Как бизнесу увеличить продажи с помощью персонализации маркетинга?

• Email-маркетологам, директорам по маркетингу;
• Маркетологам в e-commerce;
• Владельцам крупного, среднего и малого бизнеса;
• Бизнесу, который хочет настроить персональные коммуникации с клиентами и продлить LTV.

Исходная точка и постановка целевых показателей

Mario Berluchi — это российский производитель обуви, сумок и аксессуаров. В цифрах Mario Berluchi это:

• 20 лет на рынке женской обуви;
• 4 офлайн магазина;
• 200 тыс. уникальных посетителей в месяц в интернет-магазине.

В 2019 году бренд столкнулся со стагнацией, и казалось, что потолок выручки был уже достигнут. Команда поставила перед собой цель: рост метрики LTV через персонализацию. Для этого было решено объединить все имеющиеся данные о клиентах компании для сквозной коммуникации по всем каналам в единую базу данных. Без автоматизирующего инструмента маркетологу это сделать сложно. Благодаря CDP (Customer Data Platform) на платформе Mindbox бренду Mario Berluchi удалось объединить данные из разных источников (CRM, сайт, рассылки) и построить полноценную базу данных клиентов.

C помощью CDP отдел собрал и унифицировал все данные из истории покупок, программ лояльностей, взаимодействий с рассылками. В профиле каждого клиента была видна вся история его действий: что купил, когда, из какого источника, размер и полнота обуви, как реагирует на скидки, с какого устройства совершает покупки.

 

Спустя 3 месяца работы в платформе клиентских данных были получены следующие результаты:

• Показатель выручки с канала email вырос на 21%;
• LTV вырос на 18,7%;
• ROMI с email-канала составил 5636,6%.

Ниже поговорим подробнее о 3 компонентах работы, за счет которых удалось добиться таких результатов.

Фактор успеха №1 — сегментация

Первым фактором успеха была персонализация через сегментацию пользователей в email-рассылке. Это не только имя человека в теме письма или заголовке. Каждый факт о клиенте — это возможность построить персональную коммуникацию и повысить лояльность. Mario Berluchi старались собирать большое количество данных и использовать их в общении.

 

Например: в email-рассылке с подборкой товаров или сезонными рекомендациями бренд отправлял клиентам обувь только подходящего им размера. При этом размер — не единственный критерий. Бренд также владел дополнительной информацией: ширина стопы, полнота, город проживания. Информацию собирали из истории покупок, опросов, тестов и квизов на сайте. Такой сценарий позволил увеличить конверсию в заказы в 3 раза, ее значение составило 2,98%. В среднем по рынку цифры разнятся от 0 до 1, что доказывает эффективность метода. 

Фактор успеха №2 — метрики

Большинство бизнесов руководствуется стандартным подходом, считая рост выручки и рост базы подписчиков главными целевыми показателями. В какой-то момент бизнес упирается в потолок выручки, база подписчиков растет и начинает «выгорать». Команда маркетинга осознала: чтобы найти новые точки роста, нужно смотреть глубже. Как и большинство интернет-магазинов, компания собирала email адреса с форм на сайте. 

Если пользователь в течение 30 дней не совершал покупку, он автоматически попадал в сегмент «Старые подписчики». Это самый большой сегмент потенциальных покупателей, которые пока не готовы совершить покупку.

Перетекание пользователей из сегмента «Старые подписчики» в «Покупатели» стало ключевой метрикой, с которой необходимо было работать. Было создано несколько вариантов триггерных цепочек для сегмента «Старые подписчики», которые в дальнейшем позволили вырастить продажи.

Фактор успеха №3 — машинное обучение

Когда клиент заходит на сайт, он оставляет о себе много данных. В компании было принято решение записывать все действия посетителей, чтобы построить алгоритм предсказания с помощью машинного обучения. Алгоритм предсказывал вероятность покупки пользователя, срок, через который произойдет покупка, добавит ли клиент товар в корзину, вернется ли он на сайт, если вернется, то когда. На основании этих данных бренд выстраивал персональную коммуникацию с клиентами. 

Принцип действия алгоритма следующий: если вероятность покупки высока, необходимо довести этого пользователя до покупки, не предлагая скидку. Если вероятность покупки низка, срабатывал триггер на сайте в виде pop-up. Приведем пример: если, согласно алгоритму предсказания, вероятность покупки ниже 30%, то на сайте срабатывал pop-up со скидкой в 10%. Пользователь боится потерять такую возможность и вероятность покупки растет. 

Для клиентов с высокой вероятностью покупки, которые получали триггерную цепочку писем, результаты следующие: 

• Open Rate — 45,91%
• Click Rate — 16,7%
• CR в заказы — 4,35%

Выдача попапов на сайте также дала неплохие результаты:

• ARPU увеличился на 36,5%
• Доля брошенных корзин сократилась на 17,2%
• Конверсия в покупки выросла на 16,5%

Выводы и рекомендации

• Персонализация невозможна без сегментации, а автоматическая сегментация — без CDP;
• Необходима стратегия и четко прописанный план;
• Правильные метрики - точка роста для маркетинга;
• Анализ данных с помощью машинного обучения выведет ваш бизнес на новый уровень.