Изо всех «утюгов» доносятся крики: «релевантное предложение», «портрет потребителя», big data и аналитика! Срочно надо бежать персонализировать, иначе не успеем! В этой статье команда GlowByte MSP (Marketing Service Provider) разобралась, что это все значит для бизнеса и как правильно это использовать.
Клиентской аналитикой важно управлять
Клиентская база – один из активов компании. Чтобы он работал, им нужно управлять, в том числе коммуницировать. Люди мы современные, и стараемся строить диалог, а не монолог (хотя этим форматом многие бренды тоже не пренебрегают). Для диалога важно понимать, кто именно твой собеседник, пусть без деталей личности и особенностей, но с пониманием потребностей и нужд (что называется “win-win подход”), чтобы соотнести их с целями бизнеса и проработать взаимовыгодное сотрудничество. Обозначим такую стратегию как «сегмент одного клиента», иначе говоря – предложение бренда должно отвечать потребностям конкретного человека (конечно, клиенты могут объединяться в более широкие сегменты, но предложение внутри для сегмента всегда должно быть релевантным). Не будем «капитанами Очевидность» – в основе всех стратегий коммуникаций с клиентом лежит та самая пресловутая клиентская аналитика.
Не разовая акция, а систематический подход!
Клиентская аналитика – это анализ данных клиентов и их поведения, наблюдение за динамикой и разработка решений на основании полученных результатов. То есть это не разовая акция, а систематический подход.
Цель аналитики – определить, привлечь и – что важно – удержать и развить целевую аудиторию. Уровень и масштаб аналитики напрямую зависят от уровня и зрелости бизнеса (об этом чуть позже).
Клиентская аналитика показывает бизнесу портрет клиента
Результатом клиентской аналитики могут быть как изучение текущего состояния клиентской базы, так и проработка отдельных гипотез, аналитических моделей, сегментации, оценки показателя LTV, которые помогают наблюдать за статусом клиентов и приносимой ими прибыли, не говоря уже о прогнозах поведения в будущем.
Для работы с клиентами нужно в первую очередь понимать, с чем мы имеем дело. Мы не можем управлять тем, чего не знаем. Основной результат клиентской аналитики – определение портрета клиента, и чем он качественнее, тем точнее бренд или компания понимают, как привлекать и удерживать покупателей, сегментировать аудиторию и работать с ней. Чем точнее компания понимает предпочтения своих покупателей, тем точнее будет прогноз, и тем эффективнее она сможет выстроить, в соответствии со своими целями, стратегию коммуникаций. Но такое понимание невозможно без анализа «сокровищницы знаний компании», то есть больших объемов исторических данных.
Чем отличается клиентская аналитика в ритейле?
Давайте обратимся к аналитике в ритейле. Чем она прекрасна и одновременно ужасна? Благодаря ряду особенностей, ритейл – это живой организм, который подвержен влиянию как поведения клиентов, так и всех совокупных окружающих факторов. Кто еще не слышал про пустые полки с крупами или о массовой скупке бытовой техники? И в данном случае клиентская аналитика – это мощный инструмент для выявления нужд потребителя в конкретный момент.
Целью ритейлера является выявление сегмента клиентов для предложения релевантный товар, потребность в котором у них еще не настала, но уже очень близка. То есть мы стараемся предсказать потребность клиента до того, как он сам ее осознал. Звучит прекрасно, не так ли? Но есть и обратная сторона медали.
Рынок ритейла перенасыщен предложением. Все основные игроки не стоят на месте и достигают все больших и больших пиков в клиентской аналитике своих (и не только) данных. И как результат – клиенты, как из рога изобилия, завалены предложениями, большинство которых в этом массовом потоке оказываются неактуальными и нерелевантными. Такой подход вызывает рекламную слепоту, когда компании тратят деньги на коммуникацию, которую клиенты игнорируют или, что хуже, отправляют в спам. На такие акции, как в трубу, вылетают бюджеты и ресурсы компании, не принося результатов.
«Боль» целевого маркетинга и топ-3 проблем:
Офлайн и онлайн. Часто бизнес не согласует предложения в офлайн и онлайн-каналах – на сайте одно, а в e-mail и SMS другое. Другой вариант – конкуренция онлайн и офлайн-каналов дистрибуции одного бренда, перетягивание внимания на себя, что для клиента выглядит нелепо, а для бренда больше похоже на выстрел в собственную ногу.
Преждевременные выводы. Несвоевременность выводов и, как следствие, коммуникации с клиентом: клиент уже купил, а мы все предлагаем. Или клиент уже начал делать большие закупки на фоне пандемии, а мы все еще пытаемся повысить его «старый» небольшой чек. В ритейле особенно важна скорость реакции, и отлаженный процесс аналитики является жизненно важным помощником. Это похоже на бег с препятствиями: если мы не смотрим, куда бежим, то часто спотыкаемся, набиваем лишние шишки и сбавляем скорость, хотя могли бы этого избежать, оценив дорогу.
Отталкивание от предложения (что сейчас хотим продать), а не от потребности клиента (что он сейчас готов купить).
В результате полученные предложения нерелевантны – мы получаем низкий отклик на коммуникацию и не получаем возможный результат, а значит, недополучаем рубли выручки и долю рынка.
Какие инструменты существуют и какие бизнес-задачи решают?
Важно разделять понятия «аналитический подход» и «инструмент, упрощающий использование этого подхода». Другими словами – что хотим сделать и как именно реализовать.
К первому можноотнести сегментацию базы и выделение портрета клиента, расчет накопленного LTV и предсказание дальнейшего поведения, выделение пула эффективных кампаний на основании пилотов и др.
Ко второму – BI-системы визуализации и автоматизации данных, системы автоматизации маркетинга и коммуникаций с клиентами, системы автоматизации и оптимизации моделей и пр.
Как и в любом крупном деле, не стоит сразу внедрять сложное решение, не разобравшись с целями и не нащупав возможные эффекты, так как слишком велик риск получить красивый, но неприменимый космолет или не справиться с его управлением. Если позволяет время, лучше начать с proof of concept. Ту же сегментацию можно сделать в Excel, где легко корректировать в зависимости от полученных цифр и планов по дальнейшему использованию. Это позволяет вносить изменения быстро и с минимальными ресурсами. А уже потом автоматизировать ее расчет в витрине, настраивать кампании в Campaign Management, визуализировать результаты в BI-инструменте. Именно такой подход позволяет минимизировать риски и получить работающую систему клиентской аналитики в кратчайшие сроки.
Чтобы увидеть первые результаты аналитики, не обязательно ждать сложные инструменты, на первых порах будет достаточно SQL, Excel и Python (для моделей). Когда мы уже знаем, что работает и показывает полезный результат, применимый в конкретной компании, можно задаваться вопросами, как это сделать быстрее или автоматизировать, высвободив ресурс аналитиков на более сложные задачи. Выстраивание системы аналитики похоже на матрешку – начиная с маленькой фигурки можно дойти до огромных размеров.
В зависимости от размера компании и зрелости аналитики в ней, можно переходить от простых к более сложным и даже промышленным решениям, но все их можно разделить на группы, в зависимости от цели:
● Сбор и хранение, накопление исторических данных – от маленьких БД до полноценных DWH решений. Важно: точность и полнота данных, стабильность работы, скорость доступа.
● Управление взаимоотношениями с отдельными клиентами и лидами – oCRM, они же системы operational CRM. Такие системы позволяют вести историю активности клиента, связываться с ним и т. д. Здесь могут быть как облачные решения, удобные для малого бизнеса, например, Salesforce, так и enterprise-варианты для крупного бизнеса, как Microsoft Dynamics или Oracle Siebel.
● Аналитика клиентов и их транзакций, выделение сегментов на основании агрегированных данных и OLAP кубов – aCRM, они же analytical CRM.Это не обязательно отдельная система, для малого бизнеса ее может заменить Excel или Python, однако при росте масштабов бизнеса целесообразнее внедрять системы, автоматизирующие ручные операции – например, решения от SAS, Teradata, SAP, HCL.
● Предиктивные модели – прогнозирование изменения клиентского поведения на основании истории взаимоотношений с клиентом: от его транзакций до откликов на акции и коммуникации. Реализация возможна на любом доступном отвечающем требованиям инструменте – от Python до SAS EM, с возможностью дальнейшей оптимизации в SAS MO.
● Автоматизация и визуализация данных – BI, business intelligence системы. Главное – чтобы было наглядно, быстро, интерпретируемо, доступно для всех бизнес-пользователей – как с технической точки зрения (банальное наличие учетки у всех пользователей), так и с позиции понятности результата. Например, если хотите донести аналитику до региональных директоров магазинов, иногда стоит добавить более подробные сноски к отчетам, показать только главные цифры, или подсветить не только цветом, но и текстовым комментарием-расшифровкой. Здесь есть множество вариантов на любой вкус и кошелек – Power BI, Tableau, Qlik, Oracle BI, SAP BO.
Может показаться, что как-то многовато инструментов или что не все их можно отнести к клиентской аналитике. Отчасти согласимся, однако главная цель аналитики – приносить пользу, а для этого она должна быть встроена в непрерывный процесс сбора, анализа, пилотирования, автоматизации и снова сбора данных. Только такой процесс поможет управлять клиентской базой, а не ходить в потемках, ориентируясь на ощупь. И, повторимся, мир клиентской аналитики большой, но можно начать есть этого слона по чуть-чуть, начиная с малого, доступного вам сейчас.
Что тут важно: нужно четко понимать, на каком этапе становления маркетинга вы находитесь. Без достаточных данных, знаний и возможностей внедрять дорогие инструменты не имеет смысла. CRM-система – это не волшебная коробка, купив которую, вы будете только смотреть и наслаждаться результатом. Для полета на космолете нужен знающий пилот. Всегда надо помнить, что в умелых руках любая аналитическая система может стать лучшим помощником при работе с клиентскими данными.
Напоследок: клиентская аналитика слишком важна и полезна (и главное как интересна), чтобы не заниматься ею. Для первых результатов можно начать с малого, главное - не бояться экспериментировать, допытываться до деталей и, как и в любой аналитике, критично/разумно/адекватно смотреть на получаемые выводы.