Просунута аналітика в ритейлі для максимізації виручки і лояльності користувачів — як її налаштувати

Привіт! Мене звуть Сергій, я аналітик вже з 13-річним стажем. Працював у багатьох відомих всім вам компаніях, таких як Genesis, Uklon, Weplay, Openvpn, Kiss My Apps (Netpeak Group), де впроваджував аналітику з нуля і до робочих воронок та прототипів.

По суті аналітика — це моє життя і покликання, оскільки люблю спостерігати за людьми через цифри. Останнім часом, після прочитання однієї цікавої книги, я задумався над тим, щоб поєднати IT світ та продуктову аналітику разом з неайтішним напрямком, створюючи при цьому нові можливості для бізнесу.

Ця оповідь про аналітику буде корисна власникам ритейл бізнесу — це може бути мережа кав’ярень, невелика мережа супермаркетів, закладів харчування і т.п.

Проблематика

Більшість власників точок продажу (точка продажу — point of sale — торгова точка мережі) вважають, що ІТ та аналітика знаходяться від них десь дуже далеко, і її підходи не можуть бути застосовані в реальному світі. ІТ — це про фейсбук, інстаграм, тіндер, а в реальному світі діє правило «кому треба, той купить».

Але в нинішній час, коли ринки падають, а конкуренція зростає, перемагає той, хто вміє використовувати нові методи взаємодії з користувачами, нові технології. А також той, хто може бути гнучким і швидко адаптується під потреби не тільки ринку, а й окремих сегментів користувачів; той, хто знає свою аудиторію і може запропонувати індивідуальну та персональну пропозицію для кожного користувача, з метою збільшення прибутку.

Коли власник не може бути присутнім безпосередньо на всіх точках, а географія чітко диктує відмінності між користувачами, обсяг клієнтів неконтрольовано зростає або падає, саме аналітика може пролити світло на поточну ситуацію та вподобання окремих регіональних користувачів.

Старі методи закупівель за принципом АВС аналізу давно стали малоефективними, і часто торгова точка не може на 100% задовольнити потребу користувача. А це значить, що власник або недоотримує прибуток, або взагалі втрачає клієнта, якщо певна відсутня позиція спонукатиме клієнта обрати конкурента.

Після більш як 10 років роботи в продуктовій аналітиці, до мене прийшло усвідомлення, що весь світ, поведінка людей — це математика, а настання події, яку ініціюють користувачі, завжди має свою індивідуальну імовірність. І даний підхід можна застосувати не тільки в мобільному чи вебдодатку, а й в реальному офлайн-світі.

Звісно є багато факторів, які можуть вплинути на ймовірність настання події: привітний персонал, чисте приміщення, стильний дизайн. Але якщо оцифрувати максимум чинників впливу та побудувати на оцифрованих даних якісний портрет аудиторії, а саме сегментів аудиторії, це допоможе власнику не тільки зрозуміти, хто його основна аудиторія, але й побудувати модель взаємодії, такий собі сценарій, який проведе нового користувача від acquisition (перше знайомство з мережею), до loyal user (користувач, який є постійним клієнтом).

Для вирішення проблеми і побудови сценарію необхідно пройти наступні етапи:

  1. Оцифрування чинників та збір інформації про аудиторію.
  2. Нормалізація даних та пошук основних критеріїв, які корелюють з виторгом, визначення метрик, які чітко описують ефективність роботи бізнесу.
  3. Побудова портрета ключової аудиторії, визначення основних сегментів, які генерують більшість доходу компанії.
  4. Проєктування RFM-моделі — модель взаємодії з кожним сегментом, завдяки якій ми можемо провести користувача за руку від «мені одне лате і більше я сюди не прийду» до «це моя улюблена кав’ярня/ супермаркет, я тут буваю декілька разів на тиждень».

Детальніше кожен пункт і процес описую далі у статті.

Збір даних

Як зазначалося раніше, найбільшою проблемою в офлайн-бізнесі є збір та оцифрування даних. Маємо два способи такого збору:

  1. провести опитування (дуже складно і ви навряд зможете отримати достатню вибірку користувачів, якщо запитаєте їх прямо в точці продажу, та й навряд у когось буде часу більше ніж на пару питань);
  2. прихований збір даних через мобільні додатки лояльності, картки лояльності чи інший метод (цей метод гарно підходить для бізнесу з великим оборотом користувачів, але вимагає побудови цілої інфраструктури даних, з іншого боку, перед вами відкриваються нові можливості комунікації з користувачами).

Оскільки ми говоримо про новітні методи обробки великої кількості даних і нам потрібні статистично значущі дані, а в умовах постійних змін на ринку, ще й свіжі, ми зупинимось на другому методі, а саме:

  • розробляємо мобільний додаток, за встановлення якого користувач отримує додатковий бонус (кешбек, депозит чи індивідуальні пропозиції), що дозволяє ідентифікувати окремого користувача і закріпити за ним історію покупок. Крім історії покупок при правильно налаштованому стримінгу даних (система передачі всіх дій користувача в базу даних), ми можемо отримати геолокацію користувача, відстежувати його повернення в торгові точки, розмір всіх транзакцій, також ми матимемо змогу дуже дешево та якісно комунікувати з користувачами через повідомлення додатка, а також надсилати індивідуальні пропозиції в залежності від уподобань прямо в додаток. Геолокація дасть можливість не тільки знайти точки для потенційного розширення бізнесу (нова точка продажу), але й слати нотифікацію користувачу в той момент, коли він найближче до вашої точки, як нагадування про себе;
  • розробляємо систему лояльності: картки лояльності, що дає можливість відстежувати історію покупок користувача, його повернення, а при заповненні брошури з контактами, — навіть точки дотику з користувачем. Мінусом тут є те, що картки часто забуваються, на відміну від телефону, і дуже складно буде достукатись до потенційного клієнта та відстежити його геолокацію.

Всі дані рекомендовано зберігати в хмарних базах даних, так, наприклад, стримінг з додатка легко інтегрується з сервісом Google bigquery, що дає змогу отримувати всі взаємодії з додатком, географію користувача, інформацію про його пристрій і ще багато даних. База даних налаштована на великий обсяг даних, тому дуже швидко обробляє запити, а можливість передавати user_pseudo_id та user_id (унікальні ідентифікатори користувача) у вигляді телефону чи унікального коду, дає змогу прослідкувати весь шлях користувача від встановлення додатка до кожної транзакції.

Звісно, чим більше користувачів у додатку чи в програмі лояльності, тим більше даних для аналізу, але навіть якщо немає ні додатку, ані картки, ми можемо ідентифікувати унікального користувача за банківською карткою, щоб хоча б простежити історію покупок.

Тож додатково в наше сховище передаються дані про історію транзакцій, і тепер ми можемо переходити до етапу пошуку основних показників моніторингу ефективності бізнесу та поведінки користувачів.

Нормалізація даних та визначення показників ефективності роботи бізнесу з аудиторією

Як показує практика, чим простіше система, тим менша ймовірність того, що щось піде не так чи не спрацює.

Тому після побудови системи даних та їх нормалізації пропоную використовувати основні продуктові метрики для оцінки ефективності взаємодії точки продажу з клієнтами.

Будемо використовувати наступні метрики:

  1. Retention rate — показник повернення користувача в точку продажу від моменту першого замовлення в системі. Він повністю корелює з виторгом точки продажу, тому максимізація даного показника буде рівна збільшенню виторгу.
  2. ARPU — середня виручка на одного користувача в системі. При побудові когортного аналізу беремо до уваги користувачів, які були ідентифіковані в день Х. Всю виручку, яку згенерувала когорта, — всі чеки цих користувачів ми відносимо до однієї і тієї ж точки продажу. А далі ми можемо побудувати окупність клієнтів. Так, наприклад, якщо ми залучили частину користувачів в додаток чи систему лояльності, показник ARPU, поділений на вартість залучення користувачів в когорту, буде дорівнювати окупності даної когорти. Важливо, щоб всі когорти були окупними, оскільки бізнес буде втрачати кошти.
  3. ARPPU (середній чек) — показник середньої виручки на одного користувача, який платить. Даний показник характеризує середній чек в когорті та інформує нас про те, чи є суперлояльні користувачі в когорті, чи їх немає.

З даних показників будуть випливати метрики ROI — return of investment — повернення інвестицій на залучення клієнта, LTV — lifetime value — вся виручка та прогнозована виручка, яку може принести клієнт мережі, та решта метрик для моніторингу ефективності роботи.

Оцінивши нинішні показники, можна рухатись далі та шукати шляхи підвищення окупності когорт користувачів.

Побудова портрета аудиторії

Після того, як ми маємо оцінку реальної ситуації в мережі, встановили зони росту та цілі на наступний період, треба виробити методи, якими ми будемо покращувати показники та додаткові інструменти монетизації чи повернення користувачів в точку продажу.

Для ефективності процесу, в першу чергу, потрібно розуміти, хто є ключова аудиторія, яка генерує найбільше виручки. Знаючи цю інформацію, можна виробити модель поведінки, а також ідентифікувати ще й інші сегменти користувачів, які б змогли створити додатковий продукт, замість того, щоб канібалізувати виручку.

Як провести якісну сегментацію користувачів? Якщо у вас немає такого розуміння, чи ви не можете контактувати з аудиторією через опитування, є декілька автоматизованих методів, якими це можна зробити.

  1. Алгоритм k-means — суть алгоритму в тому, щоб закинути вибірку користувачів з певним набором якісних характеристику в модель та визначити ту кількість кластерів, яку б ми вважали задовільною (3-5-7 кластерів). Далі система автоматично розбиває користувачів на групи і, маючи основні КПІ, — виручка на користувача, LTV, ROI, retention rate, ми описуємо економічні характеристики кожного з кластерів, а, маючи додаткові сирі дані, складові чека і локації, ми можемо витягнути додаткові інсайти по аудиторії. Наприклад, ключовий сегмент любить лате з певним десертом. Чи ще якусь комбінацію продуктів, і проживає в районі Х, має пристрій iPhone і т.д.
  2. Алгоритм C-means — аналогічний k-means за виключенням того, що кількість сегментів визначає система.

Рис. 1 k-means clustering

Після створення n-кількості кластерів, і маючи їхні характеристики (в ідеалі — через додаток запитувати ім’я, вік, стать тощо), ми зможемо розуміти, хто є ключова аудиторія, і націлювати діяльність точки продажу на залучення більшої кількості людей з подібними характеристиками. Або навпаки, проводити експерименти в деяких точка продажу з метою залучення сегментів, які не реалізували свій потенціал.

Також маючи інформацію про вподобання окремо взятих сегментів, є можливість впливати на них через додаткові бонуси чи безкоштовну одиницю продукції, як-от ідеї з персональними знижками. Але подібні інвестиції мають бути направлені тільки на той сегмент, ROI якого є позитивним, і тих користувачів, вікно візиту яких більше ніж Х днів (кількість днів можна визначити для кожного сегменту окремо).

Більше деталей про цей вид маніпуляції опишу в наступному розділі — формування RFM-моделі та визначення порогу інвестиції в кожен з сегментів користувачів.

RFM-модель та її застосування в ритейлі

RFM-модель є моделлю унікальної взаємодії з користувачами в залежності від рівня їхньої лояльності, з метою підвищення зацікавленості в продукті.

Як це працює? Попередньо ми провели сегментацію користувачів через к-means алгоритм, описали цих користувачів і посортували їх за рейтингом для бізнесу: від користувачів, які один раз відвідали точку продажу, до найлояльніших користувачів, котрі регулярно повертаються до нас і залишають багато інвестицій в наш бізнес.

Згідно з моделлю, описаною на рис. 2, найменш привабливий сегмент знаходиться в нижньому лівому кутку, а найбільш привабливий — в правому верхньому.

Рис. 2 RFM-модель

Далі ми розробляємо методику взаємодії з кожним сегментом, в залежності від його характеристик, і частотності повернення в точку продажу в форматі пуш-нотифікацій, бонусів, рівня кешбеку, чи навіть безкоштовного пундика або кави, для найбільш лояльних користувачів, з метою максимального утримання в правому верхньому куртку графіка.

Якщо користувач починає просідати в комунікації з нашим бізнесом, система має запустити активність (або одну з активностей), які прописані в кожній комірці даної моделі. Крім того, дана модель поведінки націлена не тільки на утримання користувача в певній комірці, а й для просування його з одного сегменту в інший.

Наприклад, у нас є лояльний користувач, частота візитів якого становить 3 рази на тиждень. Якщо за попередній тиждень/ два ми помічаємо, що частотність знизилась до одного разу, а то й до нуля зовсім, система запускає персоналізовану активність на конкретного користувача, у вигляді спеціального оферу, обмеженого в часі (безкоштовна кава на 2 дні). Розмір подарунка має залежати від індивідуального рейтингу ROI користувача. Ми не можемо інвестувати в користувача більше, ніж він приніс нам на нинішній момент (наприклад, фіксуємо 10% від прибутку, як резерв на утримання та повернення).

Знаючи баланс користувача, система обирає мотиватор і надсилає його через додаток (у лояльного користувача має бути додаток), або в смс-повідомленні, і далі ми вичікуємо.

Якщо користувач не лояльний, але ми хочемо просунути його далі, — тут є безліч методів, як матеріальних, так і нематеріальних, які дозволять перекинути користувача в інший сегмент.

Як-от бонус за встановлення додатка. Якщо користувач встановлює нашу програму, він отримує безкоштовне морозиво. З одного боку, це витрати (але залучення користувачів в додаток через маркетинг — це також витрати, мінімум в $2-3). З іншого, — ми перекидаємо подібною інвестицією користувача з сегмента анонімів в сегмент тих, на яких ми маємо вплив, а в разі використання бонусу, — в користувача, який зробив мінімум одну покупку. Після виконання цих умов ми встановлюємо нове вікно взаємодії і вичікуємо з нашою наступною взаємодією.

Як бачимо, методи продуктового аналізу та взаємодії з користувачами можна застосовувати не тільки у віртуальному світі, а й в реальному, якщо налаштувати систему збору даних, побудувати правильну звітність та чітку систему. Ця система буде автоматично, за заздалегідь прописаними правилами, комунікувати з клієнтами (як потенційними, так і лояльними), без права на помилку і людського фактору, та буде націлена на максимізацію прибутку точки продажу.

Сподобалась стаття? Натискай «Подобається» внизу. Це допоможе автору виграти подарунок у програмі #ПишуНаDOU

👍ПодобаєтьсяСподобалось5
До обраногоВ обраному0
LinkedIn
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter

Приватність? Ні, не чули

Якщо якийсь мікробізнес змушуватиме мене поставити апку, щоб слідкувати за всіма моїми чихами, то перше, що я зроблю це припиню з ним взаємодіяти і піду до конкурента, бо це п****ць, а не клієнтоорієнтованість

Не хочу Вас розчаровувати , але сільпо , ашан, заказ юа, мультиплекс і т.д. Це все давно вже роблять . Такий світ ))) ваші данні не розглядають з прив’язкою до вас. Ви анонімізовані. Але вашу поведінку , а саме поведінку Вашого кластеру використовують для аналізу товарних запасів, для активності та взаємодії з Вами))) А за якісь там дейтинги взагалі мовчу))

Це добре для, мінімально, середнього бізнесу, для дрібного це затратно, проте можливо

Малий бізнес може просто вести базу покупок, вводити картки лояльності . Це економ варіант, але з ним також можливо все. Тому при оформленні картки просять заповнити данні.

Просто з цих карток лояльності можна витягувати набагато більше вигоди ніж це робить більшість бізнесів зараз

Підписатись на коментарі