Як компанії збирають дані про користувачів та заробляють на них

Колонка Explainer

Дані клієнтів – головний актив компанії. Якщо розпоряджатися ними вправно, бізнес має всі шанси підвищити середній чек і частоту купівель. Розповім:

про джерела клієнтських даних;
про те, як дані допомагають компаніям заробляти;
чому важливо зберігати всі дані в одному місці.

Також наведу кейси співпраці з Mindbox: Miele, L’Oréal Luxe, United Colors of Benetton та інших відомих компаній, які зуміли монетизувати клієнтські дані.

Де збирати дані про користувачів: шість джерел

Основних джерел даних про користувачів є шість:

сайт;
мобільний застосунок;
соціальні мережі;
каса в офлайн-магазині;
реакція на розсилки;
опитування.

Сайт дозволяє вивчити інтереси клієнта: як часто він заходить, які товарні категорії та картки товарів переглядає, що додає у вибране та кошик. На основі цих даних зручно налаштовувати базові тригерні розсилки. Найпопулярніша та найбільш конверсійна механіка – кинутий кошик.

Розсилка про кинутий кошик фешн-бренду Zarina

Мобільний застосунок – джерело даних про активність клієнта: як часто заходить, якими розділами цікавиться, як активно взаємодіє з мобільними пушами.

Мобільний пуш сервісу YouDo.com для замовників, які цікавилися ремонтом

Соціальні мережі насамперед джерело анкетних даних: ім’я, прізвище, вік, освіта, наявність дітей. Ця інформація дозволяє налаштувати націлення, наприклад не показувати рекламу дитячих товарів бездітним.

Каса в офлайн-магазині – це, звичайно, джерело даних про покупи. Щоправда, для цього необхідно деанонімізувати чеки, інакше ви отримаєте дані загалом по торговій точці, а не в розрізі конкретного клієнта. Єдиний спосіб зробити це – програма лояльності, до того ж її умови мають бути досить вигідними, щоб клієнт не забував пред’являти карту лояльності на касі.

Якщо процесинг програми лояльності синхронізується з касами, у касирів з’являється можливість уточнювати у клієнтів необхідну інформацію, наприклад день народження – підказки можуть виводитися на екрані.

Реакція на розсилки – як часто клієнт відкриває листи та які (масові чи тригерні), чи переходить на сайт. Усе це важлива інформація для налаштування тригерних розсилок.

Лист косметичного бренду Aravia клієнтам, які давно нічого не купували та не відкривали листи

Опитування дають змогу оцінити задоволеність клієнтів після купівлі, а також сегментувати базу – досить просто запитати, чим саме клієнт цікавиться.

Виробник побутової техніки Miele розпочинає спілкування з клієнтами з прямого запитання про сферу діяльності.

Як дані про клієнтів допомагають заробляти: теорія

Через особисті пропозиції. Припустимо, ви знаєте, що частина клієнтів має середній чек – 50 доларів, і хочете підняти його до 70. Або клієнти купують раз на два тижні, а ви хочете, щоб частота покупки зросла до одного разу на тиждень. В обох випадках на допомогу прийдуть персональні пропозиції в межах програми лояльності, наприклад підвищене нарахування балів за покуп.

Інший варіант – використати алгоритм на машинному навчанні, який виводить на сайті товари, які з великою ймовірністю зацікавлять клієнта. Алгоритм враховує всі дії клієнта, зокрема перегляди та замовлення, а також поведінку подібних клієнтів.

Товарна картка з персональними рекомендаціями на сайті фешн-компанії Incanto

Через продаж супутніх товарів. Якщо у вас накопичено масив даних про клієнтів, вам доступне застосування алгоритму на машинному навчанні, який аналізує те, як часто товари трапляються в одному чеку, і виключає з рекомендацій уже куплені товари.

Лист про кинутий кошик фешн-бренду Love Republic доповнено рекомендаціями супутніх товарів

Через повернення клієнтів із відтоку. Якщо бізнес має інформацію про середню частоту купівель, легко виділити сегмент неактивних клієнтів. Зазвичай для їхньої реактивації використовується знижка на наступну купівлю.

United Colors of Benetton дарує знижку 15% клієнтам, які нічого не купували впродовж пів року

Головні бізнес-результати роботи з клієнтськими даними – зростання середнього чека та частоти покупок. Нижче докладно розповім про успішні кейси відомих компаній.

Як компанії заробляють на даних про користувачів: реальні кейси

Miele: навели лад у клієнтських даних та сегментували базу. Раніше з клієнтськими даними в компанії була справжня проблема: на одну людину в базі могло бути заведено п’ять карток в 1С. 1С і розсилка не були інтегровані між собою – коли клієнт відписувався, співробітники, які працювали з 1С, вручну знімали галочку в таблиці.

Щоб одному клієнту не надсилалося кілька листів або нерелевантні повідомлення, необхідно було впорядкувати базу. Для цього вивантажили історичну базу та за допомогою скриптів очистили й дедубліцували дані. Тепер база ділиться:

за типом контакту: професіонали та кінцеві клієнти;
за джерелом;
за регіонами;
за категоріями куплених товарів;
за середнім чеком.

Сегментація бази дозволила запустити контентні розсилки та тригерні механіки: welcome-ланцюжок, кинуті листи та опитування.

Результат: за перші 8 місяців 2021 розсилки принесли на 21,6% більше доходу, якщо порівняти з аналогічним періодом 2020-го.

Incanto: запустили персональні поради на сайті. Маркетологи бренду мали гіпотезу: клієнти почнуть частіше купувати, якщо показувати їм релевантні рекомендації в картці товару. Для виведення корисних продуктів використовували алгоритм на машинному навчанні: він виводить те, що дивляться і купують клієнти, схожі на відвідувача за поведінковими характеристиками.

Щоб підтвердити або спростувати гіпотезу, налаштували експеримент через Google Optimize: 50% відвідувачів сайту бачили товарні рекомендації на сайті, 50% відвідувачів – ні. За результатами тесту виявилося, що основна група, тобто ті, хто бачив рекомендації, приносила більше грошей за сеанс.

Результат: рекомендації в картці товару приносять 5,5% додаткового виторгу інтернет-магазину.

L’Oréal Luxe: об’єднали всі точки комунікації бренду з клієнтами в єдиний шлях омнікації. L’Oréal Luxe має багато точок контакту з клієнтами, зокрема сайти, лендинги, платформи для опитувань, офлайн-бутики. Щоб ідентифікувати клієнта у всіх точках контакту, підключили платформу даних клієнта. Вона збирає інформацію з усіх перелічених джерел та збагачує профіль клієнта новими даними. Це дозволяє як створювати персоналізовані розсилки, так і розробляти маркетингові акції для кожного сегменту.

У L’Oréal Luxe сегментація включає кілька осей:

за стандартними критеріями RFM-аналізу;

*Recency (давність) – дата останнього замовлення, Frequency (частота) – кількість замовлень клієнта за весь час та Monetary (гроші) – сума вартості всіх замовлень.

за інтересами;
за бажаним каналом комунікації.

Результат: за рік прибуток від CRM-комунікацій зріс удвічі.

Tefal: запустили комунікації на основі RFM-аналізу. До автоматизації маркетингу клієнтські дані зберігалися по-різному: в офлайн-магазинах, онлайн-магазинах різних брендів і сервісних центрах. Об’єднання всіх даних на одній платформі дозволило дедубліцувати контакти та сегментувати аудиторію на основі RFM-аналізу на п’ять сегментів:

новачки – до 30 днів у базі, немає замовлень;
новачки у відпливі – понад 30 днів у базі, немає замовлень;
активні – від одного замовлення з давністю до 60 днів;
передвідтік – від одного замовлення з давністю 60 – 100 днів;
відтік – від одного замовлення з давністю понад 100 днів.

Для кожного з п’яти сегментів розробили свою систему комунікацій залежно від поведінки: коли покупець реєструється, йде із сайту без покупів, робить замовлення або давно нічого не купує. Тригерні розсилки допомагають мотивувати новачків та активних покупців на купівлі та повертати неактивних покупців із відтоку.

Результат: за 5 місяців виторг від email-розсилок зріс удвічі в абсолютному значенні.

United Colors of Benetton: запустили програму лояльності з персональними акціями. Щоб деанонімізувати покупки в офлайн-магазинах та виміряти ефективність акцій, вирішили підключити омніканальну програму лояльності. Робота включала такі етапи:

Запуск програми лояльності в офлайні з інтеграцією процесингу та касового програмного забезпечення.
Запуск програми лояльності в онлайні із синхронізацією баз даних офлайн та онлайн.
Настроювання кросканальних автоматичних комунікацій.

Щоб виміряти користь від програми лояльності, United Color of Benetton виключає з комунікацій 10% учасників програми лояльності – так звана контрольна група. Це дозволяє правдиво оцінити, наскільки комунікації впливають поведінку клієнтів.

Результат: учасники програми лояльності приносять кілька десятків тисяч доларів додаткового доходу щомісяця.

Чому важливо об’єднувати всі дані про клієнтів в одному місці та дедубліцувати контакти

Некоректні сегменти призводять до роздачі зайвих знижок. Якщо компанія має багато баз даних, один клієнт може бути записаний кілька разів: в офлайні йому присвоєний один ідентифікатор, в онлайні – інший. Розрізнені дані не дозволяють зрозуміти, скільки в компанії клієнтів і який інтервал між покупками, а отже коректно побудувати сегменти.

Припустимо, маркетолог вирішив збільшити частоту купівель і для цього видати знижку всім клієнтам із п’ятьма покупками. Якщо дані про онлайн- і офлайн-купівлі не об’єднані, бізнес не матиме інформації про те, що клієнт А з п’ятьма покупками в онлайні та клієнт Б з п’ятьма покупками в офлайні – одна і та сама людина. У результаті він отримає знижку, хоча вже здійснив 10 покупок і не підпадає під умови акції. Тобто компанія витратить гроші даремно.

Дублювання облікових записів створює незручності для клієнта. Класичний приклад – списання балів у програмі лояльності. Якщо в онлайні бали накопичуються окремо від офлайну, клієнт не може повноцінно витрачати бонуси.

Хаос даних призводить до вигоряння бази. Коли клієнт числиться в кількох базах, наприклад в email- і SMS-розсилці, він отримує повідомлення, що повторюються, але з різних каналів. Відписується – і все одно продовжує отримувати розсилку, тому що різні повідомлення надсилаються з різних розсилок. Це призводить до того, що клієнти просто перестають відкривати повідомлення або, що гірше, включають їх до спаму.

У такий спосіб робота з клієнтськими даними підвищує середній чек та частоту купівель клієнтів через персональні пропозиції, продаж супутніх товарів та повернення клієнтів із відтоку. Важливий момент: для досягнення цих результатів дані мають бути очищені від дублів та зберігатися в одному місці.

Думка редакції може збігатися з думкою автора колонки.

#bit.ua

Читайте нас у
Telegram