Как компании собирают данные о пользователях и зарабатывают на них
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:
- запуск программы лояльности в офлайне с интеграцией процессинга и кассового программного обеспечения;
- запуск программы лояльности в онлайне с синхронизацией баз данных офлайна и онлайна;
- 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.