Клиентская аналитика в ритейле. Современные инструменты и их использование

Как повысить продажи, привлечь новых и удержать лояльных клиентов, предлагать им нужные товары в правильное время, обрабатывать поступающие сигналы и работать на опережение потребностей покупателя — какие инструменты и возможности дает клиентская аналитика в розничной торговле.

Читати українською

В материале для портала Retail loyalty команда GlowByte MSP (Marketing Service Provider) рассказала, как правильно собирать, управлять и использовать клиентскую аналитику.

Клиентской аналитикой важно управлять

Клиентская база – один из активов компании. Чтобы он работал, им нужно управлять, в том числе коммуницировать. Для диалога важно понимать, кто именно твой собеседник, пусть без деталей личности и особенностей, но с пониманием потребностей и нужд, чтобы соотнести их с целями бизнеса и проработать взаимовыгодное сотрудничество. Это можно обозначить такой стратегией как «сегмент одного клиента»: предложение бренда должно отвечать потребностям конкретного человека. Стоит помнить, что в основе всех стратегий коммуникаций с клиентом лежит 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.

Клиентская аналитика показывает бизнесу портрет клиента

Результатом 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.

Основной результат – 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 больших объемов исторических данных.

Чем отличается клиентская аналитика в ритейле?

Ритейл – это живой организм, который подвержен влиянию как поведения клиентов, так и всех совокупных окружающих факторов. Клиентская аналитика – мощный инструмент для выявления нужд потребителя в конкретный момент.

Целью ритейлера является выявление сегмента клиентов для предложения релевантного товара, потребность в котором у них еще не настала, но уже очень близка. Но 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 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 ногу.
• Преждевременные выводы. Несвоевременность выводов и, как следствие, коммуникации с клиентом: клиент уже купил, а сеть только предлагает. 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.
• 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 выручку 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 можно отнести 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.

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.
  

Может показаться, что как-то многовато инструментов или что не все их можно отнести к клиентской аналитике. Отчасти этот так, 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. 

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. 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. И всегда надо помнить, что только в умелых руках аналитическая система может стать лучшим помощником при работе с клиентскими данными.

Читайте также — 

Будущее e-commerce: к чему готовиться ритейлерам