Как B2B-маркетплейс «На_полке» увеличивает оборот через персонализацию коммуникации с покупателем

Фото: CrizzyStudio/Shutterstock/Fotodom

На конкурентном B2B-рынке развитие отношений с текущими клиентами часто приносит более предсказуемый и устойчивый результат, чем фокус исключительно на привлечении новых. Маркетплейс «На_полке» (платформа для закупок магазинами, предприятиями HoReCa и офисами) реализовал этот подход, внедрив систему автоматизированных коммуникаций, запускаемых по поведенческим триггерам. Это позволило увеличить оборот с сегмента наиболее активных покупателей на 11%.

Вместо массовых коммуникаций была проведена глубокая сегментация этой аудитории внутри платформы автоматизации маркетинга. Клиенты были разделены на четыре группы на основе трех ключевых параметров: среднего чека, исторической частоты заказов и типа бизнеса (например, магазин у дома, кафе, игровой клуб).

Коммуникация осуществлялась по каналам электронной почты и push-уведомлений, а также дублировалась в интерфейсе личного кабинета на веб-платформе и в мобильном приложении.

В отличие от типовых коммерческих предложений, содержание сообщения формулировалось как индивидуальная задача, параметры которой определялись на основе данных конкретного клиента. Для покупателей с низкой частотой заказов задача была ориентирована на увеличение количества сделок, для клиентов с небольшим средним чеком – на рост этого показателя через расширение закупаемого ассортимента.

Условия выполнения были сформулированы в виде измеримых критериев, которые сообщались клиенту. К ним относились необходимое количество заказов до конца месяца, целевой объем покупок, определенный на основе его персональной истории и данных сегмента, а также вид гарантированного поощрения. В качестве поощрения предусматривалось начисление баллов в программе лояльности, предоставление фиксированной скидки на следующий заказ или активация дополнительной сервисной функции.

Эффективность кампании была проверена с помощью A/B-тестирования на контрольных группах. В результате были зафиксированы три ключевых положительных эффекта. Во-первых, наблюдался рост частоты заказов, чему способствовали четко определенная количественная цель и понятное клиенту вознаграждение за ее достижение. Во-вторых, увеличился средний чек, поскольку установленный минимальный порог суммы покупок побуждал формировать более объемные корзины. В-третьих, персонализированный формат коммуникации в сочетании с абсолютно прозрачными условиями получения бонуса привел к повышению вовлеченности клиентов и укреплению их лояльности к платформе.

В настоящее время проводятся эксперименты по использованию машинного обучения для автоматической сегментации B2B-клиентов. Цель тестирования – научить алгоритм автоматически идентифицировать группы покупателей, которые реагируют на промоакции, и исключать из рассылок тех, кто совершает заказы без дополнительного стимулирования.

Первый пилотный проект ML-алгоритма в CRM-системе компании сфокусирован на прогнозировании реакции клиентов на скидки. Модель, обученная на исторических данных о покупках, автоматически классифицирует клиентскую базу на три группы.

• К первой группе («Лояльные») относятся клиенты, которые совершают заказы без дополнительных стимулов, что позволяет исключить для них расходы на скидки.

• Вторая группа («Убеждаемые») является целевой аудиторией для промокампаний.

• Третья группа («Холодные») временно исключается из рассылок для концентрации бюджета на более отзывчивых сегментах.

Как отмечают в компании, в B2B-ритейле с высоким средним чеком нецелевая рассылка скидок приводит к прямым финансовым потерям. Внедряемый алгоритм призван оптимизировать маркетинговый бюджет и повысить его отдачу, что представляет собой логичный переход от аналитики данных к автоматизированным действиям. По предварительным оценкам, успешная реализация проекта позволит повысить общую эффективность маркетинговых кампаний за счет роста конверсии и сокращения неоправданных расходов на стимулирование уже лояльных клиентов. Данный проект соответствует общему отраслевому тренду на гиперперсонализацию коммерческих коммуникаций, основанную на глубоком анализе данных.

Retail.ru