Кейс E-Commerce клієнта

full-kejs-e-commerce-klienta-profit.store.jpg

ЗМІСТ

З чого все починалося

Як часто ви зустрічалися з тим, що ціна ліда постійно зростає і кваліфікація маркетологів викликає питання? Такі питання з’явилися в нашого клієнта, але, на жаль, не на етапі, коли все йде по плану, а коли настав касовий розрив, бо до останнього вірили, що все налагодиться.

Спочатку клієнт звернувся до рекламної агенції, яка є нашим партнером. Агенція провела детальний аудит поточної ситуації і з’ясувала, як клієнт до цього докотився, а котився довго, до речі. Як виявилося, маркетинг не працював з базою клієнтів, залучали весь час тільки холодний трафік, чим позбавили себе величезних можливостей в рекламі і продажах.

У ході довгих перемовин було прийнято рішення спільно з рекламною агенцією розробити автоматизований сервіс по роботі саме з клієнтською базою, а на той час вона вже була доволі велика.

Домовились реалізувати наступне

  1. Сегментувати клієнтську базу, обрали RFM сегментацію
  2. Розробити дашборди для відслідковування ефективності комунікації і продажів в кожному сегменті
  3. Створити під кожен сегмент відповідний ремаркетинговий список у кабінеті Google Ads, ретаргетинговий список у Facebook Ads, списки для email розсилок
  4. Налагодити автоматизований процес переносу контактів клієнта між списками у рекламних сервісах при переході з одного сегмента в інший
  5. Розробити аналітичну систему для деталізації ефективності рекламних оферів в кожному каналі по кожному сегменту RFM

Схематичне зображення проєкту

1-kejs-e-commerce-klienta-profit.store.jpg

Детальніше по кожному пункту:

RFM сегментація

  1. Основою RFM сегментації є розподіл бази по встановленим межам 3-х параметрів, а саме: R (Recency: давність покупки), F (Frequency: частота покупки) і M (Monetary: сума покупки). Після детального дослідження показників змогли виділити такі сегменти:
  • VIP
  • постійні
  • середній чек
  • разові
  • зона ризику
  • відтік

Звісно, звичайною сегментацією ми не обмежились і зробили ще категорії, групи та самі товари з урахуванням параметрів клієнтів по кожному сегменту RFM сегментації. Як бонусом не забули зробити і пенетрацію середнього чека.

Дашборд загального сегментування

  1. Оскільки найсильніша наша сторона – це створення аналітичних систем, то, звичайно, ми, користуючись досвідом, пішли розробляти робочі дашборди для відслідковування ефективності всього цього дійства. І шо? Та ні шо, все вийшло, оце така краса:

Борд загального сегментування:

2-kejs-e-commerce-klienta-profit.store.jpg

Тут гарно видно, скільки клієнтів знаходиться в кожному сегменті з дельтою по ним. За замовчуванням іде порівняння з даними – 30 днів. Таким чином бачимо динаміку користувачів по кожному сегменту.

3-kejs-e-commerce-klienta-profit.store.jpg

Реалізували можливість обрати конкретний сегмент і “розкласти його на атоми”.

4-kejs-e-commerce-klienta-profit.store.jpg

Деталізація сегментів

А ось про деталізацію категорій, груп і товарів по кожному сегменту.

Так виглядає загальна картина, а тепер покажу, яка вона в деталях:

5-kejs-e-commerce-klienta-profit.store.jpg

Напркилад, всі показники R F M по кожній категорії товарів.

7-kejs-e-commerce-klienta-profit.store.jpg

Якщо обрати конкретний сегмент на фільтрі, то отримаємо деталізацію по категоріям, групам та всім товарам.

8-kejs-e-commerce-klienta-profit.store.jpg

Підсумовуючі, розуміємо, що маємо усю необхідну інформацію, а саме хто, коли, скільки, як часто, якого розміру, кольору, моделі купував, та хто що конкретно хотів та покинув в корзині з певних причин.

Такої інформації нам достатньо для побудови персоналізованих автоворонок.

Автоматизація через API

3-4. На наше щастя, потрібні рекламні сервіси мають чудові API, завдяки яким можна виконувати дії із зовнішніх систем, в нашому випадку із нашої BI системи. Що це дає?

В рекламному кабінеті Google Ads під кожен сегмент RFM створили відповідний ремаркетинговий список, так само зробили і з рекламним кабінетом Meta. Надалі, коли клієнт в BI системі переходив із сементу “постійні клієнти” у, наприклад, “зона ризику”, він, завдяки запитам на API, переміщувався з одного ремаркетингового списку в інший і, відповідно, починав бачити рекламу, яка налаштована саме на цей список. Таким чином нам вдалося показувати рекламні офери релевантно.

На жаль, тільки канал email показував свою безкорисність, конверсії у відкриття були дуже малі, тому вирішили зробити “максимально смачний лідмагніт” і розсилати офер з ним на всю базу.

Фішка була в тому, що отримати його могли тільки підписавшись на чат-бот у месенджері. У висновку серії розсилок вдалося перевести майже 40% бази клієнтів у чат-бот, де відсоток відкриття повідомлень був понад 80. Таким чином автоматизована рекламна воронка в симбіозі з нашою BI системою почала продавати релевантні товари на існуючу базу, і, відповідно, LAC (вартість ліда) та CAC (вартість клієнта) стрімко впали, що дозволило використовувати рекламний бюджет на пошук нових каналів.

Наскрізна аналітика

  1. Тут, звичайно, ми використали нашу систему аналізу ефективності рекламних активностей із 5 дашбордів.

Детально про неї можна прочитати у цій статті.

Вдалося врятувати рекламні бюджети та похідні процеси від них. Суттєве зниження ціни ліда та клієнта допомогло вирівняти касу та позбутися касових розривів, почали перехід на планування. Клієнт отримав інструмент для роботи з клієнтською базою та потужну систему аналізу ефективності реклами від рекламного баннера до маркетолога чи рекламної агенції.

Аналізуйте та керуйте, спираючись на тверді дані, бо керуєш саме тим, що вимірюєш та аналізуєш!

ПОДІЛИТИСЯ

ІНШІ СТАТТІ ВІД АВТОРА