Методика разработки программы лояльности — математическая модель

Более четырёх лет я фокусируюсь на разработке мотивационных обучающих программ и программ лояльности (далее — ПЛ). Основу методики составляет главный документ — математическая модель. Она балансирует систему и определяет действия, за которые происходит награждение.

Нет возможности упоминать конкретных клиентов, поэтому попробую продемонстрировать методику на примере условной концепции для фармацевтического бренда Teva.

Большинство негативных отзывов о клубных картах и различных системах поощрений связано с неверным балльным балансом ПЛ и общей схемы мотивации. Вероятнее всего, у ПЛ проблемы, если вы наблюдаете следующее:

1. Статусы обоснованы лишь схемой «больше потратил — больше бонусов получил». Однако новый статус со «скидкой» является слабой мотивацией, если ничем другим переход на него не поддержан, нет иных механик, кроме «покупок» в ПЛ.
2. Бейджи исключают необходимость реальных подарков. Однако элементы нематериальной мотивации сами по себе не относятся к геймификации, так как геймификация — это подход. Бейджи, лишь её компоненты, и они работают не во всех системах. К тому же наблюдается общая усталость рынка от них.
   
3. «Пригласить друга» обеспечивает виральный эффект. Иных функций с вирусным потенциалом не заложено. Однако на конкурентном рынке эта функция работает слабо. Когда в последний раз вы зарабатывали бонусы на приглашениях в Uber или Get Taxi? Также модуль сложно контролировать, что часто приводит к необходимости понижать балльные начисления за основные активности. Поэтому его лучше использовать на старте программ и на низкоконкурентных площадках, в стартапах.
4. Сгорание баллов, рейтинг с большим отрывом лидеров, низкий (около 1%) кэшбек баллами, постоянная смена условий программы — это прямые маркеры проблем в ПЛ.
   

Также наблюдаются чисто математические казусы. Отсутствие общего документа, регламентирующего баланс системы, влечёт появление спорных концепций, где один бонус не равно одному рублю. Те бренды, которые используют такую схему, например «Азбука Вкуса» (1 потраченный рубль — 1 бонус, 100 накопленных бонусов — 1 рубль) или Lamoda, получают негативные отзывы на сайтах-агрегаторах отзывов и, предположительно, теряют лояльность клиентов.

К моменту реализации ПЛ у бизнеса могут существовать свои оправданные барьеры: долгое начисление баллов из-за сложившейся схемы ИТ-окружения, повышенные скидки среди конкурентов. В добавлении к структурным трудностям и правилам начисления баллов, лишнее условие «1 бонус ≠ 1 рубль» усложняет восприятие ПЛ. Оно заставляет пользователя думать о подсчётах, что наводит на мысль о манипулятивном характере программы.

Первым этапом разработки ПЛ является «Концепция». Эта стадия определяет цели, задачи и выводит решение в виде схемы мотивации участников ПЛ.

Наш пример Teva — это сайт фармацевтической компании. На нём представлено множество сервисов, требующих контентной поддержки. Их можно поддерживать временными промоактивностями, но полезнее делегировать функцию развития сервисов пользователям.

Для объединения множества функций и постоянной активизации пользователей предлагаем создать единую мотивационную систему. За полезные действия на сайте пользователь будет получать баллы, которые сможет потратить в «Магазине подарков». Действия разбиваются на блоки заданий в его профиле. Пример подобных заданий:

• регистрация купленных препаратов Teva;
• прохождение тестов после прочтения статей;
  
• добавление объектов с отзывом на «Карту доступности»;
  
• дополнительные механики (заполнение профиля для получения информации по диспансеризации).
  

Механизм системы накопления баллов в текущей ПЛ сравним с игрой. В ней есть следующие пункты:

• Базовый цикл. Он лёгок в выполнении, обеспечивает вовлечение в программу, помогает в краткосрочных достижениях.
• Краткосрочные достижения. Они посложнее, помогают достигать среднесрочных целей.
• Среднесрочные цели. Связаны с тяжёлыми механиками, например, покупками. Но именно они начинают формировать лояльность к платформе.

Общий игровой цикл помогает расставить дополнительные маркеры в воронке отсева аудитории. В то время как единственная возможность заработать баллы на покупке товара приводит к образованию «слепой зоны» между статусами пользователей в системе.

В ПЛ всегда предполагаются разовые активности за баллы — это триггеры вовлечения новых пользователей в использование платформы. Они помогают легко получить больше баллов в начале. Помимо традиционных «приветственных баллов», заполнения анкеты, привязки соцаккаунта, можно выполнять цели, связанные со знакомством с сервисами бренда: в этом случае — «Заполнить профиль для получения информации по диспансеризации».

«Одноразовое начисление баллов» — блок в математической модели, который позволит учитывать и механики при регистрации, и премирование за участие в конкурсах уже во время работы ПЛ.

В шаблонных ПЛ часто можно встретить модуль «Пригласить друга». Его регулирование выносится отдельным блоком в общую схему математической модели.

Для фармацевтических брендов типична структура, где у каждого препарата свой сайт. Каждый из них приходится поддерживать, что экономически невыгодно и затратно с точки зрения продвижения в поисковиках.

При размещении информации о всех препаратах на сайте teva.ru мы получаем большой контентный раздел. Появляется больший потенциал для генерации органического трафика. При развитии платформы эти материалы становятся частью мотивационной механики, выполняя функцию знакомства аудитории с продуктами бренда. Получаем следующие шаги:

1. Собираем ядро. Анализируем спрос, кластеризуем запросы, формируем на их основе структуру разделов.
2. Готовим контент. Переносим статьи по препаратам с других сайтов, пишем дополнительные, объединяем в раздел с существующими статьями teva.ru.
   
3. Встраиваем статьи в мотивационную программу. Премируем баллами за прохождение тестов после их прочтения.
   

После прочтения статей по одной теме пользователю предлагается пройти тестирование в личном кабинете. Оно валидирует знакомство с материалом. Более того, такая мотивация не является накруткой поведенческого фактора, а наоборот, по опыту, лучше сказывается на позициях целевых страниц в поисковиках.

Покупка — традиционно, самая сложная механика, так как пользователь расстаётся со своими деньгами. На сайте Teva представлен модуль «считывание штрих-кодов купленных лекарств» как проверка контрафактного продукта. В рамках ПЛ перевернём значение этой функции, сделав её основной механикой по зарабатыванию баллов. Теперь регистрация штрих-кода подтверждает покупку товара Teva.

Сбалансированная система должна не только «съедать» деньги на поддержку ПЛ, но и возвращать их в оборот. Для иных ПЛ это могут быть механики как с прямым указанием на покупку товара (код товара, промокод под крышкой), так и с косвенным, например, фото с товаром.

У Teva система не будет побуждать на регистрацию большего количества штрих-кодов. Она мотивирует на привычку формировать «домашнюю аптечку» из разных лекарств Teva. Большее количество баллов присуждается за полное формирование «домашней аптечки» — внесение штрих-кодов 26 разных препаратов.

Фиксируем покупки в математической модели. Если на одной покупке должны зарабатывать ещё администратор магазина, руководитель нескольких магазинов, иные участники программы — вводим параметр КТУ (коэффициент трудового участия).

Согласно KTУ, одна продажа может оказывать влияние на все группы пользователей в программе. Теоретически в ПЛ для Teva мы могли заложить механику, где врачи, подписывая под собой обычных участников, получали бы дополнительные поощрения за их активность.

Однако на практике маловероятно, что врачи будут заниматься подобным, поэтому в этой программе мы задействовали более примитивный математический блок, чем на примере ниже.

Математическая модель может также решать задачи по увеличению среднего чека. Для этого необходимы следующие шаги:

1. Установить значение текущего среднего чека.
2. Ввести пороговое значение, желаемый средний чек.
   
3. Внедрить блок поощрений (большее число баллов) за достижение порогового значения.
   

Так, мы образуем в системе не просто мнимую мотивацию к переходу на новый статус, а инструмент влияния на покупателя в точке продаж, на кассе. С помощью этой же механики можно влиять и на другие метрики, например, показатель LTV.

Пользователь прошёл несколько стадий вовлечения в ПЛ Teva. Теперь его необходимо мотивировать приходить на платформу постоянно. Это возможно с помощью создания определённого сообщества пользователей по интересам.

На сайте Teva обозначен достаточно чёткий фокус на аудиторию маломобильных людей. Для них существует «Карта доступности», которая показывает культурно-досуговые, социальные и спортивные объекты России. Согласно открытым источникам, инвалиды-колясочники обычно входят во вторую группу инвалидности. С 2011 года её численность уменьшилась на 25% (с учётом Крыма).

Несмотря на снижение численности второй группы инвалидов, по данным Всемирной организации здравоохранения, в России насчитывается 40 млн маломобильных граждан (9% населения страны). Они составляют самую большую группу инвалидности в стране.

У «Карты доступности» Teva много конкурентов: infralife.ru, картафозможностей.рф/map, nqlnew.rusgis.com. Чтобы им не уступать, следует учитывать и другие группы инвалидности. А чтобы превосходить — необходима новая ценность.

Сам сервис не предоставляет реальных преимуществ, так как не мотивирует на активную жизнедеятельность социальную группу инвалидов. При неврождённой инвалидности человек скорее будет искать через интернет собеседника с похожим случаем. Рекомендации такого пострадавшего вдвойне ценней.

При нанесении объекта на карту доступности ни у Teva, ни у конкурентов о нём не было найдено отзывов и фотографий. Хотя отзывы — ценнейший актив среди инвалидов с похожими проблемами. Рекомендуется вынести данную функциональность на карту и построить мотивацию вокруг новой функции. Это станет важным шагом для укрепления сообщества на платформе.

Добавление одного или нескольких отзывов или общий показатель активности на карте вносим в математическую модель в качестве новой механики.

Анализируя негативные отзывы в интернете о ПЛ, видно, что наличие только скидки — это демотивирующий фактор для аудитории. Магазином подарков мы повышаем ценность программы. В нём, в зависимости от статуса (с точки зрения пользователя) и стоимости подарка (с точки зрения бизнеса), может подразумеваться категорийность товаров. Её мы также отражаем в ПЛ.

На последнем этапе «Концепции» разрабатываем общую математическую модель. На её основе происходит понимание всех затрат и установка количества баллов за каждую из механик на этапе создания и поддержки ПЛ.

Математическая модель была разработана мною как простой конструктор блоков в Excel. Недели двойных баллов или, наоборот, отсутствие баллов на распродажах, замена ПЛ — эти события не должны ломать ПЛ, демотивировать её участников или вносить неясные прогнозы по эффективности. Эта структура помогает оперативно вносить корректировки уже по ходу работы программы.

К сожалению, нет универсального шаблона в Excel. Видов ПЛ, механик и ролей пользователей в программах достаточно много. Однако описанный подход к контролю ПЛ посредством математической модели поможет получить контроль над затратами и прибылью бизнеса.

#инструкции