Мара Склярова, Head of Marketing
Можно долго всматриваться вдаль, слушать коллег по бизнесу, умных маркетологов на вебинарах и даже читать какие-то исследования, но все равно не знать, кто покупает конкретно у вас.
А если не понимаешь, кто твой клиент, то и выручка расти, если и будет, то со скрипом. Но как понять? В личном разговоре с каждым? С опытом коллег или даже собственным покупательским взглядом?
Нет, все куда проще — клиентские чеки расскажут сами за себя куда больше о состоянии вашего бизнеса и аудитории. И для поиска ответов можно обратиться к классическому RFM-анализу.
Для чего нужно понимать своего клиента?
Чем «персональнее» мы взаимодействуем с аудиторией, тем больше наша выручка. Это многим очевидно, но одного понимания этого факта недостаточно. Нужно делать. Сначала приходим к четкому пониманию, кто покупает у бизнеса. Потом определяем стратегию взаимодействия для решения бизнес-задач, отталкиваясь от выведенных характеристик. После — взаимодействуем и радуемся хорошим результатам.
Да, можно подсматривать у конкурентов и коллег успешные механики и пытаться их скопировать. Но чужие приемы редко работают — они просто не подходят к конкретной аудитории конкретного бизнеса. Вся суть в деталях.
Отсюда вывод: максимальный эффект от взаимодействия достигается только в случае запуска механик после подробного анализа покупательского поведения в конкретной ситуации.
Проще говоря, управляя поведением своих клиентов, четко понимая их, бизнес управляет выручкой.
Как чеки клиентов начинают говорить?
Клиент может долго ходить вокруг торговой точки и жить своей прекрасной жизнью, любить определенный кофе и слушать определенный музыкальный жанр. В обычной маркетинговой истории это будет полезно знать при поиске новых клиентов для запуска рекламных кампаний, но не тогда, когда мы говорим о покупателях.
Свое отношение к конкретному бизнесу человек выражает одним способом — покупкой. И либо он приобретает товары или услуги, либо — нет. Но если он все же доходит до «заключения сделки» на кассе, то тут-то маркетолог и видит, КАК действительно ведет себя конкретный человек. В конце концов, покупать «просто так» никто не будет — никто не хочет бросать деньги на ветер.
А значит, если мы посмотрим на сумму покупок, их количество и временные интервалы чеков, то мы можем определить конкретные характеристики, по которым можно сгруппировать всю клиентскую базу. И после вдумчивого анализа сложившейся ситуации точечно проработать взаимодействие с каждым из таких сегментов: персонализировать коммуникации и предложения.
Итого три параметра и множество смыслов из всего трех колонок с данными: идентификатор клиента, дата чека и его сумма.
RFM-анализ: одни цифры и никакой магии
Если говорить более научно, то RFM-анализ — это исследование данных по покупкам клиентов компании. Это лишь метод расчета и разделения базы в зависимости от особенностей каждой из групп. То есть голые цифры, которые важно использовать в рамках стратегии.
Но по результатам анализа и подробного изучения результатов бизнес получает:
- контроль над покупательским поведением,
- стратегию работы по каждому типу клиентов;
- понимание по распределению бюджета на взаимодействия.
И соответственно при запуске механик по сегментам на основе полученных данных каждое взаимодействие принесет дополнительную выручку относительно прошлых коммуникаций.
RFM — это аббревиатура от ведущих метрик, заложенных в анализе:
Recency (давность) — срок от последней совершенной покупки клиентом.
Frequency (частота) — количество покупок клиента (может быть в измеряемом периоде или за все время существования клиента в базе — зависит от выборки данных и методики).
Monetary (деньги) — сумма всех покупок клиента.
В классическом варианте каждый человек (его ID) в базе получает свой маркер от 1 до 3 по каждому из трех показателей. В результате складывается 27 комбинаций из трех цифр: 111, 312, 333 и так далее.
Каждый маркер определяет соответствие клиента выведенной характеристике. Например, один совершал покупки на большую сумму, но не часто относительно остальных. Он получает самую высокую оценку по классификации Monetary, но при этом среднюю по Frequency. При взгляде на дату последнего чека оказалось, что клиент оформил последнюю покупку достаточно давно, и отсюда делаем вывод, что по Recency оценка будет самая низкая.
И так происходит с каждым клиентом — каждый получит свою отметку.
Выходит, что одна группа покупателей окажется ультралояльной (регулярно приобретает товары на большую сумму), а кто-то покажет себя не в лучшем свете для бренда — в качестве абсолютного оттока (сто лет не заходил, купил разок и на маленькую сумму).
Соответственно, взаимодействие с каждым сегментом будет отличаться. Иначе — деньги на ветер!
Легко обсчитаться и больно упасть
Конечно, определять границы каждого маркера по RFM нельзя просто с потолка — это уникальная история для каждого конкретного бизнеса. На старте расчетов появляются классические вопросы: «Как определить “хорошую” давность?» или «Какое количество покупок нормально?» и так далее.
И здесь важно обратиться к формулам, посидеть в Exel и аналогах, возможно, пополнить багаж знаний на форумах аналитиков. Но в любом случае главное — не придумывать цифры из головы, а считать-считать-считать.
Обычно используются методы расчета средних значений и распределения основной массы клиентов по третям по каждой метрике. Каждая из них собирается вокруг какого-то усредненного параметра.
Но и это еще не все. Казалось бы, три колонки, уйма данных, сделал «справочник» на основе расчетов, распилив базу на 33,3% и пошел гулять по сегментам, анализировать и запускать механики. Но есть одна сложность: просто взять базу чеков и никак ее не почистить — большая ошибка, ведущая к большим расходам.
Поэтому перед расчетами прогов маркеров с базой нужно провернуть еще одну важную вещь — определить статистические вылеты. Проще говоря, найти клиентов с девиантным поведением и сразу исключить таких персонажей из своих дальнейших расчетов.
Например, 95% клиентской базы совершило от 1 до 10 покупок за весь период жизни. Но среди оставшихся 5% затесались уникальные личности, которые умудрились набить по 20-50 чеков каждый. Если мы просто возьмем и посчитаем среднее значение по всей 100% базе, то границы всех наших порогов неминуемо сдвинутся в большую сторону и сильно повлияют на общую картину.
А это будет означать, что по итогу анализа без «зачистки» запуск механик по неправильно определенным сегментам приведет к возможным расходам. Например, по-настоящему лояльных клиентов будут пушить «удерживающими» скидками, хотя они и так бы купили даже без этого. Или клиенты с риском потери, которых еще можно вернуть, окажутся в сегменте на удаление из базы.
У определения вылетов есть еще один несомненный плюс: на основе таких данных можно найти новую группу клиентов (например, оптовиков) или же определить мошенничество со стороны сотрудников. В наше время мало кто в бизнесе защищен от обычного ФРОДа. А тут уже речь может идти об огромных суммах, которые недобросовестные сотрудники регулярно уводят из-под носа компании.
Куда бежать после анализа?
Когда все расчеты проведены, аномалии обнаружены, а основная база разделена на RFM-сегменты и выведена группа с подозрением на ФРОД, то важно провести вдумчивый анализ получившихся данных, а после приступить к действиям:
- Собрать динамические сегменты в CRM или CDP-системе, через которую проводится взаимодействие с клиентами.
- Список аномальных клиентов передать на проверку в службу безопасности, и на время проверки заблокировать в системе.
- Определить для каждого RFM-сегмента основные стратегии по изменению поведения в лучшую сторону для бизнеса.
- На основе стратегий рассчитать механики поощрений и коммуникаций — всех возможных взаимодействий.
- Запустить все в работу и… снова анализировать.
Процесс улучшения в бизнесе не может заканчиваться. Этот непрерывная история, в которой надо постоянно сверяться с общей картиной и конкретной ситуацией и принимать решения. Кого-то удерживать, кого-то — растить, а кого-то срочно реактивировать.
RFM, как и многие другие методы анализа, не может быть разовой историей для маркетинга, ведь всё регулярно меняется. Иногда это трудно, но взамен, в случае с аналитикой, работа становится системной и точечной, эффективной, основанной на цифрах, а не на гаданиях на кофейной гуще.