Сегментируй и продавай: как увеличить конверсию рекламы с помощью анализа аудитории

Целевая реклама работает лучше. Но одних настроек аудитории в рекламном кабинете мало, чтобы сделать выгодное предложение каждому клиенту. В агентстве Complead мы используем RFM-анализ: сегментацию клиентской базы по частоте, сумме и времени покупок. Как он помогает повысить конверсию рекламы и избежать стандартных ошибок — расскажем в статье. В конце статьи — шаблон, с его помощью вы быстро сегментируете базу своих клиентов. Как работают многие маркетологи и почему так нельзя Знакомьтесь — это Тамара. Она год работает маркетологом в интернет-магазине электроинструментов. С самого начала Тамара выбрала стандартную рекламную стратегию: определила целевую аудиторию, запустила таргетированную рекламу в Facebook и во «ВКонтакте», контекстную — в Яндексе, и даже сделала несколько email-рассылок. Сначала на сайте регистрировались пользователи, продажи росли. Но через три месяца продажи упали, а через полгода Тамара начала паниковать. Она выяснила, что старые клиенты не возвращаются. База новых почти исчерпана. Компания потеряла 25 % прибыли и потратила на рекламу в 2 раза больше, чем в первые 3 месяца работы Тамары. Что же пошло не так Тамара — молодой специалист. Она закончила онлайн-курсы знаменитой школы и не сомневалась в своей компетентности. Но она не знала тонкостей профессии. И не учла, что с аудиторией нужно работать: анализировать, сегментировать и разрабатывать маркетинговые предложения для каждой группы. Один из самых эффективных инструментов для этого — RFM-анализ. Что такое RFM-анализ и как бы он помог Тамаре RFM-анализ — модель для сегментации базы клиентов на основе поведения. Клиентов распределяют на сегменты с учетом срока последней покупки, частоты покупок, суммы потраченных в магазине денег. Близкие сегменты объединяют в кластеры. По каким параметрам сегментируют базу клиентов Покупателей делят на сегменты по трем параметрам, по каждому присваивают балл. Чем балл больше, тем меньше шансов, что клиент совершит повторную покупку: R (Recency) — срок с момента последнего приобретения. Клиент сделал покупку вчера? Он получает 1 из 3 по параметру Recency — лучший результат. А тот, кто последний раз купил год назад, получает 3 — этот клиент вряд ли вернется. F (Frequency) — частота, вычисляется как количество покупок. Покупка первая? Frequency 5 из 5 — плохой, но улучшаемый показатель. Покупает почти каждую неделю? Его частота равна 1, это перспективный клиент. M (Monetary) — сумма потраченных средств за все время. Пользователь потратил больше 50 000 рублей, тогда как средний чек равен 20 000? Он получит 2 из 5. Практика показывает: для оценки клиентов одного параметра мало, нужно ориентироваться на все три. Например, нельзя учитывать только потраченные пользователем деньги. Так, в магазине Тамары один покупатель купил пилу Bosch за 68 000 рублей и больше ничего не приобретал. А второй каждый месяц покупает расходные материалы на сумму 5 000 рублей уже год, он принес компании 60 000 рублей. Тамара посчитала: первый клиент выгоднее — он потратил на 8 000 рублей больше. Но на самом деле выгоднее второй: он приносит 60 000 рублей каждый год. Кроме этого, он знаком с компанией, лоялен ей, а значит, больше шансов получить отклик на рекламу. Тратить рекламный бюджет на первого клиента может быть невыгодно — маленькая вероятность повторной покупки. Что будет, если не использовать RFM-анализ Если маркетолог не использует RFM-анализ, он, как и Тамара, столкнется с проблемами. Траты на неэффективную рекламу. Объявления и рассылки уходят к потенциальным и бывшим клиентам без дифференциации, поэтому не дают результата. Например, Тамаре выделили бюджет на рекламу в 400 000 рублей. Он расходовался на показы объявлений новым пользователям и на ремаркетинг — возвращение посетителей, уже заходивших на сайт. Ремаркетинг был настроен на всех подряд без деления по времени покупки. Поэтому одинаковые объявления показывались и тем, кто купил товар месяц назад, и тем, кто положил его в корзину и не вернулся. В итоге ROI – отношение инвестиций к прибыли – не превышал 10 %, а в одном месяце оказался отрицательным. Такая реклама не давала дохода, а вот целевые предложения посетителям сайта принесли бы результат. Негатив от клиентов из-за спама. Если пользователь видит одну и ту же рекламу более 4 раз, цена клика вырастает на 68 %, больше 8 раз – на 138 %. Люди не обращают внимания на повторную рекламу или меняется отношение к бренду, появляются гневные отзывы с требованием прекратить преследования. Из-за этой ошибки Тамара обрабатывала тонны негатива. Зависимость CTR и CPC от количества показов рекламных объявлений Наша героиня старалась сделать рекламу яркой и привлекательной. Но проблема была в неправильном таргетинге: Тамара показывала предложение не в то время и не тем людям. Как правильно провести RFM-анализ Провести RFM-анализ можно самостоятельно или у специалистов. Тамара выбрала второй вариант. Ведь самостоятельное обучение RFM-анализу и отработка методики займет минимум три месяца, компания в это время будет нести убытки. Оплата курсов, практическое применение методики, исправление ошибок тоже требуют денег. Учитывая рекламный бюджет в 400 000 рублей в месяц, за полгода она бы потратила 2 400 000 рублей без гарантии результата. После подсчетов Тамара поняла: услуги подрядчика выходят дешевле. Она обратилась к аналитику, и тот провел RFM-анализ в короткие сроки. Проанализировать базу клиентов Аналитик изучал две группы пользователей среди зарегистрированных людей, зашедших на сайт под своим логином: Клиенты с оплаченными покупками. Пользователи, поместившие товар в корзину без оформления заказа: отвлеклись, отправились искать более выгодный вариант и т. д. По статистике, такие клиенты возвращаются, если сделать хорошее предложение на интересующий товар. В итоге была собрана раздельная статистика по покупателям и неоплаченным заказам. Сегментировать базу по RFM Аналитик распределил время покупки, частоту покупок и потраченные деньги на диапазоны — отсортировал пользователей по группам. Например: по времени покупки — те, кто купили не позже 30 дней назад, не позже 90 дней назад, не позже 180 дней назад и т. д.; по количеству покупок — одна, две, до пяти, до 10, более 10; по суммам — от 2000 рублей, до 5000 рублей, до 10 000 рублей, до 30 000 рублей и более 30 000 рублей. R (Recency) — сегментирование по времени Аналитик оценил частоту покупок, выделил группу клиентов с самым большим показателем Frequency и присвоил ей лучшую позицию — 1. Всех остальных равномерно разбил на сегменты в зависимости от активности. Для интернет-магазина электроинструментов Тамары используем стандартные периоды: месяц, три месяца, полгода и т. д. Градация от 1 до 5 отделяет свежих и лояльных покупателей от практически потерянных клиентов. Когда Тамара увидела, сколько людей не вернутся за покупками, она расстроилась. Но это нормально. Клиентов из сегментов 1 и 2 всегда меньше, чем из 4 и 5: 0–30 дней – 147 пользователей. 31–90 дней – 325. 91–180 дней – 889. 180–365 дней – 1961. 366+ дней – 4392. F (Frequency) — сегментирование по частоте покупки Нужно определить, какое число покупок считать выгодным для компании. Установить слишком низкую или высокую планку — испортить точность подсчета. 10+ покупок – 613 пользователей. 6–10 покупок – 781. 3–5 покупок – 1592. 2 покупки – 1912. 1 покупка – 2816. M (Monetary) — сегментирование по сумме покупок Клиентов, оставивших больше всего денег в магазине, аналитик выделил в отдельный сегмент. Они важны, даже если не совершают покупки регулярно По затратам Тамара определила такие диапазоны: 30 000+ руб. – 105 пользователей. 10 001–30 000 руб. – 218. 5 001–10 000 руб. – 927. 2 001–5 000 руб. – 2490. < 2 000 руб. – 3974. Распределение клиентов по диапазонам по каждому параметру Как правильно распределить клиентов по сегментам Чтобы правильно распределить клиентов по сегментам, надо учитывать: сезонность (в Тамарином случае — повышение продаж летом и снижение зимой); среднее время между покупками (2–3 месяца); срок использования покупки (для электроинструмента — несколько лет); среднюю продолжительность «жизни» клиента до момента, когда его можно считать потерянным (более 1 года). На основании этой информации специалист создает диапазоны для RFM-анализа, нумерует клиентов по каждому параметру от лучшего к худшему. Например, учет сезонности: в июле многие покупатели тратят в магазине по 60 000 рублей, поэтому клиенты с чеком в 30 000 рублей получают среднюю оценку по сумме покупок 3. А в декабре максимальный чек 30 000 рублей и такие клиенты уже получат высший балл в 1. Или срок использования покупки: клиент только купил автомобиль, который служит 5 лет. Сейчас ему не нужна машина, он получает худший балл 5, ведь вряд ли купит такую повторно. А вот клиент, который купил автомобиль 4 года назад, может присматривать новый и получает 1. Клиентам с плохими баллами стоит показывать рекламу сопутствующих товаров по уходу за автомобилями, а тем, кто получил лучшие баллы — рекламу транспорта. Распределение клиентов на сегменты Создать группы клиентов с учетом оценки по сегментам На основании сегментации по показателям RFM аналитик создал группы клиентов. Например, лучшие покупатели с показателем RFM 1-1-1. Или клиенты 2-2-3, покупающие часто и на небольшие суммы, с последней конверсией не более 90 дней назад. Например, бригада рабочих месяц назад закупила инструмент оптом на 300 000 рублей и больше не обращалась в интернет-магазин. Показатель Monetary и Recency у такого клиента будет высокий (1), а Frequency — низкий (5), Каждому клиенту присвоены баллы по всем параметрам с учетом диапазона Для каждой группы или пользователя нужно формировать индивидуальное предложение. Так покупатели чувствуют себя ценными и нужными. Как Тамара использовала RFM-анализ и подняла продажи Вернула клиентов с товаром в корзине В стандартной схеме ремаркетинга клиенты после просмотра товара видят рекламу, предлагающую его купить. Специалисты предложили Тамаре работать с зарегистрированными пользователями по похожему принципу, но с учетом ценности клиента. То есть, запускать рекламу только на посетителей, которые с высокой вероятностью совершат покупку, и не тратить деньги на тех, кто вряд ли что-то купит. Аналитик отобрал людей, соответствующих четырем параметрам одновременно: они зарегистрировались, заказывали раньше, поместили товар в корзину не ранее 90 дней назад, не оформили покупку. Клиенты, которые добавили товар в корзину У таких клиентов выше вероятность конверсии. Трафик-менеджеры запустили на них рекламные кампании в поиске и в контекстно-медийных сетях Google и Яндекса. Дополнительно отправили напоминания на email о том, что заказ ждет оформления в корзине. Подготовила для клиентов персонализированные предложения Подрядчик объяснил Тамаре, что эффективнее взаимодействовать с аудиторией в динамике. Для этого аналитик каждые две недели проводил RFM-анализ, а специалисты по интернет-рекламе создавали рекламные кампании для новой базы. В процессе выявили проблемные сегменты, целевая работа с которыми помогла повысить продажи: Приверженцы бренда (1-3-3). Параллельно работали кампании, предлагавшие товары аналогичных по цене и ассортименту брендов Makita и Hitachi. Это привело к росту повторных продаж товаров Bosch на 6,5 % и увеличению первичных продаж электроинструмента других производителей на 8,5 %. Оптовики (2-2-1). Покупают не часто, но большими партиями. Для них запустили рекламу в Gmail и email-рассылки с выгодными оптовыми предложениями. В этом сегменте увеличение продаж случается редко, поэтому росту на 1,5 % Тамара очень обрадовалась. Активные в прошлом пользователи (4-1-2). Необходимость в покупке дополнительных элементов возникает как раз после 3 месяцев эксплуатации, поэтому повторные продажи в сегменте увеличились на 18 %. Единичные покупатели (3-5-3). В этот сегмент вошли пользователи, купившие только один товар не позже 3 месяцев назад. На них нацелили кампании с предложением комплектующих в ремаркетинге Google Adwords. Через 2 недели продажи в сегменте увеличились на 4 %. После трех месяцев работы продажи повысились на 40 %. Тамара больше не беспокоилась о сохранении должности и результатах. Тамара — собирательный образ маркетолога. Такие сотрудники работают во многих компаниях. Они не знают об RFM-анализе или не используют его, руководствуясь только стандартными методами. Но усредненные меры не приносят доход. Улучшить результат можно, разработав персонализированные предложения для клиентов. А для вас мы подготовили шаблон для RFM-анализа и инструкцию. Наши материалы помогут быстрее разделить клиентскую базу на RFM-сегменты и эффективнее продвигать услуги.