Аліна Пшеничникова, Netpeak: Довгостроковий ефект сезону розпродажів: що робити після Чорної п’ятниці

У жовтні Асоціація ритейлерів України спільно з українською CDP eSputnik провела Workshop на тему: «Сезон розпродажів 2024: як отримати максимум від retention-маркетингу». У межах заходу виступила Аліна Пшеничникова, Head of Product & Marketing Retention Dep, Netpeak та дала рекомендації ритейлерам, як утримувати клієнтів та забезпечити повторні продажі після Чорної п’ятниці.

У роздрібній торгівлі початок високого сезону починається з Чорної п’ятниці, далі Кіберпонеділок, день Святого Миколая, Різдво, новорічні свята, а у середині січня попит трохи падає. Проте успіх у retention-маркетингу після Чорної п’ятниці залежить від уваги до деталей і персоналізації.

Як утримати клієнтів та забезпечити повторні продажі

1. Сегментація бази покупців. Під час Чорної п’ятниці є великий наплив клієнтів. Окрім лояльних, з’являються нові, з якими і після Чорної п’ятниці потрібно комунікувати.

2. Автоматизація розсилок.

3. Програма лояльності. Долучати до неї тих клієнтів, які прийшли під час Чорної п’ятниці. Також робити ексклюзивний контент для лояльних покупців, щоб заохочувати їх на подальші покупки.

4. Післяпродажний сервіс. NPS- опитування для того, щоб наростити частку лояльних клієнтів.

5. Ремаркетинг та повернення тих, хто відвідав сайт, але не зробив покупку під час Чорної п’ятниці. Зазвичай, ритейлери після Чорної п’ятниці роблять ще декілька розпродажів – передноворічний та після новорічний.

6. Контент-маркетинг. До прикладу, застосувати гейміфікацію у розсилках та на сайті.

7. Аналіз та оптимізація. Після Чорної п’ятниці важливо проаналізувати дані, які отримали та в разі необхідності щось змінити.

Використання штучного інтелекту

Використання ШІ для сегментації та прогнозування в рамках retention-маркетингу після Чорної п’ятниці може суттєво підвищити ефективність кампаній. Завдяки ШІ бренди можуть точніше аналізувати поведінку покупців, сегментувати аудиторії на основі безлічі факторів і прогнозувати майбутні дії користувачів. Це дозволяє не тільки утримати клієнтів, а й розробляти персоналізовані пропозиції, які відповідають їхнім потребам.

1. Сегментація за допомогою ШІ

Аналіз поведінки покупців. ШІ може вивчати поведінкові дані користувачів, такі як:

• Частота покупок. ШІ виділяє клієнтів, які купують часто і тих, хто робить покупки рідко.
• Категорія товарів. Визначає, які категорії товарів цікавлять різні групи клієнтів.
• Витрати. Сегментація за сумами покупок дозволяє відокремити клієнтів з високими та низькими середніми чеками.

Поведінкові кластери. ШІ може аналізували складні патерни поведінки покупців і створювати кластери на основі спільних характеристик:

• Покупці зі схожими інтересами: до прикладу, ті, хто часто купує товари для дому, можуть бути об’єднані в один кластер.
• Користувачі з високим потенціалом лояльності: ті, хто демонструє високу активність, але ще не підписався на програму лояльності, можуть стати окремим сегментом для таргетування.

2. Прогнозування майбутніх покупців. Завдяки аналізу минулих даних покупців ШІ здатен прогнозувати, хто найбільш ймовірно зробить повторну покупку. Тобто система оцінює ймовірність того, що клієнт повернеться на основі попередньої активності. А також моделі машинного навчання можуть передбачати через який період клієнт повернеться на сайт і що саме його може зацікавити. Також ШІ може побудувати рекомендаційні системи, що надають клієнтам персоналізовані пропозиції на основі попередніх покупок і вподобань. Це коли в листах чи на сайті є блок з товарними рекомендаціями. Тобто ШІ пропонує товари або послуги, які клієнт, ймовірно, захоче придбати. Це може бути upsell або cross-sell, що підвищує середній чек.

Для чого персоналізувати розсилки після Чорної п’ятниці

Персоналізація відіграє ключову роль у retention-маркетингу та підвищенні конверсії після великих розпродажів. Завдяки персоналізованому підходу бренди можуть не тільки зберігати лояльність клієнтів, але й стимулювати їх до нових покупок, підвищуючи рівень конверсії та довгострокову цінність клієнтів (LTV). Особливо ефективним це стає в поєднанні з прогнозуванням уподобань клієнтів на основі зібраних даних.

• Персоналізовані рекомендації

Після періоду активних покупок, як Чорна п’ятниця, клієнти можуть повертатися за новими покупками, якщо отримують рекомендації на основі попередніх покупок, а використання ШІ-алгоритмів дозволяє брендам аналізувати історію покупок і поведінкові дані для створення точних рекомендацій. До прикладу, якщо клієнт купив смартфон, можна запропонувати аксесуари до нього. Або ж, якщо клієнт купив взуття, на основі цієї категорії запропонувати відповідний одяг.

• Персоналізовані розсилки

Персоналізовані повідомлення на основі попередньої взаємодії клієнтів з брендом можуть мати набагато вищі показники відкриття та конверсії. Можна використовувати індивідуальні пропозиції, до прикладу, надсилати клієнтам ексклюзивні знижки на товари, які вони переглядали або купували під час розпродажу. Це може бути додатковий купон або спеціальні пропозиції для постійних клієнтів. Також можна надсилати тригерні листи після певних дій клієнтів, наприклад, після покинутого кошика, перегляду товару або закінченню терміну дії купона. Такі автоматизовані тригери підвищують шанси на завершення покупки.

• Персоналізовані знижки та промокоди

Надання персоналізованих знижок або спеціальних пропозицій на наступні покупки може бути ефективним способом утримання клієнтів. Це можуть бути знижки на основі минулих покупок або купони з обмеженим терміном, які стимулюють швидке повернення на сайт.

• Прогнозування уподобань клієнтів

Персоналізація працює особливо добре в поєднанні з інструментами прогнозування уподобань. За допомогою ШІ та машинного навчання можна передбачити які товари клієнт, ймовірно, придбає в майбутньому. Тобто на основі аналізу попередніх покупок, переглядів товарів і взаємодії на сайті, алгоритми можуть створювати прогнози щодо майбутніх покупок. Також якщо клієнт активно переглядав нові категорії товарів після Чорної п’ятниці, система може рекомендувати йому товари з цих категорій, навіть якщо він їх не купував.

• Динамічний контент на сайті

Персоналізація може проявлятися і на самому сайті через динамічний контент. До прикладу, персоналізовані банери на головній сторінці можуть змінюватися залежно від інтересів клієнта. Якщо клієнт цікавився одягом під час Чорної п’ятниці, банери можуть відображати знижки саме на цю категорію товарів. Також можуть бути персоналізовані сторінки товарів, наприклад, розділ «Товари, які вам можуть сподобатися», адаптовані під інтереси конкретного користувача.

• Аналітика та А/В тестування персоналізації

Для оцінки ефективності персоналізованих кампаній важливо використовувати аналітику та проводити А/В тестування. Аналізуйте, як персоналізовані пропозиції впливають на конверсії, відкриття листів, середню вартість покупки та інші КРІ. Також можна пробувати різні типи персоналізації (наприклад різні формулювання пропозицій або види персоналізованих рекомендацій) і порівнювати їхній вплив на результати.