Кейс минского ЦУМа: для чего и как составлять карту клиента

Один из способов лучше узнать клиента — провести анализ клиентской базы (которую вы до этого, конечно, собрали). Тогда вы поймёте, по какому маршруту гуляет клиент в вашем магазине, сколько денег в нём оставляет, когда вернётся снова и не только. А значит, будете знать, какими акциями его встретить. Это называется картой клиента.

Составление карты клиента начинается с диагностики состояния клиентской базы — это подготовка «поля боя» для вовлечения клиентов в покупки. В неё входит сегментация клиентской базы, анализ корзины сегментов и перемещения клиента внутри торгового центра.

Данные берутся из программы лояльности компании. Используется специализированное ПО, в данном случае — QlikView, в целом это класс ПО для BI (business intellegence) аналитики. Как это происходит — расскажу на примере составления карты клиента для минского ЦУМа.

Как составить карту клиента

1) Сегментируем базу клиентов. Самой простой и эффективный способ — это RFM-анализ (Requency, Frequency, Monetory), то есть распределение клиентов в трёх плоскостях: - дата последней покупки; - частота покупок (сколько раз клиент купил за определённый период); - накопленная сумма покупок (какую сумму клиент потратил за определённый период).

Для каждой плоскости мы определили 5 сегментов. Например, для R (давность покупки): R1 — до 30 дней, R2 — до 60 дней и т. д. Нетрудно посчитать, что если у каждой плоскости 5 сегментов, то мы получим 125 комбинаций. С таким количеством работать не то чтобы возможно. Поэтому делаем следующий шаг.

2) Определяем основные поведенческие модели покупателей. Звучит страшно, но всё возможно. Суть, во-первых, в том, чтобы сгруппировать похожие сегменты, во-вторых, обогатить их данными по продажам или, например, геоданными, способом покупки и т. п.

Группировка делается по следующему принципу. Клиентов, покупавших давно (все R4-R5), мы можем отнести к группе ушедших клиентов. Внутри этой группы можем выделить ушедших после первой покупки (это будет R4-R5 и F1 — одна покупка, сделанная давно). В зависимости от задачи можем сделать различные комбинации. Добавляя к сгруппированным сегментам корзину покупок, можем лучше понять поведенческую модель.

Мы выделили такие сегменты: а) приехали за большими покупками и больше не приезжали; б) используют ЦУМ для постоянных небольших покупок, живут недалеко; в) приезжают несколько раз в год за покупками для всей семьи, покупатели «детского мира».

Отдельно выделили сегмент ушедших клиентов.

3) Разрабатываем карту перемещения каждого типа клиентов из отдела в отдел. При составлении корзины важно не рассматривать данные в вакууме. В нашем случае, клиент редко приходит в ЦУМ только в один отдел, обычно посещает несколько за раз. Понимая перемещение клиента, мы можем лучше спланировать акционную активность.

Выделять этапность посещения мы можем по времени закрытия чека: от самого раннего до самого позднего. Смотрим самую раннюю покупку — это будет первый отдел. Далее распределяем по времени последующие покупки в разных отделах. Соединив точки, мы получим маршрут. Могут быть нюансы — например, клиент зашел в несколько отделов, но купил только в одном.

Чаще всего после посещения «детского мира» клиенты ЦУМа идут в товары для женщин. Соответственно, мы можем направлять поток из одного отдела в другой (что в будущем сработало неплохо), при покупке в детском мире предложить сертификат/скидочный купон на товары для женщин.

4) Анализируем реализованные маркетинговые активности и их влияние на поведение и отток клиентов. Для нас было важным понять, изменяется ли поведение клиента в зависимости от предложения, а если изменяется, то как. Поэтому мы замеряли общее количество пришедших клиентов, сколько из них сделало первую покупку, сколько вернулось после продолжительного перерыва, появились ли у них новые товары в корзине, какие ещё отделы они посетили после покупок в акционном, какую итоговую сумму потратили. Обязательно делали замер до, во время и после акции.

Так мы сформировали карту клиентов.

Что дала карта клиентов

1) Стало ясно, какие товары и услуги предлагать разным группам клиентов, в какой форме делать предложения и с какой периодичностью.

Например, клиентам, живущим недалеко от ЦУМа, подойдут предложения на товары повседневного спроса, а клиентам «на другом конце города» лучше предложить товары, за которыми они готовы приехать. Им же можно предложить сделать заказ на товары повседневного спроса через интернет-магазин.

2) Мы отделили работающие активности от неработающих и существенно не влияющих на процесс покупки.

Выяснили, что скидки 10 % и 20 % одинаково влияют на возврат клиента, а скидка в 15 % работает хуже, чем в 10 %.

Это дало возможность с меньшими затратами наращивать продажи по клиентской базе.

3) Мы поняли, какие клиенты больше не совершают покупок и на которых не действуют акционные предложения. Мы отключили от рассылки тех, кто не совершал покупки в ЦУМе больше года, оптимизировали затраты и смогли сосредоточиться на активной базе. Это помогло нам на 5−7 % снизить затраты на работу с клиентской базой.

Как анализ базы клиентов помог увеличить продажи — 2 примера

Пример 1. На носу был школьный сезон. Мы рассчитали, как дифференцировать скидки по типам клиентов, времени и размеру. Задачи было две: - вернуть клиентов, совершавших покупки в «детском мире» в прошлом году; - привести тех, кто потенциально мог купить в сезон, но не купил.

С первым было просто. Мы отобрали тех, кто совершал покупки в прошлом сезоне. Со второй категорией пришлось сложнее. Мы решили отобрать тех, кто покупал одежду в «детском мире», но не покупал в школьный сезон, а также тех, кто покупал именно товары для детей от 7 лет и старше. Нет смысла приглашать за покупками к школе родителей детей, которым в школу только через 5 лет. Извещали клиентов с помощью sms-рассылки.

Начали мы с августа. Замеряли эффект, сравнивая с продажами по клиентской базе за тот же месяц прошлого года. Смотрели общие продажи, количество карточек, средний чек. Повторяли предложение для тех, кто ещё не дошёл. Результат превзошел ожидания: товарооборот и количество клиентов, приобретающих школьные товары, значительно увеличились. Рост составил 10−15 %.

Пример 2. Работа с базой натолкнула нас на интересный факт: многим постоянным клиентам ЦУМа неудобно пользоваться дисконтом по субботам, т. к. по выходным и так приезжает немало покупателей. Скидочный ажиотаж, очереди, загруженность продавцов и теснота раздражали. Мы выбрали самый незагруженный день (понедельник) и предложили владельцам дисконтных карт «ЦУМ без очередей» — день, когда для них действуют скидки чуть меньшие (17 %), чем в субботу, но без очередей, толп и занятых продавцов.

Результатом стал рост продаж по понедельникам по клиентской базе на 19 % и увеличенная доходность покупок в сравнении с субботой. Продажи в остальные дни не уменьшились. Предложение «ЦУМ без очередей» решено было продлить на последующие месяцы.