Согласно исследованию, цитируемом в McKinsey, организации, которые используют поведенческие данные клиентов для получения ценных инсайтов, превосходят своих конкурентов на 85% в плане роста продаж и более чем на 25% по валовой марже (gross margin).
Вам нужны доказательства? Тогда взгляните на Amazon, Google и Netflix — в основе каждой из этих компаний лежит прочный фундамент из поведенческих данных и аналитики.
В современном мире, где акцент делается на клиенте, персонализация и пользовательский опыт отличают победителей от проигравших, процветание таких организаций вполне закономерно. Но в то же время это вовсе не значит, что для полноценного внедрения data-driven стратегии ваша компания должна быть интернет-гигантом. На самом деле при наличии правильных знаний и инструментов с этим справится даже мелкий стартап.
В этой статье мы объясним вам, почему сегодня клиентские данные так важны и как вы можете использовать их в интересах вашего бизнеса.
Почему поведенческие данные клиентов играют столь важную роль?
Как бизнес-анализ помогает оптимизировать процессы и увеличивать прибыль? Основы бизнес-аналитики
До начала digital-эпохи, когда компании использовали только одностороннюю маркетинговую коммуникацию, клиентский опыт и персонализация не имели большого значения. В то время команды могли обойтись сегментацией потребителей по таким характеристикам, как возраст, пол, доход, этническая принадлежность, профессия, отрасль, размер предприятия, географическое положение и т. д.
Иными словами, они фокусировались исключительно на том, кем являются их клиенты, и хотя это очень важный аспект, в наши дни его недостаточно для успешного развития бизнеса.
Как отметил Тодд Еллин (Todd Yellin), вице-президент по инновациям в Netflix, в своем интервью с Mashable несколько лет назад:
«На самом деле не важно, кто вы — 20-летний парень или 60-летняя женщина — ведь 20-летний парень может смотреть сериал «Оденься к свадьбе», а 60-летняя женщина — фильм «Хеллбой»».
Вы не можете делать предположения об интересах, потребностях и желаниях своих клиентов, основываясь только на количественных или демографических параметрах. Вместо этого вы должны осознать, что ключ к более тонкому пониманию вашей целевой аудитории лежит в действиях этих людей.
Используйте поведенческие данные, чтобы предоставлять персонализированный опыт
Одна из главных отличительных особенностей клиентского опыта Netflix и Amazon заключается в грамотном использовании индивидуальных рекомендаций. Эти компании предоставляют потребителям динамически персонализируемый контент и предложения по продуктам, отталкиваясь от их прошлых действий.
Но насколько эффективны такие механизмы рекомендаций? Вот немного статистики:
Зачем бизнесу аналитики? | Вебинар Михаила Серёгина | karpov.courses
- 75% зрительской активности Netflix стимулируются рекомендациями;
- 25% продаж Amazon генерируются посредством рекомендаций;
- Каждый год система рекомендаций Netflix экономит компании примерно $1 000 000 000, сокращая отток клиентов.
Согласитесь, для них все сработало весьма неплохо, но как бы там ни было, персонализация — это всего лишь один пример того, как эти цифровые гиганты используют поведенческие данные клиентов и аналитику.
3 способа улучшить бизнес с помощью клиентских данных и аналитики
Современные организации полагаются на поведенческие данные, чтобы находить возможности или сложности в контексте привлечения, удержания и «выращивания» клиентов. К примеру, информация о действиях пользователей, подкрепленная journey-аналитикой, может помочь вам в следующих вопросах:
Удержание и развитие клиентов
Ниже мы объясним вам, как лидирующие компании (разумеется, включая Amazon и Netflix) достигают таких результатов за счет подробных сведений о своих клиентах.
1. Используйте поведенческие данные, чтобы улучшить привлечение
Чтобы понять, почему поведенческие данные являются столь ценным активом с точки зрения привлечения клиентов, вам стоит рассмотреть проблемы, с которыми сталкиваются нынешние маркетологи.
Сложность клиентского пути
Сегодня путь клиента к покупке может включать в себя огромное количество этапов. Согласно докладу State of Marketing от компании Salesforce, 67% ведущих маркетологов считают, что создание связанного клиентского путешествия с учетом всех тачпоинтов и каналов имеет решающее значение для успеха их общей маркетинговой стратегии. И тем не менее, большинство специалистов справляются с этой задачей довольно плохо.
Повышенный клиентский спрос на персонализацию
Мотивация, потребности, ценности и требования пользователей, которые проходят одинаково сложный, мультиканальный путь, могут существенно варьироваться, при этом каждый из них нуждается в персонализации. Данные из упомянутого выше доклада подтверждают это:
- 52% потребителей могут с высокой долей вероятности переключиться на другой бренд, если компания не персонализирует общение с ними;
- 65% бизнес-покупателей могут переключиться на другой бренд, если поставщик услуг не персонализирует общение с их компанией.
С учетом специфики современных клиентских путешествий и постоянно растущих ожиданий потребителей в плане персонализации и пользовательского опыта, перед маркетологами стоит действительно непростая задача.
Больше тачпоинтов значит больше данных
По мере того, как клиенты будут проходить путь к вашему продукту, совершая ошибки и достигая определенных успехов, вы сможете отслеживать поведенческие паттерны и видеть, чем обусловлен тот или иной результат. Вооружившись такими ценными инсайтами, вам удастся:
- Оптимизировать путь к сделке за счет персонализации. Убедитесь в том, что ваши офферы и сообщения для ключевых клиентских сегментов согласованы с наиболее важными факторами, которые подталкивают этих людей к покупательскому решению.
- «Клонировать» ваших самых ценных клиентов. Таргетируйте и привлекайте больше потребителей, которые ведут себя подобно вашим самым прибыльным и перспективным пользователям.
- Грамотнее распоряжаться своим бюджетом для привлечения клиентов. Фокусируйте больше ресурсов на потенциальных клиентах с наивысшей пожизненной ценностью, которые вероятнее всего совершат покупку. Прекратите тратить время на тех, чье привлечение может не окупиться, даже если они совершат сделку.
- Улучшить ROI и уменьшить стоимость привлечения клиентов, вкладывая средства в самые эффективные каналы, программы и инициативы для успешного продвижения клиентских сегментов по пути к покупке.
2. Используйте поведенческие данные, чтобы улучшить удержание
Исследование, проведенное Истебаном Колски (Esteban Kolsky), основателем ThinkJar, показало, что 67% потребителей считают плохой пользовательский опыт основным поводом для отказа от услуг компании, и тем не менее, жалуется на это только каждый 26-й клиент. 91% недовольных покупателей попросту уходят.
Главный урок здесь заключается в том, что вы не можете оценивать качество предоставляемого вами опыта или удовлетворенность аудитории, полагаясь только на подсказки клиентов. Чтобы быть уверенными в том, что вы заметите любую проблему максимально быстро, вам нужно использовать правильную аналитику.
Для примера, посмотрим, как с этой задачей справляются в Netflix.
Как Netflix использует поведенческие данные и аналитику для сокращения оттока?
Опираясь на поведенческие данные и аналитику, Netflix определяют, какой уровень пользовательской активности нужен каждому клиенту, чтобы он и дальше продлевал подписку на их услуги. Если степень потребления контента того или иного потребителя опускается ниже этой планки, вероятность его ухода возрастает в разы.
Благодаря таким инсайтам компания поняла, что им необходимо продумать больше способов, чтобы поддерживать вовлечение пользователей в течение месяца. В итоге они нашли новые возможности и каналы для предоставления персонализированных рекомендаций по контенту на основе поведения клиентов. Эти сообщения доставляются людям в рамках сервиса, через таргетированные email-кампании и push-уведомления.
Помимо этого, Netflix используют поведенческие данные клиентов, чтобы решать, какой контент стоит производить и лицензировать, что также помогает им предотвращать отток и способствует лучшему привлечению. По оценкам местного руководства, такой подход экономит компании $1 000 000 000 в год.
3. Используйте поведенческие данные, чтобы развивать клиентов и расширяться
Стив Джобс как-то сказал: «Люди не знают, чего они хотят, пока ты не покажешь им это». И разумеется, секрет здесь заключается в том, что вы должны предлагать правильные офферы правильным людям в наиболее подходящее время.
Но каким образом этого можно достичь?
Ответ кроется в ваших поведенческих данных. К примеру, в контексте апсейла и кросс-сейла очень немногие компании могут соперничать с Amazon.
Чтобы генерировать предложения, алгоритм рекомендаций Amazon (ответственный за 35% их прибыли) использует следующие клиентские данные:
- историю покупок пользователя;
- продукты из его корзины;
- продукты, которые он оценил или лайкнул;
- продукты, которые просмотрели и купили другие клиенты.
Независимо от того, в какой отрасли работает ваша компания, вы можете опираться на эту же концепцию для поиска апсейл и кросс-сейл возможностей за счет машинного обучения и предиктивной аналитики.
Выясните, на кого не следует таргетироваться
При построении поведенческих клиентских сегментов для апсейла, кросс-сейла или предложений о повторной покупке удовлетворенность клиентов также имеет огромное значение. Если недавно потребитель взаимодействовал с вашей компанией в негативном ключе или не получил обещанной пользы от уже купленного у вас продукта, вам не стоит раздражать его дополнительными офферами.
Задействовав поведенческие данные и аналитику, вы можете определить клиентов, испытавших подобный опыт, переместить их в сегмент с низкой удовлетворенностью и оградить от каких-либо рекламных предложений. Вполне возможно, что при таком подходе со временем вам удастся вернуть расположение этих пользователей и предотвратить их отток.
Примите современные методики анализа клиентов
Благодаря волне последних технологических достижений на горизонте появились новые, основанные на поведении методики, которые позволяют организациям находить ценные real-time инсайты о своих клиентах и принимать умные бизнес-решения быстрее, чем когда-либо прежде.
Одной из таких методик является journey-аналитика, которая использует данные потребителей для поведенческой сегментации, визуализации/организации клиентского пути и сопутствующих ему метрик.
Определяя в действиях своих клиентов паттерны, влияющие на важные KPI-показатели, вы можете найти обобщенные поведенческие характеристики, связанные с этими людьми. Затем пользователей можно распределить по группам , оценить их потенциальное влияние на бизнес и подобрать для каждого сегмента наиболее эффективную стратегию вовлечения.
Источник: lpgenerator.ru
Как правильно работать с данными о клиентском поведении?
В прошлой статье мы рассказывали про инструменты, которые позволяют нам строить отчеты и аналитику для управления клиентском опытом, искать инсайты в данных наших веб-платформ, с которыми взаимодействуют потребители, а также строить ML-модели, управляя их жизненным циклом. В этой статье поделимся, как собираем данные о клиентах и их действиях, как применяем полученные инсайты и мотивируем потребителей на дальнейшее сотрудничество с нами.
CDP — крутой инструмент для всех видов данных
Привет, меня зовут Паша, я руковожу Data Science-направлением в Центре развития финансовых технологий Россельхозбанка: от обычного анализа данных и заканчивая построением моделей машинного обучения. Я расскажу вам про наш опыт работы с клиентскими данными.
Итак, что у нас есть: несколько сайтов, преимущественно основанных на Vue Storefront (фронтенд) и Adobe Magento 2 (бэкенд), а еще приложение для iOS/Android. Для аналитики используем данные бэка, web-аналитики (Google Analytics и Яндекс.Метрика) и мобильной аналитики (Яндекс.AppMetrica). В этой экосистеме есть технологические особенности. Во-первых, данные бэка и web-аналитики живут отдельно; есть ограничения на выгрузку сырых данных из некоторых инструментов web-аналитики. Во-вторых, для персонализации платформы на основе этих данных необходимо привлечение ресурсов фронтенд-разработки и встраивание в релизный цикл.
CDP обходит все эти сложности. Только не думайте, что CDP — это Cloudera Data Platform, Continuous Data Protection или вовсе Cisco Discovery Protocol — вот и нет. Customer Data Platform или CDP — это класс систем, предназначенных для объединения данных о потребителях из различных источников, автоматизации маркетинга, персонализации коммуникаций и много чего еще.
Обычно CDP позволяет:
- собирать данные о потребителях и их поведении в различных каналах
- объединять их вокруг профиля клиента
- сегментировать контактную базу
- обеспечивать разнородные коммуникации с сегментами
- строить аналитику и даже дашборды (например, для мониторинга качества трафика в разрезе источников)
Некоторые платформы расширяют возможности CDP встроенными модулями настройки и автоматизации цепочек коммуникаций, запуска экспериментов или построения прогнозных моделей. Такие платформы называются CD(X)P.
Кейс #1: как увеличить конверсию в сделки
В Россельхозбанке есть веб-платформа «Своё Фермерство» — это такой десктопный вариант супераппа для агропредпринимателей. Здесь вам и B2B-маркетплейс c популярными агропоставщиками, и площадка размещения товаров для B2C-продавцов.
А еще каталог банковских услуг, бизнес- и агросервисов, поиск вакансий и сотрудников, доска частных объявлений и информационный ресурс с полезными материалами — все для фермеров в одном месте с целью оптимизации их деятельности. Удобно? Конечно! Остается только привести фермеров на эту веб-платформу и объяснить, куда они попали, как ей пользоваться и зачем. Задача весьма непростая, особенно принимая во внимание количество возможных сценариев использования сайта «Своё Фермерство» и разнородность аудитории.
В первом подходе мы решили:
- сразу сориентировать пользователя на сайте и помочь ему найти, что искал
- постепенно и в порядке релевантности рассказывать о других возможностях платформы
В рамках этого подхода с помощью CD(X)P мы реализовали несколько вариантов причем с минимальным привлечением ресурса разработки. Все необходимые аналитические отчеты мы также строили в CD(X)P. Это удобно: есть возможность «проваливаться» до посетителя, а интерфейс напоминает BI-инструменты. Начали с анализа входящего трафика, чтобы понять, как пользователи к нам попадают. Также нам надо было сегментировать и приоритизировать аудиторию.
Много пользователей приходят к нам с главной страницы сайта Россельхозбанка и партнеров, причем именно среди них самые низкие показатели возвращаемости, глубины просмотра и длительности сессий. Это можно объяснить относительно высоким трафиком на сайте банка и партнеров и тем, что оттуда на платформу «Своё Фермерство» приходит больше «случайных» посетителей, чем из других источников. Но справедливо предположить, что такими пользователями больше востребованы банковские услуги, а плохие показатели обусловлены тем, что посетители не понимают, куда они попали, и быстро возвращаются обратно на сайт банка или партнера.
Некоторые аналитические данные подтверждали эту гипотезу: например, среди посетителей, оставивших заявки на кредиты, соотношение источников первой сессии оказалось на стороне сайта Россельхозбанка. Так мы выделили первый сегмент пользователей, и теперь нужно было решить, как помочь им сориентироваться на «Своём Фермерстве» и добраться до заявок на кредиты именно на этой платформе, а не на сайте банка.
Можно было создать отдельный лендинг, но это потребовало бы разработки, а потестировать наши гипотезы об интересах посетителей хотелось поскорее и подешевле. Поэтому мы применили CD(X)P: инструмент позволяет настраивать показ элементов интерфейса и всплывающих окон в зависимости от посетителя из определенного сегмента.
Как работают системы внешней аналитики маркетплейсов? Рассказываем от лица разработчиков
До сих пор ни один маркетплейс не открыл доступ к своим базам данным. Тогда работают системы внешней аналитики? Мы расскажем на личном примере, потому что сами создали и поддерживаем такой сервис — SellerFox.
Что такое сервис внешней аналитики маркетплейсов? Поясняем с картинками. Предположим, что вы решили проанализировать ситуацию на маркетплейса до начала продаж. Что вы будете делать? Наверняка просмотрите ассортимент площадки и найдете аналогичные вашим или похожие товары.
Что может быть вам интересно? Возможно, по какой цене, кто и в каком количестве продаёт такие позиции. Теперь давайте представим, что вам нужно узнать сколько конкретных товаров осталось на складе маркетплейса. Вы открываете карточку товара, смотрите на его название и находите информацию об остатках. На скриншоте ниже — товарная карточка Ozon.
Тут сразу видно — «осталась одна штука». Если быть внимательным, можно увидеть числовой код товара, отзывы покупателей и даже название продавца.
Карточка товара маркетплейса Ozon
Теперь представляем, что мы отлучились от монитора и снова открыли карточку товара лишь через день. Если теперь мы видим, что его нет в наличии, значит можем говорить о факте продажи: за сутки селлер продал 1 товар на общую сумму 1290 рублей.
Карточка товара маркетплейса Ozon
Все познается в сравнении, поэтому теперь возьмем на рассмотрение карточку товара на Aliexpress. Тут данные о продукте выглядят иначе: количество товара доступного для покупки отображается в режиме реального времени. Это сильно упрощает самостоятельный анализ.
Карточка товара маркетплейса Aliexpress
Другая история и на Wildberries. Например, в противовес Ozon, тут в этой карточке видно сколько раз товар был заказан покупателями. Согласитесь, тоже полезная информация.
Карточка товара маркетплейса Wildberries
Тут вы можете заметить, что просмотра карточек мало для полного анализа ситуации на рынке недостаточно. В том объеме, который мы охватили в наших, правда, недостаточно. К тому же, вы можете заявить, что для полноценного планирования нужно опираться и на собственные данные о продажах. Это тоже так. Однако, сервисы аналитики не имеют доступа к вашим личным кабинетам.
Исключение — случаи, когда вы сами передаете сторонним ресурсам данные для входа. Во всех остальных случаях, внешняя аналитика занимается сбором данных, которые фактически все мы можем увидеть сами. Потому она и называется «внешней». Почему тогда не собирать информацию самостоятельно? Во-первых, это долго.
У вас просто не найдется времени для завтрака, сна и, конечно, торговли. Во-вторых, не вся внешняя информация лежит прямо на поверхности. Собственно, мы и наши конкуренты, создаем роботов, который постоянно бегают за вас между полками на складах маркетплейсов и пересчитывают остатки товара.
Мы назвали наш сервис SellerFox, потому что он словно лис постоянно вынюхивает добычу — новую информацию. Мы научили его собирать и передавать продавцам массу данных — цены, наименования, остатки, количество продаж и отзывов. Ниже вы увидите скриншот со статической выдачей, которую собрал наш сервис. Посмотрите, в ней десяток параметров. Мы уже находили их с вами на примере одного товара, но лис собрал и обобщил данные сотен товаров всего за пару секунд.
Пример аналитической выдачи сервиса SellerFox в разрезе выручки и продаж товаров в категории «Товары для животных» на Ozon
- Товар продан и его, правда, стало меньше.
- На склад пришла новая поставка и его количество увеличилось.
- Продавец вывез товар со склада (например, решил продать его в своем офлайн-магазине), его количество уменьшилось, но продаж не было.
- Продавец перевез товар с одного склада маркетплейса на другой, но продаж и увеличения общего остатка произойти не должно.
- Продавец, работающий по FBS, по неясным причинам вручную изменил в личном кабинете количество товара на своем складе.
Лишь один вариант из пяти — это результат продаж. Все остальные — изменения на складе, которые тоже должен фиксировать сервис аналитики. Если не обращать на них внимания, можно задвоить информацию и неверно понять, что селлер, например, продал и тут же поставил на склад сотню новых игрушек.
Это важное замечание, поэтому пользуясь сервисами аналитики, помните об этом. Всегда обращайте особое внимание на количество продаж селлеров, работающих по модели FBS. Некоторые из них специально завышают количество товара на своем складе, меняют его, потому что одновременно распродают остатки на своем сайте. Как итог — статистика искажается.
Вы можете подумать, что мы знаем об этом и спокойно продолжаем развивать свой сервис аналитики. Это так, но мы беспокоимся. Именно поэтому мы разработали для SellerFox критерии по которым сервис может понимать, что информацию нельзя считать валидной. Если мы видим, что система фиксирует резкий всплеск объема продаж без видимых на то причин, то вручную отсматриваем и отсекаем такие моменты, а после переобучаем наш ИИ. Это происходит постоянно.
Будьте объективны: данные о выручке и продажах в реальном времени получить нельзя ни в одном сервисе аналитики
Системы аналитики не работают в режиме реального времени. Они ежедневно пробегают по данным маркетплейсов, чтобы сравнить имеющуюся в базе информацию с новой. Чтобы сегодня сервис мог сообщить вам итоги продаж за вчерашний день, ему нужно сопоставить остатки с позавчерашней информацией.
Если сегодня вы зададите сервису аналитики вопрос об остатках и продажах, он сможет показать данные именно за вчерашний день. Потому что сегодня количество товаров на складе может измениться в результате продаж, отгрузок или перемещений.
Пример статистической выдачи сервиса внешней аналитики SellerFox
