Как GlowByte помогла сети быстрого питания ROSTIC’S перейти на многоуровневую программу лояльности
Программа лояльности (ПЛ) – один из инструментов маркетинга, который нацелен на повышение лояльности клиентов путем вознаграждения за регулярное и стабильное взаимодействие с компанией.
ChatGPT: “ПЛ начали набирать популярность в 1990-е годы в ритейле и банковском отрасли, хотя первые ПЛ появлялись еще в середине двадцатого века в таких крупных компаниях, как American Airlines и Hilton. В России компании начали активно внедрять ПЛ в начале 2000-х годов. Среди первых ПЛ можно упомянуть программу «Спасибо» от Сбербанка, запущенную еще в 1998 году”.
Существуют разные виды ПЛ, такие как система накопления бонусов, программы скидок, программы персональных предложений и представление специальных привилегий лояльным покупателям.
ChatGPT: “Статистика о распространенности различных видов ПЛ различается в зависимости от отрасли и рынка. Однако исследования показывают, что наиболее популярными являются накопительные программы. Например, исследование предпочтений потребителей в 56 странах Global Loyalty Sentiment Report компании Nielsen показало, что 68% респондентов выбрали накопительные программы как наиболее привлекательный тип программ лояльности”.
Для того, чтобы еще глубже мотивировать клиентов повысить свою лояльность, ПЛ может состоять из нескольких уровней. Клиенты, как правило, переходят на новый уровень в зависимости от суммы покупок за определенный период времени, от частоты покупок или от сочетания этих двух условий. Чем выше уровень, тем выше вознаграждение и бонусы для клиента.
ChatGPT: “Множество исследований показывает, что внедрение ПЛ может привести к увеличению прибыли компании. Например, исследование Deloitte показало, что клиенты, которые участвуют в программе лояльности, тратят в среднем на 27% больше, чем те, которые не участвуют. Более того, отчет компании Colloquy показал, что компании, которые инвестируют в программы лояльности, имеют средний рост доходов на 5-10%”.
Мы, команда GlowByte, хотим рассказать, как подходили к задаче проектирования уровневой программы лояльности в сети ресторанов ROSTIC’S.
Предыстория
Когда возникла задача определения порогов уровней ПЛ ROSTIC’S, в ресторанах сети в 55 городах России уже действовала одноуровневая ПЛ с кешбэком 1% для всех клиентов (подробно об этом проекте – тут). Сеть хотела мотивировать большую часть клиентов, поэтому решила добавить уровни в ПЛ с повышенным кешбэком. Подход, который был разработан для решения задачи, подразумевает выбор периода действия уровня у клиента и ограничений по порогам, анализ имеющихся данных о клиентах для оценки эффективности различных сочетаний уровней ПЛ и выбор оптимального сочетания уровней.
Концепция многоуровневой программы лояльности
На первом шаге предстояло выбрать параметр, на который будет накладываться условие для достижения следующего уровня ПЛ. Изначально рассматривались три основных параметра: частота покупок, средний чек, траты за период и их комбинации. Идея выбрать частоту покупок отпала, так как в сетях быстрого питания есть довольного много дешевых блюд, частая покупка которых, на наш взгляд, не олицетворяет приверженность бренду. Прочие параметры, такие как средний чек, а также комбинации параметров, впоследствии отпали, так как могли восприниматься клиентами слишком сложно. Таким образом, остановились на параметре “сумма трат за определенный период”.
На втором шаге мы выбрали отчетный период, в течение которого будет действовать уровень ПЛ у клиента. Так как период в 1 год больше подходит другим видам товаров (например, одежда и электроника), а за более короткий период большинство клиентов не успевают сделать больше одного заказа в приложении сети, мы остановились на периоде в 1 квартал.
На третьем шаге мы определили основную архитектуру уровневой ПЛ: максимальный уровень вознаграждения, количество промежуточных уровней. В данном случае для старта работы с данными мы сделали это опираясь на common sense и экспертизу – нам нужны были некие стартовые условия для расчета аналитики на данных. Впоследствии, получив первые расчеты, архитектура уровневой ПЛ была еще несколько раз изменена.
Проверка подхода на данных
После принятия решения о том, что уровень ПЛ действует один квартал, мы собрали когорту клиентов, которые сделали хотя бы одну покупку за выбранный квартал, и поделили пользователей на разные бакеты (группы по тратам) за выбранный период.
ChatGPT: “ПЛ начали набирать популярность в 1990-е годы в ритейле и банковском отрасли, хотя первые ПЛ появлялись еще в середине двадцатого века в таких крупных компаниях, как American Airlines и Hilton. В России компании начали активно внедрять ПЛ в начале 2000-х годов. Среди первых ПЛ можно упомянуть программу «Спасибо» от Сбербанка, запущенную еще в 1998 году”.
Существуют разные виды ПЛ, такие как система накопления бонусов, программы скидок, программы персональных предложений и представление специальных привилегий лояльным покупателям.
ChatGPT: “Статистика о распространенности различных видов ПЛ различается в зависимости от отрасли и рынка. Однако исследования показывают, что наиболее популярными являются накопительные программы. Например, исследование предпочтений потребителей в 56 странах Global Loyalty Sentiment Report компании Nielsen показало, что 68% респондентов выбрали накопительные программы как наиболее привлекательный тип программ лояльности”.
Для того, чтобы еще глубже мотивировать клиентов повысить свою лояльность, ПЛ может состоять из нескольких уровней. Клиенты, как правило, переходят на новый уровень в зависимости от суммы покупок за определенный период времени, от частоты покупок или от сочетания этих двух условий. Чем выше уровень, тем выше вознаграждение и бонусы для клиента.
ChatGPT: “Множество исследований показывает, что внедрение ПЛ может привести к увеличению прибыли компании. Например, исследование Deloitte показало, что клиенты, которые участвуют в программе лояльности, тратят в среднем на 27% больше, чем те, которые не участвуют. Более того, отчет компании Colloquy показал, что компании, которые инвестируют в программы лояльности, имеют средний рост доходов на 5-10%”.
Мы, команда GlowByte, хотим рассказать, как подходили к задаче проектирования уровневой программы лояльности в сети ресторанов ROSTIC’S.
Предыстория
Когда возникла задача определения порогов уровней ПЛ ROSTIC’S, в ресторанах сети в 55 городах России уже действовала одноуровневая ПЛ с кешбэком 1% для всех клиентов (подробно об этом проекте – тут). Сеть хотела мотивировать большую часть клиентов, поэтому решила добавить уровни в ПЛ с повышенным кешбэком. Подход, который был разработан для решения задачи, подразумевает выбор периода действия уровня у клиента и ограничений по порогам, анализ имеющихся данных о клиентах для оценки эффективности различных сочетаний уровней ПЛ и выбор оптимального сочетания уровней.
Концепция многоуровневой программы лояльности
На первом шаге предстояло выбрать параметр, на который будет накладываться условие для достижения следующего уровня ПЛ. Изначально рассматривались три основных параметра: частота покупок, средний чек, траты за период и их комбинации. Идея выбрать частоту покупок отпала, так как в сетях быстрого питания есть довольного много дешевых блюд, частая покупка которых, на наш взгляд, не олицетворяет приверженность бренду. Прочие параметры, такие как средний чек, а также комбинации параметров, впоследствии отпали, так как могли восприниматься клиентами слишком сложно. Таким образом, остановились на параметре “сумма трат за определенный период”.
На втором шаге мы выбрали отчетный период, в течение которого будет действовать уровень ПЛ у клиента. Так как период в 1 год больше подходит другим видам товаров (например, одежда и электроника), а за более короткий период большинство клиентов не успевают сделать больше одного заказа в приложении сети, мы остановились на периоде в 1 квартал.
На третьем шаге мы определили основную архитектуру уровневой ПЛ: максимальный уровень вознаграждения, количество промежуточных уровней. В данном случае для старта работы с данными мы сделали это опираясь на common sense и экспертизу – нам нужны были некие стартовые условия для расчета аналитики на данных. Впоследствии, получив первые расчеты, архитектура уровневой ПЛ была еще несколько раз изменена.
Проверка подхода на данных
После принятия решения о том, что уровень ПЛ действует один квартал, мы собрали когорту клиентов, которые сделали хотя бы одну покупку за выбранный квартал, и поделили пользователей на разные бакеты (группы по тратам) за выбранный период.
Далее мы отслеживали покупки клиентов выбранной когорты за 3 последующих квартала. Таким образом мы смогли определить среднюю долю активных клиентов каждого бакета за квартал и средние взвешенные траты за квартал.
n – номер квартала
Логично предположить, что не все клиенты готовы увеличить свои траты, чтобы достичь следующего уровня ПЛ. Именно это и стало основным вопросом в обсчете эффективности внедрения уровней. Используя накопленные данные по покупкам, мы рассчитали скоринг для каждого клиента по возможности наращивания трат, то есть с какой вероятностью клиент может прирасти в тратах и на какой процент. Именно этот параметр стал ключевым в расчете эффективности новой ПЛ.
Логично предположить, что не все клиенты готовы увеличить свои траты, чтобы достичь следующего уровня ПЛ. Именно это и стало основным вопросом в обсчете эффективности внедрения уровней. Используя накопленные данные по покупкам, мы рассчитали скоринг для каждого клиента по возможности наращивания трат, то есть с какой вероятностью клиент может прирасти в тратах и на какой процент. Именно этот параметр стал ключевым в расчете эффективности новой ПЛ.
Оценка эффективности возможных сочетаний уровней ПЛ
Следующий вызов, который стоял перед нашей командой, – определить конкретные пороги по тратам, необходимые для перехода на следующий уровень. Здесь мы сразу взяли ограничение на вход, что порог должен быть легко запоминающимся и кратным (например, 1000 рублей, 2000 рублей и т. д.), поэтому сразу решили применить округление до 500 рублей. Даже при небольшом количестве уровней и данном округлении возможных комбинаций уровней – много сотен.
Для быстрого расчета всех возможных сочетаний уровней ПЛ мы написали калькулятор на Python, который берет на вход скоринг клиентов в каждом бакете по тратам, вводные по количеству уровней и ограничения по округлениям и оценивает потенциальный эффект от деления на уровни.
В каждом сценарии расчета учитывалась как доходная часть порогов – сумма трат, на которые прирастет клиент, так и затратная – дополнительный кешбэк, который будет начисляться сверх 1% от базового уровня.
Следующий вызов, который стоял перед нашей командой, – определить конкретные пороги по тратам, необходимые для перехода на следующий уровень. Здесь мы сразу взяли ограничение на вход, что порог должен быть легко запоминающимся и кратным (например, 1000 рублей, 2000 рублей и т. д.), поэтому сразу решили применить округление до 500 рублей. Даже при небольшом количестве уровней и данном округлении возможных комбинаций уровней – много сотен.
Для быстрого расчета всех возможных сочетаний уровней ПЛ мы написали калькулятор на Python, который берет на вход скоринг клиентов в каждом бакете по тратам, вводные по количеству уровней и ограничения по округлениям и оценивает потенциальный эффект от деления на уровни.
В каждом сценарии расчета учитывалась как доходная часть порогов – сумма трат, на которые прирастет клиент, так и затратная – дополнительный кешбэк, который будет начисляться сверх 1% от базового уровня.
Выбор оптимального сочетания уровней ПЛ
С помощью уравнений выше мы смогли рассчитать годовой эффект от внедрения уровней в рублях на одного участника ПЛ для каждого сочетания порогов и при каждом сценарии роста. Оптимальное сочетание порогов – это то сочетание, которое чаще всего показывает максимальный положительный эффект. Для определения возможных вариантов таких сценариев сортируем по убыванию сочетания по вероятности оказания положительного эффекта на тратах клиента и по сумме положительных эффектов при всех сценариях роста. .
С помощью уравнений выше мы смогли рассчитать годовой эффект от внедрения уровней в рублях на одного участника ПЛ для каждого сочетания порогов и при каждом сценарии роста. Оптимальное сочетание порогов – это то сочетание, которое чаще всего показывает максимальный положительный эффект. Для определения возможных вариантов таких сценариев сортируем по убыванию сочетания по вероятности оказания положительного эффекта на тратах клиента и по сумме положительных эффектов при всех сценариях роста. .
Учитывая, что методология определяет лучшие сочетания порогов математически, стоит не забывать проверять их и с точки зрения маркетинга – пороги должны быть разумны, легко интерпретируемы, понятны и равномерны. Таким образом, были выбраны следующие пороги для программы лояльности:
Послесловие
Инвестиции в развитие ПЛ могут существенно улучшить клиентский опыт, повысить лояльность клиентов и прибыль компаний. Однако необходимо подойти тщательно к принятию решений на каждом этапе развития ПЛ для того, чтобы получить максимальный возможный эффект. Поэтому команда GlowByte не останавливается на достигнутом и продолжает работу с ROSTIC’S над развитием клиентского опыта.
Кстати, а вы часто заказывайте в ROSTIC’S? Сколько у вас накопилось баллов в приложении?
Теги:glowbyterosticse-commerceонлайн-ритейлбыстрое питаниеretailритейлерыретейлпрограмма лояльностимаркетинг
Инвестиции в развитие ПЛ могут существенно улучшить клиентский опыт, повысить лояльность клиентов и прибыль компаний. Однако необходимо подойти тщательно к принятию решений на каждом этапе развития ПЛ для того, чтобы получить максимальный возможный эффект. Поэтому команда GlowByte не останавливается на достигнутом и продолжает работу с ROSTIC’S над развитием клиентского опыта.
Кстати, а вы часто заказывайте в ROSTIC’S? Сколько у вас накопилось баллов в приложении?
Теги:glowbyterosticse-commerceонлайн-ритейлбыстрое питаниеretailритейлерыретейлпрограмма лояльностимаркетинг