Лояльность клиентов и NPS: одна ли цифра нужна вам для роста?

Есть несколько вещей, на которые аналитик может смотреть вечно: это дискуссии об NPS (Net Promoter Score) и лояльности. Споры о них, кажется, не утихают никогда: все ищут идеальную метрику, которая предскажет темпы роста и укажет на драйверы развития бизнеса. Но правда в том, что ни одну метрику нельзя идеализировать, как это иногда делают с NPS.

Меня зовут Виталия Морозова, я аналитик группы клиентских исследований в Lamoda Tech. В этой статье я расскажу о том, как компании выбрать метрики лояльности, которые будут отвечать целям бизнеса, — и покажу подход, которым мы пользуемся в Lamoda.

Индекс NPS — один из самых распространенных способов оценить лояльность клиентов. Его популяризация началась после статьи «The One Number You Need to Grow» Ф. Райхельда в Harvard Business Review. В ее основе — исследование более 400 компаний из США, главной задачей которого было измерить влияние потребительской лояльности (точнее, индекса NPS — «готовности рекомендовать компанию своим друзьям/знакомым») на темпы роста бизнеса.

Результаты исследования впечатляли: чем выше был NPS компании, тем выше были темпы ее роста. Причем в разных отраслях была своя специфика: например, в сфере услуг, согласно исследованию, взаимосвязь между NPS и ростом бизнеса была еще выше, чем в среднем по рынку.

Казалось бы, вот он, святой Грааль, — та волшебная метрика, за которой охотится чуть ли не каждый стратег или СЕО! Управляя ее значением, можно совершить квантовый скачок в росте бизнеса. Многие компании после этого пытались инкорпорировать NPS в бизнес-логику и связывать его с экономическими показателями.

Однако это было непросто. Кто-то отчаянно пытался узнать свой NPS и менять его, а кто-то не мог соотнести метрики между собой и объяснить, почему данные NPS и продаж расходятся.

Проблемы такого подхода легко объяснить на примере. Одна из наших покупательниц может безумно любить Lamoda. Она готова порекомендовать нас своим друзьям и знакомым с большим удовольствием на все 10 баллов. Однако на практике она не стала бы рекомендовать бы нас закадычным подругам. Одна из них — искушенная покупательница нишевых концептуальных скандинавских брендов, а на Lamoda их нет или они встречается не так часто. Другая обожает тяжелый люкс, а его у нас нет. И так можно продолжать до бесконечности.

Выходит, что в чистом виде индекс NPS — готовность или неготовность рекомендовать Lamoda — несет для нас не так много информации. Но если вычленять важное для каждого конкретного покупателя, мы увидим новые направления развития.

Поэтому в Lamoda мы используем несколько подходов к измерению лояльности, которые помогают нам бороться за долю кошелька на рынке и прокачивать именно то, что растит продажи.

По этим причинам многие выводы из статьи Райхельда профессиональное сообщество в итоге поставило под сомнение. Как это часто бывает, без крайностей не обошлось, ведь все бросились критиковать NPS и открещиваться от него.

Что, собственно, критиковали? Все аргументы можно разбить на четыре группы:

• Необоснованность формулировки. Одна из дискуссий началась вокруг формулировки. Например, в случае с NPS нет эмпирических доказательств, что подобная постановка вопроса («Насколько вы готовы рекомендовать наш продукт/услугу коллегам и друзьям?») вообще может быть предиктором роста компании.
• Ненадежность. Научное знание предполагает наличие методов верификации и валидации. В точных науках и медицине это решается повторением экспериментов, воспроизводством методологии. В случае с работой Райхельда появилось много вопросов, так как попытки воспроизвести его исследования не подтвердили его выводы.
• Ограничения в интерпретации результатов. В изначальном виде NPS не предполагал никакой детализации на драйверы продаж, что сильно ограничивало его интерпретацию.
• Сложность применения на практике. Как следствие это вызывало массу вопросов о том, как же бизнесу применять результаты, аллоцировать ресурсы на инициативы, призванные повысить тот самый NPS, и понимать возврат инвестиций от них.

В противовес NPS появилась концепция Wallet Allocation Rule (доли кошелька), имеющая более прикладное объяснение выбора потребителя.

Покупатель каждый день сталкивается с огромным количеством предложений, и лишь за некоторые из них он голосует рублем. Например, мы знаем, что в каждой сфере у покупателей есть репертуар брендов, которые он или она покупают или с высокой вероятностью задумываются об их покупке. Есть примерный бюджет, который они готовы на это потратить.

Идея доли кошелька заключается в наличии определенного количества брендов, которые человек рассматривает в ситуации выбора, и места этих брендов в его ментальном рейтинге — то, в каком порядке человек о них думает или вспоминает. При понимании, какое место в этом рейтинге занимает каждый бренд и какой средний бюджет на вашу категорию товаров, можно выявить среднестатистическую долю трат покупателя по вам и вашим конкурентам.

Использование рангов, на мой взгляд, лучше отражает концепцию лояльности. Ранг говорит о выборе конкретного потребителя и его драйверах. Выводы из него дают ощутимую почву для маркетинга и работы над провисающими областями. В то время как из NPS можно сделать некорректные выводы для продвижения бренда.

Внутри команды клиентских исследований мы не раз шутили, что спросив 100 коллег о лояльности, мы получим 100 разных вариантов ее интерпретации. Кажется, что понятие весьма размыто, потому что кто-то определяет ее через покупки, кто-то — через удовлетворенность, а кто-то — через долю кошелька, которую покупатель оставляет у нас как у бизнеса.

На мой взгляд, вопрос, как измерять лояльность клиентов в конкретной компании, сводится к целеполаганию, понятийному аппарату и культуре данных.

• Целеполагание. Дело не в самой метрике, а в том, для чего она нужна. Цель определяет средства и инструменты для ее измерения. Для каких-то задач NPS может стать прекрасной метрикой и отвечать запросу бизнеса, например, о состоянии основных точек контакта с клиентом в его пути взаимодействия: увидеть проблемы внутри клиентского пути, понять самые сильные стороны. Объяснить, почему покупатель выбирает тратить или не тратить на вас деньги, NPS, увы, не сможет.
• Понятийный аппарат. Существует множество определений лояльности и удовлетворенности. Подмена смыслов здесь происходит достаточно часто, что и приводит к логическим ошибкам — например, к утверждению, что драйверы NPS обязательно совпадают с драйверами продаж. А это в большинстве случаев не так.
• Культура данных. Тут уже встает более серьезный вопрос о квалифицированных кадрах на рынке и об умении работать с данными. Есть ли внутренние данные и экспертиза, которые позволяют обогащать данные опросов.

В изначальном варианте NPS не имеет никакой детализации причин, по которым люди ставят ту или иную оценку. Для нас оптимальным вариантом стало добавление замера CSI (Customer Satisfaction Index). Он представляет собой драйверы клиентского опыта — то, с чем взаимодействует клиент на протяжении всего пути оформления и получения заказа. В нашем случае это сайт и приложение, ассортимент, цены, сами товары, доставка, колл-центр и возврат.

Чтобы повысить уровень детализации данных и избежать ложных интерпретаций, каждый такой блок для нас состоит из нескольких элементов. Например, «Ассортимент»: здесь мы оцениваем общую удовлетворенность ассортиментом на Lamoda через широту выбора и доступность размеров.

И вишенка на торте: мы валидируем драйверы клиентского опыта, оценивая их влияние на потерю или получение дополнительной выручки при снижении или увеличении удовлетворенности ключевыми драйверами. Так у бизнеса появляется понимание, какова сейчас удовлетворенность клиентов, где наши слабые и сильные стороны и как управлять клиентской базой. Несомненный операционный плюс здесь — это почти бесплатно внутри диджитал-продуктов, как у Lamoda. У нас уже есть профили покупателей и история их действий, и такие исследования не нужно заказывать у сторонних агентств.

В случае, когда нужно определить зоны для оптимизации, мы используем бенчмарки или нормы по индустрии. Они подсвечивают, где компания может тратить меньше или где ей стоит инвестировать больше, чтобы соответствовать своей стратегии конкуренции. Однако это требует значительных инвестиций и серьезной работы по встраиванию результатов в бизнес-решения. Параллельно может возникнуть необходимость дополнительного анализа или исследования в конкретной области.

Если оперировать долями трат в категории, это послужит навигатором в понимании выбора клиентов, его причин и усилении позиции через, как минимум, маркетинговые коммуникации.

NPS/CSI — прекрасный инструмент удержания клиентов, который помогает нам совершенствоваться и внедрять инновации. Из этого родился один из наших больших проектов — Easy Return («Простой возврат»).

В ходе одного из анализов мы поняли, что возврат является болезненной точкой клиентского пути в Lamoda. Ведь раньше нужно было вручную заполнять заявление на бумаге, указывать реквизиты своего банковского счета, которые еще нужно где-то найти. Чтобы углубиться в проблему, мы провели дополнительное исследование, где детализировали и прописали самые сложные кейсы.

Все рекомендации легли в перезапуск процесса возврата на Lamoda в 2022 году: теперь его можно оформить в пару кликов на сайте или в приложении без лишней волокиты с бумажками. Сейчас мы уже видим накопительный положительный эффект от этого нововведения.

Второй яркий пример использования метрик лояльности — наша маркетинговая стратегия. Она основана на результатах анализа факторов, влияющих на покупку (в исследовательском коммьюнити известен как driver analysis). Благодаря нему мы смогли сгруппировать основные факторы и оценить их влияние на вероятность следующей покупки на Lamoda.

После детальной проработки у нас получилась карта того, что важно развивать в имидже через коммуникацию и клиентский опыт, а что — просто поддерживать не ниже того уровня, что есть сейчас. Каждый раз обращаясь к ней, мы можем, например, увидеть, какой фактор лежит в зоне низкого потенциала на следующую покупку и нашего перформанса, а какой, наоборот, в зоне высокого потенциала и наших сильных позиций.

Внутри Lamoda, помимо мониторинга и управления удовлетворенностью клиентов, мы также занимаемся прогнозированием метрик для постановки KPI, в том числе по NPS. Это становится возможным благодаря синергии разных видов аналитики.

Например, наши коллеги разработали модель сегментации клиентов по поведению, где все клиенты разделены на четыре группы и описывают структуру нашей клиентской базы. То, с какую группу попадает клиент, зависит от вероятности конверсии в следующую покупку: подробнее об этой сегментации мы рассказывали на митапе для продуктовых аналитиков.

Для построения прогноза NPS на 2023 год мы исходили из гипотезы, что вероятность конверсии в покупку также может быть связана с лояльностью. При анализе данных мы увидели эту разницу: сегменты с большей вероятностью конверсии в покупку более лояльны к Lamoda. Зная также прогнозный объем клиентов внутри каждого сегмента и сезонные особенности нашего бизнеса, мы построили несколько сценариев развития NPS на год вперед.

Вопрос лояльности и управления ею будет стоять перед бизнесом всегда. Подходов для этого много, и все они ориентированы на решение конкретной цели. NPS, как и любая другая метрика, здесь не панацея: она может быть крайне полезной для понимания состояния клиентской базы и драйверов, влияющих на удержание клиентов, но не позволяет выявить драйверы продаж. Аналогично и с концепцией доли кошелька, которая, наоборот, не описывает состояние клиентской базы.

Поэтому для нас, аналитиков и исследователей, важно объективно смотреть на цели и помогать бизнесу выбирать наиболее эффективные подходы под их запросы.