Привлечь нового клиента сейчас стоит в 5 раз больше, чем удержать существующего, и цифра продолжает расти – за последние несколько лет стоимость привлечения выросла на 60%.
Это негативно сказывается на бизнесе, учитывая, что для многих компаний доля рекламных расходов (ДРР) — один из основных показателей эффективности маркетинга. Сегодня в кейсе Cozy Home мы разберем, как можно оптимизировать бюджет на привлечение и удержание с помощью грамотной и системной работы с клиентскими данными.
Цифры и факты
Сozy Home – сеть магазинов товаров для дома. Компания специализируется на текстиле собственного производства: постельном белье, пледах, полотенцах – а также на других приятных мелочах для кухни, спальни и ванной.
- Сеть состоит из интернет-магазина и 100 офлайн-магазинов по всей России. Каждый год открывается около 25 новых точек
- Каждый месяц количество участников программы лояльности увеличивается на 10%
- Сайт компании ежемесячно посещают 450.000 человек
Цели и задачи
Основной целью Сozy Home было увеличить эффективность рекламных каналов с помощью data-driven подхода. Начать решили с усовершенствования одного из основных способов таргетинга в Facebook – Look-alike (сокращенно LAL).
Технология работает так: вы загружаете сегмент пользователей, которые уже взаимодействуют с вами (например, спящие, зарегистрировавшиеся и т.д) или какую-то информацию о них (email, телефон), и на основе этих данных система ищет новых потенциальных клиентов, похожих на вашу целевую аудиторию, и показывает им рекламу.
Искать похожии аудитории позволяет функционал большинства рекламных систем. Но чтобы поиск был эффективным, люди в предоставленном сегменте уже должны быть чем-то похожи между собой. Иначе системе сложно найти подходящих пользователей, что отражается на качестве рекламных коммуникаций с новой аудиторией.
Чтобы создать собственные качественные сегменты, сначала нам нужно было собрать в одном месте First-party data клиентов. Это уникальные данные, которые компания получает от клиентоа напрямую, когда они пользуются ее сайтом, мобильным приложением, программой лояльности, подписываются на email-рассылку и т.д. Помимо базовой информации вроде пола и возраста к ней также относятся более глубокие и ценные знания о поведении и интересах аудитории.
Решение Retail Rocket. Этап подготовки
Чтобы создать собственные качественные сегменты, сначала нам нужно было собрать в одном месте First-party data клиентов. Это уникальные данные, которые компания получает от пользователей напрямую, когда они пользуются ее сайтом, мобильным приложением, программой лояльности, подписываются на email-рассылку и т.д. Помимо базовой информации вроде пола и возраста к ней также относятся более глубокие и ценные знания о поведении и интересах аудитории.
Объединить все эти данные из онлайн и офлайн источников и создать для каждого клиента единый профиль помог наш модуль Data Warehouse.
Затем с помощью еще одного модуля Customer Intelligence Platform мы проанализировали количество покупок, средний чек и другие метрики и на основе этих данных сегментировали всю базу на новых покупателей, лояльных и тех, кого можно потерять.
Для решения задачи нам были нужны следующие сегменты, представляющие ценность для бизнеса :
- Перспективные
- Лояльные
- VIP
Мы их подготовили и отдали в Cozy Home. Для этого понадобилось просто скачать созданные сегменты из личного кабинета на нашей платформе и загрузить в рекламный кабинет Facebook.
Решение Retail Rocket. Этап тестирования
Cozy Home протестировали два варианта Look-alike кампаний на основе следующих сегментов:
1. Вся база пользователей интернет-магазина Cozy Home
Под всеми пользователями в этом случае подразумевались люди, которые в течение последних 12 месяцев оставили интернет-магазину свой email и дали согласие на получение рассылки. Эта база состояла из 150 000 человек и была достаточно разнородной, так как на рассылку подписываются и новички, и VIP-покупатели, и те, кто поделился своими контактами год назад, но так ничего и не приобрел.
Базу загрузили в рекламный кабинет Facebook, система сформировала из нее сегмент и на его основе искала похожих пользователей. Всего удалось найти 25 500 000 человек.
2. Сегмент лояльных пользователей, подготовленный Retail Rocket
Как мы уже отметили, этот сегмент был создан с помощью Customer Intelligence Platform – на основе анализа покупок, переходов и других метрик она разбила всю клиентскую базу интернет-магазина Cozy Home на несколько сегментов: новых покупателей, лояльных и тех, кто вот-вот уйдет. Для каждого бизнеса количество таких сегментов, их границы и внутренние показатели (количество заказов, средний чек, размер сегмента и т.д.) будут свои.
Для построения LAL-кампании мы отобрали один наиболее интересный сегмент:
- Лояльные – клиенты, которые покупают регулярно
Всего в подготовленном нами сегменте оказалось 1 750 email-адресов. Несмотря на то, что он был примерно в 100 раз меньше всей базы лояльных пользователей, это никак не повлияло на эффективность работы системы, и она подобрала на его основе 25 500 000 похожих пользователей.
По итогам тестирования было понятно, что наша сегментация позволила снизить долю рекламных расходов (ДРР) LАL-кампаний в 2 раза. То есть аудитория, подобранная на основе сформированного нашей платформой сегмента, вела себя наиболее похожим образом на целевую аудиторию интернет-магазина Cozy Home – ей были более интересны представленные товары и они покупали больше и на бОльшие суммы, в результате чего расходы на рекламу окупались лучше. Отсюда можно сделать вывод, как важно правильно подготавливать сегменты для построения эффективных Look-alike кампаний.
Результаты
- Снизили ДРР в 2 раза
- Увеличили долю дохода с канала на 11%
Интересные выводы
- Чтобы Look-alike работал эффективно, нужно готовить правильные сегменты
- Сегменты быстро выгорают (примерно через месяц), поэтому их нужно постоянно обновлять
- Сегментация будет полезна не только для создания LAL-сегментов, но и для ретаргетинга, а также корректировки ставок
Комментарии по проекту
Сегментация помогает делать пользователям более персонализированное предложения. В свою очередь рекламные кампании, таргетированные на определенные сегменты, позволяют увеличить конверсию, уменьшить ДРР, CPA, процент возвратов. Модуль Customer Intelligence Platform RR – очень удобный инструмент для наших задач. Благодаря этому модулю мы можем взаимодействовать с пользователями на каждом этапе воронки
Наш новый модуль Customer Intelligence Platform позволяет сегментировать пользователей, создавать для них более персонализированные рекламные кампании и таким образом увеличивать конверсию, средний чек и выручку. Мы рады, что помогли нашим коллегам из интернет-магазина Cozy Home найти новый рычаг взаимодействия с клиентами в онлайне, и он дал такие отличные результаты