Сегментируй и продавай: как увеличить конверсию рекламы с помощью анализа аудитории

Целевая реклама работает лучше. Но одних настроек аудитории в рекламном кабинете мало, чтобы сделать выгодное предложение каждому клиенту. В агентстве Complead мы используем RFM-анализ: сегментацию клиентской базы по частоте, сумме и времени покупок. Как он помогает повысить конверсию рекламы и избежать стандартных ошибок — расскажем в статье.

В конце статьи — шаблон, с его помощью вы быстро сегментируете базу своих клиентов.

Знакомьтесь — это Тамара. Она год работает маркетологом в интернет-магазине электроинструментов.

С самого начала Тамара выбрала стандартную рекламную стратегию: определила целевую аудиторию, запустила таргетированную рекламу в Facebook и во «ВКонтакте», контекстную — в Яндексе, и даже сделала несколько email-рассылок.

Сначала на сайте регистрировались пользователи, продажи росли. Но через три месяца продажи упали, а через полгода Тамара начала паниковать.

Она выяснила, что старые клиенты не возвращаются. База новых почти исчерпана. Компания потеряла 25 % прибыли и потратила на рекламу в 2 раза больше, чем в первые 3 месяца работы Тамары.

Тамара — молодой специалист. Она закончила онлайн-курсы знаменитой школы и не сомневалась в своей компетентности.

Но она не знала тонкостей профессии. И не учла, что с аудиторией нужно работать: анализировать, сегментировать и разрабатывать маркетинговые предложения для каждой группы.

Один из самых эффективных инструментов для этого — RFM-анализ.

RFM-анализ — модель для сегментации базы клиентов на основе поведения. Клиентов распределяют на сегменты с учетом срока последней покупки, частоты покупок, суммы потраченных в магазине денег. Близкие сегменты объединяют в кластеры.

Специалисты выбирают перспективные сегменты и кластеры клиентов, потом формируют для них индивидуальные предложения. Например, человек, покупающий часто, скорее всего, отреагирует на скидки. А тот, кто покупает определенное оборудование, заинтересуется спецпредложением на продукты выбранного бренда.

Покупателей делят на сегменты по трем параметрам, по каждому присваивают балл. Чем балл больше, тем меньше шансов, что клиент совершит повторную покупку:

Практика показывает: для оценки клиентов одного параметра мало, нужно ориентироваться на все три. Например, нельзя учитывать только потраченные пользователем деньги.

Так, в магазине Тамары один покупатель купил пилу Bosch за 68 000 рублей и больше ничего не приобретал. А второй каждый месяц покупает расходные материалы на сумму 5 000 рублей уже год, он принес компании 60 000 рублей.

Тамара посчитала: первый клиент выгоднее — он потратил на 8 000 рублей больше. Но на самом деле выгоднее второй: он приносит 60 000 рублей каждый год. Кроме этого, он знаком с компанией, лоялен ей, а значит, больше шансов получить отклик на рекламу. Тратить рекламный бюджет на первого клиента может быть невыгодно — маленькая вероятность повторной покупки.

Если маркетолог не использует RFM-анализ, он, как и Тамара, столкнется с проблемами.

Траты на неэффективную рекламу. Объявления и рассылки уходят к потенциальным и бывшим клиентам без дифференциации, поэтому не дают результата.

Например, Тамаре выделили бюджет на рекламу в 400 000 рублей. Он расходовался на показы объявлений новым пользователям и на ремаркетинг — возвращение посетителей, уже заходивших на сайт. Ремаркетинг был настроен на всех подряд без деления по времени покупки. Поэтому одинаковые объявления показывались и тем, кто купил товар месяц назад, и тем, кто положил его в корзину и не вернулся.

В итоге ROI – отношение инвестиций к прибыли – не превышал 10 %, а в одном месяце оказался отрицательным. Такая реклама не давала дохода, а вот целевые предложения посетителям сайта принесли бы результат.

Негатив от клиентов из-за спама. Если пользователь видит одну и ту же рекламу более 4 раз, цена клика вырастает на 68 %, больше 8 раз – на 138 %. Люди не обращают внимания на повторную рекламу или меняется отношение к бренду, появляются гневные отзывы с требованием прекратить преследования. Из-за этой ошибки Тамара обрабатывала тонны негатива.

Отсутствие реакции аудитории. Пользователь видит бесполезное для себя предложение. Поэтому проходит мимо, вместо того, чтобы перейти по ссылке, оставить email или оформить заказы. Люди не реагируют на акции и скидки.

Наша героиня старалась сделать рекламу яркой и привлекательной. Но проблема была в неправильном таргетинге: Тамара показывала предложение не в то время и не тем людям.

Провести RFM-анализ можно самостоятельно или у специалистов. Тамара выбрала второй вариант. Ведь самостоятельное обучение RFM-анализу и отработка методики займет минимум три месяца, компания в это время будет нести убытки. Оплата курсов, практическое применение методики, исправление ошибок тоже требуют денег. Учитывая рекламный бюджет в 400 000 рублей в месяц, за полгода она бы потратила 2 400 000 рублей без гарантии результата.

После подсчетов Тамара поняла: услуги подрядчика выходят дешевле. Она обратилась к аналитику, и тот провел RFM-анализ в короткие сроки.

Аналитик изучал две группы пользователей среди зарегистрированных людей, зашедших на сайт под своим логином:

В итоге была собрана раздельная статистика по покупателям и неоплаченным заказам.

Аналитик распределил время покупки, частоту покупок и потраченные деньги на диапазоны — отсортировал пользователей по группам.

Например:

Аналитик оценил частоту покупок, выделил группу клиентов с самым большим показателем Frequency и присвоил ей лучшую позицию — 1. Всех остальных равномерно разбил на сегменты в зависимости от активности.

Для интернет-магазина электроинструментов Тамары используем стандартные периоды: месяц, три месяца, полгода и т. д. Градация от 1 до 5 отделяет свежих и лояльных покупателей от практически потерянных клиентов. Когда Тамара увидела, сколько людей не вернутся за покупками, она расстроилась. Но это нормально. Клиентов из сегментов 1 и 2 всегда меньше, чем из 4 и 5:

Нужно определить, какое число покупок считать выгодным для компании. Установить слишком низкую или высокую планку — испортить точность подсчета.

Клиентов, оставивших больше всего денег в магазине, аналитик выделил в отдельный сегмент. Они важны, даже если не совершают покупки регулярно

По затратам Тамара определила такие диапазоны:

Чтобы правильно распределить клиентов по сегментам, надо учитывать:

На основании этой информации специалист создает диапазоны для RFM-анализа, нумерует клиентов по каждому параметру от лучшего к худшему.

Например, учет сезонности: в июле многие покупатели тратят в магазине по 60 000 рублей, поэтому клиенты с чеком в 30 000 рублей получают среднюю оценку по сумме покупок 3. А в декабре максимальный чек 30 000 рублей и такие клиенты уже получат высший балл в 1.

Или срок использования покупки: клиент только купил автомобиль, который служит 5 лет. Сейчас ему не нужна машина, он получает худший балл 5, ведь вряд ли купит такую повторно. А вот клиент, который купил автомобиль 4 года назад, может присматривать новый и получает 1. Клиентам с плохими баллами стоит показывать рекламу сопутствующих товаров по уходу за автомобилями, а тем, кто получил лучшие баллы — рекламу транспорта.

На основании сегментации по показателям RFM аналитик создал группы клиентов. Например, лучшие покупатели с показателем RFM 1-1-1. Или клиенты 2-2-3, покупающие часто и на небольшие суммы, с последней конверсией не более 90 дней назад.

Например, бригада рабочих месяц назад закупила инструмент оптом на 300 000 рублей и больше не обращалась в интернет-магазин. Показатель Monetary и Recency у такого клиента будет высокий (1), а Frequency — низкий (5),

Для каждой группы или пользователя нужно формировать индивидуальное предложение. Так покупатели чувствуют себя ценными и нужными.

В стандартной схеме ремаркетинга клиенты после просмотра товара видят рекламу, предлагающую его купить. Специалисты предложили Тамаре работать с зарегистрированными пользователями по похожему принципу, но с учетом ценности клиента. То есть, запускать рекламу только на посетителей, которые с высокой вероятностью совершат покупку, и не тратить деньги на тех, кто вряд ли что-то купит.

Аналитик отобрал людей, соответствующих четырем параметрам одновременно:

У таких клиентов выше вероятность конверсии. Трафик-менеджеры запустили на них рекламные кампании в поиске и в контекстно-медийных сетях Google и Яндекса. Дополнительно отправили напоминания на email о том, что заказ ждет оформления в корзине.

Подрядчик объяснил Тамаре, что эффективнее взаимодействовать с аудиторией в динамике. Для этого аналитик каждые две недели проводил RFM-анализ, а специалисты по интернет-рекламе создавали рекламные кампании для новой базы.

В процессе выявили проблемные сегменты, целевая работа с которыми помогла повысить продажи:

Клиенты, которые покупают продукцию одного бренда. У Тамары это любители Bosch. Для них запустили ремаркетинг в Google Adwords, рекламу в Gmail, email-рассылки и рекламу в соцсетях со спецпредложениями и акциями на товары этого бренда.

Параллельно работали кампании, предлагавшие товары аналогичных по цене и ассортименту брендов Makita и Hitachi.

Это привело к росту повторных продаж товаров Bosch на 6,5 % и увеличению первичных продаж электроинструмента других производителей на 8,5 %.

Покупают не часто, но большими партиями. Для них запустили рекламу в Gmail и email-рассылки с выгодными оптовыми предложениями. В этом сегменте увеличение продаж случается редко, поэтому росту на 1,5 % Тамара очень обрадовалась.

Эти клиенты покупали каждый месяц, но перестали заказывать и неактивны более 90 дней. Для них запустили таргетированную рекламу в соцсетях, email-рассылки и кампанию в Gmail. В объявлениях и письмах была информация об акциях и комплектующие к недавно приобретенным товарам.

Необходимость в покупке дополнительных элементов возникает как раз после 3 месяцев эксплуатации, поэтому повторные продажи в сегменте увеличились на 18 %.

В базу также входили почти потерянные клиенты (5-4-3), которым интернет-магазин предлагал скидки от 30 %. А лучшие покупатели (2-1-1 и 1-1-1) получали письма с предложением воспользоваться программой лояльности и купить новые товары.

После трех месяцев работы продажи повысились на 40 %. Тамара больше не беспокоилась о сохранении должности и результатах.

Тамара — собирательный образ маркетолога. Такие сотрудники работают во многих компаниях. Они не знают об RFM-анализе или не используют его, руководствуясь только стандартными методами. Но усредненные меры не приносят доход. Улучшить результат можно, разработав персонализированные предложения для клиентов.

А для вас мы подготовили шаблон для RFM-анализа и инструкцию. Наши материалы помогут быстрее разделить клиентскую базу на RFM-сегменты и эффективнее продвигать услуги.

#маркетинг #аналитика