Клиентская аналитика на базе данных CDP Mindbox

Связаться

Услуги

Цены

RU

Обучение

RU

EN

Клиентская аналитика на базе данных CDP Mindbox

Интегрируем данные ERP / CRM систем для проведения глубокой аналитики клиентского поведения и анализа структуры базы

Заказать аудит или BI аналитику

Получить материалы и кейсы по анализу клиентов

Направления базовой клиентской аналитики

Для любого бизнеса важно здоровье и высокая покупательская активность его клиентской базы. Клиенты - неоднородны и реагируют на разные стимулы. База легко может "выгореть", а компания - потерять деньги, делая нерелевантные предложения.

Поэтому, рекомендуем клиентскую аналитику начинать с:

- RFM сегментации (Recency / Frequency / Monetary);
- Аналитики программы лояльности (при ее наличии);
- Оценки качества CRM коммуникаций по всей воронке.

Подробнее о каждом базовом направлении ниже. И далее переходить к продвинутым методам.

Для проведения базовых и расширенных методов анализа клиентов Вам потребуется выгрузить сырые данные из CDP Mindbox по внешнее хранилище (DWH, data warehouse). Нужные услуги по дата инжинирингу и готовые коннекторы вы можете получить в Coffee Analytics.

Что позволит выгрузка сырых данных из Mindbox

Строить связь между коммуникацией и поведением клиентов

Находить зоны роста (сегменты, связки каналы/промо/цена)

Строить точные прогнозы продаж
и сокращать потери

Заказать коннектор к Mindbox

Возможности расширенной клиентской аналитики

Целью расширенной аналитики уже становится поиск оптимального сочетания "продукт + цена + маркетинг" (из 4P) для всех групп однородных клиентов для максимизации выручки и рентабельности сейчас и в будущем. Как следствие, data-driven бизнес смотрит с нескольких ракурсов на данные в поиске ответа.

Богатство доступных клиентских данных:
- транзакционные (состав корзины, время и день заказа, канал покупки итд),
- традиционные данные (адрес, пол, наличие детей, профессия итд) и
- поведение клиентов (потребляемый контент, использование баллов лояльности, любимые товары, переход по рекламе итд).

Открывает для компаний широкий горизонт подходов к анализу своих клиентов.

В расширенной BI аналитике клиентов рекомендуем:
- Строить пути клиентов по сегментам и микро-конверсиям (полный CJM);
- Анализировать структуры базы клиентов (кластеризация);
- Строить когортные отчеты и анализ удержания клиентов;
- Обогащать CRM данных с помощью 3rd party данных (DMP).

А также строить модели с помощью машинного обучения для прогноза:
- LTV клиентов (life time value);
- Вероятности оттока (churn rate);
- Вероятности покупки определенного товара или категории.

Подходы к анализу программ лояльности (ПЛ)

На практике, перед CRM командой могут стоять разные задачи.

С одной стороны нужно анализировать поведение лояльной* аудитории, те по авторизованным покупателями (через их hard ID: телефон, email, или по карте лояльности client ID). Цель данного BI решения - выявить закономерности в их поведении, зоны наибольшей активности (магазины, покупаемые товары, месяцы), оценить влияние условий ПЛ на их метрики.

С другой - оценить эффект всей программы на частоту и размер чеков (Uplift), в сравнении с неавторизованными покупателями (условно, НЕлояльной* аудиторией). Цель данного BI решения - оценить окупаемость и ROI программы с данными условиями с учетом расходов на ее запуск и поддержку, а также ценности, отдаваемой клиентам в виде баллов.

Разберем оба решения.

* обозначения используются условно, так как лояльные клиенты вполне могут не пользоваться картой, при этом покупать часто и много; и обратно, авторизованные клиенты - покупать крайне редко на небольшие суммы.

№1 Глубокий анализ поведения "лояльных"

Поможет вам управлять программой лояльности (ПЛ):

1. Сформировать и оформить систему KPI;
2. Оценить долгосрочную эффективность ПЛ;
3. Проводить оперативный мониторинг изменений;
4. Контролировать объем выданных и реализованных баллов.

И решать другие специализированные задачи.

Основные KPI в отчетах "Анализ эффективности программ лояльности"

Оценка вовлечения

Задача
Проанализировать динамику притока новых членов клуба лояльности и их постоянство

Решение
Оценка % пропорции базы лояльных с разбивкой по магазинам и оценка их покупательского потенциала

Метрики
— Доля вступивших от новых чеков
— Все чеки vs повторные чеки (ср. размер, глубина)
— Ср. чек лояльные / нелояльные
— Маржинальность

Оборот vs баланс баллов

Задача
Оценить, как баланс баллов и динамика скидки влияют на вовлеченность базы и оборот

Решение
Оценка динамики накопленных баллов vs прирост базы; влияние динамики % скидки на оборот

Метрики
— средняя скидка
— начислено/списано баллов -% оборота
— накопленный итог по кол-ву лояльных участников

Эффективность всей ПЛ (и отдельно акций)

Задача
Оценка эффективности продаж членам клуба CC и динамику их развития

Решение
Оценка динамики показателей в чеках в расчете на 1 участника CC

Метрики
— средний чек
— средний доход с 1 шт товара в чеке
— среднее количество шт товара в чеке
— LTV
+сравнение с нелояльными
+с контрольной группой

Топ товары по обороту

Задача
Оценить покупательские предпочтения по сезонам у разных групп клиентов, с учетом использования накопленных баллов

Решение
Сопоставление популярных продаж и их декомпозиция по категориям для предустановленных сегментов клиентов.

Метрики
— кол-во
— оборот
— доля товара в чеке

Кейс внедрения отчетности для анализа программы лояльности United Colors of Benetton

На мастер классе Power BI Russia команда Coffee Analytics разобрала кейс внедрения системы отчетности по программе лояльности для компании United Colors of Benetton. Мы рассказали о деталях сбора данных, проектировании интерфейсов и создании отчетов, которые помогли заказчику повысить эффективность маркетинга и ценности инициатив.

№2 Сравнение "лояльных" и "НЕлояльных"

Поможет вам оценить окупаемость инвестиций в программу лояльности:

1. Сформировать и оформить систему KPI;
2. Понять долгосрочность эффекта ПЛ;
3. Оценить факторы роста (частота или размер чека);
4. Посчитать дополнительно полученную выручку.

И решать другие специализированные задачи.

Кейс сравнения динамики покупательского поведения

Для оценки долгосрочного эффекта программы лояльности Coffee Analytics разработала для клиента простое решение, учитывающее 4 ключевых показателя для обоих типов покупателей: Количество чеков и Возвратов, размер Среднего чека, и Оборот. Для удобства менеджера, можно сравнивать динамику к предыдущему периоду (году).

Для расчета средних показателей по НЕлояльным клиентам была улучшена архитектура данных для загрузки данных неавторизованных чеков из ERP (1С). Схема представлена ниже.

Анализ базы клиентов (Сегментация / Кластеризация)

Сегментация базы по признакам однородности позволяет сгруппировать клиентов в крайне похожие друг на друга группы используя все доступные события, которые человек совершал (например, жалобы, использование мобильных приложений, просмотр контента, стратегии использование баллов итд), транзакционные данные (купленная коллекция, размер скидки, время/день покупки итд).

Обычно для сегментации используются стандартные модели RF/RFM или ее аналоги. Однако они сложны для качественной интерпретации и мало-информативны как следствие.

Мы рекомендуем использовать кластеризацию как более надежный подход, учитывающий всё знание компании о клиентах. Пример разработки модели кластеризации . С такой моделью разделения клиентов на группы компания сможет через BI решение регулярно оценивать:

Сколько клиентов совершает "качественные" переходы (те повышают свою ценность) или наоборот меняют сегмент на менее ценный;
Корреляцию переходов между сегментами и влияние на LTV/выручку;
Описать сегменты в целевых метриках и сравнивать их с прошлым периодом;
Составить популярные пути клиентов по сегментам и их разнообразие.

Таким образом у компании значительно улучшается способность выделять приоритетные группы, оценивать изменения их метрик, сопоставляя с действиями компании как в области ПЛ, так и на всем разнообразии 4P факторов.

Визуализация кластеров (сегментов)

Задача
Понимать основные характеристики кластеров и как меняется их численность

Решение
Карточки кластеров с естественным приростом и основными характеристиками

Метрики
Численность кластера, естественный прирост кластера, LTV, AOV

Аналитика кластеров

Задача
Оценивать в общих чертах влияние на повышение лояльности

Решение
Группировка перетоков клиентов между кластерами на:
- Повысили уровень (если новый кластер клиента лучше, чем предыдущий)
- Понизили уровень
- Без изменений

Метрики
Количество и доля клиентов, которые стали более / менее лояльными.

Перетоки в сегментах

Задача
Оценивать тенденции в изменении поведения клиентов и влияние изменений на средний LTV

Решение
Визуализация перетоков клиентов между кластерами и сравнение среднего LTV до/после перехода в сегмент

Метрики
Количество клиентов, осуществивших переток; средний LTV

Оценка типовых путей клиентов и их кол-ва

Необходимо для оценки основных траекторий в которых "живут" клиенты до ухода (отток) или перехода в более ценные группы

Зная их, компания может вести их оптимальным образом.

Оценка влияния перетоков на бизнес метрики

Задача
Понимать как изменение в поведении клиентов влияет на выручку / суммарный LTV. Какие факторы сдерживают рост?

Решение
Расчет суммарного прироста LTV по всем, кто совершил ту или иную смену кластера

Метрики
Отклонение LTV (прирост), LTV в прошлом месяце (до смены кластера), LTV текущий месяц (после смены кластера)

Пример BI отчета по сегментации

В данном дашборде в Power BI построены отчеты для анализа оборачиваемости, АВС, ROI запасов и упущенной прибыли.

Анализ CRM коммуникаций
(email, sms, mobile push)

CRM аналитика дает не только представление о клиентах и о том, насколько хорошо работают отдел продаж и обслуживания клиентов.

Анализ CRM коммуникаций помогает понять, какой эффект на продажи дают разные инструменты CRM-маркетинга, прямые каналы. Например:
- Какая рассылка / тематика / канал имеет бóльший вклад в продажи?
- Как CRM влияет на жизненный цикл клиента / сегментов?
- Как pop-механики влияют на воронку сайта?
- Из-за чего клиенты отписываются от рассылок?
- Как в целом обстоят дела в отделе CRM-маркетинга? (Для руководства)

Перечень вопросов расширяется от специфики бизнеса.

Чтобы online понимать ситуацию в CRM и растить качество CRM-коммуникаций, обычно решается ряд задач:
- Собираем сырые данные CDP, сайта, внутренних систем в одном месте (DWH)
- Проводим анализ: вместе с клиентом ищем узкие места и точки роста
- Рассчитываем атрибуции действий пользователей к CRM-коммуникациям
- Строим понятные дашборды о CRM коммуникациях

Наиболее эффективный анализ CRM можно проводить, имея прогнозную модель LTV и качественную сегментацию базы (ML кластеризацию базы).

CRM аналитика даёт и представление об удовлетворенности клиентов, улавливая как положительные, так и отрицательные сигналы на основе их действий, а также:

Показывает четкий путь клиентов по воронке;
Предлагает понимание стратегий удержания клиентов;
Подсвечивает зоны падения эффективности коммуникаций;
Составить популярные пути клиентов по сегментам .

Таким образом у компании повышаются операционные показатели по всей длине воронки, от OR (open rate) до RPE (revenue per email) и аналогичные метрики.

Рассмотрим примеры отчетов.

Стратегический дашбород для руководства

Помогает для руководства находить ответы на вопросы:
- Какой вклад имеет CRM в продажи?
- Какие ключевые метрики качества CRM проседают / растут?
- Какие каналы / тематики сдерживают рост?

Для CRM-маркетолога дашборд служит "маяком", не позволяя сбиться с пути роста основных метрик.

CRM дашборд для маркетологов

Помогает оценивать тематики / каналы / рассылки:
- Какая активность служит причиной для отписок?
- Какая тематика была в топе по месяцам / кварталам?
- Какая активность приводит новых пользователей?

Пример BI отчета по анализу CRM коммуникаций

В данном дашборде в Power BI построены отчеты для анализа оборачиваемости, АВС, ROI запасов и упущенной прибыли.

Пример полной архитектуры данных на базе CDP Mindbox для сбора данных анонимных чеков и лояльных клиентов

Оптимальная в данном проекте архитектура сбора, хранения, обработки и визуализации данных сложилась следующим образом. В зависимости от баз данных вашей компании, используемых ERP/CDP и CRM она может слегка отличаться.

Процесс непрерывного улучшения эффективности отчетности и дашбордов

Любое аналитическое решение - это прежде всего продукт со своей аудиторией и целями. Поэтому процесс работы над дашбордами часто состоит из нескольких итераций перед окончательным их внедрением и получением существенного результата.

Весь процесс можно разделить на Интеграционный этап (сбор данных) и Аналитическую часть, включая сбор требований через интервью с командой заказчика, создания BI решения, формулировку и проверку гипотез роста.

Интегрируем данные CDP системы (Mindbox, Exponea, SAP итд)

Подключаем другие источники данных ERP (1C, Мой склад), Рекламные кабинеты, счетчики (GA, Я.Метрика)

Проводим интервью для сбора требований, делаем скетчи, готовим дашборды с метриками, KPI и целями (Power BI)

Формулируем гипотезы, строим прогнозы

Корректировка и запуск новых механик в CDP (Mindbox, Exponea, SAP итд)

1

2

3

4

5

Сбор базы данных

Построение отчетности

интеграционная часть

Аналитическая часть

Оценка бюджета на проведение проекта клиентской аналитики

При старте с нуля, потребуется пройти этапы интеграции с CDP, сбора бизнес требований и подготовки отчетов. Рекомендуем также заложить минимальное кол-во часов на поддержку и доработку решения на 3-6 месяцев.

Для грубой оценки, в рамках 100 часов (1 час BI команды стоит от 3000 рублей без НДС) вы получите готовое BI решение (дашборд на несколько страниц нужных срезов) по аналогии с приведенными примерами, а также 3-6 месяцев его технического сопровождения с учетом необходимых улучшений после боевого использования командой.

Интегрируем данные CDP системы (Mindbox)

Подключаем другие источники данных ERP (1C, Мой склад), Рекламные кабинеты, счетчики (GA, Я.Метрика)

Сбор базы данных и коннекторы

Интеграционная часть

от 20 часов