5 шагов: маркетинг основанный на данных

Правильно выстроенные процессы управления продуктом, ценой и каналами продвижения должны превратить продавцов в отдел отгрузок, единственная задача которого — выписывать счета очереди ваших фанатов. Период, когда каждая копейка на счету, — не время для экспериментов, предпринимателям нужно повышать качество маркетинговых решений.

25 Сентября 2017

Шаг 1. Культура сбора данных

Ключевая преграда на пути к повышению качества принимаемых в маркетинге решений — отсутствие культуры сбора и хранения данных в российских компаниях. Считать это проблемой одного только малого бизнеса неверно. Я знаю компанию, которая хранит информацию о 18 000 наименованиях товара и 2000 розничных точек в Excel. Если вы тоже до сих пор храните всё в приложениях Microsoft или в бумажном виде, пора признать: у вас проблемы.

Поставьте CRM. Неважно, дорогую или дешёвую, отечественную или западную — важно начать фиксировать информацию о сделках в электронной системе. Комплексное и своевременное заполнение всех полей CRM должно стать альфой и омегой работы вашей компании. Если вы так не делаете, то срочно закройте эту вкладку, до конца дня решите эту проблему, а только потом читайте про следующие шаги.

Шаг 2. Сбор данных

Абсолютно все современные CRM позволяют создавать кастомные поля, данные в которые можно вносить как вручную, так и автоматически из сторонних приложений или системы расчётно-кассового оборудования. Для принятия маркетинговых решений вам необходимы четыре больших группы данных.

Данные о потенциальных и реальных клиентах

Сюда можно отнести сведения о поле, возрасте, уровне дохода, образовании, географии проживания, источнике появления потенциального клиента, CAC (стоимости привлечения клиента).

Данные о конверсии в «песочных часах»

«Песочные часы» — знаменитая модель, которую всё чаще мы используем вместо традиционной воронки продаж. Клиент проходит не только через этапы охвата, захвата, нагрева и продажи (классическая сужающаяся воронка), но и через этапы допродаж, лояльности и аффилиативности (на этих этапах воронка снова расширяется). Чтобы собрать данные о конверсии, проще всего использовать сквозную аналитику на Universal Analytics, она позволит подсчитывать ROMI (показатель рентабельности маркетинговых инвестиций), а не абстрактные нефинансовые метрики.

Данные по чекам

Этот блок включает в себя данные не только по суммам покупок, но и по всем данным в рамках одной транзакции. Например, стоит учитывать, какие SKU чаще продаются совместно.

Данные по повторным покупкам контрагентов

Для этого необходимо наличие у максимального количества пользователей уникального идентификационного номера (например, в виде пары логин — пароль в e-commerce или в виде дисконтной карты в офлайновой рознице). Самая частая ошибка, которую допускают компании, — раздача карт лояльности клиентам после выполнения какого-то покупательского действия с условием (например, даём карту только тем, кто купил не менее чем на 5000 рублей). Такая тактика, по мнению разработчика, должна привести к росту чека из-за желания человека получить карту. Но это не так: карта нужна не клиенту, а вам, чтобы в дальнейшем идентифицировать его. Поэтому лучше мелко «нарезать» бонусы, которые даёт карта, но раздать её максимально возможному количеству клиентов.

При сборе этих данных надо помнить про ещё два важных обстоятельства. Во-первых, набор данных должен быть доступен для сортировки не только клиентов, но и транзакций, SCU, брендов, продавцов и торговых точек. Во-вторых, важно при сборе дополнительных данных от клиентов в формате анкетирования — вроде оценок сервиса или пожеланий — избегать ловушки App Store, то есть вопросов, подразумевающих порядковые («высокий», «ниже среднего», «доступный») или номинальные («да/нет») ответы. Ценность такого рода ответов с точки зрения данных, необходимых для принятия маркетинговых решений, минимальна — нужны числа, а не окологуманитарные ответы. Поэтому, например, в вопросе об уровне дохода клиента надо предлагать интервал в цифрах (100 000 — 150 000 рублей в месяц).

Шаг 3. Анализ данных

Некоторые компании собирают данные и умеют их визуализировать (иногда с помощью сторонних сервисов типа Qlik, Devexpress и тому подобных), но совершенно не учатся их анализировать. Такую практику я называю «дзен-замер»: цифры собираются, на их основе строятся динамические графики, руководитель чувствует себя за рабочим столом словно капитан на мостике, но ничего не происходит. Есть несколько советов, которые помогут провести серьёзный анализ данных. Я практик, а потому мои советы могут отличаться от социологического канона.

Откладывайте качественные исследования до последнего

Учебники по социологии равняют качественные и количественные исследования между собой, но наша практика работы и с большой розницей, и с микробизнесами показывает, что необходимо использовать количественные исследования как можно дольше. И только обнаружив на количественных исследованиях (анализе распределений) какие-то необъяснимые вещи, можно проинтерпретировать их с помощью качественных методов (фокус-групп, экспертных опросов и т. д.).

Не пренебрегайте калькулятором выборки

Опрашивать клиентов дорого и нудно, но очень полезно, если выбрать правильное количество человек. Некоторые анкетируют своих клиентов повально, а некоторые ограничиваются опросом двух-трех человек. Не забывайте, что существуют онлайн-калькуляторы выборки (например, калькуляторы Socioline, Allcalc.ru, FDF Group).

Научитесь считать шесть сигм

Основным исследовательским методом, нацеленным на быстрые результаты в маркетинге, является расчёт шести сигм — методика управления качеством, завоевавшая мировую известность. Потратив два-три дня на её изучение и создание инфраструктуры, вы получите мощнейший инструмент.

Инвестируйте время и деньги в более долгосрочные, но более точные исследования. Начните задействовать в вашей работе несколько видов анализов:

дискриминантный анализ, который на основе данных о прошлых покупках определит вероятную ценность клиента;
регрессионный анализ, который оценивает меру зависимости — например, суммы покупок от социально-демографических характеристик — и помогает лучше понять вашу целевую аудиторию;
корреляционный анализ, который будет полезен для управления ассортиментом и эффективностью продавцов
частотный анализ, построенный на простом анализе тенденций, — он помогает оптимизировать маржинальность, лучше управлять кросс-продажами и даже предсказывать следующие покупки;
факторный анализ, который выявляет сложные зависимости между разнородными данными и показывает, что влияет на решения потребителей. Он будет незаменим для определения и корректировки уникального торгового предложения.

Шаг 4. Найдите устойчивые зависимости

В основе хорошего маркетинга лежит подход, основанный на оцифровке поведения клиента. Наиболее универсальным из широко применяемых методов является RFM-анализ (Recency / Frequency / Monetary), который позволяет сегментировать клиентов по лояльности.

Recency (давность) — чем дольше клиент не совершал повторных сделок, тем ниже вероятность, что он ещё раз когда-нибудь что-нибудь купит.
Frequency (частотность) — чем реже клиент у нас покупает, тем ниже вероятность, что он что-либо купит.
Monetary (денежность) — чем меньше средний чек клиента, тем выше шанс его потерять.

С помощью методов, описанных во втором шаге, все эти параметры можно исследовать и выразить, посчитав среднее арифметическое. Например, в рамках поиска зависимостей можно узнать, что для одного сегмента рынка R равен 100 дням (то есть нужно добиваться повторной покупки в течение 100 дней, иначе клиент потерян), а для другого M равен 2000 рублей (нужно стремиться именно к этому показателю для повышения LTV).

Для одного крупного магазина бытовой техники мы установили, что оптимальный способ вернуть клиентов в магазин — предложить им в течение 46 дней с момента предыдущей покупки приобрести со скидкой мультиварку.

Шаг 5. Подчинить инструменты маркетинга анализу

Наконец, последний шаг — надо подчинить инструменты, которые вы используете в маркетинге, результатам анализа данных. Теперь можно научить вашу CRM-систему оценивать каждого клиента с точки зрения RFM и любых других параметров и осмыслять риски потери клиента. Её надо настроить так, чтобы она управляла персонализированными точками контакта — электронная почта, СМС, баллы бонусных программ и многое другое. Теперь всё это может быть сформировано персонально под каждого клиента с учётом всех вероятностей и рисков.

Так данные не будут копиться в столе, а помогут полностью изменить подход к тому, как компании взаимодействуют со своими клиентами. Мы искренне верим, что будущее маркетинга — за цифрами и строгим научным знанием, а не за фишками и ужимками.