Как привлечь клиента в условиях сильной конкуренции и почему классические системы лояльности устарели?

Как обеспечить систематическую возвратность клиентов и повысить количество продаж в условиях жесткой конкуренции и низкой маржинальности?

Компания General Fueller эксплуатирует сеть из 23 станций АЗС в Москве, Московской и Тверской областях.

Постоянный рост цен на топливо и жесткая конкуренция на рынке АЗС приводит к необходимости поиска новых способов борьбы за клиента и повышения маржинальности. Одна из основных задач - не искать дополнительные доходы только в новых клиентах или товарах, а качественно работать со своими постоянными, лояльными клиентами, удерживать их, находить оптимальные решения по увеличению продаж именно им. Но клиенты все разные, с разными жизненными потребностями, кошельком и моделями поведения. Отсюда и строится задача - научиться распознавать их и точечно, индивидуально предлагать им такие условия, при которых их лояльность и соответственно частота покупок или сумма разовых покупок будет расти.

Большинство представителей рынка, говоря о своих клиентах - обобщают их фразой “Наши клиенты...”. Такое обобщение сильно ограничивает возможности доходов. Ведь формируя единую политику лояльности либо единые скидки, вы фактически снижаете себе общую маржинальность, а для некоторых даже становитесь подозрительно дешевыми или наоборот, необоснованно дорогими. Необходимо уметь определять ту цену для клиента, которая будет для него “нормальной”, а также понимать его поведение в зависимости от изменения цены или других условий - его модель поведения.

Разделение клиентов (по моделям поведения) дает огромные возможности делать им точечные предложения, но резко увеличивает трудозатраты на аналитику и привлечение. Мало того, любая гипотеза поведения клиентов после аналитики, требует тестирования на реальном рынке, потому как без проверки в продажах, в “полевых условиях”, любая гипотеза это всего лишь интеллектуальные измышления управленцев, которые могут сильно отличаться от реальности. Получается, чтобы быть конкурентоспособными, мы должны иметь инструментарий быстрого формирования множества гипотез, быстрой их проверки и быстрого запуска успешных моделей.

В современном бизнесе - самое главное скорость и достаточная сложность

Невозможность массового ручного тестирования гипотез неизбежно влечет за собой упрощение маркетинговой активности (обобщение клиентов) и возвращение к общим программам лояльности, баллам, ценообразованию и скидкам.

При этом, если вы всё-таки находите способ автоматической сегментации клиентов, то это сразу обеспечивает вам кратный прирост реализации с сохранением нужного уровня маржинальности. Особенно важно для тех сегментов бизнеса, чья маржинальность составляет 1-5% от стоимости товара или услуги. В таких сегментах скидка должна формироваться крайне точечно и только тем, кто действительно ориентирован на сниженные цены.

К примеру, по данным нашей внутренней отчетности, за счет персональных предложений на топливо и товары, мы обеспечили себе рост количества чеков в магазине на 20% (по отдельным товарным категориям на 100%), повысили доходность на 20%, а с каждого литра стали зарабатывать в среднем на 30 коп. больше. Поверьте, для нас это прогресс, учитывая серьезное повышение закупочных цен на топливо и снижение покупательской способности клиентов.

Сам процесс автосегментации (автокогортизации) клиентов обеспечивается сервисом компании Megainsight. Поясню как конкретно мы это делаем на базе данного сервиса:

Сервис с определенной периодичностью собирает транзакционные данные по каждому клиенту в едином месте. Данная информация позволяет создать цифровой портрет клиента на основе истории покупок и характеризовать его по 10-кам параметров, таким как: частота, время, объем и разнообразие покупок, средний чек, любимые товары и торговые точки, динамика спроса и многое другое. Особенно важно как клиент реагировал на акционные предложения, как изменилась его структура покупок, средний чек, частота, при изменениях цены.

Чтобы сформировать персональные предложения, мало данных о покупках только одного клиента, ведь он может покупать всегда только один товар или пользоваться только одной услугой. Важно смотреть и на других клиентов, которые по параметрам модели потребления похожи на него. Это очень сложные расчеты, которые выполняются на основе алгоритмов машинного обучения, позволяющих обучаться на всех данных клиентской базы и прогнозировать интерес клиента к определенным товарам и услугам.

При таком подходе выгоду получает как клиент, так и торговая сеть. С одной стороны, мы увеличиваем средний чек клиента и его LTV и, таким образом, растим выручку. С другой стороны, клиент получает именно то, что ему интересно, тем самым становясь более лояльным.

После того как рекомендации сформированы, их важно упаковать в купоны. Под купоном в нашем случае понимается рекомендуемый товар с персональной ценой на него или скидкой. Такие купоны заводятся заранее на различные товары и услуги, а дальше сервис, в зависимости от рекомендаций каждому клиенту, формирует полностью индивидуальный перечень купонов. Таким образом каждый клиент автоматически получает действительно персонализированный набор предложений, полностью отражающий как его существующие интересы, так и то, что ему вероятно будет интересно в будущем. Такие предложения он получает в нашем мобильном приложении (CARAWAY), на кассе при предъявлении карты или по СМС.

Конечно, все сервисы ошибаются. Чтобы минимизировать ошибки, производятся постоянный процесс переобучения моделей на новых данных. Т.е. если какие-то купоны остаются не востребованы, со временем они пропадают из перечня предложений и заменяются другими. В результате, клиент получает всегда актуальный перечень предложений, призывающий его чаще пользоваться услугами или покупать товары конкретной торговой сети.

Кому важно задуматься об автокогортизации клиентов и формировании персональных предложений?

Желаю всем удачи в покорении сердец ваших клиентов!

С. Бальсин.