- Для сегмента «Активные» повышенные баллы при покупке товаров в категориях «готовая еда», «товары для сада и огорода», «товары для собак», «здоровое питание».

- Для сегмента «Виски и Whiskas» скидка при покупке товаров в категориях «товары для кошек», «любители готовить». Так как алкогольную продукцию нельзя рекламировать, для данного сегмента можно предложить скидку за покупки в категориях товаров-комплиментов, например, в категории «мясная продукция», «колбасы», «консервированные овощи.

- Для сегмента «Садоводы» скидка при покупке товаров в категории «товары для сада и огорода». Так как алкогольную продукцию нельзя рекламировать, для данного сегмента можно предложить скидку за покупки в категориях товаров-комплиментов, например, «сыры», «фрукты».

- Для сегмента «Тусовщики» повышенные баллы при покупке товаров в категориях «готовая еда», «товары для собак». Также за покупки товаров-комплиментов категории «крепкий алкоголь», например, «мясная продукция», «колбасы», «консервированные овощи.

- Для сегмента «Ценители ЗОЖ» повышенные баллы при покупке товаров в категориях «товары для сада и огорода», «товары для кошек», «товары для собак», «здоровое питание».

С клиентами, которые не совершили целевое действие, необходимо поддерживать коммуникацию через push-уведомления и другие каналы. Например, для увеличения частоты покупок и величины среднего чека, можно проводить мероприятия в рамках развития категорий. В Таблице №10 представлено описание мероприятий, каналов коммуникации, а также текст триггерных сообщений.

Таблица 9

Бриф сообщений

Таблица 10

Мероприятия для увеличения частоты покупок и среднего чека

Также для поддержания длительных отношений с клиентами можно внедрить игровые механики внутри мобильного приложения. Геймификация процессов взаимодействия с клиентами позволяет повысить их вовлеченность, увеличить срок жизненного цикла, усилить целевое поведение. Игровые механики могут быть использованы не только для удержания клиентов с высокой вероятностью попадания в отток, но для остальных сегментов потребителей, таких как: «Искатели комфорта», «Покупающие по чуть-чуть».

Реализовать игру можно в следующем виде. Для участия в игре необходимо перейти по ссылке в мобильном приложении, подтвердить согласие на участие. Участие в игре предполагает отказ от получения других предложений, акций, скидок магазина - клиент получает все бонусы в рамках игры. Есть возможность выйти из игры в любой момент, потеряв, при этом, заработанный статус. Характеристики игровой механики:

1. Профиль игрока;

2. Задание дня;

3. 5 статусов (уровней) клиента, описание представлено в Таблице №11;

Таблица 11

Описание статусов клиента

4. Для прохождения уровня необходимо накопить необходимое количество очков на каждом уровне (цели);

5. Очки выдаются за каждую совершенную транзакцию, за выполнение задания дня;

6. Каждый блок заданий направлен на достижение различных целей: увеличение среднего чека, рост частоты посещения, увеличение покупок в определённой категории, привлечение новых игроков. Примеры заданий представлены в Таблице №12.

Таблица 12

Примеры заданий

Стоит отметить, что игра должна быть построена таким образом, чтобы задания были направлены на стимулирование перемещения клиентов из одного сегмента в другой. Через определенное количество дней необходимо снова анализировать данные о клиентах с целью проверки изменения принадлежности к сегменту. Если клиент переместился в другой сегмент, то и задания должны соответствовать новому сегменту.

Также с помощью игровой механики можно протестировать эффективность заданий для каждого сегмента, а затем предлагать задания с наиболее высокой вероятностью отклика на коммуникацию.

Предложенные мероприятия направлены на удержание и развитие не только клиентов с высокой вероятностью попадания в отток, но и для других сегментов потребителей. В следующей части работы представлен прогноз эффективности предложенной кампании.

3.1 

3.1 Прогноз эффективности кампании

В рамках маркетинговой кампании на первом этапе было предложено провести массовую рассылку для стимулирования клиентов установить приложение. Рассылка должна осуществляться на всю базу клиентов, удовлетворяющих требованиям: согласие на получение коммуникаций, отсутствие установки приложения (проверка контактных данных на валидность). Если хотя бы 10% выборки установят приложение, компания существенным образом сможет снизить свои издержки, получая при этом больший эффект. Стоимость отправки SMS от 1 до 1,5 рубля за сообщение, есть ограничение по количеству символов, текст сообщения дойдет до клиента в том случае, если SIM-карта доступна. Стоимость отправки email сообщения от 10 до 35 копеек, текст сообщения дойдет до клиента в том случае, если есть подключение к интернету и, если клиент помнит про ящик электронной почты, периодически просматривает письма. Стоимость отправки push-уведомлений от 0 до 10 копеек, есть ограничение по количеству символов, текст сообщения дойдет до клиента в том случае, если есть подключение к интернету.

Таким образом, после установки приложения, коммуникации будут отправляться с помощью push-уведомлений: для 10% выборки всех клиентов, удовлетворяющих условиям, стоимость отправки сообщений снизится на ? 94%.

На следующем этапе было предложено отправить клиентам push-уведомления с целью привлечения их в магазин. Выборка клиентов должна соответствовать следующим требованиям: клиенты должны иметь высокую вероятность ухода в отток, у этих клиентов должно быть согласие на получение коммуникаций.

Расходы на реализацию маркетинговой кампании будут связаны с:

1. Стоимостью баллов, скидок, бонусов, призов для проведения акций;

2. Стоимостью sms, push, e-mail сообщений;

3. Работой агентства, реализующего отправку сообщений;

4. Доработкой приложения: создание игрового функционала, дизайн, интерфейс;

5. Внесением изменений на веб-сайте и в социальных сетях кампании: дизайн макетов, верстка;

6. Стоимостью POS материалов, звуковой рекламы в магазинах;

7. Созданием видеороликов.

Эффективность кампании, направленной на удержание клиентов с высокой вероятностью попадания в отток, можно рассчитать, предложив оптимистичный и пессимистичный сценарии.

1. Оптимистичный сценарий.

Если среди потенциальных клиентов оттока, которые составляют 10% от всей базы, хотя бы 10% установят приложение (т.е. 1% от всей базы) и включатся в игру, то из всего количества рассматриваемых клиентов «Новичками» в игре могут стать 0.2% и 0.1% от всей базы после второй и третей волн коммуникаций соответственно. Если среди «Новичков» в игре постоянными игроками останутся 50%, то потенциально активными клиентами могут стать 0.15% от всей базы. Если среди активных клиентов 40% пригласит в игру хотя бы одного друга, то количество «Новичков» в игре увеличится на 0.06%, а количество потенциально активных возрастет на 0,03% от всей базы. На Рисунке № 8 представлена предполагаемая схема воронки перехода клиентов из потенциального оттока в активных клиентов.

Рис. 8. Воронка перехода из оттока в активных клиентов (оптимистичный сценарий)

2. Пессимистичный сценарий.

Если среди потенциальных клиентов оттока, которые составляют 10% от всей базы, хотя бы 5% установят приложение (т.е. 0.5% от всей базы) и включатся в игру, то из всего количества рассматриваемых клиентов «Новичками» в игре могут стать 0.1% и 0.05% от всей базы после второй и третей волн коммуникаций соответственно. Если среди «Новичков» в игре постоянными игроками останутся 50%, то потенциально активными клиентами могут стать 0.075% от всей базы. Если среди активных клиентов 40% пригласит в игру хотя бы одного друга, то количество «Новичков» в игре увеличится на 0.03%, а количество потенциально активных возрастет на 0,015% от всей базы. На Рисунке № 9 представлена предполагаемая схема воронки перехода клиентов из потенциального оттока в активных клиентов при пессимистичном сценарии исхода событий.

Рис. 9. Воронка перехода из оттока в активных клиентов (пессимистичный сценарий)

Эффективность кампании, направленной на развитие клиентов из сегментов «Искатели комфорта», «Покупающие по чуть-чуть», можно рассчитать, предложив оптимистичный и пессимистичный сценарии.

1. Оптимистичный сценарий.

Если хотя бы 30% клиентов из данных сегментов скачают приложение, 50% из них придет в магазин после первой волны отправки push-уведомлений (т.е. около 4% от базы), «Новичком» в игре из пришедших станет 1% от базы после второй волны коммуникаций и 0.5% от базы после третей волны среди тех, кто не откликнулся в первой волне, то 0.75% клиентов, установивших приложение с положительным откликом на коммуникацию, станут постоянными игроками и будут в сегментах «Звезды» или «Потенциальные звезды». Если среди постоянных игроков 40% пригласит в игру хотя бы одного друга, то количество «Новичков» в игре увеличится на 0.3%, а количество постоянных игроков возрастет на 0.15% от всей базы. На Рисунке № 10 представлена предполагаемая схема воронки перехода в активных игроков.

Рис. 10. Воронка перехода в активных игроков (оптимистичный вариант)

2. Пессимистичный сценарий.

Если хотя бы 30% клиентов из данных сегментов скачают приложение, 50% из них придет в магазин после первой волны отправки push-уведомлений (т.е. около 2% от базы), «Новичком» в игре из пришедших станет 0.5% от базы после второй волны коммуникаций и 0.25% от базы после третей волны среди тех, кто не откликнулся в первой волне, то 0.38% клиентов, установивших приложение с положительным откликом на коммуникацию, станут постоянными игроками и будут в сегментах «Звезды» или «Потенциальные звезды». Если среди постоянных игроков 40% пригласит в игру хотя бы одного друга, то количество «Новичков» в игре увеличится на 0.15%, а количество постоянных игроков возрастет на 0.08% от всей базы. На Рисунке № 11 представлена предполагаемая схема воронки перехода в активных игроков.

Рис. 11. Воронка перехода в активных игроков (пессимистичный вариант)

Безусловно, на полученные прогнозные показатели могут оказывать влияние внешние факторы среды, и для определения более точных показателей кампании необходимо провести пилотные запуски. Возможны изменения показателей эффективности кампании в большую сторону после увеличения количества клиентов, вовлеченных в игру.

Заключение

В данном исследовании были рассмотрены теоретические подходы к определению маркетинга отношений, доказана необходимость работы с оттоком, также рассмотрены модели для прогнозирования оттока клиентов и современные тенденции в поведении посетителей магазинов розничных сетей.

В данном исследовании был проведен RFM анализ для сегментации всей базы клиентов рассматриваемой компании, иерархический кластерный анализ для определения количества клиентов, кластерный анализ k-средних для сегментации клиентов потенциального оттока. Каждый сегмент был подробно описан на основе характеристик поведения клиентов: частота покупок за период, сумма покупок за период, количество дней с последней покупки, наибольшее количество покупок в категориях, а также на основе социально-демографических данных: пол, возраст, город.

На основе полученных данных была разработана маркетинговая кампания, состоящая из двух блоков: массовая кампания по привлечению всех клиентов компании к установке и использованию мобильного приложения; кампания для удержания потенциальных клиентов оттока. В рамках предложенной кампании использованы методы геймификации процесса привлечения клиентов к достижению целей (рост частоты покупок, увеличение среднего чека), выбраны каналы коммуникаций с клиентом, прописаны брифы для каждого типа сообщений.

Рассчитан эффект от предложенных рекомендаций в виде доли клиентов с положительным откликом на коммуникацию, тип механики, направленной на удержание или развитие в зависимости от рассматриваемого сегмента. Эффект рассчитан на основе оптимистичного и пессимистичного сценариев, для каждого сценария созданы воронки перехода из одного этапа жизненного цикла клиента в другой этап.

Список литературы

Специальная литература

1. Озеров А. Г., Соловьев Р. А. Моделирование поведения клиентов на примере обслуживания заказов такси// Cloud of science. - 2014. №1 (4). С. 579-594.

2. Чистяков C. П. Случайные леса: обзор // Труды Карельского научного центра РАН. - 2013. №1. С. 117-136.

3. Чубукова И. А. Data Mining. Курс лекций интернет-университета INTUIT. - 2006. С. 328.

4. Bennett, R. Pan-company marketing in the UK computer software, consultancy and supply industry: constructs, measurement and competitive implications// Journal of strategic marketing. - 1999. Vol. 7. P. 57-70.

5. Biau G. Analysis of a Random Forests Model // Journal of Machine Learning Research. - 2012. Vol. 13. P. 1063-1095.

6. Bijmolt T. H. A. Analytics for Customer Engagement// Journal of service research. - 2010. Vol.13 (3). P. 341-356.

7. Chen X., Geng R., Cai S. Predicting microblog users' lifetime activity prediction// Electronic commerce research and applications. - 2015. - Vol. 14 (3). P. 150-168.

8. Fader P. S., Hardie B. G. S., Lee K. L. “Counting your customers” the easy way: an alternative to the Pareto/NBD model// Marketing science. - 2005. Vol. 24 (2). P. 275-284.

9. Fader P. S., Hardie B. G. S. Using Iso-value curves for customer analysis// Journal of marketing research. - 2005. Vol. 42. P. 135-144.

10. Frances P. H., Montgomery A. L. Econometric models in marketing. Elsevier Science Ltd. 2002. - p. 350.

11. Freeman, R. E. Strategic Management: A Stakeholder Approach. Cambridge University Press, 2010. - p. 292.

12. Govaert G. Data Analysis. John Wiley & Sons, Incorporated, Hoboken. 2009.

13. Gupta A. K., Gupta C. Analyzing customer behavior using data mining techniques: optimized relationships with customer// Management insight. - 2010. Vol. 6 (1). P. 92-98.

14. Gupta S. et al. Modeling Customer Lifetime Value// Journal of service research. - 2006. Vol. 9 (2). P. 139-155.

15. Kumar, V., Umashankar, N., Choi, J. W. CRM metrics and strategies to enhance performance in service industries// Handbook of Service Marketing Research. - 2014. P. 640.

16. Meyers L.S, Gamst G.C, Guarino A.J. Performing Data Analysis Using IBM SPSS. John Wiley & Sons, Incorporated, Somerset. 2013.

17. Ogunleye, J. The concept of predictive analytics// International journal of developments in big data and analytics. - 2014. Vol. 1 (1). P.86-94.

18. Payne, A. Handbook of CRM: Achieving excellence in customer management. Elsevier Linacre House, 2005. - p. 438.

19. Payne, A., Frow, P. A Strategic Framework for Customer Relationship Management// Journal of Marketing. - 2005. Vol. 69 (4). P. 167-176.

20. Pitta D., Franzak F., Fowler D. A strategic approach to building online customer loyalty: integrating customer profitability tiers // Journal of Consumer Marketing. - 2006.Vol. 23. P. 421-429.

21. Roberts, J. H., Lilien G. L. Explanatory and predictive models of consumer behavior// Handbook in OR& MS. - 1993. Vol. 5. P. 27-82

22. Rust, R. T., Verhoef, P. C. Optimizing the marketing interventions mix in intermediate-term CRM// Marketing Science. 2005. Vol. 24 (3). P. 477-489.

23. Venkatesan, R., Kumar, V. A customer lifetime value framework for customer selection and resource allocation strategy// Journal of Marketing. 2004. Vol. 68. P. 106-125.

Электронные ресурсы

24. Иванова С.С. Управление взаимоотношениями с клиентами в крупном розничном бизнесе // Деньги и кредит. 2016. URL: http://www.cbr.ru/content/document/file/26535/ivanova_04_16.pdf (дата обращения: 14.05.2019).

25. Общая аудитория интернета, 2019. URL: https://webindex.mediascope.net/general-audience (дата обращения 20.04.2019).

26. Печеркина Е. В. Классификация факторов конкурентоустойчивости предприятия // Вестник ОГУ. 2005. URL: https://cyberleninka.ru/article/n/klassifikatsiya-faktorov-konkurentoustoychivosti-predpriyatiya (дата обращения: 14.05.2019).

27. Полежаев И.Е. Метод сегментации клиентских баз данных на основе жизненного цикла клиента // Электронный научный журнал «ИССЛЕДОВАНО В РОССИИ». URL: http://zhurnal.ape.relarn.ru/articles/2006/200.pdf (дата обращения: 14.05.2019).

28. Push-уведомления: как начать ими пользоваться и полюбить навсегда. URL: https://www.carrotquest.io/blog/push-uvedomleniya-kak-nachat-imi-polzovatsya-i-polyubit-navsegda/ (дата обращения: 10.05.2019)

29. Magnit transformation strategy, 2018. URL: http://magnit-info.ru/about/strategy/Magnit%20Transformation%20Strategy%20RUS%20v3.pdf (дата обращения 20.04.2019).

30. On the couch: understanding consumer shopping behavior.URL: https://www2.deloitte.com/tr/en/pages/consumer-business/articles/understanding-consumer-behavior-shopping-trends.html (дата обращения 20.04.2019).

Приложение 1

Размещено на Allbest.ru