Константин Капельников

личная страница для коллег, работодателей, клиентов и делового нетворкинга

аналитика

Глава 7 — Пример парикмахерских (Jim Novo — Drilling Down)

Существует три основных этапа программы успешного клиентского маркетинга с высоким ROI: Измерение, Управление и Максимизация.

Jim Novo - Drilling Down

Рассмотрим каждый из них на примере.

В одном и том же городе работают два парикмахерских салона A и B. Каждым управляет одинаково компетентный хозяин-парикмахер с одинаковым набором услуг и цен. И оба салона используют некое подобие CRM.

Однако есть разница: салон A не использует данные о клиентах для отслеживания и управления процессами в CRM, а салон B использует. Импровизированная CMR салона В состоит из обычного ежедневника и программы MS Excel на компьютере. Салон А задействует только ежедневник и в действительности ничего толком не отслеживает.

Однажды владелец салона А задумывается:

Где Мэри Лу? Она очень ценный клиент, который всегда заказывает полный спектр услуг — волосы, ногти, массаж, вот это всё. Кажется, ее уже долго не было. Как-то она запаздывает уже с записью на прием. Позвоню-ка я ей и узнаю в чем дело.

Владелец парикмахерской A ведет CRM. Он определил высокоприбыльных клиентов и заметил отклонение в поведении одного из них. Он оценил ситуацию и продумал меры по ее исправлению.

Но владелец салона А был очень занят в тот день и забыл позвонить Мэри Лу. Более того, у него нет системы для классификации факта того, что Мэри Лу не было «какое-то время». Да и сколько это вообще? Одна из причин, почему владелец забывает позвонить Мэри Лу заключается в том, что попросту нет какой-либо срочности; она лишь «запаздывает с записью на прием». Но насколько конкретно запаздывает? Когда нужно ей звонить? Если бы было какое-то правило классификации «запоздалости», оно возможно, cподвигло бы его позвонить скорее. Но его нет, поэтому все это кажется лишь пустой тратой времени. Позже владелец думает:

Она наверное все же скоро придет. А я слишком устал, чтобы звонить ей сегодня.

Сидя вместе с владельцем салона А, на ум невольно приходят следующие мысли:

А сколько вообще таких клиентов как Мэри Лу? И на сколько они должны «запаздывать» чтобы парикмахер начал им звонить? Время потраченное на обзвон клиентов или отправку им сообщений — это время не потраченное на собственно стрижку волос. А владелец салона А не может себе этого позволить. Но если бы у владельца были силы и время, чтобы позвонить только трем клиентам типа Мэри Лу, кто бы это мог быть?

Если владельцу придется отказаться от стрижки волос в пользу обзвона, эти звонки должны в итоге дать больший эффект по сравнению со временем, потраченным на стрижку. Экономисты называют это «альтернативными издержками» или «издержками упущенной выгоды». Если перебросить ресурсы от деятельности, приносящей доход на что-то другое, то предприниматель должен быть уверен, что эти ресурсы создадут большую ценность, чем до их распределения. Если они этого не делают, то была создана альтернативная стоимость.

Существуют два основополагающих правила клиентского маркетинга с высоким ROI для того, чтобы избежать этих издержек:

  1. Не тратить, пока не придется, и
  2. Если тратить, то делать это в момент максимальной отдачи

В парикмахерской B владелец размышлял примерно так же, как и хозяин салона A: о высокой ценности, но уже своего запоздалого клиента по имени Анджела. Он убирает помещение перед закрытием и думает:

Сколько у меня клиентов типа Анджелы? Если я буду забывать звонить таким клиентам, я же могу в конечном итоге их потерять. Но они вроде всегда возвращаются. Или нет? Мне нужно Измерять таких клиентов. Я начну отслеживать «запоздалых» клиентов и стараться узнать причины их малой активности. Если это реальная проблема, тогда я и буду об этом беспокоиться. Если это не проблема, я могу полностью забыть об этом и сосредоточиться на стрижке волос.

Итак, владелец салона B садится перед ежедневником, просматривает записи и переписывает все имена vip-клиентов в один столбец экселевской таблички. Он обосновывает свой выбор для отслеживания так:

Если с этими «запоздалыми Анджелами» и правда что-то не так, я же сам пострадаю больше всего в финансовом отношении, потеряв высокоприбыльных клиентов. Если трата времени на все это вместо стрижки волос оправдается, то я буду и дальше уделять отдельно время на маркетинг для дорогих клиентов. Если не оправдается, я со спокойной душой позабуду обо всем этом.

После того, как такие клиенты с вносятся в таблицу (таких набралось около 50% от общего числа), владелец салона B вносит все даты посещения для каждого вип-клиента рядом с его именем. Чтобы не запутать себя и не потонуть в море цифр, он решает вносить только даты за последние полгода. Он также создает столбцы для вычитания дат друг от друга для каждого клиента, чтобы определить среднее количество дней между посещениями. Excel — это, конечно, не Power BI, но вполне способен делать математические операции над датами и конвертировать результат в дни. Поэтому на все про все уходит меньше часа времени.

Сделав все это, владелец салона B ахнул, узнав следующее:

Около 30% маржинальных клиентов не делали запись в течении 6 месяцев. Поскольку 50% всех клиентов являются ценными, это означает, что 30% из 50% = 15% всех клиентов уже лишились статуса лучших. Среднее количество дней между посещениями всех випов примерно одинаковое. Это, однако не 30 дней, как думал владелец, а 40.

Затем он осознает то, что высокодоходный, предположительно лояльный клиент, которого не было в салоне более 6 месяцев — уже потерянный клиент, по крайней мере в ближайшей перспективе. Далее он вычисляет стоимость потерь за 6-месячный период путем умножения числа потерянных клиентов на средний чек в 150$ за одно посещение в течение 40 дней между ними.

Излишне говорить, что полученное число очень большое, и представляет собой многодневный общий объем продаж для салона B:

Всего клиентов = 200
Упущенные лучшие клиенты = 15% от общего количества лучших (30 человек)
Количество посещений за 6 месяцев = (6 x 30 ) / 40 = 4.5
Доход за посещение = 150$
Утраченный доход = (4,5 х 30 х 150) = 20250$

Владелец салона B тогда думает:

Я наверное сошел с ума раз не замечал этого раньше. Я бы мог зарабатывать больше, не состригая волосы пару часов в неделю, если бы вернул в салон хотя бы одного такого клиента. Я должен что-то предпринять до того, как я потеряю еще больше.

Теперь, когда он Измерил этот эффект и знает, сколько денег стоит не звонить запоздалым Анджелам, нужно как-то Управлять этим процессом.

Как я могу придумать некую «систему», которая поможет разобраться, что делать со всеми этими данными? И как перейти от данных к реальным действиям?

В салоне A владелец знает имена лучших клиентов, которых «не было в течение некоторого времени». Но у него нет системы или способа для измерения этих изменений. Сколько точно составляет это «некоторое время»? А в салоне B владелец знает, что среднее время между посещениями вип-клиентов составляет 40 дней, и что у него есть клиенты в этой группе, у которых не было записи более 6 месяцев.

Как владелец может повернуть этот процесс?

Он размышляет:

Я просто отправлю всем этим супер-клиентам открытку со скидкой. В ней будет что-то подобное: «Поскольку вы наш лучший клиент, мы дарим вам дискаунт в 15% при посещении в течение следующих двух недель». Как только они придут, я начну с ними отношения заново и заодно выясню, где их носило.

Владелец салона B готовит открытки, отправляет их по почте и ждет возвращения блудных клиентов.

Но никто не приходит…

Пачка открыток возвращается как «не доставлено». Также владелец получает несколько телефонных звонков от клиентов, со словами: «Я теперь стригусь в салоне А, удалите меня пожалуйста из вашего списка рассылки».

Неунывающий владелец салона B пытается размышлять логически:

Ясно, что с этим подходом что-то не так. Лучшие клиенты, которых не было 6 месяцев, должно быть, уже совсем потеряны. Они явно не хотят возвращаться ко мне и считают, что отношения уже расстроены. Они пошли дальше и установили новые отношения. Я попробую новый подход с открытками и использую то же предложение. Но в этот раз я разошлю открытки тем, кого не было более 40 дней. Поскольку в среднем лучший клиент возвращается через каждые 40 дней, клиент, который так не поступает, не действует как лучший клиент. Таким образом, каждую неделю я буду использовать мою таблицу, чтобы определять лучших клиентов, которые не были в течение 40 дней и отправлять им скидку.

После месяца отправки почтовых открыток лучшим клиентам, у которых не было записи более 40 дней, владелец салона B сел, чтобы проанализировать ситуацию. Из всех клиентов в рассылке, 1/3 сделали запись, а 2/3 — нет. Но даже со скидкой дополнительная прибыль от этих клиентов окупила почтовую рассылку во много раз. Таким образом настроенная программа помогла Управлять оттоком высокоприбыльных клиентов.

Несмотря на этот кажущийся успех, две вещи все же беспокоят владельца салона B. Первая то, что ответили клиенты, делая новую запись. Вторая — 2/3 лучших клиентов, которые не ответили вовсе.

Владелец думает:

Половина клиентов, которые мне ответили, сказали: «Я очень рада скидке, но я так и так планировала прийти на следующей неделе. Но все равно спасибо!». То есть я попросту выкинул часть прибыли на ветер. И почему многие из моих лучших клиентов вообще не отреагировали на мое предложение? Интересно, есть ли способ решить эти два вопроса? Если бы я мог уменьшить количество тех, кто «так и так бы пришел» и добиться большего числа ответов от клиентов в целом, я бы действительно зарабатывал кучу денег с помощью моей новой импровизированной программы удержания клиентов. Я Измерил отток моих лучших клиентов и я начал Управлять им с помощью моей программы. Интересно, есть ли способ её Максимизировать. То есть сделать её еще более прибыльной?

Есть какие-нибудь идеи?

Вы уже знаете, что Удержание Клиентов (Customer Retention) — это процесс: Действие (Action) — Реакция (Reaction) — Обратная связь (Feedback) — Повтор (Repeat). Владелец салона B предпринял Действие и получил Реакцию. Что теперь он должен вынести для себя из Обратной связи?

У него появляется идея:

Что на счет тех, кто сказали что «пришли бы и так». Есть ли у них что-то общее? Если есть некая общая реакция на открытку среди этих клиентов, возможно, есть схожесть в их поведении или ситуации этих клиентов. Если я найду у них общие характеристики, возможно, я могу понять, почему это с ними происходит.

Владелец салона B возвращается к своей CRM (ежедневник и экселевский файлик). Он вводит «дату ответа» в отдельный столбец для каждого клиента, который ответил на открытку. Далее сортирует клиентов и смотрит на тех, которые сказали, «пришли бы все равно». Про каждого такого клиента, владелец ищет более подробную информацию в ежедневнике.

В итоге он восклицает: «Длинные волосы! У них у всех длинные волосы!» Он сразу же осознает проблему со скидкой в почтовой рассылке и начинает размышлять:

Лучшие клиенты с длинными волосами могут приходить гораздо реже, нежели каждые 40 дней, даже если среднее для всех лучших клиентов — это стрижка каждые 40 дней. Таким образом клиенты с длинными волосами получают открытку слишком рано (они на самом деле не «пропащие»), и планируют посещение уже со скидкой, которую мне не следовало бы предлагать. Они должны получить эту открытку, возможно, через 60 дней или даже 90 дней после их последнего прихода. Поскольку у меня много клиентов с длинными волосами, большинство из них получают слишком раннюю открытку для стрижки. Это объясняет общий низкий показатель ответов. Однако лучшие клиенты с короткими волосами, вероятно, получают открытку наоборот слишком поздно. К тому времени, когда я «дотянусь» до них по почте, они, возможно, уже пойдут в другое место для их короткой стрижки.

Владелец салона B решает пересчитать средние количество дней между посещениями отдельно для лучших клиентов с длинными волосами и лучшими клиентами с короткими. Он делит клиентскую базу на две части по длине волос и считает, что среднее время между посещениями клиентов с длинными волосами на самом деле составляет 75 дней, а для коротковолосых клиентов — 20 дней. Пытаясь переосмыслить кампанию по клиентскому удержанию, владелец решает отслеживать каждую группу по отдельности и делать два типа рассылок каждую неделю — одну клиентам с длинными волосами в течение 75 дней с момента последнего посещения, а другую — для клиентов с короткой стрижкой в течение 20 дней с момента последнего прихода.

Используя расширенный функционал своей доморощенной CRM-системы (модуль для работы с электронными таблицами с одним клиентом в строку), владелец создает столбец для приемлемого количества дней с момента последнего посещения — 75 дней для клиентов с длинными волосами и 20 дней для клиентов с короткими. С помощью даты последнего приема владелец создает простое уравнение, которое использует сегодняшнюю дату и дату последнего прихода для расчета кол-ва дней с момента последнего посещения, а также вычитания этого числа из числа в столбце «приемлемый».

Владелец салона размышляет:

Я создал систему «датчиков» для программы по открыточной рассылке для удержания лучших клиентов. Когда число в этом столбце приближается к нулю или становится отрицательным, то пришло время отправить скидку. Поскольку каждый клиент имеет приемлемое количество дней с момента последнего посещения, основанное на длине волос, время рассылки должно более точно отражать, «отвалился» ли клиент или нет.

Хозяин салона тестирует новую кампанию — и она работает. Мало того, что владелец получает гораздо меньше клиентов, говорящих «спасибо за скидку, мы бы и так пришли», скорость ответа среди целевых лучших клиентов увеличилась на 30%. Теперь программа максимизирована для текущего уровня детализации данных — она ​​делает даже больше денег, чем раньше, и сохраняет больше клиентов, уменьшая стоимость скидок. «Крутяк!»: думает хозяин.

Но затем другое озарение приходит к владельцу Салона B:

При использовании этой системы есть еще одно преимущество — я же могу спрогнозировать мою загрузку на месяц вперед на основе данных о клиентах, которые вероятнее всего сделают запись. Если я увижу, что на предстоящей неделе количество посещений планируется низким, я могу точечно стимулировать некоторых клиентов и заполнить пустые свободные часы. В итоге клиент доволен, потому что получает специальную разовую скидку, а мне хорошо, потому что я максимизирую свой среднесуточный доход, заполняя мой рабочий график счастливыми клиентами!

В это время владелец Салона B слышит, как кто-то заходит в дверь. Женский голос вопрошает: «Добрый день, мы можем сделать запись?»

Владелец узнает голос — он принадлежит одному из потерянных vip-клиентов Анджеле, той, с кого невольно начался весь этот проект. Ведь Анджела — причина, по которой владелец Салона B в самом начале стал задаваться вопросом: «Сколько запоздалых лучших клиентов у меня на данный момент?»

Но что она значит «мы»?

Когда хозяин салона B выходит из подсобки и видит улыбающуюся Анджелу, которая говорит: «Это моя подруга Мэри Лу. Она ходила в Салон А, но ей не нравится как ее там стригут. Она хотела бы попробовать у вас. И мне тоже нужна стрижка! Я хотела отращивать, но затем решила, что короткие мне идут лучше».

Владелец Салона B думает: я не могу предсказать все, но моя новая система конечно лучше, чем ничего!

Четыре книжки по аналитике

Когда мне интересная какая-то определенная тема (маркетинг, продажи, верстка) я быстро загораюсь, нахожу максимум полезного материала по теме, изучаю, кое-что внедряю, потом остываю и перехожу на другую тему. И так по кругу.

Так вот в рамках очередного такого марафона я интересовался аналитикой. Пересмотрел все доступные книги из изданных у нас. Их оказалось немного. Затем стал изучать не переведенные. Среди массы материала отобрал и прочел четыре книжки, которые теперь горячо рекомендую коллегам и друзьям.

Эти книги объединяет то, что они написаны очень доступным языком, максимально подробно и просто разжевывая иногда очень сложные вещи. В них много различных кейсов и примеров использования тех или иных аналитических инструментов. Также они все на английском языке, так что sorry, guys!

Но в то же время книжки полностью разноплановые, еще раз тем самым подтверждая, что аналитика сегодня — это такой гремучий кроссдисциплинарный коктейль, где может быть замешано все, начиная от канемановских когнитивных искажений до прогнозных моделей.

И так краткое резюме по каждой из книг:

Himanshu Sharma — Maths and Stats for Web Analytics and Conversion Optimization (2017)

Himanshu Sharma - Maths and Stats for Web Analytics and Conversion Optimization

Эта книжка про веб-аналитику от еще одного прозорливого индуса, который учился у самого Авинаша Кошика. Автор ведет блог Optimize Smart и онлайн-курс по аналитике. В книжке рассказывается о базовых статистических принципах анализа веб-данных, подсчете ROI, работе с коллтрекингом. Но, самая внушительная часть посвящена ниспровержению статуса конверсии. Автор на наглядных примерах показывает, что показатель CR многофакторный и не оказывает прямого положительного влияния на прибыль. Также автор призывает быть не data-driven маркетологом, a data-smart маркетологом. Т.е. идти не индуктивно снизу вверх от метрик до понимания бизнеса, а наоборот погрузиться в бизнес и понять какие метрики нужно измерять прежде всего.

Mike Grigsby — Marketing Analytics: A Practical Guide to Real Marketing Science (2015)

Mike Grigsby - Marketing Analytics: A Practical Guide to Real Marketing Science (2015)

Совершенно милая книженция, которая вышла в серии Marketing Science от издательства Kogan Page. Она посвящена офлайновой маркетинговой аналитике. Автор буквально на пальцах объясняет как использовать различные виды статистического прогнозного анализа от линейных регрессий до анализа выживаемости. В качестве примеров берутся ситуации, где выдуманный менеджер Скотт решает реальные бизнесовые задачи от расчета эластичности спроса на услуги сети медицинских клиник до прогноза времени следующей покупки канцтоваров на базе survival analysis.

Alistair Croll & Benjamin Yoskovitz — Lean Analytics: Use Data to Build a Better Startup Faster (2013)

Alistair Croll & Benjamin Yoskovitz - Lean Analytics: Use Data to Build a Better Startup Faster (2013)

Эта книжка про аналитику стартапов. Она является неофициальным продолжением нашумевшей книги Ерика Риса — Бизнес с нуля. Входит в серию Lean от издательства O’Reilly. Основная идея в том, что есть одна метрика, которую нужно отслеживать на разных этапах развития компании. Также в книге приводятся примеры различных стартаперских бизнес-моделей от мобильного приложения до маркетплейса и наиболее подходящих метрик для их ведения.

Jim Novo — Drilling Down: Turning Customer Data into Profits with a Spreadsheet (2004)

Jim Novo - Drilling Down: Turning Customer Data into Profits with a Spreadsheet (2004)

Самая старая из всех книжек, которая претерпела уже три издания. Я наткнулся на нее совершенно случайно в блоге Павла Левчука. В ней уже немолодой дядька, который еще анализировал продажи каталожной и ТВ рекламы подробно расписывает нюансы RFM анализа. Основная мысль книги в том, что сегментация по соцдему очень мало говорит бизнесу. Нужно смотреть на поведение клиента по времени в разрезе его поведенческих циклов. А для этого отлично подходят метрики Recency (Давность) и Frequency (Частота). Таким образом, чтобы достичь максимального ROI, нужно умно расходовать маркетинговый бюджет только на тех клиентов, кто начинает отваливаться и только тогда, когда еще не поздно их вернуть. Для этого создается хитрая сегментация, в которой в реальном времени срабатывают датчики (trip wires), сигнализирующие об отклонении потребительского поведения. На самом деле книга просто кладезь инсайтов и у меня устала рука делать выписки. Это must-read для тех, кто занимается екоммерцом, либо каким-то повторяющимся сервисом (от банков до парикмахерских).

P.S. Прелесть данных книг еще в том, что в них очень много базовых вещей, что делает их каком-то смысле настольными. Я сам не удалил их из ридера и периодически перечитываю отдельные куски. Надеюсь они еще кому-нибудь приглянутся и можно будет их пообсуждать.

,