Соседи
Анализ покупок и поведения клиентов.
Оценка эффективности программы лояльности
- Описать поведение клиентов-держателей карт лояльности
- Подобрать механизмы работы с оттоком клиентов
- Увеличить допродажи
- Определить эффективность программы лояльности
Задачи
Решения
- Провели классический RFM-анализ с оценкой влияния акций, бонусов и скидок на поведение покупателей
- Сделали А/B-тестирование целевых предложений для «ушедших» клиентов и отобрали наиболее «рабочие» варианты по их возврату
- Провели анализ смежных покупок и сформировали предложения для клиентов со схожим поведением, но без таких продаж
- Проанализировали чеки покупателей без и с картами лояльности магазина, посчитали доходность по ним и сделали выводы об эффективности программы лояльности
Ход выполнения проекта
«Соседи» - республиканская сеть магазинов (более 180 торговых точек формата шаговой доступности) с собственной бонусной программой лояльности «Купилка». Мы уже сотрудничали с компанией ранее (см. кейс "Соседи. Геоаналитика"), и в 2016 году нас снова пригласили помочь уже с анализом данных о покупателях-держателях карт лояльности магазинов. Мы, конечно же, согласились :)
Что мы сделали:
Что мы сделали:
- Мы начали с сегментации базы клиентов-владельцев карт лояльности (более 300 000 карт), и для качественного исследования использовали RFM-анализ. Сформировали 125 групп по трем признакам (количество покупок в месяц, прошедшее время с момента последней покупки, накопленная сумма покупок за месяц), описали 5 ведущих сегментов в базе. Таким образом, получили поведенческие портреты клиентов по самым привлекательным для компании сегментам покупателей.
- Затем оценили влияние маркетинговых и рекламных активностей (скидки, акции, бонусы и т.д.) на поведение покупателей в целевых группах. На основе их реакции разработали ряд заманчивых предложений и протестировали их на «ушедших» покупателях. Разделили «ушедших» клиентов на группы и каждой из них отправили свое предложение. Внутри каждой такой группы также выделяли экспериментальную и контрольную подгруппу. В итоге выявили наиболее эффективные для работы с оттоком покупателей предложения.
- Для работы с допродажами нам необходимы были данные о смежных и схожих покупках, чтобы предложить тем, кто не покупает дополнительные товары, попробовать их купить. Такие данные можно найти, проанализировав поведение клиентов, схожее с нашей целевой группой и отобрав те товары, которые покупают они, но не покупают клиенты в целевой группе. Нашли такие товары и предложили их клиентам. В результате получили кратный рост продаж товара по экспериментальным группам.
- Наконец пришла очередь оценить работу программы лояльности. Для этого начали анализировать чеки: средний чек клиента, доходность каждого чека среди участников программы лояльности и сравнительный анализ чеков с остальным пулом покупателей. В этот момент эффективность программы лояльности стала очевидной: при общей меньшей доходности конкретного чека, количество «дорогих» чеков оказалось значительно выше у участников, что в целом, показало большую доходность.
Понимание доходности клиентской базы и эффективности тех или иных мероприятий, позволило более взвешенно подходить к планированию маркетинговых активностей. Так, например, простые и популярные механики наподобие «купи на сумму «n» - и получи дополнительные бонусы» на практике могут «прибавить» затрат на сумму в 357 000 долларов. Понимая эти возможные затраты, можно более взвешенно подходить к планированию и построению своей бизнес модели crm, или же проводить эксперимент на малых группах, где потери при неудаче будут менее существенными.
В итоге менеджмент сети получил четкое представление о том, что именно покупают клиенты в магазинах, где именно покупают больше всего, как часто совершают покупки, на какие суммы покупают держатели карт, какие сегменты клиентов являются неинтересными для работы, какие клиенты вскоре перестанут покупать и сколько есть времени, чтобы их вернуть.
После работы с персонализированными предложениями был получен возврат порядка 12% от числа клиентов, которые не покупали, но начали снова покупать после оффера.
Анализ клиентских данных дал менеджменту компании цифры и возможность планировать и прогнозировать эффективность маркетинговых активностей и рекламных акций. Например, зная о том, что рассылка клиентам сети со специальным предложением в их день рождения увеличивает средний чек на 86%, а покупает по этому предложению каждый второй участник программы лояльности, можно прогнозировать динамику продаж и выстраивать стратегию работы с клиентами.
Значительный эффект был получен и в результате предложения клиентам товаров из зоны смежных предпочтений. Прирост продаж здесь составил до +200%, и повторить его компания уже может самостоятельно, зная, какое товарное предложение для этого роста лучше всего использовать.
После работы с персонализированными предложениями был получен возврат порядка 12% от числа клиентов, которые не покупали, но начали снова покупать после оффера.
Анализ клиентских данных дал менеджменту компании цифры и возможность планировать и прогнозировать эффективность маркетинговых активностей и рекламных акций. Например, зная о том, что рассылка клиентам сети со специальным предложением в их день рождения увеличивает средний чек на 86%, а покупает по этому предложению каждый второй участник программы лояльности, можно прогнозировать динамику продаж и выстраивать стратегию работы с клиентами.
Значительный эффект был получен и в результате предложения клиентам товаров из зоны смежных предпочтений. Прирост продаж здесь составил до +200%, и повторить его компания уже может самостоятельно, зная, какое товарное предложение для этого роста лучше всего использовать.