12:30, 4 октября 2021, 12:30
Количество просмотров 9677

Как построить процесс запуска кампаний NBO (Next Best Offer)?

Компании могут сталкиваться с вопросами тактического управления базой клиентов. Случайные и точечные коммуникации могут принести эффект в моменте, но иногда вредят длительному и качественному развитию клиентов. Для этого существует множество подходов к подбору следующего оптимального воздействия NBO (Next Best Offer).
Как построить процесс запуска кампаний NBO (Next Best Offer)?

 - рис.1

Компании, которые погружаются в клиентскую аналитику и процессы целевого маркетинга, сталкиваются с вопросами тактического управления базой клиентов. Случайные и точечные коммуникации могут принести эффект в моменте, но иногда вредят длительному и качественному развитию клиентов. Для этого существует множество подходов к подбору следующего оптимального воздействия NBO (Next Best Offer). В статье команда GlowByte разобрала, как определить следующий шаг воздействия на клиента, который направит его к качественному росту.

Структура задачи

Место NBO в разрезе стратегических сегментов

Мы должны понимать, что цели коммуникаций разнятся в зависимости от стратегического сегмента клиента. Например:

● Новички:

○ конверсия в активных клиентов;

○ погружение в правила программы лояльности;

○ получение разрешений на коммуникацию в дешевых каналах.

● Отток:

○ возврат клиента в сеть.

● Активные клиенты:

○ планомерное повышение уровня трат;

○ поддержка уровня трат (предотвращение оттока);

○ качественное развитие (ходить чаще, покупать больше, шире корзина).

Чтобы мы достигли цели, нам следует решить ряд задач:

● Новички - цепочка онбординга;

● Отток - логика определения клиентов в оттоке, логика подбора предложения и размера вознаграждения для возврата;

● Активные клиенты - именно для сегмента Активных клиентов предлагается использовать подход, описанный в данной статье. Являясь по сути оркестратором кампаний, NBO призван формализовать и систематизировать процесс подбора предложения для клиентов.

Структура процесса NBO

В структуру заложено три глобальных блока:

  1. Модель клиента - агрегация всех знаний о клиенте;
  2. Целеполагание - определение цели воздействия, механики воздействия, подбор параметров персонального предложения;
  3. Запуск кампании - технический запуск кампаний, проведение, сбор результатов и оценка.

 - рис.2

Модель клиента

Модель клиента следует строить на всех имеющихся у компании данных о клиенте, собранный в виде понятных, интерпретируемых сегментаций.

В первую очередь нам понадобится количественная сегментация RFMCD (Recency, Frequency, Monetary, Consistency, Diversity). Каждая компания так или иначе использует подобную сегментацию, в статье мы будем опираться на одну из вариаций, которая подробнее описана чуть ниже в примечании.

Для повышения персонализации наших предложений, а именно точного подбора персональных параметров кампаний (размера вознаграждения, рекомендуемой категории, порога списания бонусов и т.д.) может быть использовано множество:

● Сегментация по типовой корзине (т.н. Сегментация Needs);

● Сегментация по ценовым предпочтениям;

● Сегментация по чувствительности к вознаграждению;

● Сегментация по лояльности к сети.

Примечание

Способ построения сегментации RFMCD (один из многих)

  1. Выбор глубины среза сегментации. Данный параметр зависит от средней частоты покупки клиента. Лучше всего стремиться к тому, чтобы срез вмещал в себя 3-5 покупок в среднем по клиентам.
  2. Под каждой буквой в названии сегментации лежит конкретный показатель, который необходимо рассчитать для каждого клиента:
    1. Recency - кол-во дней с даты последней покупки
    2. Frequency - кол-во чеков/заказов
    3. Monetary - сумма трат
    4. Consistency (регулярность) - среднее кол-во дней между покупками
    5. Diversity (ширина корзины) - кол-во приобретенных категорий товара
    6. В сегментацию можно и нужно добавлять больше атрибутов клиента, например, срок жизни в программе лояльности, активность использования бонусов, средний чек и т.д.
  3. Каждый показатель сортируется от лучшего к худшему (от большего к меньшему). Например, для показателя Recency - чем меньше дней с последней покупки, тем лучше, а для показателя Diversity - чем больше категорий, тем лучше клиент.
  4. Все клиенты делятся на несколько равных частей, так называемых бинов. Предположим, что у нас 10 бинов. Таким образом, мы точно знаем, что каждый бин содержит 10% клиентов и что в 10-м бине самые лучшие по показателю клиенты, а в первом бине - самые худшие.

 - рис.3

Преимущества данной сегментации - простота построения и интерпретации. Так как каждый клиент оценивается относительно остальных, данная сегментация не подвержена сезонности (т.е. сезонный спад и рост трат каждого клиента не будет помещать его в более высокий/низкий бин, т.к. сезонности подвержены практически все клиенты).

Целеполагание

Фундамент подхода - осознанное развитие клиента, и от того, какую логику в определение тактических целей для клиента мы заложим, зависит результирующее воздействие.

Как формируются цели

Основная задача - систематизировать и разместить набор факторов, которые влияют на клиента с течением времени,  в необходимой последовательности. Приведу примеры таких факторов:

Фактор № 1: Как изменился показатель клиента?

 - рис.4


В данной логике мы проверяем, что произошло с конкретным показателем клиента по сравнению с предыдущим периодом. Показатели, которые предлагается проверять, - только те, на которые мы можем воздействовать коммуникациями напрямую.

 - рис.5

Фактор № 2: Как сильно изменился показатель клиента?

Данный фактор нам необходим для того, чтобы выбрать степень воздействия на клиента. При резком снижении трат клиенту может потребоваться более привлекательное вознаграждение, чем клиенту в фазе естественного роста или стагнации.

Фактор № 3: За счет чего клиент снизил свои траты?

Так как траты клиента - это производное от частоты и суммы чека, то необходимо выявлять реальную причину его снижения среди этих показателей.

Возможны случаи:

● Снижение частоты при неизменном среднем чеке

● Снижение среднего чека при неизменной частоте

● Равномерное снижение и частоты, и среднего чека

Примечание

В процессе развития данной задачи можно дополнять логику новыми факторами, например:

При увеличении или уменьшении трат можем учитывать, сколько периодов подряд это происходит для того, чтобы выявлять клиентов в фазе естественного роста или оттока

Можем учитывать, как клиент ведет себя с коммуникацией/без коммуникации - для того чтобы выявлять клиентов, которые не совершают покупок без коммуникации со стороны компании.

Построение дерева целей - объединение факторов

Начиная с основы, нам необходимо вырастить дерево, разветвляя его по вариантам факторов, описанных выше. В основе дерева целей заложим самый приоритетный показатель траты, т.к. именно увеличение трат клиента является одной из основных целей.

 - рис.6

Далее, необходимо проработать все прочие факторы, которые мы хотим включить в дерево, опускаясь по приоритету показателей вплоть до понятной и четкой цели. Сразу спешу дать небольшой совет - если вы видите простой и понятный сценарий воздействия на клиента, не старайтесь его искусственно усложнять, закладывая в него все возможные факторы и вариации, ведь тогда будет теряться легкая интерпретируемость, и сильно возрастет сложность его поддержания сопровождения логики.

 - рис.7

По результату прохождения по логике дерева мы получим набор простых правил:

ЕСЛИ Траты клиента упали,

           И ЕСЛИ Падение трат было умеренным

                         И ЕСЛИ Падение трат произошло из-за падения частоты,

                                      ТО Цель - умеренное поддержание частоты

Примечание

Дерево целей - это прежде всего формализация нашей логики, поэтому нет необходимости стараться учитывать абсолютно все возможные комбинации факторов. После обсчета первого варианта следует оценить, как клиенты распределены по итоговым целям. В случае если вы получите множество целей с крайне низкой долей клиентов, следует либо переработать логику, либо постараться объединить таких клиентов с другой смежной целью.

В дереве важно заложить больше возможностей на определение цели даже для клиентов, которые находятся в фазе естественного роста. Именно таких клиентов можно взращивать качественно: поддерживающие рекомендации на Upsell категорий, рекомендовать к покупке новые категории/бренды/товары, давать иное поощрение.

Для клиентов с уже очень высокими показателями по среднему чеку и частоте мы все равно можем дать предложение на поддержание. Например, для непрямого поддержания частоты можем использовать категорийную рекомендацию на товары/категории с низким сроком годности.

Переход от целей к механикам

Давайте рассмотрим несколько степеней свободы, которыми мы можем управлять:

  • На какой показатель воздействуем коммуникацией
  • Степень воздействия - (величина вознаграждения или степень давления на маржу чека)

Механики сильно отличаются по тому, на какой показатель в первую очередь воздействуют. Наиболее популярные комбинации на рынке:

● Типы механики:

○ Категорийные рекомендации

■ Upsell (предлагаем купить чуть больше того, что клиент уже покупает)

■ Новые категории (рекомендуем попробовать новые категории)

○ Пороговые механики - вознаграждение при покупке на определенную сумму

○ Безусловные - вознаграждение в случае совершения любой покупки

● Типы вознаграждений

○ Экспресс-бонусы - предначисленные бонусы с коротким сроком действия

○ Фиксированное количество бонусов

○ Мультипликатор бонусов (в 2, 3, 5 раз больше бонусов за целевое действие)

○ Прямая скидка

Существуют еще различные комбинации, например, пороговая механика при покупке в определенной категории (купи в категории "Молоко" на 150 рублей… и т. д.).

Подобная комбинация типа механики и типа вознаграждения дает нам уникальное воздействие на клиента, к которому мы должны прийти исходя из целей на клиента.

Зачастую степень воздействия может регулироваться размером вознаграждения, однако в некоторых случаях высокие траты напрямую сопряжены именно с применением конкретных механик, которые по своей сути считаются дорогими. Среди таких механик - начисления вознаграждения за совершение любой покупки без условия, а также предначисленные экспресс-бонусы.

Все текущие доступные нам механики необходимо разместить на матрице Показатель х Степень воздействия исходя из данных по истории коммуникации. Не обладая полной богатой историей отправки механик на все сегменты клиентов, нельзя достоверно утверждать, какая механика в большей степени воздействует на тот или иной показатель клиента, а также насколько в среднем она затратна для компании.

Примечание

В первую итерацию допускается проставить экспертное соответствие, однако с наполнением истории коммуникаций с клиентами, необходимо своевременно ее обновлять.

 - рис.8

Наиболее удобный способ проставления цели в дереве - комбинация показателя воздействия механики и степень воздействия механики.

Примеры целей:

● Мягкая поддержка частоты

● Умеренное восстановление средней суммы чека

● Реактивация - для клиентов, которые кардинально снизили траты

● Иное поощрение можно заложить в логику для растущих клиентов, для поддержания контакта

Примечание

Многие механики, на первый взгляд, имеют достаточно очевидную цель воздействия. Несмотря на это, в наших силах искусственно изменить ее для увеличения разнообразия и оказания воздействия на требуемую нам метрику. Как пример, мы можем использовать категорийные/товарные рекомендации, чтобы косвенно повысить доп. маржу, частоту клиента, если дадим рекомендации на высокомаржинальные товары или товары с низким сроком годности.

Результирующая таблица на данном этапе:

 - рис.9

Примечание

В процессе детальной проработки дерева целей и соответствия механик, вы, скорее всего, столкнетесь с множеством случаев, когда логику дерева необходимо будет править с оглядкой на реальный опыт запуска кампаний. Чаще всего такие кейсы возникают, когда полученная цель чем-то противоречит политике контактов или даже базовой логике. Например, вы точно не захотите определять для клиентов с очень высоким средним чеком пороговую механику, даже несмотря на то, что дерево выдало такую цель (ведь само сообщение с очень высоким условием может восприниматься крайне негативно).


 Запуск кампаний

Данный блок считается наиболее трудоемким с точки зрения подготовки. После определения итоговой комбинации типа механики и типа вознаграждения, предстоит рассчитать все параметры для каждого клиента.

Пример списка параметров и подход к расчету значений:

Параметр

Подход к ручном расчету

Дата старта и дата окончания действия кампании

● Используются показатели Recency и Consistency из сегментации RFMCD

● Дата старта кампании подбирается спустя некоторое время после даты последней покупки (опираясь на среднюю частоту клиента)

● Показатель Consistency показывает, через сколько дней в среднем клиент совершает покупку. Дата окончания кампании должна быть за несколько дней до предполагаемой даты покупки. Таким образом мы не только нарастим нужный нам показатель, но и косвенно повысим частоту клиента.

Размер порога

● Заложить разумный процент аплифта по среднему чеку для разных категорий чеков (например, для мелких чеков можно заложить и 100%, для крупных чеков - 10-20% и т.д.)

● Округлить размер порога до маркетингового значения (кратное 50, 100, 1000)

Срок сгорания бонусов

● Предначисленные бонусы должны сгорать до наступления даты предполагаемой естественной покупки клиента, для того чтобы нарастить частоту

Размер бонусов

● В соответствии с юнит-экономикой (см. пример ниже)

В дополнение к таблице выше обязательно необходимо проверять размер вознаграждения на юнит-экономику.

Пример подобного расчета для пороговой механики:

1

Средний чек клиента

5000 рублей

2

Средняя маржинальность сегмента клиента

30%

3

Предполагаемый порог чека в компании

6000 рублей

4

Предполагаемое вознаграждение

1000 бонусов

5

Redemption Rate (доля бонусов, которую в среднем спишет клиент до сгорания)

50%

6

Предполагаемая доп. выручка

6000 - 5000 = 1000 рублей

7

Предполагаемая доп. Маржа (30%)

1000 * 30% = 300 рублей

8

Затраты на бонусы с учетом RR

1000 * 50% = 500 рублей

9

Итоговый фин. результат

300 - 500 = - 200 рублей

Вывод: комбинация порога 6000 рублей и 1000 бонусов принесет убыток 200 рублей.

Примечание

Принято считать, что чем "персональнее" предложение, тем лучше для клиента. Но в современных реалиях не все компании обладают процессингом, который способен запустить большое количество механик с множеством отличающихся параметров в автоматическом режиме.

Пример:

Допустим, мы хотим запустить пороговую механику на множество клиентов. Результат работы алгоритма подбора персонального порога выдаст множество значений порога, и для каждого порога может выдать несколько значений по вознаграждениям.

ID Клиента

Размер порога по чеку

Размер вознаграждения

Клиент 1

1000 руб.

100 бонусов

Клиент 2

1000 руб.

150 бонусов

Клиент 3

1500 руб.

150 бонусов

Клиент 4

2000 руб.

200 бонусов

В таблице с примером приведен один тип механики (пороговая), но 4 уникальные комбинации порога и бонуса. В случае если нет технической возможности запустить быстро все эти уникальные механики, придется прибегнуть к искусственному ограничению разнообразия параметров.

 Оценка эффекта

Так как данный подход ставит целями как рост трат, так и качественный рост клиентов, и запуск кампаний, и оценка эффективности подхода должны осуществляться на нескольких уровнях и по нескольким показателям:

● Доп. выручка (насколько траты в целевой группе превышают траты в контрольной)

● Рост частоты/среднего чека/ширины корзины по сегментам клиентов, которые объединены подобными целями.

Цель

Доп. выручка

Рост среднего чека

Рост частоты

Ширина корзины

Цель на рост ср. чека

X

X



Цель на рост частоты

X


X


Цель на расширение корзины

X



X

Оценка эффективности конкретных механик так же должна проводиться для того, чтобы понимать насколько она соответствует установленной Цели, и чтобы понимать экономическую целесообразность ее применения..

Важно! Воздействуя на один конкретный показатель клиента, мы зачастую придем к проседанию другого (наиболее популярный пример - частота и ср. чек). Наполнение истории по результатам итераций подобных запусков NBO позволят со временем лучше понимать, какие механики дают более сбалансированный эффект.

.

Пути развития

В процессе применения данного подхода необходимо постоянно автоматизировать и улучшать отдельные блоки. На рынке существует и применяется множество видов предиктивных и классификационных моделей, которые помогут существенно снизить трудозатраты на подготовку запусков. Среди них отмечу:

● Модель подбора оптимального условия и размера вознаграждения

● Рекомендательные модели (множество видов)

● Uplift модели - для выделения клиентов с низкой вероятностью покупки без коммуникации и с высокой вероятностью покупки с коммуникацией

● Модель выбора оптимального канала коммуникации

После подтверждения эффективности подхода можно задуматься над еще более высоким уровнем автоматизации - Обучением с подкреплением.

Со временем процесс подбора оптимального воздействия начнет превращаться в работу каскада моделей, однако самое ценное - бизнес-логика, которую вы заложите, - останется неизменной и будет работать на ваш KPI.

Заключение

Как вы уже поняли, подход предлагает базовую бизнес-логику, которую можно достаточно быстро внедрить в процесс запуска кампаний. Успех работы в целевом маркетинге - это постоянные новые гипотезы, пилоты, тесты, стремление к непрерывному повышению эффективности, именно поэтому ключевой плюс такого подхода NBO - возможность очень оперативно корректировать отдельные элементы не перерабатывая все с нуля. Ведь всегда можно достаточно быстро продумать новую логику определения целей для клиента, можно изменить набор используемых механик, подумать над более точными алгоритмами подбора индивидуальных параметров, но сама цель подхода остается неизменной - планомерное качественное улучшение клиента.

Рубрика:
{}Маркетинг

ТАКЖЕ ПО ТЕМЕ