Как омни-канальному ритейлеру сегментировать клиентов по покупательской активности
Сегментация – это то, что усиливает эффективность маркетинга. Чем меньше сегмент, тем вероятнее вы решите ту самую проблему, которая интересует клиента, тем точнее будет ваш посыл. Но что делать омни-канальному ритейлеру, с которым тысячи покупатели контактируют и онлайн, и офлайн? Как их объединить, разбить на сегменты и найти пересечения – такими вопросами задался один из наших клиентов и вот как мы решили эту задачу.
BUTIK. — это универмаг в центре Москвы, площадью 5 000 кв. м. и интернет-магазин одежды, обуви и аксессуаров. Всего в магазине представлено более 350 брендов. Компания первой в России объединила online и offline-магазин в единый сервис. Покупатели могут оформить заказ на сайте, забрать через час в универмаге в центре Москвы, получить его курьерской доставкой или заказать доставку в любой город России.
Задача: сегментировать клиентов в зависимости от их покупательской активности.
Зачем? Чтобы снизить долю рекламных расходов, продлить жизненный цикл клиентов и увеличить их LTV.
Как? С помощью персонализированной коммуникации с каждым из сегментов в цифровых каналах и каналах direct-маркетинга (email, sms, колл-центр).
Решение: объединить данные из Google Analytics и внутренней CRM, сформировать сегменты, наладить коммуникацию и построить отчеты по их результатам.
Объединяем данные
Все данные о поведении пользователей на сайте BUTIK. собирает и хранит в Google Analytics, а информацию об исполняемости заказов — во внутренней CRM-системе. Чтобы сегментировать клиентскую базу, нужно собирать эти данные в одной системе и группировать пользователей, основываясь на частотности и давности их покупок. Затем готовые сегменты передаются в рекламные сервисы для показа релевантной рекламы и персонализации коммуникаций в каналах direct-маркетинга.
Собирать и хранить данные аналитики BUTIK. решили в Google BigQuery – это хранилище доступно, безопасно и легко интегрируется с другими системами благодаря API.
Данные движутся по такой схеме:
- аналитики BUTIK. с помощью OWOX BI Pipeline передают в GBQ несемплированные данные о действиях пользователей на сайте практически в реальном времени.
- При помощи API и готовых библиотек аналитики импортируют из CRM в Google BigQuery следующие данные:
- информацию обо всех сделанных и выкупленных заказах (online, offline и колл-центр).
- UserID пользователей и их покупательскую активность (наличие или отсутствие заказов). Персональные данные (ФИО, пол, день рождения, email, телефон, дата регистрации, статус в программе лояльности, статусы подписки на email, sms и т.д.) хранятся на серверах BUTIK с тем же UserID.
Сегментируем
К классической логике RFM-сегментов решили применить дополнительные кастомные параметры, чтобы учесть тонкости fashion-retail и его омни-канальность.
Аналитики определили основные типы сегментов:
- New Members — новые зарегистрированные пользователи без покупок.
- Old Members — старые зарегистрированные пользователи без покупок.
- New Buyers — клиенты, совершившие первую покупку.
- Good Buyers — клиенты, покупавшие 3 раза и более за последние 6 периодов.
- Very Good Buyers — клиенты, которые наиболее часто покупали за последние 6 периодов, с верхним порогом Transformation Rate (доля клиентов в сегменте, совершивших покупку в отчетном периоде). Например, клиент, покупавший в каждом периоде или в 4-5 периодах из 6 последних.
- Casual Buyers — клиенты, покупавшие в 1-2 периодах из последних 6.
- Sleep — люди, не покупавшие последние 6 периодов подряд.
- Inactive — люди, не покупавшие последние 12 периодов подряд.
Период – это среднее количество дней между двумя соседними заказами. Аналитики рассчитали отдельно, сколько дней проходит между заказами в online, сколько в offline и взяли их средневзвешенное .
Потом создали схему переходов пользователей из одного сегмента в другой. Это нужно, чтобы видеть миграцию пользователей между сегментами по результатам коммуникаций с клиентской базой в цифровых каналах, например, контекстной рекламе, и каналах директ-маркетинга.
Зеленые стрелки показывают долю пользователей, которая перешла в более активный сегмент, а красные – в пассивный. Например, на схеме видно, что 15% зарегистрировавшихся пользователей (New Members) делают первую покупку и становятся New Buyers (повышение качества). А 86% людей, которые сделали первую покупку в прошлом периоде, в анализируемом периоде ничего не купили и в результате перешли в сегмент Casual Buyers (снижение качества).
С помощью нескольких SQL-запросов аналитики OWOX BI сформировали из полученных данных таблицу с основными показателями эффективности для каждого сегмента:
- количество пользователей в сегменте и его доля в клиентской базе;
- количество заказов (оформленных и выкупленных) в сегменте;
- средний чек;
- количество заказов на пользователя;
- сумма заказов и доля сегмента в общем обороте;
- изменение численности сегмента (темп прироста).
Формируем отчеты
Для удобного использования сформировали три отчета.
- Количество пользователей, которые сменили сегмент или остались в прежнем.
- Данные по каждому пользователю за определенный период.
- ФИО;
- пол;
- еmail;
- телефон;
- день рождения;
- статус в программе лояльности;
- средний чек;
- сумма накопленных бонусов.
Персональные данные хранятся на серверах BUTIK., а в качестве ключа для связки с данными из Google BigQuery используется UserID.
Данные из этой таблицы используются для запуска персонализированной рекламы под каждый сегмент пользователей.
- Метрики покупательской активности по каждому сегменту за два периода – анализируемый и предыдущий.
- Доход, который генерирует сегмент, и его доля в общем обороте компании.
- Частотность покупок и средний чек.
- Процент выкупа — долю оформленных заказов, которые были оплачены.
- Динамику численности сегментов. Позитивная динамика – это прирост пользователей в активных сегментах (Good Buyers, Very Good Buyers, New Buyers) и сокращение в пассивных (Sleep, Inactive, Casual).
Результаты
Теперь вся информация о клиентах BUTIK. собрана в одном месте, а отчеты формируются автоматически, что экономит время маркетологов. Благодаря новым отчетам стало гораздо проще отслеживать и анализировать важные KPI и изменения в поведении в разрезе сегментов и каждого клиента.
Теперь маркетологи BUTIK. в зависимости от сегмента и поведения пользователя внутри этого сегмента могут:
- не показывать рекламу тем, кто и так с большой вероятностью купит товар;
- показывать специальные предложения тем, кто сомневается или давно не покупал;
- фокусировать усилия на тех, кто не покупает, но имеет высокий потенциал;
- не тратить силы на тех, кто маловероятно принесет прибыль.
Здравствуйте, спасибо за кейс. Интересно вот что: в Google Analytics данные аггрегированные и, насколько мне известно, его API не позволяет получить данные по поведению в разрезе конкретных людей (clientID). Как вы объединяете аггрегированные данные GA с персонализированными данными вашей CRM?
Мы собираем несемплированные и неагрегированне дынне которые содержат в себе идентификаторы пользователей clientID и userID c помощью OWOX BI Pipeline https://www.owox.ru/products/bi/pipeline/google-analytics-to-google-bigquery-streaming/.
Объединение данных происходит по UserID. О том, как связать офлайн покупки с онлайн посетителями можно прочитать в нашей статье https://www.owox.ru/blog/articles/integrate-online-offline/
Я совсем далек от этих вещей подскажите кто знает:
Теперь у маркетологов есть обновляемые и сегментированные списки с даными покупателей, имя итд, как они будут показывать им рекламу? Например контекстную или в сетях? Как дальше происходит работа маркетологов? И емайлами понятно.
Конкретно в этом кейсе упор делался именно на использование сегментов для имейл-рассылок. Но кроме этого можно отправлять список и в AdWords (передаете сегмент в Google Analytics и там уже можно настроить аудиторию для рекламной кампании). В Я.Аудитории и FB тоже можно настраивать рекламу по сегментам.
В зависимости от того, на каком шаге воронки находится пользователь, как часто совершает покупки, маркетолог меняет посылы рекламных кампаний, делает их более пресонализированными. И таким образом подталкивает к новой покупке. Или наоборот может отключать рекламу для тех сегментов, для которых она будет неэффективна.