Клиентская аналитика (RFM, лояльность, когорты) на CRM данных
Анализ клиентов — один из ценнейших инструментов повышения прибыли. Его проводят на любом объеме данных для оперативной работы по целевым группам клиентов.
Компании лидеры в ecommerce и ритейле активно используют динамические аналитические отчеты (дашборды) для оценки структуры и качества базы своих клиентов, ценность сегментов. Их цель - выявить перспективных и нерентабельных клиентов, определить когорты с низким уровнем удержания, понять причины такого поведения.
Зачем делать клиентскую аналитику
Связывать данные и принимать оперативные решения
Видеть закономерсности в данных
Строить прогнозы
и сокращать потери
Оптимизировать коммуникацию и
другие условия
Лучшие подходы в клиентской аналитике
Аналитика продаж по продуктам и товарным категориям позволяет принять решение в кратчайшие сроки с ограниченным набором данных.

Решения, принятые в таких условиях, часто становятся наиболее важными для бизнеса. Именно они формируют прибыль.

Все они работают в комплексе и помогают руководителю "держать руку на пульсе" своего бизнеса.
    Пути клиентов по воронке (полный CJM, все события)
    RFM анализ
    Recency/Frequency/Monetary
    Когортные отчеты и анализ удержания клиентов
    Пути клиентов по воронке
    (полный CJM, все события)
    Построение полного пути клиента, учитывающего все совершаемые действия (на сайте, в приложение, CRM коммуникациях, в магазине итд) - мощный инструмент аналитики. По сравнению с классическим построением CJM, который делается с помощью интервью отдельных пользователей и выводов эксперта, такой подход позволяет оценить реальную картину на основе данных.

    К аналитической ценности инструмента относятся:

    • Построение основных сценариев движения клиентов до покупки (по всем каналам коммуникации) и где они в основном задерживаются;
    • Выделение ключевые положительные точки / барьеры в пути (микро-конверсии) и их влияние на LTV/выручку;
    • Формирование гипотез роста (включая UX, UI ) для выхода на АБ тесты;
    • Определение критических точек CJM для дополнительной проверки и настройки авто- уведомлений.

    Данные по различным событиям, каналам и типам взаимодействия с клиентом собираются в "путь" - от старта, первой точки контакта до покупки или ухода. Обычно существуют несколько самых распространенных путей, и более редкие.

    Разберем на примерах.
    Какую последовательность коммуникаций клиенты используют чаще всего?
    В данном примере самый популярный "путь" проходят 46,5% клиентов, еще 27,7% двигаются по второму по популярности, остальные встречаются реже.

    Анализируя такие пути, мы можем увидеть каналы коммуникации и точки взаимодействия, которые используются на разных стадиях принятия решения.
    Помимо привычных "дорог", которыми клиент пользуется, есть и типичные "перекрестки", ключевые моменты принятия решений, в которых можно оценить, с какой вероятностью пользователь пойдет далее по одному из путей и что на это влияет.

    Вычисляя такие точки и наиболее эффективные каналы коммуникаций, либо убирая препятствия на пути пользователя и направляя его по более выгодным "дорогам" можно изменять поведение, повышать эффективность взаимодействия и степень удовлетворенности пользователя - сайтом, продуктом, процессом коммуникации.

    Можно оценивать как эффективность канала коммуникации, так и исполнителей, например колл-центр, дифференцированно, в зависимости от вероятности прохождения того или иного отрезка пути успешно и выгодности такого решения пользователя для компании.
    Как определить ключевые точки для коммуникаций и выбрать наилучший канал?
    Кроме "перекрестков" можно вычислять "заторы" - зная среднее время прохождения пользователем того или иного пути, можно увидеть тех, кто" застрял" и находится на каком-то отрезке пути дольше, чем обычно.
    С примером реализации CJM можно ознакомиться в кейс мобильной аналитики "Кейс: Почему пользователи удаляют приложение"
    Выгоды подхода:
    CJM позволяет оценить реальную картину на основе данных
    Мониторить пути клиентов постоянно, а не от случая к случаю
    Вовремя фиксировать "заторы", узкие места и неполадки
    Подключать инструменты опроса для клиентов на "перекрестке"
    Динамические отчеты для RFM анализа
    RFM - Это сегментация клиентов в анализе продаж по лояльности. Определяет три группы признаков. Recency Frequency Monetary - давность, частота, деньги.

    • Recency (давность) — давность сделки, чем меньше времени прошло с момента последней активности клиента, тем больше вероятность, что он повторит действие.
    • Frequency (частота) — количество сделок, чем больше каких-либо действий совершил клиент, тем больше вероятность того, что он его повторит в будущем.
    • Monetary (деньги) — сумма сделок, чем больше денег было потрачено, тем больше вероятность того, что он сделает заказ.

    RFM-анализ позволяет маркетологам увеличить доход, ориентируясь на определенные группы существующих клиентов (т. е. сегментацию клиентов) с сообщениями и предложениями, которые с большей вероятностью будут актуальными на основе данных о конкретном наборе моделей поведения.

    Это приводит к увеличению скорости отклика, удержания клиентов, удовлетворенности клиентов и пожизненной ценности клиента (LTV).

    Разберем примеры отчетов.
    Статичная RFM сегментация базы
    Задача
    Сегментировать базу и понимать состав сегмента

    Решение
    Статичная RFM сегментация на текущий момент времени с возможностью выгрузки идентификаторов клиентов

    Метрики
    По сегментам: выручка, численность, средний чек, ARPU
    Визуализация динамики сегментов и их состава
    Задача Сегментировать базу и понимать, как меняется состав сегмента в динамике

    Решение Расчет сегментов по месяцам для каждого клиента и визуализация численности сегмента по месяцам

    Метрики Численность сегмента, прирост (чел, %)
    Выгоды подхода:
    Учитывает колебание внешних и внутренних факторов по году
    Оценивает отсроченное и локальное влияние рекламных инвестиций
    Строит прогноз продаж с учетом изменения цены и пропорций в медиа миксе
    Рассчитывает модель для конкурентных брендов и всей категории
    Примеры BI отчетов RFM анализа и оценки лояльности
    В данном дашборде в Power BI построены отчеты для анализа оборачиваемости, АВС, ROI запасов и упущенной прибыли.
    Когортный анализ и удержания клиентов (динамические отчеты)
    Проведение когортного анализа является высокоэффективным методом исследования. Клиенты группируются вместе по периоду времени их прихода, например, мартовская когорта.

    Таким образом, на анализ их участия и того, как оно изменилось с течением времени, не влияют люди в других группах, что позволяет группам оставаться полностью независимыми друг от друга. Это способствует точному изучению. Анализ позволяет:

    • Строить четкое различие между метриками роста и вовлеченностью;
    • Эффективно сравнивать данные между когортами.

    Рассмотрим примеры отчетов.
    Отчет для целевых действий и источников
    Задача Понимать, какие источники трафика приводят более активных пользователей

    Решение Расчет целевых действий по когортам пользователей (пришедших из определенного канала в определенный момент времени)

    Метрики Просмотры товаров, Добавления в корзину, оплаченные заказы
    Оценка эффекта РК на удержание клиентов
    Задача Понимать, какие каналы приводят пользователей более склонных к удержанию

    Решение Расчет метрик удержания по когортам пользователей (пришедших из определенного канала в определенный момент времени)

    Метрики Коэффициент удержания, Коэффициент повторных покупок
    Выгоды подхода:
    Учитывает колебание внешних и внутренних факторов по году
    Оценивает отсроченное и локальное влияние рекламных инвестиций
    Строит прогноз продаж с учетом изменения цены и пропорций в медиа миксе
    Рассчитывает ММО модель для конкурентных брендов и всей категории
    Пример BI отчета для когортного анализа
    В данном дашборде в Power BI построены отчеты для анализа оборачиваемости, АВС, ROI запасов и упущенной прибыли.
    Каждый из описанных выше видов анализов дает руководителям возможность получить любою необходимую экспертизу в формате одного окна.
      Клиентская аналитика - ключ к росту продаж и прибыли
      У любой ecommerce и ритейл компании есть данные продаж, анализируя которые можно находить точки роста, строить прогнозы и увеличивать прибыль компании.

      Чаще всего, комбинируются данные 1С и Google Analytics. Встроенных инструментов анализа в этих системах недостаточно для аналитических задач, но возможен импорт данных в единую БД (big query, clickhouse, SQL) и их визуализация (power bi, data studio):

      В типовом проекте создания товарных отчетов мы используем данные:

      из 1С:
      - дата и время,
      - количество,
      - выручка,
      - валовая прибыль,
      - себестоимость и др.
      из CRM:
      - ID клиента,
      - данные клиентов,
      - подразделение,
      - регион,
      - характеристики товаров и др.

      из Google Analytics:
      - источник,
      - браузер,
      - показатель отказов,
      - кол-во страниц в сессии,
      - время сессии и др.
      Любой отчет мы рекомендуем готовить в итерационной модели. Собирая, визуализируя, тестирую и дорабатывая их полного совершенства.

      Собираем в единую БД все данные, которые вам нужны
      Добавляем дополнительные источники данных
      Отбираем ключевые метрики для наблюдения
      Проектириуем отчеты (Power BI, Qlik, Datalens)
      Внедряем дашборды,
      обучаем команду, вносим изменения
      1
      2
      3
      4
      5
      Как построить отчет для анализа поведения клиентов
      Товарная аналитика, как в разрезе товарных групп, сегментации продукции, проводится в четыре этапа:

      1. сбор информации (1С, CRM-системы, внутренние отчеты, бухгалтерская и финансовая отчетность),
      2. обработка данных (исправление ошибок, приведение к единому формату и сверка),
      3. собственно анализ (сравнение показателей, поиск взаимосвязей),
      4. заключение, выявление наиболее эффективных методов улучшения ситуации.
      Как формируется бюджет проекта
      С учетом уровня сложности стоящих задач компания может получить коммерческое предложение "под ключ" или выбрать подходящий пакет подписки на команду аналитиков.

      Каждый из описанных выше видов анализов входит в определенный пакет услуг компании по своему уровню сложности и дает руководителю возможность получить любою необходимую экспертизу в формате одного окна.

      С кратким перечнем состава услуг можно ознакомиться далее или проконсультироваться со специалистом компании.
        Расширенный
        250к ₽
        За команду в месяц в объеме 75 часов
        Все опции базового тарифа
        Воспроизводимое исследование данных
        Статистические выводы и регрессионные модели
        Детализированные ответы на бизнес-вопросы
        Базовый
        150к ₽
        За команду в месяц в объеме 40 часов
        Сбор и очистка данных
        Консолидация данных
        Сортировка, категоризация и описательная статистика
        Визуализация данных
        Полный
        300к ₽
        За команду в месяц в объеме 100 часов
        Все опции базового
        и расширенного тарифов
        Предиктивные модели
        Машинное обучение
        Деревья решений (обоснование выбора)
        Вебинары по аналитике клиентов
        В следующих примерах показаны решения, где компания значимо увеличивала выручку (или LTV) на клиента, внедрив оптимальный BI дашборд и модели.
        Заявка на консультацию
        Проконсультируем за чашечкой кофе
        Ищете решение
        сложной задачи на доступных данных?
        Нажимая кнопку "Отправить заявку" вы принимаете политику обработки персональных данных сайта
        Задать вопрос
        TelegramWhatsAppPhone