Новые инструменты удержания покупателей магазина
За время своего существования система поощрения и удержания покупателей претерпела изменения. Все начиналось с дисконтных программ, позволяющих клиенту получить сиюминутную выгоду, а владельцу торговой точки – увеличить средний чек и объем продаваемых товаров. Затем появились бонусные программы – более эффективный и гибкий маркетинговый инструмент, мотивирующий покупателя прийти в магазин снова. Однако будущее за персональными предложениями, или Next Best Offer, которые формируются для каждого участника программы лояльности.
Разработать индивидуальное предложение с высокой эффективностью позволяет предиктивная, или прогнозная, аналитика – метод обработки текущих и исторических данных или событий для прогноза данных или событий в будущем.
Как она работает?
Мы получаем из любой системы лояльности информацию об истории покупок того или иного клиента, видим, что он покупает, и можем оценить его customer journey – путь, который покупатель проходит во время взаимодействия с розничной точкой.
Мы понимаем, в какой кластер он попадает со всеми своими покупками. Исходя из этих знаний, мы можем понять, когда и какой товар из ассортимента магазина окажется для данного клиента необходимым, и сделать для него релевантное и, что не менее важно, своевременное предложение.
Приведем простой пример: человек регулярно покупает в магазине средство для посудомоечных машин. Мы понимаем, что он берет упаковку из 30 таблеток, и можем сделать вывод, что пачку он израсходует за месяц. Если через 30 дней мы сделаем ему предложение о покупке таблеток с определенной скидкой, мы будем на 100 процентов уверены в том, что предложение окажется релевантным и своевременным. На наш взгляд, это лучший инструмент для того, чтобы удержать покупателей.
Расскажем подробнее об этапах, предшествующих формированию персональных предложений.
Прежде всего необходимо провести кластеризацию клиентов. Если ранее покупателей механически разбивали на группы по демографическим, социальным и географическим признакам, то теперь путем вычислительных мощностей клиентов можно объединить в сравнительно однородные группы по определенным критериям. Делить клиентскую базу на группы можно на базе экономических, сезонных, поведенческих показателей или таких специфических, как количество чеков на одного клиента, средняя сумма чека, день недели с наибольшим чеком.
Вторая ступень – разработка стратегии для каждого сегмента, или кластера. Для этого нужно поставить цели для каждой группы клиентов, придумать условия, при которых покупатели смогут достичь поставленной цели, и, наконец, выбрать поощрение для клиентов, выполнивших все условия.
Третий этап – прогнозное моделирование. В рамках каждого кластера требуется проанализировать совместные покупки и определить наиболее популярные сочетания для каждого сегмента клиентов. Кроме того, требуется изучить историю участия клиентов из каждого кластера в акциях. Если клиент всегда участвует в акциях или никогда не реагирует на них, не стоит тратить время на оповещение этого покупателя о новой акции. Однако если клиент принимает участие в акции только тогда, когда он получает уведомление, его следует обязательно оповестить.
После прохождения всех этапов для новой акции выбирается кластер, который будет в ней участвовать, вероятность отклика при отсутствии уведомлений (SMS, e-mail-рассылки, сообщения в Viber) и при их наличии высчитывается вероятная прибыль от акции. На этом основании маркетолог принимает решение о том, насколько оптимальным предложение будет для покупателя.
Что делать, если клиенты уходят? Скидки и бонусы не работают? И как победить конкурентов?
Расскажем на вебинаре "Как построить эффективную платформу лояльности на базе CDP" 1 октября 2024 в 11:00
Другие публикации
к автоматизации
Начните автоматизировать ваш маркетинг уже сейчас.
Отправьте заявку на демонстрацию платформы и мы поможем разобраться в
деталях.
)