Персонализируйся или умри! Персонализация предложений в программах лояльности

Людмила Москаль, консультант в области автоматизации программ лояльности Comarch, рассказывает о том, в чем заключается концепция гипер-персонализации, почему традиционных методов персонализации уже недостаточно, и как создать правильные персонализированные предложения. 

Растущая гипер-персонализация или индивидуализация маркетинговых действий еще недавно рассматривалась как невозможная из-за технических ограничений. Но наряду с технологическим прогрессом и растущей доступностью данных, то, что раньше было за пределами воображения маркетолога, сейчас стало реальностью.

Концепция персонализации маркетинговых предложений возникла в конце 80-ых-начале 90-ых гг. ХХ века. В 1989 году Стэн Рапп и Том Коллинз, сооснователи одного из крупнейших в США агентств прямого маркетинга, в своей книге «Макси-маркетинг: новый поворот в рекламе, продвижении и маркетинговой стратегии» первыми предсказали отход от массового маркетинга к индивидуальной парадигме, сформулировав идеи, основанные на постоянных взаимодействиях с клиентом, и ввели понятие «маркетинг отношений». 

С развитием в начале 2000-ых Интернета для продвижения товаров и услуг активно начали использовать компьютеры и данные для идентификации клиентов. E-mail-рассылка стала одним из первых каналов, где использовалась персонализация сообщений – изначально это было просто добавление имени клиента в письме. Сегодня по электронной почте можно отправлять сообщения, запускаемые конкретными действиями клиентов, включая покупку и просмотр товара.


Уровни персонализации предложений

Персонализация маркетинговых предложений под клиента происходит на разных уровнях в зависимости от размера целевой аудитории, ожидаемого результата для бизнеса и технических возможностей. Как правило, чем выше уровень персонализации, тем требуется более сложное технологическое решение, но бизнес получает более значимый результат на выходе.

Рисунок 1 - Уровни персонализации маркетинговых предложений

1. Массовые предложения

Масс-маркетинг – это наиболее универсальный и распространённый тип маркетинговых действий, существующий с незапамятных времен. Еще в 4-ом тысячелетии до нашей эры египтяне использовали папирус для рекламных плакатов, которые развешивали на стенах домов. Реклама на папирусе была распространена в Древней Греции и Риме – коммерческие сообщения были найдены в руинах Помпеи и древних Афинах. 

Массовая маркетинговая стратегия ориентирована на высокие объемы продаж по более низким ценам. Она нацелены на самую большую долю рынка, игнорируя при этом социальные и демографические различия между покупателями, что позволяет охватить как можно большее количество потенциальных клиентов. Запуск и управление массовыми предложениями не требует сложных ИТ-систем и традиционно при таком сценарии используются радио, телевидение, СМИ и e-mail-рассылки, чтобы добиться максимальной узнаваемости товара.

2. Предложения по программе лояльности 

Предложения по программе лояльности – это, по сути, те же массовые предложения, но суженные до определенного бренда. Первая программа лояльности была запущена 1793 году американским торговцем, начавшим раздавать медные жетоны, которые покупатели могли копить и обменивать на товары в магазине. Особую популярность программы лояльности завоевали в 70-80 годы ХХ века, когда авиалинии начали предлагать пассажирам вместо скидок возможность копить мили на личных счетах. Накопленные мили впоследствии можно было поменять на билет. 

В отличие от массовых коммуникаций, для управления программой лояльности требуется специальная CRM-система, позволяющая хранить базу данных лояльных клиентов и управлять правилами начисления и списания баллов, и предоставления скидок.

---

Читайте также: Лояльные мошенники: как обезопасить свою программу лояльности о мошенничества

---

3. Таргетированные или целевые предложения

В 1994 году британская сеть супермаркетов Tesco запустила программу лояльности «Clubcard», благодаря которой увеличила долю рынка с 12 до 15,6 % и обогнала своего главного конкурента Sainsbury. Tesco вывели программы лояльности на новый уровень, так как первыми начали работать с данными клиентов и анализировать их покупательскую корзину, чтобы делать целевые предложения, ориентированные на конкретную аудиторию. Целевая аудитория таргетированных предложений заранее определялась как сегмент на основе набора характеристик клиента (например, возраст, пол) или истории покупок. Аналитики ритейлера занялись поиском взаимосвязей между продажами товаров из разных категорий. 

Например, участники «Clubcard», которые впервые покупали подгузники, стали получать купоны не только на детские игрушки и влажные салфетки, но и на пиво. На первый взгляд такое предложение кажется странным. Где взаимосвязь между подгузниками и пивом? Но анализ данных показал, что молодые папы, как правило, покупают больше пива, потому что с рождением ребёнка они меньше времени проводят в барах с друзьями.

В основном таргетированные предложения строятся на предположениях, что товар А может быть интересен аудитории В с характеристиками D и С. Поэтому для разработки эффективных целевых предложений требуется значительное количество данных и специальные инструменты или BI-система для сегментации клиентской базы. Зачастую современные CRM-системы уже имеют встроенные инструменты для сегментации.

4. Гипер-персональные или индивидуальные предложения

С ростом популярности Интернета и онлайн-торговли стало очевидным, что улучшение потребительского опыта для клиентов становится все более и более важным, а массовый маркетинг, скидки по карточкам программы лояльности или таргетинг не приносят тех результатов, что приносили в прошлом. Поэтому ритейлеры начали рассматривать новые подходы при продвижении товаров и взаимодействии с клиентами. 

Сегодня многие компании переходят на новый уровень персонализации, когда клиенты получают индивидуальное предложение на основе их предпочтения, действий и поведения. В идеальных условиях каждое индивидуальное предложение является уникальным, специально подобранным под клиента.
Почему традиционных методов персонализации уже недостаточно?

Таргетинг предложений на базе сегментации клиентской базы имеет явные преимущества. Тем не менее, он всегда рассматривался как компромисс между массовым предложением и видением индивидуального подхода компании к своим конечным потребителям. Переход от сегментации к индивидуальным предложениям имеет еще одно большое преимущество – избегание ловушки узкого видения большинства.

Представьте себе ситуацию, где система для рекомендаций, используемая для подбора персональных предложения на базе сегментов, пытается определить следующее наилучшее предложение для клиентов в сегменте, состоящем из тех, кто в прошлом приобретал товар A, как показано на рисунке 2:

Рисунок 2 - Узкое видение большинства

В этом примере трое из 10 участников сегмента приобрели товар B после покупки товара A. Поэтому, если система рекомендаций применяет логику последовательности самых часто приобретаемых товаров в подборе следующего наилучшего предложения на базе сегмента, всем новым участникам сегмента следует предложить товар B. Однако этот подход полностью игнорирует тот факт, что остальные 70% участников не покупали его. Значит, следующее лучшее предложение в этом сценарии полностью зависит от узкого большинства участников сегмента и их решения о покупке, несмотря на его низкую фактическую точность.

Построение гипер-персональных или индивидуальных предложений очень сильно зависит не только от количества собранных данных, но и от их качества, а также от применяемых методов и техник анализа данных. Поэтому фактически невозможно в ручном или полу-ручном режиме построить хорошие персонализированные предложения. 

Сегодня одним из самых перспективных и эффективных методов подбора индивидуальных предложений является разработка моделей машинного обучения. Так компания Comarch использует искусственные нейронные сети, способные обрабатывать большое количество исторических данных, наборы атрибутов и метрики для расчета потенциальных результатов и прогнозирования наиболее подходящих и высокодоходных предложений индивидуально под участника. 


Хотите узнать больше об Искусственном интеллекте и машинном обучении? Скачайте белую книгу.

Почему гипер-персонализация заслуживает внимания?

Сейчас такое пристальное внимание уделяется гипер-персонализации или индивидуализации предложения, прежде всего из-за их высокой эффективности. Персонализация маркетинговых предложений дает ряд как количественных, так и качественных преимуществ. 

• Повышение конверсии

Адаптируя целевую страницу интернет-магазина на основе истории поиска и покупок индивидуального клиента или персонализируя онлайн-опыт взаимодействия с ним любым другим способом, можно добиться значительного повышения коэффициента конверсии. 

Например, голландская страховая компания FBTO сообщила об увеличении коэффициента конверсии на 15% после внедрения технологии персонализации в реальном времени и индивидуального обмена сообщениями в зависимости от активности клиента на веб-сайте, истории посещений и ряда других действий. Компания также персонализировала последующее взаимодействие с посетителями, которые покинули их сайт, так ничего и не купив, и ей удалось убедить совершить покупку еще 30% из них.

---

Читайте также: Искусственный интеллект на страже программ лояльности

---

• Увеличение воспринимаемой ценности предложения

Вознаграждения в программе лояльности могут привлекать одних участников, становясь единственной причиной их участия, и в то же время могут быть совершенно неинтересны для других. 

Исследование, проведенное Страсбургским университетом в 2013 году, было посвящено изучению того, как различные типы вознаграждений в программе для часто летающих пассажиров влияют на общую лояльность участников, измеряемую в интенсивности покупок. Одним из основных выводов исследования стало то, что в зависимости от мотивации и ориентации на покупку, воспринимаемая ценность одной и той же награды будет разной у разных клиентов. Поэтому так важно таргетировать и персонализировать вознаграждения соответствующим образом, поскольку существует четкая взаимосвязь между вознаграждением и общей лояльностью клиентов.

• Повышение вовлеченности клиентов

С точки зрения управления взаимоотношениями с клиентами, персонализация предложений приводит к более высокому уровню удовлетворенности товарами и услугами на всех этапах жизненного цикла. Такая стратегия играет важную роль на этапах привлечения и удержания клиентов. Исследования подтверждают, что благодаря персонализации возрастает объем рекламы «из уст в уста» (сарафанное радио) и эффективность кампаний по удержанию клиентов, чье взаимодействие снижается. В целом, по результатам разных исследований в результате применения стратегии персонализации в маркетинге, прибыльность увеличивается на 26%, рыночная капитализации на 12%.

Кроме того, персонализация уже стала стандартом во многих отраслях как ответ на ожидания клиентов. По результатам исследования компании Infosys, 59% потребителей считают, что персонализация оказывает значительное влияние на их решения о покупке, а 62% высоко ценят персональные предложения и акции, учитывающие их предыдущий опыт. Поэтому, независимо от того, занимаетесь ли вы торговлей продуктов питания, одежды или банковских услуг, если вы действительно цените своих клиентов, то стоит уже сейчас вкладывать ваши ресурсы и время в разработку персональных предложений, используя современные технологии на базе искусственного интеллекта и машинного обучения.   

Как технологии искусственного интелекта повышают эффективность маркетинга. Подробнее.

Людмила Москаль,
Консультант в области автоматизации программ лояльности
Comarch