Бабулям — корвалол, мужикам — виагра, аптеке — рентабельность 20%. Как мы проанализировали базу из 3 миллионов клиентов

Кейс будет полезен малому и среднему бизнесу в розничной торговле. На примере крупного клиента показываю влияние аналитики на результаты компании в больших масштабах.

Привет, меня зовут Михаил Климов, мы в Headline занимаемся автоматизацией розничных магазинов, разрабатываем сервисы для автоматизации торговли малого бизнеса.

Благодаря анализу базы из 3 миллионов клиентов, мы доросли до рентабельности 20%. Как у нас это получилось, что это дало клиенту — рассказываем в этой статье.

Произошло это в далеком 2018, когда в Удмуртии в основном использовали скидочную систему.

К нам обратилась ведущая межрегиональная сеть аптек с интересной задачей. Из соображений конфиденциальности мы не можем упомянуть её название.

На тот момент в нее входило более 730 аптек в 25 регионах России. Клиент пришел к нам с несколькими запросами:

Если кратко — скидки это зло, они убивают бизнес.

Приведу простой пример расчета, как скидка влияет на чистую прибыль:

Как видите, скидка всего в 5% сократила итоговую чистую прибыль на 48%. Жуть какая-то! А если я хочу сделать скидку 7%? А если 10%? А если 15%?

А у нашего клиента 730 торговых точек в 25 регионах России. Сколько он потенциально теряет в прибыли из-за скидок?

В аптечной сети на тот момент насчитывалось 1120 касс. Программа лояльности в аптеках представляла собой исключительно скидочную систему: покупатели заполняли бумажные анкеты, а затем продавцы-консультанты вносили данные в таблицу и выдавали дисконтные карты.

Проблема 1. Конечно же, продавцы ошибались при внесении данных, часть данных терялась.

Проблема 2. Единой базы данных по системе лояльности не было: часть была в анкетах, часть в разрозненных таблицах. Соответственно, и провести по ним анализ покупателей было невозможно.

Проблема 3. Уровень скидки по картам зависел от покупок в прошлом месяце. При этом, в разрозненных базах данных фиксировалась только сумма покупки, а не конкретные товары.

Соответственно, рассылку по базам можно было сделать только общую — по всем клиентам или по городу. Например, покупаешь витамины, а следом получаешь предложение приобрести подгузники со скидкой. Или контрацептивы. Клиентам не могли сделать таргетированное предложение товара, который ему действительно мог пригодиться. Понятно, что конверсия не впечатляла — 0,7–1,0%.

Благодаря анализу мы увидели интересные поведенческие паттерны, создали на их основе комплексные предложения для клиентов и увеличили конверсию в покупку в разы.

Средства для потенции. Итак, бабушкам предлагать виагру и контрацептивы перестали. Но зато заметили, что такие средства покупают клиенты из северных регионов, у которых карта привязана к 2 номерам. Либо номер был один, но на него с определенной периодичностью не доходили сообщения. Так поняли, что средство для потенции покупают вахтовые работники. Выяснили периодичность отъездов и своевременно стали предлагать эти средства.

Результат: аптека получала стабильно высокую конверсию для этого продукта — 17–22%, а клиенты довольны, что им вовремя напомнили о важном.

Аптечка путешественника. Благодаря кластеризации удалось выяснить, что если человек покупает в определенное время солнцезащитный крем и средства от расстройства желудка, то скорее всего он собирается в отпуск. Пришла идея предлагать таким клиентам предсобранную аптечку, в которой будут все необходимые лекарства и косметика для поездки.

Результат: отправили 11 000 сообщений. Стоимость рассылки составила 16 000 рублей, а конверсия в покупку — порядка 26%. В итоге компания окупила рассылку в несколько раз и сгенерировала поток покупателей.

Средства от аллергии. Благодаря аналитике удалось выделить группу клиентов, которые сезонно покупают средства от аллергии. Сформировали для них аптечку с необходимыми лекарствами, носовыми платками, спреями. При этом клиент мог выбрать из всего перечня то, что ему нужно. Весной, в сезон аллергии, сделали рассылку с предсобранной аптечкой в мессенджер и предложили сделать предзаказ на сайте.

Над задачей работала команда из 8 человек: руководитель проекта, 3 бэкэнд-разработчика, аналитик, консультант CRM, Data Science специалист и Data Warehouse специалист. У нас уже были наработки по самому сервису — процессинг и алгоритмы машинного обучения. Но надо было все это интегрировать и кастомизировать под клиента.

1. Провели аудит базы клиентов-владельцев дисконтных карт. Добавили на карту бонусы. Стартовый баланс на бонусном счете соответствовал определенному проценту скидки.

2. Проверили техническую возможность интеграции новой бонусной системы. Для этого провели нагрузочное тестирование: с помощью специальной программы-скрипта технически сымитировали, что к нашему сервису обращается более 2000 касс. Таким образом смогли понять, что он выдержит подобную нагрузку в реальности.

3. Провели пилотный запуск системы. В двух аптеках установили систему и провели обучение с продавцами.

4. Что делать покупателю со старой дисконтной картой?! Пришлось разработать в кассовой системе программу сдачи старой карты и замену ее новой с вводом контактных данных.

Дополнительно внедрили единую платформу для авторизации пользователя. Так клиенты могут увидеть все свои онлайн и оффлайн покупки и баланс бонусов на сайте по номеру телефона. Бонусы начисляются практически мгновенно, их можно потратить в любой аптеке сети.

5. Написали инструкцию для заведующих аптек. В ней подробно описали, как работает система, как переводить на нее клиентов и что делать не нужно.

6. Подключили к своей CDP (Customer Data Platform), которая собирает данные о покупках. Она фиксирует все действия пользователя. Эту информацию получали сразу с кассы одновременно с процессингом — то есть, начислением или списанием бонусов.

7. Выбрали провайдера, у которого были соблюдены все технические требования для хранения персональных данных. А сами получили статус оператора персональных данных.

8. Разобрались в законодательной базе. Например, на препараты первой необходимости устанавливают максимальные розничные цены, то есть скидки и бонусы к ним не применяют. Мы изучили и учли все эти аспекты. Для сбора, хранения и обработки персональных данных необходимо было выбрать надежного провайдера. А нам пришлось получить разрешение в Роскомнадзоре, чтобы быть оператором этих данных.

9. Разработали программу для переноса данных из старой базы в новую. Внедрили систему на всех 1120 кассах сети аптек.

10. Создали базу клиентов с разделением на кластеры. Система анализировала клиентов со схожими корзинами покупок, выявляла закономерности и группировала их.

Так появилась возможность разрабатывать акции и делать таргетированные предложения и рассылки определенным группам покупателей. То есть, бабушки перестали получать предложения о средствах для потенции, а молодые ребята — о корвалоле.

После регистрации клиентов в новой бонусной программе база транзакций стала быстро увеличиваться — на старте каждый день добавлялось по 3–4 тысячи человек. А когда все перешли на новый формат работы и бонусы, база росла на 800–900 Мб в день. Это не могло не радовать, однако создавало и дополнительную сложность. Необходимо было обеспечить достаточно места для хранения этих данных и высокую скорость отклика без сбоев. Например, чтобы клиент мог получить бонусы в одной аптеке и потратить их в другом филиале через дорогу.

11. Организовали возможность работы системы офлайн — на случай сбоя интернета. Система сохраняла данные о чеке, бонусы автоматически начислялись с появлением сети.

Результат: рентабельность сети 20% и управляемый рост продаж

Маркетологам аптеки стало проще выстраивать стратегию коммуникации с клиентом. Появилась возможность анализировать покупки. Например, узнать, совершал ли клиент повторные заказы, какие товары приобретают чаще и в какое время. Так стало возможно: