{"id":13587,"url":"\/distributions\/13587\/click?bit=1&hash=a51d1243f4f81fc79ee7c1ba1cd611adea3e20c1cd7283c3a3ca6c54bb325b5c","title":"\u0412\u0430\u0448 \u0441\u0435\u043e\u0448\u043d\u0438\u043a \u0442\u043e\u0447\u043d\u043e \u043d\u0435 \u0436\u0443\u043b\u0438\u043a? ","buttonText":"\u041f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c","imageUuid":"3c239ea7-2144-53e3-94b9-de4e9e0cd5ff","isPaidAndBannersEnabled":false}
Маркетинг
Margo Berger

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:

  1. аналитики BUTIK. с помощью OWOX BI Pipeline передают в GBQ несемплированные данные о действиях пользователей на сайте практически в реальном времени.
  2. 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.
Здесь параметр StartSegment означает сегмент в предыдущем периоде, параметр EndSegment — сегмент пользователей в текущем периоде, а метрика Clients — количество пользователей.
  • Данные по каждому пользователю за определенный период.
Это актуальный список всех покупателей, которые вошли в каждый из 9 сегментов. Он включает их персональные данные, необходимые для прямых коммуникаций:
  • 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.
Отчет нужен, чтобы отслеживать изменения важных KPI в каждом сегменте:
  • 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.
0
6 комментариев
Написать комментарий...
Denis Lukyanov

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?

Ответить
Развернуть ветку
Margo Berger
Автор

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/

Ответить
Развернуть ветку
Webdev Chrono

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.

Ответить
Развернуть ветку
Margo Berger
Автор

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.

Ответить
Развернуть ветку
Webdev Chrono

Правильно ли понял, изначально данные собираются в аналитикс и каждому пользователю присваевается ID, потом данные нужным образом сегментируются и заливаются в к примеру в адвортс, ключем будет тот же ID пользователя.

Ответить
Развернуть ветку
Margo Berger
Автор

С помощью OWOX BI Pipeline данные собираются параллельно в GA и BigQuery. Да, ключем будет clientID. В GA можно передавать сегмент пользователей через Data Import, например clientID | название сегмента. А потом на основе этих данных можно сформировать аудиторию и передать ее в AdWords.
Так же с Я.Аудиториями, но там мы собираем yandex ID , связываем его с UserID и передаем в Я.Аудиториями

Ответить
Развернуть ветку
Читать все 6 комментариев
null