Customer Journey Analytics принесет вам больше денег.
Вы хотите увеличить доход и рентабельность инвестиций в маркетинг с помощью своей платформы электронной коммерции? Если да, то эта статья для вас.
Картирование пути клиента стало очень популярным в последние годы. Правильный подход может улучшить маркетинговую стратегию, повысить персонализированный брендинг и предложения и привести к увеличению доходов и рентабельности инвестиций в маркетинг.
Чтобы принести пользу бизнесу, требуется здоровый баланс качественных знаний о функциях, ориентированных на клиентов, о рынке и клиентах, а также количественное понимание. Последнее можно получить из платформы электронной коммерции, CRM и других внешних источников, связанных с рынком.
Цель этой статьи - поделиться с коллегами по продажам, маркетологами и специалистами по обработке данных, как подойти к количественной части составления карты пути клиента, а именно ответить на вопросы:
- Сколько у нас личностей покупателя?
- В чем их уникальные характеристики?
- Как мы можем адаптировать маркетинговую стратегию в отношении личности покупателя, чтобы повысить рентабельность инвестиций в маркетинг?
- Насколько точно мы можем предсказать личность покупателя по первой сделке покупки?
Набор данных
Поскольку большинство компаний сохраняют конфиденциальность данных, связанных с поездками клиентов, пример использования будет продемонстрирован в Образце данных Google Analytics.
Образец содержит обфусцированные данные Google Analytics 360 из Google Merchandise Store, реального магазина электронной коммерции. Он продает товары под брендом Google.
Эти данные типичны для веб-сайта электронной коммерции. Он включает источник трафика, контент и данные о транзакциях.
Сколько у нас персонажей покупателя?
Это непростой вопрос. По каким критериям можно сегментировать личности покупателей? Один из подходов - сравнить клиентов с помощью RFM-анализа, ответив на такие вопросы:
- Когда недавно они купили (Recency)?
- Как часто они покупают (Частота)?
- Сколько они тратят (в денежном выражении)?
Алгоритм кластеризации позволяет эффективно сгруппировать похожих покупателей в кластеры, которые существенно отличаются друг от друга. Он также предлагает, какое должно быть количество кластеров (также называемых персонами покупателя).
В Google Merchandise Store за 1 год было совершено 12028 транзакций 9962 покупателями. Есть 3 естественно сформированных кластера:
- кластер 1 имеет наивысшее среднее значение частоты 3,2 и денежное выражение 1129 долларов США, что соответствует «постоянным покупателям и тем, кто много тратит».
- кластер 2 имеет самую высокую давность 273 дня, низкую частоту 1, что, скорее всего, представляет собой «отток клиентов».
- кластер 3 имеет самую низкую давность 87 дней, низкую частоту 1, что соответствует «новым клиентам».
Кластеры могут быть профилированы по переменным кластеризации с использованием их стандартизированных шкал, которые позволяют проводить независимое сравнение.
Каковы уникальные характеристики личности покупателя?
Стадия профилирования включает в себя описание характеристик каждой личности (кластера) покупателя, чтобы объяснить, как она может отличаться по соответствующим параметрам, таким как демография, модели потребления и модели поведения. Эти переменные не включены в кластерный анализ.
Обычно платформы электронной коммерции хранят около 360 различных функций во время каждого клика посетителя на веб-сайте. Итак, какая из этих 360 характеристик является наиболее важным отличием личности конкретного покупателя от других?
Эту сложную задачу можно решить с помощью алгоритмов машинного обучения (ML), которые позволяют вычислять веса функций, представляющие важность. Их значение может варьироваться от -1 до 1, и чем выше абсолютное значение веса, тем выше важность функции.
Также рекомендуется рассчитать «стандартизированное различие средних значений для каждого отдыха», которое показывает величину и насколько конкретная личность покупателя отличается от остальные персонажи интересны.
Это просто разница между средней ценностью характеристики клиентов, отнесенных к конкретной персоне покупателя, и средней ценностью той же характеристики для остальных клиентов, отнесенных к другим персонам покупателя. Разница в средних значениях также стандартизирована, чтобы можно было сравнивать характеристики с разными единицами измерения.
Как веса функций, так и стандартизованные средние различия нанесены на горизонтальную гистограмму для варианта использования Google Merchandise Store. На графике нанесены только первые 14 из 360 функций.
«Постоянные покупатели и пользователи с высокими расходами» - это в основном клиенты из Америки, которые посещают Google Merchandise Store, вводя его URL-адрес в браузере, используя закладку или переходя из поисковой системы Google. В основном они покупают одежду, офисную или питьевую посуду.
«Отток клиентов» представлен группой клиентов, которые покупают меньше одежды и офисных товаров, редко попадают в Google Merchandise Store из поисковой системы Google и редко из Америки. Они просматривают больше страниц за одно посещение, чем остальные клиенты.
«Новые клиенты» просматривают меньше страниц за одно посещение, редко приезжают с американского континента и редко посещают Google Merchandise Store, вводя его URL-адрес в браузере или используя закладки, и редко покупают посуда.
Как мы можем адаптировать маркетинговую стратегию?
Вот как это может выглядеть в случае результатов выше…
"Постоянные покупатели и пользователи с высокими расходами" следует нацеливать с помощью рекламы в поисковой системе Google с возможностью перекрестных продаж среди категорий товаров одежды, офиса и напитков. Следующим шагом будет создание механизма рекомендаций, который позволит реализовать эти возможности перекрестных продаж.
Здесь цель состоит в том, чтобы уменьшить «отток клиентов» за счет разработки эффективной программы стимулирования, которая будет ориентирована на клиентов за пределами Северной и Южной Америки через различные каналы, которые используются поисковой системой Google. Выбор каналов требует более подробного изучения.
Поток просмотра можно более тщательно изучить, чтобы выявить интересы оттока и лучше разработать эффективные стимулы. Эта личность покупателя может быть дополнительно сегментирована, и для каждого подсегмента следует тестировать различные стимулы.
Клиентская база из других стран, похоже, потенциально может привлечь «новых клиентов». Важно выяснить, из каких стран они приехали и по каким каналам они попадали в Google Merchandise Store. Реклама должна быть ориентирована не на категории питьевой посуды.
Насколько точно мы можем предсказать личность покупателя?
Эффективная маркетинговая стратегия - это персонализация брендов и предложений.
Представьте себе бизнес-процесс, который оценивает тип личности покупателя с момента первой покупки и нацеливает его / ее на правильное рекламное сообщение и предложения в нужное время.
Сценарий использования показывает, что без какой-либо модели машинного обучения у нас было бы 33% уверенности в том, что мы правильно классифицируем покупателей по одному из трех типов покупателя.
При тестировании 6 различных моделей модель под названием Gradient Boosting Classifier может классифицировать покупателя по типу покупателя с точностью до 68%.
Представьте, как может увеличиться рентабельность инвестиций в маркетинг, если вы повысите эффективность таргетинга на 35%!
Призыв к действию
Вы когда-нибудь составляли карту пути клиента? Если нет, возможно, сейчас самое время начать. Почему было оправдано, как можно найти здесь.
