1

Анализ базы клиентов

Введение

В рамках исследования решались следующая задача: проанализировать путешествие потребителей – потребительские паттерны клиентов компании ***

Анализ базы клиентов компании позволил определить путешествие потребителя и выделить виды номенклатуры, которые покупатели часто приобретают одновременно. Использование этих данных позволит более эффективно выстроить работу на различных этапах обратной воронки продаж за счет персонализации взаимодействия с клиентами..

2

Исходя из анализа базы клиентов ***, можно сделать следующие выводы: • Ядро ЦА: **-** лет, Москва. Они совершают более **% от общего объема покупок;

• Объем продаж клиентам, получающим подарки от компании, в среднем на **% больше объема продаж клиентам, не получающим подарки. На основе данных, оптимальное количество подарков – **;

• **% от общего объема продаж совершается в выходные дни (**% – в пятницу, субботу и воскресенье), необходимо увеличить интенсивность коммуникации, направленной на стимулирование покупки в четверг, пятницу и субботу;

• Необходимо использовать условные вероятности покупок для персонализации взаимодействия с клиентами.

Анализ базы клиентов: Выводы

3

Из базы клиентов были исключены «выбросы» - нетипичные значения, которые могли бы исказить результаты анализа данных.

Перечень выбросов: • Подарки – транзакции с суммой менее 1 руб (*** транзакций); • Возвраты – транзакции с отрицательной суммой и соответствующие им транзакции с положительной суммой (*** транзакции);

• Контрагенты с количеством транзакций 15 и более. Сделано предположение, что это контрагенты, приобретали номенклатуру в коммерческих, а не личных целях. Начиная с 15 транзакции, каждое SKU приобретается дважды, т.е. на 15 транзакций приходится 7 SKU.

Анализ базы клиентов: характеристики базы

4

**% от общего объема продаж приходится на женщин.

**% покупок совершается клиентами из Москвы, **% – из Санкт-Петербурга, **% – из других регионов.

Анализ базы клиентов: характеристики клиентов

5

Наибольшая покупательская активность приходится на осенне-зимний период (сентябрь - январь). В данные месяцы совершается наибольшее количество покупок как по объемам продаж, так и по количеству реализованных видов номенклатуры.

Анализ базы клиентов: покупательская активность по месяцам

6

В период с 2012 по 2015 год происходило постепенное повышение объемов продаж и падение среднего чека. Например, объем продаж в 2014 году был почти в ** больше, чем в 2012 (*** млрд рублей в 2014 и *** млрд рублей в 2012). Падение среднего чека объясняется введением в продажу значительного числа SKU невысокой стоимости, например, в декабре 2012 года было реализовано *** различных SKU, а в декабре 2014 – ***.

Анализ базы клиентов: средний чек и объем продаж

7

В таблице представлены виды номенклатуры, приносящие компании 80% всей выручки. В целом, существует следующая тенденция: чем выше средняя сумма транзакции определенного вида номенклатуры, тем реже его покупают.

Анализ базы клиентов: доля различных видов номенклатуры в объеме продаж

8

Наибольшее количество покупок приходится на день (с 13 до 17 часов) – **% от общего числа. Приблизительно **% от всего количества покупок совершается в период с 13 до 17 часов в выходные дни.

Анализ базы клиентов: время покупок

9

В таблице представлена информация о популярных видах номенклатуры в различных ценовых категориях. Номенклатура *** является самой популярной в трех самых дорогих ценовых категориях.

Анализ базы клиентов: популярные виды номенклатуры в различных ценовых категориях

10

В таблице представлены данные о количестве визитов, совершаемых клиентами разных возрастных сегментов и среднем значении по количеству визитов. Визит – это покупка какого-либо SKU (при этом, между двумя визитами должно проходить более 14 дней). Если покупка совершена в промежутке времени от 0 до 14 дней после предыдущей – это один визит. Вывод: чем к более взрослому возрастному сегменту относится клиент, тем больше визитов он совершает.

Анализ базы клиентов: количество посещений и возраст клиента

11

Закономерность: Наибольшее количество покупок приходится на субботу и воскресенье (**% и **% от общей суммы покупок соответственно). Можно отметить, что рост покупательской активности начинается в пятницу – в этот день покупают примерно на два процентных пункта больше, чем в другие будние дни.

Рекомендации: Рекомендуется дополнительно стимулировать потребительскую активность в пятницу и выходные дни за счет увеличения интенсивности коммуникации и размещения в различных каналах коммуникации сообщений, направленных на увеличение покупок изделий «***». Высокая интенсивность коммуникации и наличие релевантных сообщений будут максимально эффективны в четверг, пятницу и субботу, так как именно в эти дни потребители будут принимать решение о необходимости покупки.

Возможные инструменты: • Размещение постов в социальных сетях c call to action, направленными на стимулирование покупок; • E-mail рассылки; • SMS-рассылки.

Анализ базы клиентов: покупки в разные дни недели

12

Закономерности: • **% продаж приходится на клиентов в возрасте от ** до ** лет; • В целом, более молодые клиенты совершают более дорогие покупки. Это подтверждается разницей между процентом продаж (от общей суммы) и процентом продаж (в количестве) и различием в средней сумме транзакции.

Рекомендации: В коммуникации наибольшее внимание стоит уделять следующим возрастным сегментам: **-** и **-**, так как эти сегменты приносят наибольший объем продаж. Представители данных сегментов приобретают наиболее дорогие товары.

Анализ базы клиентов: возраст и средний чек

13

На основе анализа текущей базы клиентов можно выделить следующие характеристики ядра целевой аудитории бренда ***: • Возраст – ** - ** лет; • Регион проживания – ***.

Рекомендуется прилагать основные усилия по продвижению бренда *** на аудиторию, подходящую под описанные выше характеристики.

Анализ базы клиентов: Целевая аудитория

14

Закономерности: • Подарки оказывают положительное воздействие на количество транзакций и общую сумму продаж, совершаемых контрагентом;

• Оптимальное количество подарков на одного контрагента равняется ** – оно обеспечивает максимальную среднюю сумму всех продаж (*** руб) и максимальное среднее количество транзакций – **;

• Средняя общая сумма покупок контрагента, получившего подарки, выше средней общей суммы контрагента, не получавшего подарки, более чем на **%.

Рекомендации: • Продолжать дарить по ** подарка контрагентам; • Дарить подарки не только перед покупкой (стимул к ее совершению), но и после покупки (стимул к лояльности компании и повторной покупке).

Анализ базы клиентов: влияние подарков клиентам на продажи

15

Одновременная покупка – покупка одного вида номенклатуры вместе с другим.

В данной презентации представлены наиболее значимые вероятности (3% и более) одновременных покупок разных видов номенклатуры, подробнее с вероятностями одновременных покупок для всех видов номенклатуры с достаточной выборкой (** вида) можно ознакомиться в файле excel (Вкладка Cross-Sales).

Рекомендации: • рекламировать виды номенклатуры с высокой вероятностью одновременной покупки совместно

(Landing page, рекламные баннеры, посты в социальных сетях и т.д.); • Предлагать клиенту, купившему определенный вид номенклатуры, другой товар, соответствующий первому по вероятности.

Анализ базы клиентов: вероятность одновременной покупки

16

Анализ базы клиентов: вероятность одновременной покупки

17

№ Номенклатура 1 Номенклатура 2Вероятность совместной покупки (%)

1 ** ** 24

2 ** ** 22

3 ** ** 94 ** ** 95 ** ** 86 ** ** 87 ** ** 7

8 ** ** 79 ** ** 610 ** ** 611 ** ** 612 ** ** 613 ** ** 514 ** ** 515 ** ** 516 ** ** 517 ** ** 518 ** ** 519 ** ** 520 ** ** 5

18

№ Номенклатура 1 Номенклатура 2Вероятность совместной покупки (%)

21 ** ** 422 ** ** 4

23 ** ** 424 ** ** 425 ** ** 426 ** ** 4

27 ** ** 4

28 ** ** 4

29 ** ** 430 ** ** 431 ** ** 432 ** ** 433 ** ** 334 ** ** 335 ** ** 336 ** ** 337 ** ** 3

38 ** ** 339 ** ** 340 ** ** 3

Анализ базы клиентов: вероятность одновременной покупки

Под условной вероятностью имеется в виду вероятность покупки того или иного вида номенклатуры при определенном условии – покупке определенного вида номенклатуры в предыдущий визит. Во вкладке Conditional файла excel можно ознакомиться со всеми условными вероятностями для двух, трех, четырех и более покупок.

Наиболее интересные закономерности: • Клиенты, купившие в первый визит номенклатуру ** или **, с вероятностью более **% совершат повторный визит – купят любую другую продукцию бренда;

• Мужчины, купившие в первый визит номенклатуру (любую из них) **, ** или **, с вероятностью более **% совершат повторный визит;

• Женщины, купившие в первый визит номенклатуру (любую из них) ** или **, с вероятностью более **% совершат повторный визит.

Условные вероятности позволяют с определенной вероятностью предсказывать потребительское поведение в зависимости от первой совершенной ими покупки.

Анализ базы клиентов: условная вероятность

19

Рекомендации Мы предлагаем использовать условные вероятности для персонализации взаимодействия компании с разными сегментами потребителей. Потребители делятся на сегменты, исходя из SKU, приобретенных ими во время первого визита.

На основе анализа того, какую покупку клиент совершил при первом визите, можно предположить вероятность его повторного визита, а также номенклатуру, которую он приобретет с определенной вероятностью. Это позволяет сделать взаимодействие клиентами более персонифицированным: • Рекомендуется предлагать им приобрести в e-mail рассылках определенные номенклатуры, вероятность покупки которых высока (на основе анализа их прошлых покупок);

• При ретаргетинге в социальных сетях необходимо использовать рекламные объявления с видами номенклатуры, вероятность покупки которых во время повторного визита максимально высока.

Условные вероятности показывают нам вероятность покупки любого SKU после приобретения определенного вида номенклатуры. Таким образом, мы можем понимать, какой клиент к нам скорее всего вернется, а какой – нет и тратить больше денег на тех, кто вернется и меньше на тех, кто не вернется.

Для реализации данных рекомендаций необходимо настроить CRM-систему таким образом, чтобы в зависимости от приобретенного в рамках первого визита SKU клиенту показывались персонализированные рекламные объявления и отправлялись персонализированные e-mail-рассылки.

Анализ базы клиентов: условная вероятность: Персонализация

20

Пример:

Предположим, клиент в первый визит приобрел номенклатуру **, тогда мы знаем о нем, что с вероятностью в **% он совершит повторный визит. Это является очень высоким показателем, а значит, это важный для нас клиент. Кроме того, нам известно, что с вероятностью **% этот клиент во время второго визита приобретет номенклатуру **.

Имея данные условные вероятности и зная средний интервал между визитами (**дней между первым и вторым визитом), можно персонализировать коммуникацию с клиентом по следующим каналам: • E-mail-рассылка – в рассылке для данного клиента обязательно должна содержаться информация о номенклатуре **; • Таргетированная реклама в социальных сетях – можно приглашать его посетить раздел каталога, в котором содержится номенклатура **; • Рассылки в WhatsApp и Viber – в них должны содержаться призывы ознакомиться с изделиями ** • Контент в социальных медиа – описывая в узкоспециализированном контенте номенклатуру ** можно упомянуть, что он отлично сочетается с номенклатурой **.

Подобные схемы взаимодействия с клиентами рекомендуется выстроить для всех часто приобретаемых видов номенклатуры.

Анализ базы клиентов: условная вероятность: Персонализация

21

СПАСИБО