможно. Пример хорошей метрики: рост выручки и/или маржинальности от рассылок в сравнении с контрольной группой.

2. Опишите сценарии использования технологии. Например, если маркетолог хочет делать целевые рассылки по RFM-сегментам, то есть учитывать давность, частоту и сумму покупок, но ресурсов на проведение анализа нет, нужна технология, которая сама распределит клиентов по сегментам.

3. Определите, нужна ли интеграция покупательских данных. Правильный ответ — нужна, если у компании несколько источников данных, не связанных между собой. Без этого нет смысла инвестировать в персонализацию — результата, скорее всего, не будет.

4. Оцените скорость внедрения и изменений. Главное свойство персонального маркетинга — скорость изменений. Технологическое решение должно поддерживать запуск и тестирование десятков новых кампаний каждый месяц, а не требовать доработок для заведения нового триггера.

5. Оцените окупаемость. Расчет включает:

— ожидания по метрикам внедрения (доход, экономия, скорость);

— затраты на платформу и интеграцию;

— затраты на сотрудников, которые будут пользоваться платформой.