CLV: как вернуть клиента с минимумом данных

Сегодня digital-компании вынуждены мириться с условиями постоянно растущей конкуренции. Единственный способ уверенно развивать своё дело — подключить data-driven маркетинг в работу команды.

То, что на словах кажется довольно простым — анализировать большие данные, чтобы лучше понимать клиента — на деле становится камнем преткновения для многих компаний. Либо они не знают, как правильно трактовать полученные результаты, либо не понимают, какие метрики важны для конкретной ситуации.

Наша команда уже несколько лет успешно использует data-driven подходы и научилась правильно подбирать инструменты для работы с клиентами. Сегодня мы поговорим о CLV — показателе, который помогает управлять поведением клиента, выявлять наиболее ценные группы потребителей и корректировать бизнес-процессы.

Как мы работаем с CLV

CLV (client lifetime value — пожизненная стоимость покупателя) — одна из основных метрик в маркетинге и ecommerce. Он показывает вашу общую прибыль между первой и последней покупкой клиента.

Чтобы работать с CLV, помимо big data, пригодятся две формулы — простая и прогностическая.

Простая формула расчёта CLV

Для этого необходимо перемножить два показателя:

• Lifetime — метрика, которая показывает, в течение какого времени человек остаётся активным пользователем продукта (цикл от его первой до последней покупки).

• ARPU (average revenue per user) — средняя прибыль от одного клиента за период. Для его расчёта нужно разделить регулярный доход магазина за определённый период на количество клиентов за тот же период.

Это базовая формула, она показывает усреднённый портрет покупателя и не даёт полного представления о ваших потребителях. Чтобы выявить неактивных или спящих клиентов, лучше воспользоваться более сложной формулой.

Прогностическая формула расчёта CLV

Для неё нам понадобятся следующие показатели:

• AOV (average order value) — средняя стоимость заказа или средний чек.

• RPR (repeat purchase rates) — частота повторных покупок.

• Lifetime — продолжительность вашей дружбы с клиентом.

Их мы тоже перемножим между собой.

Как это работает на практике

А теперь на примере рассмотрим, как это работает. Владелец компании по доставке продуктов пришёл к нам с запросом: провести глубинный анализ его целевой аудитории. У него было примерное понимание портрета своего потребителя и его привычек, но не более. Например, исходя из данных о периодичности совершаемых покупок, он не мог понять, почему группа А приносит больше прибыли, нежели группа В. Но ему хотелось выяснить, как в принципе «перформят» их текущие клиенты.

Сперва мы запросили выгрузку из CRM за полгода. Мы получили ID покупателей, коды транзакций, количество товаров в той или иной транзакции, стоимость заказов, даты и локации. Затем посмотрели покупательские корзины и определили три категории клиентов исходя из того, на какую сумму они чаще всего делают заказы.

Получилось, что 37% делают покупки стоимостью от 3000 до 5000 рублей, 29% — на сумму от 2000 до 3000 рублей, и ещё 16% оставляют в магазине каждый раз от 5000 до 7000 рублей. Теперь нашему клиенту было проще определиться, с какой группой работать в первую очередь и чьи покупки нужно «растить».

Здесь мы и применили расчёты CLV.

Простая формула позволила нам посмотреть на усреднённый портрет покупателя: мы выяснили, что за полгода человек в среднем совершал 16 заказов (от двух до трёх заказов в месяц) и почти 99% покупателей возвращались вновь. Но эта формула ничего не говорит нам о промежуточном состоянии покупателя — о том, как он вёл себя внутри этого цикла покупок.

Предиктивная формула помогла выявить спящих и неактивных покупателей. Наш клиент получил полезный инсайт: у него есть группа потребителей с большим покупательским потенциалом, которую осталось разбудить. Теперь именно для этих клиентов можно разработать программу специальных предложений или дополнительных скидок.

CLV помогает возвращать клиентов и экономить ресурсы

Анализ больших данных позволил нам не только лучше изучить портрет покупателя, но и выявить наиболее перспективных клиентов и сэкономить ресурсы на привлечении лидов. Проанализировав периодичность, с которой покупатели совершают операции, мы сделали вывод, что часть целевой аудитории вернётся самостоятельно в ближайшие 30 дней. Их можно на время оставить в покое и перебросить ресурсы на тех, кто по прогнозам будет менее активным.

Например, настроить алгоритмы апсейла для каждой категории покупателей, как мы и сделали в случае с нашим заказчиком. Его сайт не был адаптирован под запросы отдельных групп клиентов. Однако после проведённых исследований в зависимости от того, в какую категорию попал покупатель и на какой стадии цикла он находился, алгоритм стал предлагать ему релевантные категории товаров.

К примеру, корзина клиентов, у которых есть маленькие дети, чаще состояла из детских товаров, поэтому алгоритм стал предлагать им более выгодные предложения в этой категории продуктов или комплиментарные товары. Есть группа клиентов, которая совершает покупки исключительно со скидкой, поэтому для них чаще подбирались специальные предложения, акции и распродажи.

У вашего бизнеса могут быть свои портреты аудитории, отличные от приведённых в примере, но предиктивные модели будут одинаково полезны для выстраивания долгосрочных отношений с клиентами.

Что делать, если CLV не помогает

Хотя исследования, построенные на CLV, дают ценную информацию о клиентах, они не лишены своих минусов.

Нет чётких критериев, какие временные рамки стоит брать, чтобы лучше рассчитать CLV. Один бизнес может существовать уже четыре года, когда другой — только три месяца. Показатели CLV в каждом случае нужно рассматривать индивидуально, ориентируясь на конкретную историю.

Если мы будем использовать CLV как основную метрику, то состаримся в ожидании, когда этот показатель себя проявит и даст нам возможность проводить глубинные исследования аудитории. Бизнес не может ждать четыре года, особенно в ecommerce-секторе, где денежный поток играет особую роль.

Для бизнес-моделей, в рамках которых покупки совершаются часто и в больших объёмах, полезнее рассматривать новую метрику — денежный мультипликатор (CM, cash multiplier). Это своего рода окно окупаемости: величина выручки с определённых клиентских сегментов за ограниченный период с поправкой на источники входа. Его ввели в обиход на западе не так давно, но его использование заметно облегчит вам дальнейшую коммуникацию с потребителем.

Формула расчёта:

Чаще всего для расчёта используют 60-дневное окно, так как бизнес, у которого налажены отношения с клиентом, получает прирост CLV на 30% в течение 60 дней. Но вы можете выбрать подходящий для вас период: 30, 60, 90 дней — зависит от ассортимента и того, сколько времени нужно покупателям для принятия решения. В отличие от CLV, денежный мультипликатор не требует больших объёмов данных — работать с базой вы сможете начать уже через пару месяцев.

Опираясь на показатели CM, вы можете корректировать свои маркетинговые коммуникации (email-рассылки, специальные предложения, рекламные кампании) под нужды потребителя в конкретном промежутке времени, не дожидаясь завершения полного цикла потребления.

Для большинства ecommerce-компаний эта метрика более универсальная, потому что помогает им принимать ситуативные решения и оставаться гибкими. Тем не менее, чтобы грамотно внедрить CM, бизнес должен обладать цифровой зрелостью и налаженными внутренними процессами работы с данными. Правильное применение данных и цифровых технологий помогает принимать быстрые и верные бизнес-решения, а также повышать релевантность и эффективность маркетинговых активностей.

Источник: спецпроект на Cossa

Источник фото на тизере: Jehyun Sung on Unsplash