Покупатели когда-то полагались на знакомых продавцов, таких как владелец их местного универсального магазина, чтобы помочь им найти именно то, что они хотели. Опираясь на то, что он знал или мог быстро сделать вывод о покупателе, он находил идеальный продукт и часто предлагал дополнительные элементы, о которых покупатель даже не думал. Это причудливый сценарий. Сегодняшние отвлеченные потребители, засыпанные информацией и вариантами, часто пытаются найти продукты или услуги, которые лучше всего удовлетворят их потребности. Малочисленный и часто плохо информированный персонал во многих торговых точках не может воспроизвести индивидуальный подход, от которого когда-то зависели покупатели, и потребители по-прежнему в значительной степени предоставлены сами себе, когда совершают покупки в Интернете..
Это печальное положение вещей меняется. Достижения в области информационных технологий, сбора данных и аналитики позволяют предлагать что-то похожее или, возможно, даже лучше, чем совет владельца. Используя все более детализированные данные, от подробных демографических и психографических данных до количества кликов потребителей в Интернете, компании начинают создавать индивидуальные предложения, которые направляют потребителей к «нужным» товарам или услугам - в нужный момент, по правильной цене и в нужное время. правый канал. Их называют «следующими лучшими предложениями». Рассмотрим успех Microsoft с предложениями по электронной почте для своей поисковой системы Bing. Эти электронные письма адаптированы для получателя в момент их открытия. За 200 миллисекунд - задержка, незаметная для получателя, - передовое аналитическое программное обеспечение формирует предложение на основе информации о нем или ней в режиме реального времени: данные, включая местоположение, возраст, пол и онлайн-активность, как исторические, так и непосредственно предшествующие, а также самые последние ответы других клиентов. Эти объявления повысили коэффициент конверсии на целых 70 % - значительно больше, чем аналогичные, но нестандартные маркетинговые усилия.
Технологии и стратегии для создания следующих лучших предложений развиваются, но компании, которые ждут, чтобы использовать их, увидят, как их клиенты переходят к конкурентам, которые берут на себя инициативу. Microsoft - только один пример; другие компании также раскрывают бизнес-потенциал хорошо продуманных НБО. Но в нашем исследовании стратегий NBO в десятках розничных, программных, финансовых компаний и других компаний, которое включало интервью с руководителями 15 фирм в авангарде, мы обнаружили, что, если NBO вообще осуществляются, они часто выполняются плохо. Например, большинство из них представляют собой неизбирательные или плохо нацеленные предложения для клиентов, которые уже купили предложение. Один розничный банк обнаружил, что его NBO скорее вызывают неприязнь, чем увеличивают продажи.
Компании могут преследовать множество хороших целей, используя клиентскую аналитику, но программы NBO обеспечивают, пожалуй, наибольшую ценность как с точки зрения потенциальной рентабельности инвестиций, так и с точки зрения повышения конкурентоспособности. В этой статье мы предоставляем основу для создания NBO. Возможно, вы не сможете выполнить все шаги сразу, но в какой-то момент потребуется прогресс в каждом из них, чтобы улучшить ваши предложения.
Определить цели
Многие организации терпят неудачу в своих усилиях по NBO не потому, что им не хватает аналитических возможностей, а потому, что у них нет четких целей. Итак, первый вопрос: чего вы хотите достичь? Увеличение доходов? Повышение лояльности клиентов? Большая доля кошелька? Новые клиенты?
Британский ритейлер Tesco сосредоточил свою стратегию NBO на увеличении продаж постоянным покупателям и повышении лояльности с помощью целевых купонных предложений, предоставляемых в рамках программы Clubcard. Как описали Роланд Раст и его коллеги («Переосмысление маркетинга», HBR, январь-февраль 2010 г.), Tesco использует клубную карту, чтобы отслеживать, какие магазины посещают покупатели, что они покупают и как расплачиваются. Это позволило ритейлеру адаптировать товары к местным вкусам и настраивать предложения на индивидуальном уровне для различных форматов магазинов, от гипермартов до магазинов у дома. Например, покупателям Clubcard, которые впервые покупают подгузники в магазине Tesco, по почте высылаются купоны не только на детские влажные салфетки и игрушки, но и на пиво. (Анализ данных показал, что новоиспеченные отцы, как правило, покупают больше пива, потому что проводят меньше времени в пабе.) Совсем недавно Tesco экспериментировала с «быстрыми распродажами», которые в три раза превышали стоимость выкупа некоторых купонов Clubcard - по сути, делая свое лучшее предложение еще лучше для избранных клиентов. Механизм обратного отсчета показывает, как быстро заканчивается время или продукты, создавая напряжение и стимулируя реакцию. Некоторые из этих предложений были распроданы за 90 минут.
Стратегия NBO Tesco направлена на расширение ассортимента покупок клиентов, но она также нацелена на постоянных клиентов, заключающих сделки на продукты, которые они обычно покупают. В результате своих тщательно продуманных и творчески оформленных предложений Tesco и ее штатный консультант dunnhumby добиваются коэффициента погашения от 8% до 14%, что намного выше, чем 1% или 2%, наблюдаемые в других продуктовых магазинах. У Microsoft был совершенно другой набор целей для Bing NBO: заставить новых клиентов попробовать сервис, загрузить его на свои смартфоны, установить панель поиска Bing в своих браузерах и сделать ее поисковой системой по умолчанию.
Начните с четкой цели. Так что будьте гибкими в изменении его по мере необходимости. Компания Redbox, занимающаяся недорогим прокатом DVD, первоначально размещала предложения по электронной почте и на сайте купонов в Интернете, предназначенные для ознакомления потребителей со своими киосками. Киоски Redbox были новой концепцией розничной торговли, но со временем люди привыкли к автоматизированному прокату фильмов. По мере роста бизнеса руководители компании поняли, что для увеличения прибыли при сохранении низкозатратной модели им необходимо убедить клиентов брать напрокат более одного DVD за одно посещение. Таким образом, они сместили акцент своей стратегии NBO с привлечения новых клиентов на предоставление скидок на несколько арендных плат.
Собрать данные
Чтобы создать эффективную NBO, вы должны собрать и интегрировать подробные данные о ваших клиентах, ваших предложениях и обстоятельствах, при которых совершаются покупки.
Знайте своих клиентов
Информация, ценная для адаптации НКО, может быть относительно простой и легкодоступной или полученной: возраст, пол, количество детей, адрес проживания, доход или активы, а также психографические данные об образе жизни и поведении. Предыдущие покупки часто являются лучшим ориентиром для того, что клиент купит в следующий раз, но эту информацию может быть сложнее получить, особенно из офлайн-каналов. Программы лояльности, такие как у Tesco, могут быть мощным инструментом для отслеживания покупательских моделей потребителей.
Несмотря на то, что компании работают (и иногда борются) за получение этих знакомых типов данных о клиентах, растущая доступность информации о социальных сетях, мобильных устройствах и местоположении (SoMoLo) создает новые большие наборы данных для добычи. Компании начинают создавать предложения, основываясь на том, где клиент находится в данный момент, что его сообщения в социальных сетях говорят о его интересах и даже что его друзья покупают или обсуждают в Интернете.
Одним из примеров является Foursquare, который делает индивидуальные предложения в зависимости от того, сколько раз потребители «зарегистрировались» в определенном розничном магазине. Другой пример - Walmart, который приобрел стартап Kosmix, занимающийся технологиями социальных сетей, чтобы присоединиться к своему недавно созданному подразделению по цифровой стратегии @WalmartLabs, чтобы извлечь выгоду из потребительских данных SoMoLo для своих предложений. Среди проектов подразделения - поиск способов прогнозирования покупок покупателей на Walmart.com на основе их интересов в социальных сетях. Walmart также изучает технологии определения местоположения, которые помогут покупателям находить товары в его огромных магазинах. Ритейлер одежды H&M заключил партнерское соглашение с онлайн-игрой MyTown, чтобы собирать и использовать информацию о местонахождении покупателей. Если потенциальные клиенты играют в игру на мобильном устройстве рядом с магазином H&M и регистрируются, H&M вознаграждает их виртуальной одеждой и баллами; если они сканируют продвигаемые товары в магазине, он участвует в розыгрыше. Предварительные результаты показывают, что из 700 000 покупателей, зарегистрировавшихся онлайн, 300 000 зашли в магазин и отсканировали товар.
Многие розничные продавцы сосредоточены на том, как использовать информацию о местоположении покупателей в режиме реального времени; где были клиенты, также может многое рассказать о них. Только в Соединенных Штатах мобильные устройства ежедневно отправляют поставщикам телекоммуникационных услуг около 600 миллиардов данных с геопространственной маркировкой. Приложение, разработанное аналитической компанией Sense Networks, может сравнивать движения потребителя с миллиардами точек данных о движениях и атрибутах других людей. Используя эту историю местоположений, он может, среди прочего, оценить возраст потребителя, стиль путешествия, уровень благосостояния и следующее вероятное местонахождение. Последствия создания узкоспециализированных NBO очевидны.
Знайте свои предложения
Если у компании нет подробной информации о собственных продуктах или услугах, у нее возникнут проблемы с определением того, какие предложения могут больше всего понравиться покупателю. Для некоторых продуктов, таких как фильмы, сторонние базы данных предоставляют атрибуты продуктов, и компании, которые арендуют или продают фильмы, могут предположить, что если вам понравился один фильм с определенным актером или типом сюжета, вам, вероятно, понравится и другой. Но в других отраслях розничной торговли, таких как производство одежды и бакалейных товаров, определение атрибутов продукта является гораздо более сложной задачей. Например, производители не всегда классифицируют свитер как «модный» или «традиционный». У них даже нет четких и стандартизированных цветовых категорий. Таким образом, розничные продавцы должны тратить много времени и усилий на то, чтобы самостоятельно фиксировать атрибуты продукта. В Zappos есть три отдела, которые работают над оптимизацией поиска клиентов и созданием наиболее эффективных предложений для своей обуви. Даже если атрибуты сведены к типу продукта, стилю, цвету, бренду и цене, обувь может иметь любой из более чем 40 узоров материала - жемчужный, лоскутный, галька, полоска, пейсли, горошек или клетка, чтобы назвать только те, которые начинаются с «п». Без системы для такой подробной классификации атрибутов продуктов Zappos не узнал бы, что клиент часто покупал пейсли в прошлом, поэтому он не знал бы, что он должен включать продукты пейсли в NBO для этого клиента.
Точно так же, без хороших систем классификации бакалейные лавки не могут легко определить, какие продукты привлекут предприимчивых, заботящихся о своем здоровье или скупых покупателей. Когда Tesco хочет определить продукты, которые понравятся любителям приключений, она начнет с чего-то, что, по общему мнению, является смелым выбором в данной стране - например, тайской зеленой пасты карри в Великобритании, - а затем проанализирует другие покупки, которые покупатели смелый выбор сделать. Если клиенты, которые покупают пасту карри, также часто покупают песто из кальмаров или рукколы, эти продукты имеют высокий коэффициент связи.
Знайте контекст покупки
Наконец, НКО должны учитывать такие факторы, как канал, по которому клиент связывается с компанией (лично, по телефону, по электронной почте, в Интернете)., причина контакта и его обстоятельства, а также громкость и высота голоса, указывающие на то, спокоен ли клиент или расстроен. (Программное обеспечение для обнаружения эмоций оказывается ценным для последнего фактора.) Bank of America узнал, что предложения по ипотеке, представленные через банкомат в момент контакта с клиентом, не работают, потому что у клиентов нет ни времени, ни желания взаимодействовать с ними., в то время как они могут быть восприимчивы к одним и тем же предложениям во время посещения. Точно так же тот, кто звонит в службу поддержки клиентов с жалобой, вряд ли ответит на предложение продукта, хотя он или она может приветствовать его по электронной почте в другое время.
Погода, время суток или день недели, а также наличие сопровождения клиента могут повлиять на оформление предложения.
Другие контекстуальные факторы, которые могут повлиять на дизайн NBO и реакцию потребителя на него, включают погоду, время суток или день недели, а также то, находится ли клиент один или в сопровождении. Хотя данные о посещениях или последних онлайн-покупках часто являются наиболее важными для определения онлайн-стратегии NBO, в некоторых случаях, таких как цены на авиабилеты, важны время и день: авиакомпании могут повышать цены в воскресенье вечером, потому что больше людей ищут затем чем, скажем, в полдень в течение недели. Изучаемый нами китайский ритейлер обуви тестирует предложения, ориентированные на партнеров основного покупателя. Когда женщина заходит в один из его магазинов со своим мужем, она, как правило, является основным покупателем, а NBO продавца обычно является относительно недорогим товаром для мужа. Выбор того, что ему предложить, вытекает из понимания того, что мужчины, которые сопровождают своих жен за покупками, но сами не делают активных покупок, более чувствительны к цене, чем мужья-одиночки, которые ищут конкретный продукт.
Конечно, бесчисленное множество других контекстуальных факторов зависит от характера бизнеса и его клиентов.
Анализ и выполнение
Самые ранние прогнозные NBO были созданы Amazon и другими онлайн-компаниями, которые разработали предложения «люди, которые купили это, также купили то», основанные на относительно простых корреляциях перекрестных покупок; они не зависели от основательных знаний о покупателе или характеристиках продукта и, таким образом, были довольно грубым инструментом. Несколько более целенаправленные предложения основаны на прошлом покупательском поведении клиента, но даже они, как известно, неизбирательны. Если вы покупаете книгу или компакт-диск для друга, который не разделяет ваших вкусов, это может легко исказить будущие предложения, которые вы получите.
Компании, которые систематически собирают информацию о своих клиентах, характеристиках продуктов и контексте покупки, могут делать гораздо более сложные и эффективные предложения. Статистический анализ и прогнозное моделирование могут создать сокровищницу синтетических данных из этих необработанных источников информации, чтобы, например, оценить вероятность того, что клиент отреагирует на предложение перекрестной продажи со скидкой, сделанное на его мобильном устройстве. Поведенческая сегментация и другая расширенная аналитика данных, которые одновременно учитывают демографию клиентов, отношение к ним, модели покупок и связанные с ними факторы, могут помочь выявить тех клиентов, которые с наибольшей вероятностью откажутся от покупки. Вооружившись этой информацией и ожидаемой пожизненной ценностью клиента, организация может определить, должен ли ее NBO по отношению к этому клиенту поощрять или препятствовать отказу. (Подробное обсуждение анализа маркетинговых данных выходит за рамки этой статьи, но в книге «Инженерия маркетинга», вышедшей в 2002 году Гэри Л. Лилиен и Арвинд Рангасвами, содержится подробный обзор ключевых аналитических, количественных и компьютерных методов моделирования.)
Хотя подобная аналитика может дать множество потенциально эффективных предложений, следующий шаг определяется бизнес-правилами. Когда анализ показывает, что клиент с равной вероятностью купит любой из нескольких продуктов, правило может определять, какое предложение будет сделано. Или это может ограничить общую частоту контактов с клиентом, если анализ показал, что слишком много контактов снижает скорость отклика. Эти правила, как правило, выходят за рамки логики прогностических моделей и служат широким стратегическим целям, таким как повышение лояльности клиентов выше максимального количества покупок.
Тщательно созданный NBO настолько хорош, насколько хороша его доставка. Иными словами, блестящий электронный почтовый ящик NBO, который никогда не открывается, с тем же успехом мог бы и не существовать. Следует ли доставлять NBO лицом к лицу? Представлены в киоске в магазине? Отправлено на мобильное устройство? Печатается на квитанции о регистрации? Часто ответ относительно прост: канал, по которому клиент установил контакт, является подходящим каналом для доставки NBO. Например, клиент CVS, отсканировавший свою карту лояльности ExtraCare в киоске в магазине, может мгновенно получить персонализированные купоны.
Однако бывают случаи, когда входящие и исходящие каналы должны различаться. Сложное предложение не должно доставляться по простому каналу. Вспомните опыт Bank of America с предложениями по ипотеке: входящий канал - банкомат - быстро оказался плохим исходящим каналом, потому что ипотека слишком сложна для этой среды. Точно так же многие представители колл-центров недостаточно хорошо понимают потребности клиентов и информацию о продуктах, чтобы делать эффективные предложения, особенно когда их основной целью является выполнение простых операций по продаже или обслуживанию.
Компании часто тестируют предложения по нескольким каналам, чтобы найти наиболее эффективное. В CVS предложения ExtraCare доставляются не только через киоски, но и по регистрационным квитанциям, по электронной почте и целевым проспектам, а в последнее время и через купоны, рассылаемые непосредственно на мобильные телефоны клиентов. Qdoba Mexican Grill, франшиза быстрого обслуживания, расширяет свою программу лояльности, доставляя купоны на смартфоны клиентов в определенное время дня или недели, чтобы увеличить продажи и сгладить спрос. В ночных кампаниях рядом с университетами уровень погашения составляет почти 40%, тогда как средний показатель погашения для всей программы Qdoba составляет 16%. Starbucks использует как минимум 10 онлайн-каналов для доставки целевых предложений, оценки удовлетворенности и реакции клиентов, разработки продуктов и усиления защиты бренда. Например, его приложение для смартфонов позволяет клиентам получать специальные рекламные акции на еду, напитки и товары на основе их информации о SoLoMo.
Высококлассные ритейлеры и фирмы, предоставляющие финансовые услуги, считают, что человек часто является лучшим каналом для доставки предложений.
Nordstrom и другие высококлассные ритейлеры, а также фирмы, предоставляющие финансовые услуги, с состоятельными клиентами вкладывают значительные средства в знания своих продавцов о продуктах и их способность понимать потребности клиентов и строить отношения. Для этих предприятий человек часто является лучшим каналом для доставки предложений. Многие организации разрабатывают несколько предложений и сортируют их в соответствии с моделями прогнозирования, которые ранжируют склонность клиента принять их на основе предыдущих покупок или других данных. Продавцы или представители службы поддержки могут выбирать из этих предложений в режиме реального времени, руководствуясь своим диалогом с покупателем, предполагаемым аппетитом клиента к данному предложению и даже уровнем комфорта между покупателем и продавцом. Сочетание человеческого суждения с прогностическими моделями может быть более эффективным, чем простое следование рекомендациям модели. Например, настаивание на том, чтобы торговый представитель делал конкретное предложение в каждом случае, может фактически снизить как вероятность того, что клиенты примут предложение, так и их удовлетворенность после покупки. Инвестиционная фирма T. Rowe Price предоставляет представителям колл-центра целевые предложения, но пришла к выводу, что если представитель доставляет предложения более чем в 50% взаимодействий, он или она, вероятно, не учитывают потребности клиентов.
Учись и развивайся
Создание НБО - неточная, но постоянно совершенствующаяся наука. Как и любая наука, она требует экспериментов. Некоторые предложения будут работать лучше, чем другие; компании должны измерять производительность каждого и применять полученные уроки. Как сказал нам один руководитель CVS: «Думайте о каждом предложении как о тесте».
Компании могут разработать эмпирические правила на основе результатов деятельности своих НКО, чтобы направлять создание будущих предложений, пока новые данные не потребуют изменения правил. Эти правила будут отличаться от одной компании к другой. В нашем исследовании мы определили некоторые из них, которые используют ведущие компании:
Сундучок:
Продвигайте в социальных сетях только модную обувь.
CVS:
Предоставить скидки на вещи, которые клиент купил ранее.
Клуб Сэма:
Предоставляйте индивидуально релевантные предложения для категорий, в которых клиент еще не совершал покупок, и поощряйте лояльность клиентов.
Нордстрем:
Предоставление предложений через продавцов при личном общении с клиентами.
Практические правила должны основываться на анализе данных и фактов, а не на условностях или знаниях. Приведенные выше правила были проверены, но их нужно будет оспаривать и перепроверять с течением времени, чтобы обеспечить постоянную эффективность.
Между тем, юридические, этические и нормативные вопросы, связанные со стратегиями NBO, быстро развиваются, поскольку сбор и использование данных о клиентах становятся все более изощренными. Когда компании с энтузиазмом экспериментируют с НБО, им следует опасаться непреднамеренного пересечения правовых или этических границ.
Любой компании было бы трудно включить всех возможных клиентов, продукты и контекстные переменные в модель NBO, но любой розничный продавец должен собрать базовые демографические данные, психографические данные и истории покупок клиентов. Большинству ритейлеров необходимо ускорить свою работу в этой области: их покупателей пока не впечатляют ни качество, ни ценность предложений. Число переменных и доступных каналов доставки будет только расти; компании, которые не улучшают свои предложения быстро, просто отстают еще больше.