83k

  • Be in trend
  • Життя
  • Культура
  • Люди
  • Тести
  • Be in tech
  • Я_і_tech
  • держ_tech
  • Tech_світ
  • BIT Video
  • Колонки
Спецпроєкти
  1. BIT.UA
  2. Блоги
  3. Илья Цырульников
  4. Как компании собирают данные о пользователях и зарабатывают на них

Как компании собирают данные о пользователях и зарабатывают на них

Колонка Бізнес

SHARE TWEET POCKET Читайте цю статтю українською

Илья Цырульников

директор по продукту платформы автоматизации маркетинга Mindbox

Данные о клиентах – главный актив компании. Если распоряжаться ими умело, у бизнеса есть все шансы повысить средний чек и частоту покупок. Расскажу: 

  • об источниках клиентских данных;
  • о том, как данные помогают компаниям зарабатывать;
  • почему важно хранить все данные в одном месте.

Также приведу кейсы Mindbox: Miele, L’Oréal Luxe, United Colors of Benetton и других известных компаний, сумевших монетизировать клиентские данные.

Где собирать данные о пользователях: шесть источников

Основных источников данных о пользователях шесть: 

  • сайт;
  • мобильное приложение;
  • социальные сети;
  • касса в офлайн-магазине;
  • реакция на рассылки;
  • опросы.

Сайт позволяет изучить интересы клиента: как часто он заходит, какие товарные категории и карточки товаров просматривает, что добавляет в избранное и корзину. На основании этих данных удобно настраивать базовые триггерные рассылки. Самая популярная и зачастую самая конверсионная механика – брошенная корзина.

Рассылка о брошенной корзине фешен-бренда Zarina

Мобильное приложение – источник данных об активности клиента: как часто заходит, какими разделами интересуется, как активно взаимодействует с мобильными пушами.

Мобильный пуш сервиса YouDo.com для заказчиков, интересовавшихся ремонтом

Социальные сети – в первую очередь источник анкетных данных: имя, фамилия, возраст, образование, наличие детей. Эта информация позволяет настроить таргетинг, например, не показывать рекламу детских товаров бездетным.  

Касса в офлайн-магазине – это, конечно, источник данных о покупках. Правда, для этого необходимо деанонимизировать чеки, иначе вы получите данные в целом по торговой точке, а не в разрезе конкретного клиента. Единственный способ сделать это – программа лояльности. Ее условия должны быть достаточно выгодными, чтобы клиент не забывал предъявлять карту лояльности на кассе. 

Если процессинг программы лояльности синхронизируется с кассами, у кассиров появляется возможность уточнять у клиентов недостающую информацию, например, день рождения. Подсказки могут выводиться на экран. 

Реакция на рассылки – как часто клиент открывает письма и какие (массовые или триггерные), переходит ли на сайт. Все это важная информация для настройки триггерных рассылок. 

Письмо косметического бренда Aravia клиентам, которые давно ничего не покупали и не открывали письма

Опросы позволяют оценить удовлетворенность клиентов после покупки, а также сегментировать базу. Достаточно просто спросить, чем именно клиент интересуется. 

Производитель бытовой техники Miele начинает общение с клиентами с прямого вопроса о сфере деятельности

Как данные о клиентах помогают зарабатывать: теория

Через персональные предложения. Допустим, вы знаете, что у части клиентов средний чек – 50 долларов, и хотите поднять его до 70. Или клиенты покупают раз в две недели, а вы хотите, чтобы частота покупки выросла до одного раза в неделю. В обоих случаях на помощь придут персональные предложения в рамках программы лояльности, например, повышенное начисление баллов за покупку. 

Другой вариант: использовать алгоритм на машинном обучении, выводящий на сайте товары, которые с большой вероятностью заинтересуют клиента. Алгоритм учитывает все действия клиента, включая просмотры и заказы, а также поведение похожих клиентов.

Товарная карточка с персональными рекомендациями на сайте фешен-компании Incanto

Через продажу сопутствующих товаров. Если у вас накоплен массив данных о клиентах, вам доступно применение алгоритма на машинном обучении. Он анализирует то, насколько часто товары встречаются в одном чеке, и исключает из рекомендаций уже купленные клиентом товары.

Письмо о брошенной корзине фешен-бренда Love Republic дополнено рекомендациями сопутствующих товаров

Через возвращение клиентов из оттока. Если у бизнеса есть информация о средней частоте покупок, легко выделить сегмент неактивных клиентов. Обычно для их реактивации используется скидка на следующую покупку. 

United Colors of Benetton дарит скидку 15% клиентам, которые ничего не покупали в течение полугода

Главные бизнес-результаты работы с клиентскими данными – рост среднего чека и частоты покупок. Ниже подробно расскажу об успешных кейсах известных компаний. 

Как компании зарабатывают на данных о пользователях: реальные кейсы

Miele: навела порядок в клиентских данных и сегментировали базу. Раньше с клиентскими данными в компании творилась настоящая беда: на одного человека в базе могло быть заведено пять карточек в 1С. 1С и рассыльщик не были интегрированы между собой. Когда клиент отписывался, сотрудники, работавшие с 1С, вручную снимали галочку в таблице. 

Чтобы одному клиенту не отправлялось несколько писем или нерелевантные сообщения, необходимо было привести в порядок базу. Для этого выгрузили историческую базу и с помощью скриптов очистили и дедублицировали данные. Теперь база делится по:

  • типу контакта: профессионалы и конечные клиенты;
  • источнику;
  • регионам;
  • категориям купленных товаров;
  • среднему чеку.

Сегментация базы позволила запустить контентные рассылки и триггерные механики: welcome-цепочку, брошенные письма и опрос. 

Результат: за первые восемь месяцев 2021 года рассылки принесли на 21,6% больше дохода по сравнению с аналогичным периодом 2020-го.

Incanto: запустила персональные рекомендации на сайте. У маркетологов бренда была гипотеза: клиенты начнут чаще покупать, если показывать им релевантные рекомендации в карточке товара. Для вывода нужных товаров использовали алгоритм на машинном обучении: он выводит то, что смотрят и покупают клиенты, похожие на посетителя по поведенческим характеристикам.

Чтобы подтвердить или опровергнуть гипотезу, через Google Optimize настроили эксперимент: 50% посетителей сайта видели товарные рекомендации на сайте, 50% посетителей – нет. По результатам теста оказалось, что основная группа, то есть те, кто видел рекомендации, приносили за сеанс больше денег. 

Результат: рекомендации в карточке товара приносят 5,5% дополнительной выручки интернет-магазина.

L’Oréal Luxe: объединила все точки коммуникации бренда с клиентами в единый омниканальный путь. У L’Oréal Luxe много точек контакта с клиентами, в том числе сайты, лендинги, платформы для опросов, офлайн-бутики. Чтобы идентифицировать клиента во всех точках контакта, подключили платформу клиентских данных. Она собирает информацию изо всех перечисленных источников и обогащает профиль клиента новыми данными. Это позволяет не только создавать персонализированные рассылки, но и разрабатывать маркетинговые акции для каждого сегмента. 

У L’Oréal Luxe сегментация включает несколько осей по: 

  • стандартным критериям RFM-анализа;

*Recency (давность) — дата последнего заказа, frequency (частота) – количество заказов клиента за все время и monetary (деньги) – сумма стоимости всех заказов.

  • интересам;
  • предпочитаемому каналу коммуникации.

Результат: за год доход от CRM‑коммуникаций вырос в два раза. 

Tefal: запустила коммуникацию на основе RFM-анализа. До автоматизации маркетинга клиентские данные хранились разрозненно: в офлайн- и онлайн-магазинах разных брендов и сервисных центрах. Объединение всех данных на одной платформе позволило дедублицировать контакты и сегментировать аудиторию на основе RFM-анализа на пять сегментов: 

  • новичков – до 30 дней в базе, нет заказов;
  • новичков в оттоке – более 30 дней в базе, нет заказов;
  • активных – от одного заказа с давностью до 60 дней;
  • предотток – от одного заказа с давностью 60-100 дней;
  • отток – от одного заказа с давностью более 100 дней.

Для каждого из пяти сегментов разработали свою систему коммуникаций в зависимости от поведения: когда покупатель регистрируется, уходит с сайта без покупок, делает заказ или давно ничего не покупает. Триггерные рассылки помогают мотивировать новичков и активных покупателей на покупки и возвращать неактивных покупателей из оттока.

Результат: за пять месяцев выручка от email-рассылок увеличилась в два раза в абсолютном значении.

United Colors of Benetton: запустила омниканальную программу лояльности с персональными акциями. Чтобы деанонимизировать покупки в офлайн-магазинах и измерять эффективность акций, решили подключить омниканальную программу лояльности. Работа включала следующие этапы: 

  1. запуск программы лояльности в офлайне с интеграцией процессинга и кассового программного обеспечения; 
  2. запуск программы лояльности в онлайне с синхронизацией баз данных офлайна и онлайна;
  3. настройка кросс-канальных автоматических коммуникаций. 

Чтобы измерить пользу от программы лояльности, United Color of Benetton исключает из коммуникаций 10% участников программы лояльности — так называемую контрольную группу. Это позволяет достоверно оценить, насколько коммуникации влияют на поведение клиентов.

Результат: участники программы лояльности ежемесячно приносят несколько десятков тысяч долларов добавленной выручки.

Почему важно объединять все данные о клиентах в одном месте и дедублицировать контакты

Некорректные сегменты приводят к раздаче лишних скидок. Если у компании много баз данных, один клиент может быть записан несколько раз – в офлайне ему присвоен один идентификатор, в онлайне другой. Разрозненные данные не позволяют понять, сколько у компании клиентов и каков интервал между покупками, а значит, корректно построить сегменты. 

Допустим, маркетолог решил увеличить частоту покупок и для этого выдать скидку всем клиентам с пятью покупками. Если данные об онлайн- и офлайн-покупках не объединены, у бизнеса не будет информации о том, что клиент А. с пятью покупками в онлайне и клиент Б. с пятью покупками в офлайне – один и тот же человек. В результате он получит скидку, хотя уже совершил 10 покупок и не попадает под условия акции. Компания потратит деньги впустую. 

Дублирование аккаунтов создает неудобства для клиента. Классический пример – списание баллов в программе лояльности. Если в онлайне баллы копятся отдельно от офлайна, клиент не может полноценно тратить бонусы.  

Хаос в данных приводит к выгоранию базы. Когда клиент числится в нескольких базах, например, в email- и SMS-рассыльщике, он получает повторяющиеся сообщения в разных каналах. Отписывается, и все равно продолжает получать рассылку, потому что разные сообщения отправляются из разных рассыльщиков. Это приводит к тому, что клиенты просто перестают открывать сообщения или, что хуже, отправляют их в спам. 

Таким образом, работа с клиентскими данными повышает средний чек и частоту покупок клиентов через персональные предложения, продажу сопутствующих товаров и возвращение клиентов из оттока. Важный момент: для достижения этих результатов данные должны быть очищены от дублей и храниться в одном месте.

Мнение редакции может не совпадать с мнением автора колонки.

#bit.ua
Читайте нас в
Telegram
Поделиться: SHARE  TWEET  POCKET 
Наші колумністи
Ольга Семенова
юристка, адвокатка
Александр Педан
шоумен, телеведущий, соучредитель pedan|buro
Ольга Селезнева
коммуникационщица и партнерша Seleznova Agency
Любомир Кузюткин
бизнес-брокер, соучредитель юридической компании и детского сада
Мы в Телеграме
подписывайтесь
  • Життя
  • Культура
  • Люди
  • Тести
  • Я_і_tech
  • держ_tech
  • Tech_світ
МЫ В СОЦИАЛЬНЫХ СЕТЯХ
83k

Розробка сайту Партнер по SEO Netpeak
curved-arrows Created with Sketch. Больше новостей