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.

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.

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.

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.