История Butik. Хочешь удержать клиентов — сегментируй!

О компании

BUTIK. — это online-магазин одежды, обуви и аксессуаров и универмаг в центре Москвы площадью 5 000 кв. м. В ассортименте магазина представлено свыше 350 брендов.

Клиент делает заказ на сайте и уже через час забирает его в универмаге. Также можно выбрать курьерскую доставку или пункт выдачи в любом городе. Простая схема покупки и получения товара делает шоппинг максимально быстрым и удобным.

Компания стала первой в России, кто объединил online и offline-магазин в единый сервис. Сейчас BUTIK. — один из крупнейших омни-канальных fashion-ритейлеров в стране.

Задача

Чтобы снизить долю рекламных расходов, продлить жизненный цикл клиентов и LTV клиентской базы в целом, команда BUTIK. решила:

• Сегментировать клиентов в зависимости от их покупательской активности.
• Персонализировать коммуникацию с полученными сегментами в цифровых каналах и каналах direct-маркетинга (email, sms, колл-центр).

Данные о поведении пользователей на сайте компания собирает и хранит в Google Analytics, а информацию об исполняемости заказов — во внутренней CRM-системе. Для сегментации клиентской базы нужно собрать эти данные в одной системе и сгруппировать пользователей, основываясь на частотности их покупок. Полученные сегменты можно передавать в рекламные сервисы для показа релевантной рекламы и персонализации коммуникаций в каналах direct-маркетинга.

‘‘

Мы начинали сотрудничать с командой OWOX BI год назад со стандартной задачи — построения пользовательских моделей атрибуции. Модели должны были учитывать специфику бизнеса BUTIK — омниканальность (мы оперируем online и offline) и сложную корзину каналов коммуникации с нашей аудиторией. Т.е. оценка канала при распределении рекламного бюджета определяется его вкладом в продажи и CPO с учетом эффекта ROPO.

Когда задача была решена, мы обнаружили, что данные, собранные в едином хранилище из Google Analytics, рекламных площадок и нашей CRM, позволяют решить еще одну ключевую задачу — сегментирование клиентской базы. Команда OWOX BI включилась в этот амбициозный проект, и благодаря экспертизе коллег и их готовности решать нестандартные задачи он был успешно реализован.

Яна Паршутина,

Веб-аналитик, Butik.ru

Решение

Для достижения поставленных целей аналитики BUTIK. объединили всю информацию в Google BigQuery (GBQ), затем совместно с аналитиками OWOX BI обработали данные и построили отчеты.

Шаг 1. Объединение данных

Компания остановила свой выбор на облачном хранилище Google BigQuery, потому что оно отвечает стандартам безопасности и легко интегрируется с другими системами благодаря API.

С помощью OWOX BI Pipeline аналитики BUTIK. передают в GBQ несемплированные данные о действиях пользователей на сайте в режиме, близком к реальному времени.

При помощи API и готовых библиотек компания импортирует из CRM в Google BigQuery следующие данные:

• Информацию обо всех сделанных и, что еще важнее, выкупленных заказах (online, offline и колл-центр).
• UserID пользователей, их персональные данные (ФИО, пол, день рождения, email, телефон, дата регистрации, статус в программе лояльности, статусы подписки на email, sms и т.д.), а также покупательскую активность (наличие или отсутствие заказов).

Так выглядит схема движения данных у BUTIK:

Шаг 2. Обработка данных

После объединения данных аналитики BUTIK. и OWOX BI приступили к сегментации пользователей. Учитывая все тонкости бизнеса (OMNI-канальность и особенности fashion-retail), вместо классических RFM-сегментов решили рассчитывать собственные, сохраняя при этом логику RFM-сегментации, но используя дополнительные кастомные параметры.

В качестве периода для расчета сегментов аналитики взяли время, соответствующее циклу потребления клиентской базы. Значение было выведено как медианное количество дней между двумя соседними заказами и проверено средневзвешенной по online и offline заказами. То есть посчитали отдельно, сколько дней проходит между заказами в online, сколько в offline и взяли их средневзвешенное.

Затем аналитики определили основные типы сегментов (по отношению к периоду расчета сегментов):

• New Members — новые зарегистрированные пользователи без покупок.
• Old Members — старые зарегистрированные пользователи без покупок.
• New Buyers — клиенты, совершившие первую покупку.
• Good Buyers — клиенты, покупавшие 3 раза и более за последние 6 периодов.
• Very Good Buyers — клиенты, которые наиболее часто покупали за последние 6 периодов, с верхним порогом Transformation Rate (доля клиентов в сегменте, совершивших покупку в отчетном периоде). Например, клиент, покупавший в каждом периоде или в 4-5 периодах из 6 последних.
• Casual Buyers — клиенты, покупавшие в 1-2 периодах из последних 6.
• Sleep — люди, не покупавшие последние 6 периодов подряд.
• Inactive — люди, не покупавшие последние 12 периодов подряд.

После того, как определились с условиями для сегментирования, аналитики BUTIK. создали схему возможных переходов пользователей из одного сегмента в другой. Это нужно, чтобы видеть миграцию пользователей между сегментами в анализируемом периоде после коммуникаций с клиентской базой в цифровых каналах (платная реклама) и каналах директ-маркетинга.

На схеме показано, какая доля пользователей переходит из одного сегмента в другой в течение отчетного периода. Зелеными стрелками обозначен переход в более активные сегменты (повышение качества), а красными — в пассивные (снижение качества). К примеру, на рисунке мы видим, что 15% зарегистрировавшихся пользователей (New Members) делают первую покупку и становятся New Buyers. А 86% людей, совершивших первую покупку в прошлом периоде, не купили в анализируемом периоде и в результате перешли в сегмент Casual Buyers (снижение качества).

Аналитики OWOX BI сгруппировали пользователей в сегменты с помощью SQL-запросов к данным в Google BigQuery. В результате получилась таблица, которая содержит UserID каждого пользователя, его персональные данные и название сегмента.

Затем с помощью другого SQL-запроса аналитики сформировали из полученных данных еще одну таблицу с основными показателями эффективности для каждого сегмента:

• Количество пользователей в сегменте и его доля в клиентской базе.
• Количество заказов (оформленных и выкупленных) в сегменте.
• Средний чек.
• Количество заказов на пользователя.
• Сумма заказов и доля сегмента в общем обороте.
• Изменение численности сегмента (темп прироста).

Шаг 3. Создание отчетов

Затем с помощью OWOX BI BigQuery Reports аналитики импортировали данные из Google BigQuery в Google Sheets и создали три таблицы.

1. Таблица с количеством пользователей, которые сменили сегмент либо остались в прежнем.

   

   В этом отчете метрика Clients означает количество пользователей, StartSegment — сегмент пользователей в предыдущем периоде, EndSegment — сегмент пользователей в текущем периоде. Например, в строке 7 мы видим, сколько клиентов из Casual Buyers (1-2 покупки в 6 последних периодах) превратились в Good Buyers (3 и более покупок в 6 последних периодах) — это хорошо. А в строке 8 наблюдаем обратную ситуацию, и это плохо. В строке 5 выведена группа клиентов, которые так и остались в сегменте Inactive — с ними необходимо работать, чтобы вернуть их к покупкам после не менее 6 периодов бездействия.

2. Таблица с актуальными данными по каждому пользователю за заданный период.

   

   Этот отчет содержит актуальный список покупателей, вошедших в каждый из 9 сегментов, а также все персональные данные, необходимые для прямых коммуникаций: email, телефон, день рождения, ФИО, пол, статус в программе лояльности, средний чек и сумма накопленных бонусов. Используя данные из этой таблицы, маркетологи BUTIK. могут запускать персонализированную рекламу под каждый сегмент пользователей. Например, выделить из сегмента Casual Buyers пользователей с активностью 0101000 (2 покупки за 7 месяцев) и отправить им приглашение на закрытую распродажу.

   Кроме того, информация, представленная в отчете, помогает экономить рекламный бюджет — можно исключить из целевой аудитории digital-каналов значительные сегменты, с которыми ведется работа в каналах директ-маркетинга. Сейчас данные в таблице пополняются более детальной информацией о каждом покупателе, которая совсем скоро позволит маркетологам BUTIK. учитывать в рекламе брендовые, категорийные, ценовые предпочтения клиента и их комбинации.

3. Таблица с метриками покупательской активности в разрезе сегментов за анализируемый период и их сравнение с предыдущим периодом.

   

   Этот отчет помогает маркетологам BUTIK. отслеживать изменения важных KPI в каждом сегменте:

   • Доход, сгенерированный сегментом, и его долю в общем обороте компании.
   • Относительные показатели покупательской активности — частотность покупок и средний чек.
   • Процент выкупа — долю оформленных заказов, которые были оплачены.
   • Динамику численности сегментов. Позитивной динамикой считается прирост пользователей в активных сегментах (Good Buyers, Very Good Buyers, New Buyers) и сокращение в пассивных (Sleep, Inactive, Casual с покупательской активностью ***000, **0000 и *00000). Более детальную динамику маркетологи смотрят на схеме возможных переходов пользователей из сегмента в сегмент — эта же таблица позволяет оценить, как отработали с клиентской базой в отчетном периоде.

‘‘

Это была не самая легкая, но очень интересная задача — обработать данные в Google BigQuery и сегментировать клиентов по покупательской активности. Радует, что BUTIK. уже использует результаты нашего кейса. Отмечу, что работать с Яной Паршутиной было невероятно круто! Кроме глубокого понимания предметной области, она проявила искреннюю вовлеченность и желание разобраться во всем до последнего винтика.

Алена Самовар,

Веб-аналитик в OWOX BI

Результаты

• С помощью инструментов Google и OWOX BI компания BUTIK. собрала в едином хранилище полную и детальную информацию о клиентах, необходимую для сегментации.
• Аналитики OWOX BI помогли коллегам из BUTIK. автоматизировать создание отчетов для анализа важных KPI в разрезе сегментов и рабочих таблиц с данными по каждому клиенту из любого сегмента.
• Компания использует данные, полученные в отчетах, для персонализированных коммуникаций с пользователями.

‘‘

Приятным бонусом нашего сотрудничества с OWOX BI стал новый поток «Google BigQuery -> Яндекс.Аудитории» для автоматической загрузки и обновления клиентских (CRM) сегментов. Уровень совпадения (matching rate) таких сегментов превысил 130% за счет обогащения их всеми известными нам браузерными идентификаторами клиентов. Т.е. теперь мы можем обращаться к клиенту на всех используемых им устройствах. Надеюсь, эта функциональность вскоре выйдет в открытое тестирование и будет интересна многим партнерам OWOX BI.

Сегодня у нас есть полное понимание нашей клиентской базы, техническая возможность коммуникации с любым ее сегментом в любом канале и блок управленческой отчетности для оценки эффективности CRM-маркетинга.

Благодарим команду OWOX BI за плодотворное сотрудничество и открытость к экспериментам!

Яна Паршутина,

Веб-аналитик, Butik.ru

Если у вас есть вопросы или интересные кейсы о применении сегментов, поделитесь ими в комментариях.