Если вы до сих пор не сегментируете клиентов, у вас проблемы. Покупатели уже привыкли к определенному уровню персонализации — и они его получат: в вашем магазине или где-нибудь еще.
Сегментируйте клиентов и персонализируйте CX своего интернет-магазина, — так вы удержите больше покупателей и увеличите их пожизненную ценность. В этой статье мы обсудим несколько способов сегментации клиентов, о которых маркетологи должны знать в 2020 году.
Содержание
Что такое сегментация?
Традиционные виды сегментации клиентов
В простейшем случае сегментация — это разделение клиентов на группы на основе их данных. Маркетологи стремятся распределить людей со схожими характеристиками по группам, чтобы сделать маркетинг для каждой группы эффективнее. Есть четыре классических вида сегментации:
- Географическая — где находится покупатель
- Демографическая — его пол, возраст, доход
- Психографическая — его социальный класс и тип личности
- Поведенческая — сколько он тратит и потребляет, какие покупает продукты и услуги
Теперь у нас есть большие данные, и мы намного больше знаем о своих покупателях — особенно об их поведении. Эта новая информация позволяет нам экспериментировать с более конкретными и узкими сегментами.
Почему сегментация — это так важно?
Сегментация позволяет вам сделать правильное предложение правильному клиенту в правильный момент. С ней вы можете не обращаться сразу ко всей аудитории, а показать каждой группе клиентов то, что интересно именно им. Сегментация — это главный инструмент, чтобы достичь того уровня персонализации, к которому уже привыкли клиенты.
Сегментация клиентов:
- необходима для персонализации
- выстраивает алгоритм для увеличения ценности клиентов
- показывает самых ценных клиентов
- снижает отток клиентов благодаря таргетированным кампаниям
- в целом помогает создавать направленные и более эффективные кампании
Методы сегментации клиентов
В этой главе мы расскажем о трех самых популярных методах сегментации, обсудим их плюсы и предложим, как их применить в вашем бизнесе.
RFM-анализ
Что такое RFM-анализ?
Старый, но полезный метод. Аббревиатура RFM расшифровывается как Recency, Frequency, Monetary (давность, частота, деньги). RFM-анализ рассчитывает метрики на основе этих параметров и распределяет клиентов на разные стадии жизненного цикла (патрон, верный покупатель, в зоне риска и т. д.) На основании этих данных покупателям ставят оценки по каждой метрике — обычно от 1 до 5.
ПРИМЕР RFM-АНАЛИЗА:
Предположим, у вас есть 100 клиентов. Попробуем разделить их на сегменты по RFM:
- Выберите диапазон дат — например, последний месяц.
- Соберите значения RFM по каждому клиенту.
- Давность: клиент X последний раз что-то купил 3 дня назад
- Частота: клиент X за последний месяц совершил 6 покупок
- Деньги: клиент X за последний месяц потратил 172 доллара
- Соберите цифры вместе и разделите их на несколько диапазонов (например, в нашем примере их 5).
- Готово, у вас получились оценки RFM.
Завершив анализ, поставьте всем клиентам оценки. Например, клиент с оценкой 425 совершил последнюю покупку недавно (R = 4), покупал что-то не слишком часто (F = 2), зато потратил за этот период много денег (M = 5).
На основе сегментации RFM можно прогнозировать будущее поведение клиента. Это не самый надежный способ прогнозирования, зато он намного удобнее, чем более сложные системы — например, сегментация на основе машинного обучения.
Кроме того, модель RFM очень гибка. Exponea совмещает RFM-анализ с анализом огромного количества других пользовательских данных в реальном времени. Поэтому тем, кто уже привык к RFM-анализу, будет проще работать с сегментацией Exponea, — а данные в реальном времени добавят более глубокие инсайты.
Софт Exponea позволяет сегментировать клиентов по любому, даже самому мелкому параметру. Например, можно выделить в отдельный сегмент всех, кто увидел какую-нибудь кампанию Exponea с UTM-кодом, впервые зашел на сайт и купил конкретный товар в течение 15 минут после прихода.
Зачем нужен RFM-анализ?
RFM-анализ — это быстрее и проще, чем машинное обучение. Он поможет вам увеличить долю удерживаемых клиентов, конверсию и прибыль. Кроме того, с его помощью можно снизить отток клиентов: RFM-анализ выделяет среди клиентов такие сегменты, как «В зоне риска», «Требуют внимания» и «Уже почти ушли». Вы сможете подготовить для них кампанию, напрямую обратиться к них и сохранить их. А если вы не знаете, кому из клиентов уделять больше внимания, RFM-анализ покажет вам клиентов с самой большой пожизненной ценностью.
Как использовать RFM-анализ?
- Разработайте отдельные кампании для каждой стадии жизненного цикла клиента
- Отредактируйте свои коммуникации для конкретных стадий
- Постарайтесь переводить клиентов на более ценную стадию
- Найдите наиболее и наименее ценных покупателей
- Позаботьтесь о самых ценных
- Постарайтесь привлечь менее ценных и увеличить их ценность
- Определите, кто из покупателей может уйти
- Восстановите с ними связь — отправьте им специальные скидки
- Предложите персональную подборку товаров
Когортный анализ
Что такое когортный анализ?
При когортном анализе пользователей разделяют на небольшие группы (когорты) с общей характеристикой (например, по месяцу первой покупки), а потом сравнивают эти группы. Когортный анализ нужен, чтобы искать закономерности в прошлых данных.
Это простой и быстрый способ понять, как ваши решения в каждый период времени влияли на ваших пользователей. Например, почему в одной из когорт процент удержанных клиентов оказался выше? Может быть, именно в этот месяц вы провели хорошую кампанию или изменили дизайн лендинга?
Когортный анализ позволяет отсортировать данные и понять, какие из ваших действий приносят пользу, а какие — нет.
Зачем нужен когортный анализ?
Когортный анализ — простой и быстрый способ проверить какую-нибудь гипотезу. Например, если вам кажется, что после нового баннера увеличился процент конверсий, проведите простой когортный анализ. Выделите когорту гостей, которые видели рекламу, и когорту тех, кто ее не видел — а потом сравните их.
Как использовать когортный анализ?
- Поймите, не нужно ли вам больше инвестировать в удержание клиентов:
- Сформируйте когорты по дате покупки
- Посмотрите историю покупок за выбранный период
- Если ваша выручка не растет каждый месяц, значит, вам нужно работать над удержанием и появлением повторных покупок
- Определите лучшие каналы приобретения клиентов:
- Разделите всех пользователей по тому, как они попали на сайт в первый раз
- Посмотрите историю покупок за последний год или два
- Посмотрите, у какой из групп будет самая большая пожизненная ценность
- Узнайте, над какой стадией жизненного цикла клиента вам нужно больше всего работать:
- Разделите всех пользователей на когорты по стадии жизненного цикла
- Найдите проблемное место: на какой стадии происходит меньше всего конверсий?
- Сконцентрируйте усилия и кампании на этой стадии
Машинное обучение
Что такое машинное обучение?
Если у вас есть необходимые ресурсы, модели на основе машинного обучения могут приносить отличные результаты. Есть два основных вида машинного обучения: с супервайзером и без супервайзера.
Машинное обучение с супервайзером:
Вы уже знаете, какой ответ должен найти компьютер. Ваша цель — построить путь от ввода данных до нужного результата. «Натренировав» программу, вы сможете предоставлять ей вводные данные — и, в идеале, она сможет прогнозировать результаты в других похожих ситуациях.
Машинное обучение без супервайзера:
Вы не знаете, что должен найти алгоритм. Вы вводите данные, чтобы посмотреть, какие в них найдутся закономерности и какова их структура.
Сегодня мы поговорим об одном из самых простых методов машинного обучения с супервайзером для аналитики и прогнозирования — дереве решений.
Дерево решений
Дерево решений — это ряд вопросов, на которые можно отвечать «да» или «нет». Его удобно использовать для классификации новых данных на основе прошлой информации.
Например, вот как будет выглядеть дерево решений о том, съест ли Сэм сейчас бейгл или нет.
Деревья решений, которые используются для прогнозирования поведения клиентов, обычно намного глубже и разветвленнее. Глубина дерева — это количество вопросов, на которые нужно ответить, чтобы получить прогноз. Максимальная глубина дерева с картинки выше — 3. Максимум через три вопроса мы узнаем, съест Сэм бейгл или нет.
Деревья решений работают быстро, их легко анализировать, и их можно использовать на больших массивах данных — но они могут ошибаться, если данных будет недостаточно (например, если выбран слишком узкий сегмент).
Но не забывайте — за деревьями есть лес. Можно снизить процент ошибок, если построить так называемый случайный лес (random forest, алгоритм машинного обучения): несколько деревьев решений, результаты которых объединяются и усредняются.
Зачем нужно машинное обучение для сегментации?
Машинное обучение позволяет добиться в сегментации особенно интересных результатов. Группы, полученные с его помощью, динамичны и обновляются в реальном времени. С машинным обучением можно автоматизировать персонализацию — а это необходимо, если вы планируете широко ее использовать.
Машинное обучение показывает вам закономерности, которых вы бы сами не заметили, и предсказывает на их основе будущие действия и покупки ваших клиентов.
Как использовать машинное обучение?
- В персонализации:
- Глубокая персонализация — отличный способ увеличить CLV. Например, Netflix заявили, что экономят на персонализации и рекомендациях до 1 млрд долларов в год, снижая отток клиентов
- Рекомендуйте товары на основе активности клиента
- Рекомендуйте товары, которые понравились похожим покупателям
- Для динамического ценообразования:
- Автоматически показывайте разным покупателям разные цены
- Экспериментируйте с разными ценами на разных стадиях жизненного цикла
- Оптимизируйте запасы:
- Прогнозируйте, когда у вас кончится товар, чтобы найти оптимальное время для заказа
Как использовать единый пользовательский профиль для сегментации
С настоящим единым пользовательским профилем (SCV), как в Exponea, можно использовать RFM-анализ для сегментации и одновременно задействовать более сложные методы анализа для прогнозов. В SCV пользовательские данные обновляются в реальном времени, так что вы сможете создать автоматические цепочки для всего жизненного цикла клиента — от гостя до лояльного покупателя. Кроме того, прогнозная аналитика помогает улучшать кампании.
Пример. Предположим, вы хотите улучшить ROI, перестав предлагать скидки тем клиентам, которые и так, скорее всего, совершат покупку. Просто определите этот сегмент (например, клиенты с вероятностью покупки 80%+), а остальное за вас сделают обновления в реальном времени.
Любому сегменту можно автоматически показывать конкретные кампании. Возьмем сегмент с наименьшей вовлеченностью — например, гостей (тех, кто просто заходит на сайт, ничего не покупает и не оставляет свой адрес). Им нужно показать баннеры о регистрации и ограниченные по времени ваучеры на первую покупку.
Гостей нужно перевести на следующий уровень — лояльные гости. Единственная разница между этими уровнями — в том, что лояльные гости зарегистрировались на сайте и оставили почту. Установив цель, можно создать кампанию (или несколько кампаний) с целью получить адрес электронной почты. Здесь все становится интереснее: как только гость оставляет свой адрес, система сразу обновляет его профиль, и он автоматически переходит на следующий уровень — становится лояльным гостем. Теперь он будет получать кампании для лояльных гостей, направленные, в свою очередь, на переход на следующий уровень: еженедельную рассылку о бестселлерах, вводную рассылку для новых клиентов и тот же ограниченный по времени ваучер на первую покупку.
В общем, с SCV и качественной сегментацией можно сильно увеличить прибыль. У вас будет целая система, призванная с самого начала повышать ценность покупателей. Кроме того, эта система видит, если покупатель начинает о вас забывать, и отправляет кампании, чтобы его сохранить. Вам не придется вручную обновлять сегменты и переносить между ними пользователей — Exponea все сделает сама.
Главные выводы о сегментации клиентов
- Сегментация — это разделение клиентов на группы на основе их данных
- Сегментация — одна из важнейших частей работы хорошего интернет-магазина
- RFM-анализ разделяет покупателей по стадиям жизненного цикла и позволяет рассчитать их пожизненную ценность
- Когортный анализ ищет закономерности в прошлых данных. Он позволяет быстро разделить данные на сегменты и понять, что работает, а что нет
- Сегментация через машинное обучение даст вам более серьезные возможности: обновления в реальном времени, автоматизацию и более глубокую персонализацию
- Exponea использует единый пользовательский профиль и собирает данные в реальном времени, чтобы добавить инсайты к заранее определенным RFM-сегментам и предсказывать поведение клиентов. Таким образом Exponea может автоматизировать кампании и вести пользователей по жизненному циклу — от гостя до лояльного покупателя
А ваша сегментация может стать еще эффективнее? Давайте узнаем.