«Вы че тут третесь?»: поведенческая аудиторная сегментация и JTBD для нагруженных CJM

За последние 5-7 лет стал абсолютно ясен тупиковый путь развития описательных моделей ЦА, основанных на социльно-экономических характеристиках групп людей для прогностических моделей потребительского поведения.

Так, условный Вася из сегмента: "М,20-24, МСК, BC+, 60-80 т.р, холост" - в локальных ситуациях может иметь широчайший спектр потребительского поведения. В этой ситуации намного перспективнее выглядят поведенческие подходы, но они сложны и редко связаны с друг с другом в какой то цельный метод.

Существует проблема взаимной интеграции карт путешествия клиента с разметкой аудиторных сегментов по методологии Jobs To Be Done. И не говорите что нет.

Об этой проблеме и речь.

Возьмем пример:

Пробуем разобраться.

Будем считать совокупность измеримых показателей (точек) поведением.

Представим, что получили ряд точек данных:

Видел креатив A

На платформе Б

Через рекламную систему В

Перешел на страницу товара Г

Посмотрел характеристики Д

Пошел шляться на другие товары Е

Свалил Ё

Глянул креатив Ж

Ретаргет на платформе З

Завернул опять на товар И

Закинул в корзину Й

Выбрана доставка курьером К

Оплатил товар Л

Доставка осуществлена М

Отзыва нет Н

Таким образом, у нас есть отпечаток поведения, само собой в матричном виде:

Как астрономы до середины 20 века, изучаем то, что видим, то что светиться.

Но нам важно иметь полноту данных, изучать события, которые, по каким то причинам не произошли, взять все возможные варианты:

Мне по душе вот такое представление:

На этом этапе, мы знаем:

Теперь возьмем когорту матриц-отпечатков, путем сравнения отпечатков мы сможем увидеть как поведенческие паттерны кластеризируются вокруг узловых линий (CJM) и опорных точек конструкции маркетинга компании (маркетинговые платформы, точки контакта), это мы знали и раньше, как минимум эмпирически, но используя метод обратных взвешенных расстояний мы увидим не только общие места, но и похожие и различные отпечатки-поведенческие модели.

Соберем их в группы:

Возьмем данные по ARPU/LTC (у меня еще там CAC) по тем же когортам и ранжируем их.

На этом этапе, подмывает попробовать найти возможность масштабировать клиентов из шорт листа отпечатков, этому многих научили все эти системы LAL, я бы не рекомендовал увлекаться, это создаст более эффективный маркетинг на коротком промежутке времени, но и более хрупкий бизнес, зависимый от объема узкого аудиторного сегмента, лучше сделать стабильную структуру, хоть в нашей стране так и не принято, куда кудрявее дать быстрый прирост, состричь купоны и уехать в закат, до того, как шефу принесут отчет с VAR.

Варианты использования (тут выстреливает ружье (JTBD), которое я повесил в начале).

1. Сопоставим с группировками (так звучит куда круче) отпечатков - креативы/площадки, оптимизируем распределение бюджета в попытке увеличить тем самым LTV на когорте.

2. Оптимизируем воронку/CJM под группировки: креативы, посадки, формулировки и.т.д которые "зайдут" именно им.

3. Рассмотрим подробнее ключевые для группировок точки карты путешествия клиента. Возможно, найдутся ключевые точки, критичные для важных группировок клиентов (система оплаты, путаная карточка товара etc.)

4. Рассмотрим матрицы JTBD и сопоставив их с группировками сделаем предположение о том, какие реальные потребности генерируют для нас максимальный объем привлеченных через маркетинг денежных средств.

Etc.

Система сырая и у меня выдает в среднем только 5-6% дополнительной доходности, при 7-10% более оптимизированного бюджета.

Я говорил выше именно про высоконагруженные системы с оминканальностью и приличным пулом SKU, только в таком случае имеет смысл использовать необходимые аналитические системы корпоративного уровня, нанимать разработчиков на питоне и.т.д, но именно на размере прирост в 5-6% доходности и экономия 7-10% объема инвестиций в маркетинг даст достаточное количество миллионов, чтобы игра стоила свеч.

Буду рад, если кто то "докрутит", предложит свой вариант реализации аналитики или просто оскорбит меня в комментах, если что не так.