Клиентская аналитика

Максим Минин, консультант InfoVizion

Клиентская аналитика — анализ данных о клиентах и их поведении. Основные цели клиентской аналитики — привлечение, удержание и возвращение покупателей. Аналитических подходов существует несколько. В этой статье рассмотрим основные подходы.

Анализируя клиентов, мы должны понять, каким образом их эффективнее привлечь и удержать, как «раскачать» платёжный потенциал имеющейся клиентской базы. Нужно научиться понимать свою аудиторию и её потребности. Чем лучше мы изучим поведение и предпочтения клиентов, тем эффективнее будут наши маркетинговые усилия. Результат — больше продаж и прибыли.

Поэтому ещё с 1970-х гг. последовательно появляются несколько концепций к изучению потребностей клиентов. Первая из концепций — концепция целевой аудитории. В её основе лежит предположение, что можно сгруппировать потребителей по социальным и демографическим признакам, и будет достаточно эффективным отдельно выстраивать коммуникацию с каждым из сегментов.

Примерно в 2010-х гг. появляется метод «buyer persona». Покупательская персона — модель идеального покупателя. Она строится на изучении типичных представителей нашей целевой аудитории. В рамках этого метода мы пытаемся создать образ идеального нашего покупателя — он симпатизирует нашей компании, любит нас и наши товары.

Но ведь один и тот же человек может иметь разное покупательское поведение в разных ситуациях, в разное время суток и т. д. Поэтому появляется новая концепция — Jobs To Be Done. Дословный перевод «работа, которая должна быть выполнена», т. е. клиент «нанимает» наш продукт, чтобы он выполнил нужную для него работу. Например, утолил голод во время обеденного перерыва быстро, без траты времени на приготовление пищи. В другой ситуации тот же покупатель может приобретать наш продукт для того, чтобы он дополнил ужин с любимой семьёй безупречным вкусом. Таким образом, в основе концепции Jobs To Be Done лежит идея о том, что нужно изучать клиентов с точки зрения его мотивов к покупке. У одного и того же человека мотивов потребления может быть одновременно несколько — выявляем их, выделяем доминирующий и наиболее для нас привлекательный. Используем эти ценные данные для формирования стратегии и маркетинговых мероприятий. Jobs To Be Done формируются в первую очередь при анализе данных в покупках, совершенных клиентами.

В ритейле для проведения данного анализа нам потребуются данные о продажах из кассового ПО. Нам необходимо идентифицировать заметную часть наших клиентов. Чем больше, тем лучше. Любая программа лояльности, в которой используются карты, позволяет это получить. В результате у нас большая база данных идентифицированных чеков (чеки с привязкой к конкретному профилю клиента или карте клиентской программы лояльности).

Затем из всей массы идентифицированных чеков отбираются чеки наиболее лояльных покупателей (например, с помощью RFM-анализа, о котором поговорим в этой статье).

Далее данные этих чеков подвергаются кластеризации для того, чтобы получить кластеры на основании принципа схожести мотивов к покупке. Определение того, сочетания каких показателей лучше описывают мотивы потребления, творческая задача. Это могут быть следующие показатели:

наиболее частое время покупки клиента;
выбор товаров из определенных категорий и другие.

Эта задача требует исследовательской работы и много «подходов». Для кластеризации применяются алгоритмы Python или R. В результате кластеризации каждому клиенту присваивается метка, определяющая, к какому кластеру он относится. Выявленные кластеры формируют сегменты, объединённые похожим покупательским поведением.

Далее остаётся полученную информацию, во-первых, визуализировать — здесь очевидно, что без аналитики и BI-решений не обойтись, во-вторых — анализировать дальше.

Получив привязку идентифицированных чеков к определенным сегментам, можно всесторонне изучать потребление полученных групп покупателей. Можно и перекрестно анализировать «Jobs To Be Done"-сегменты, например, с RFM-сегментами.

Также подход Jobs To Be Done хорошо работает при изучении потенциальных клиентов, например, с помощью анализа результатов их опроса. Опрос предоставляет бизнесу ценные данные о респондентах. Такой анализ может быть интересным для изучения локации при открытии торговой точки. Также он может быть интересным, если сравнить результаты изучения Jobs To Be Done на данных продаж действующей торговой точки с результатами исследования потенциальных клиентов возле неё. Какие мотивы к потреблению преобладают в данной локации и ориентирован ли наш магазин именно на эти Jobs To Be Done?

Ещё один вид анализа, более простой и уже ставший популярным в различных отраслях торговли — это RFM-анализ. Самое частое применение этого вида анализа — это клиентская аналитика в ритейле. Этот вид анализа нужен для того, чтобы:

лучше понимать клиентов;
увеличивать их лояльность;
снизить затраты на рекламу при одновременном повышении её эффективности;
предотвращать потерю клиентов;
делать их платежное поведение более выгодным для компании.

В итоге зарабатывать больше.

Для реализации этого варианта клиентской аналитики также требуется, чтобы значительная часть чеков была идентифицированной. Суть метода в том, что база клиентов сегментируется с помощью трёх показателей:
1. давность последней покупки (Recency);
2. частота покупок (Frequency);
3. деньги, которые человек тратит у нас (Monetary, обычно это либо средний чек, либо сумма всех покупок за анализируемый период).

Период для анализа должен составлять несколько месяцев. Желательно год. Замерив по всем клиентам значения каждого из трёх показателей, мы получим по показателям три шкалы от минимального до максимального значения. Дальше мы разбиваем эти шкалы на подсегменты. По какому принципу определить границы подсегментов показателей и на какое число подсегментов разбивать — вопрос индивидуальный. Он зависит от особенностей отрасли, в которой работает компания. Но в итоге у нас получится такое разбиение клиентов, например:

по давности последней покупки: R1 — клиенты, которые покупали у нас недавно; R2 — «спящие»; R3 — клиенты, которые последний раз были давно;
по частоте покупок: F1 — клиенты, покупающие часто; F2 — клиенты с редкими покупками; F3 — клиенты с разовыми покупками;
по сумме покупок: M1 —высокий чек; M2 — средний; M3 — низкий.

Таким образом каждый клиент в анализе попадает в один из 27 сегментов (3 показателя * 3 подсегмента показателя). Например, в сегменте R1F1M1 — наиболее лояльные и выгодные для компании люди. Это клиенты, которые покупают на большую сумму. Они делают это чаще большинства других клиентов и последний раз были в магазине совсем недавно. А в сегменте R3F3M3 окажутся наименее интересные для нас покупатели: они совершили у нас разовую покупку на небольшую сумму, и было это давно.

Может получиться так, что количество клиентов в разных сегментах будет сильно различаться. Поэтому здесь может быть целесообразным разбивать какие-то сегменты на дополнительные, а некоторые — объединять в надсегменты. Тем более оперировать большим количеством сегментов неудобно. Также возможно в некоторых ситуация вовсе учитывать при анализе сегменты, образованные только двумя показателями (RM-анализ, RF-анализ и FM-анализ).

Что можно делать с полученными сегментами? Конечно, изучать. Теперь вы понимаете, «кто есть кто».

Вы выделили «золотых» клиентов и можете изучить их всесторонне. Кто эти люди, которых нужно удерживать? В какое время и в какие дни они чаще покупают? Что именно они покупают больше всего? Как меняется покупательское поведение этих наиболее лояльных клиентов? Как меняются в динамике такие показатели, как сумма средней покупки клиента, средняя длина и ширина чека клиента? Если уменьшается средний чек, то почему? Не увеличивается ли в покупках доля промо и товаров со скидкой?

Вы видите «бывших золотых» клиентов — тех, у которых было выгодное для нас платёжное поведение, но в последнее время они «заглядывают» к нам всё реже или вообще «пропали» пару месяцев назад. Им нельзя дать «заснуть», ведь возвращать клиентов в несколько раз дороже, чем удерживать. Но и «будить спящих» клиентов — тоже одна из приоритетных задач.

И, скорее всего, основной клиентской массой будут «нормальные» среднестатистические клиенты, которых нужно «развивать», приближая их к «золотым».

Понимая особенности покупательского поведения сегментов и значимость сегментов для нас, мы можем многое.

Во-первых, сконцентрировать усилия на определенных сегментах клиентов.
Во-вторых, выстроить свою стратегию и тактику в работе с каждым отдельным ключевым сегментом. Например, вряд ли стоит предоставлять «золотым» клиентам большие скидки, а для возврата потерянных и «оживления спящих» использование глубоких скидок вполне оправдано.
В-третьих, изучая клиентов в сегменте, мы понимаем, какое именно сообщение оптимально доносить в рекламных кампаниях для каждого сегмента. Мы понимаем, какой креатив в рекламе нам следует использовать. Всё это делает маркетинговые коммуникации более эффективными, повышает ROI рекламных кампаний и увеличивает лояльность покупателей.

Кроме изучения самих сегментов «внутри» нужно и сравнивать сегменты. Например, анализировать по ним такие показатели, как доля сегмента в обороте компании, длина чека, средняя скидка, количество клиентов в сегменте. Также будет крайне полезным изучать все эти данные в динамике.

Ну и главный вопрос — в каком программном инструменте можно и в каком оптимально реализовать RFM-анализ. Можно проводить такой анализ клиентов вручную в Excel, но это не очень удобно. Особенно, если вы имеете большую клиентскую базу. Тем более анализ нужно проводить регулярно — ведь клиенты «мигрируют» со временем из сегмента в сегмент. В некоторых компаниях такую аналитику делают раз в квартал, в некоторых реже — раз в полгода.

Несколько автоматизировать процесс помогают товароучетные системы, CRM-системы и некоторые другие сервисы — часть решений этих классов имеют встроенный инструментарий для RFM-анализа. Но в этом варианте бизнес получает всё же недостаточно гибкий и настраиваемый инструмент. К тому же достаточно сложно дальше анализировать полученные данные, так как подобные решения не предназначены для глубокого всестороннего анализа. Приходится выгружать данные в какие-то сторонние системы.

Оптимальный вариант — это RFM-анализ клиентов в системе класса business intelligence.

Такой анализ позволит произвести расчёты по нужному методу и сразу визуализировать результат. Если система достаточно продвинутая, то она позволит найти ещё и множество инсайтов.

Например, в аналитическом BI-решении InfoVizion данный вид клиентской аналитики реализован в том числе в «динамическом» варианте, когда сегментация клиентов происходит «на лету», буквально по паре кликов. Пользователь выбирает период, за который требуется построить анализ, и выбирает количество сегментов, на которые нужно сегментировать покупателей. Анализ готов.

Далее данные клиентов по полученным сегментам можно глубоко анализировать в любых разрезах — сквозной инструментарий позволяет реализовать нужные сценарии анализа с применением доступных в модели данных. Также данные в клиентах, входящих в нужные сегменты, можно выгрузить из системы, например, для запуска таргетированной рекламы.

Ещё один момент, существенный при анализе клиентов, — это возможность получить единую картинку покупательского поведения в условиях, когда клиент совершает покупки в нескольких каналах дистрибуции нашей компании. Например, посещает торговые точки, покупает у нас онлайн на сайте и, например, заказывает доставку в мобильном приложении агрегатора. Собрать воедино и получить «неразрывную» аналитику продаж по таким покупателям — ещё один повод использовать BI-систему, позволяющую консолидировать данные из различных источников.

Подводя итоги статьи, отметим главные мысли. Для современного управления маркетингом необходимо отказаться от концепции целевой аудитории и перейти к концепции Jobs To Be Done. Нужно начать применять RFM-анализ, если он ещё не используется в компании. Это простой и эффективный подход к анализу клиентов. Оба метода применяются не только в ритейле (онлайн и офлайн). С определенными особенностями они используются даже в дистрибуции.

Нужно выбрать оптимальное аналитическое решение. Это должен быть не просто дашборд, а интерактивное решение для глубокого детального изучения и визуализации данных. Решение, которое позволит быстро и легко производить нужный анализ: RFM, когортный анализ или сочетание подходов. Ведь чем шире и в то же время глубже мы копаем — тем больше сокровищ найдём.

InfoVizion уже десять лет внедряет аналитику в компаниях и строит эффективные процессы в ритейле и производстве. Познакомиться с инструментами можно на консультации эксперта. Форма заявки на сайте.