Увеличили конверсию на сайте Finn Flare на 30% при помощи RFM-сегментации

О клиенте

Finn Flare —  международный бренд одежды, который входит в топ-15 крупнейших компаний fashion-ритейла России. Представлен более чем 100 офлайн-магазинами, в том числе в Казахстане. Имеет свой онлайн-магазин и мобильное приложение.

Задача, поставленная перед MediaNation

Увеличить продажи в онлайн-магазине в рамках строгого ДРР (доли рекламных расходов). Это подразумевает привлечение большего числа покупателей на сайт с меньшими затратами.

Решение

При разработке стратегий мы пришли к выводу, что наилучший способ оптимизации бюджета — показывать рекламу тем, кто уже знаком с брендом и ранее совершал покупки.

Мы предложили использовать ремаркетинг с применением RFM-сегментации. Аббревиатура RFM расшифровывается как Recency (давность), Frequency (частота), Monetary (деньги). По каждому из этих трех показателей все клиенты делятся на группы:

Различное сочетание групп по трем признакам позволяет выделить всего 27 сегментов покупателей. Изменяя коэффициенты можно добиться, чтобы клиенты из наиболее перспективных сегментов видели рекламу чаще, а наименее перспективных — реже.

Этап 1. Сбор данных

Команда маркетологов Finn Flare поддержала эту идею и быстро предоставила агентству доступ к данным о клиентах за последние два года. Такой период позволил собрать достаточно информации для анализа, учитывая редкость покупок.

Для создания RFM-сегментов в CRM клиента запрашивалась следующая информация:

• дата заказа;
• доход с заказа;
• внешний идентификатор пользователя;
• идентификатор заказа;
• почта пользователя (в захэшированном виде);
• телефон пользователя (в захэшированном виде).

Этап 2. Выгрузка данных.

Данные о продажах содержатся в таблице Google BigQuery, поэтому для выгрузки мы использовали SQL-запросы.

В запросе для каждого клиента вычисляется:

1. Давность — количество дней с его последней покупки, 
2. Частота — количество покупок,
3. Сумма заказов.

В качестве периода выгрузки используется интервал 2 года. При этом каждый день в качестве даты окончания периода используется дата предыдущего дня.

Этап 3. Присвоение сегмента.

Сначала мы разбили всех клиентов на группы по каждому из признаков отдельно. Количество таких групп может различаться, но чаще всего для RFM-анализа используют по 3 группы на признак. Мы не стали отходить от общей практики.

Для разделения клиентов внутри признака использовались 0.33 и 0.66 квантили.

RFM сегмент присваивался клиенту в зависимости от того, к каким группам он относится по всем трем признакам. Всего получилось 27 сементов.

Разделив аудиторию на 27 сегментов, мы обнаружили, что в некоторых сегментах набирается менее 100 пользователей, что, затрудняло дальнейшую работу с Яндекс.Аудиториями, где пользователей должно быть больше 100. Мы решили некоторые сегменты объединить — это сократило общее количество групп и облегчило дальнейший анализ эффективности каждой из них.

Мы сократили число групп с 27 до 8. В итоге список сегментов выглядел следующим образом:

1. Активные нерегулярные покупатели
2. Бывшие частые покупатели
3. Время от времени покупающие
4. Лидеры среди клиентов
5. Недавно покупавшие, теперь неактивные
6. Новички
7. Перспективные клиенты
8. Однократные покупатели

Этап 4. Автоматизация процесса.

Поведение клиентов может изменяться. Кто-то становится более лояльным к бренду, кто-то напротив снижает активность. Кроме того постоянно появляются новые покупатели. Поэтому мы настроили автоматизированное обновление сегментов на ежедневной основе с помощью технологий StreamMyData.

Процесс был разделен на несколько этапов:

Этап 5: использование полученных сегментов.

После формирования сегментов мы загрузили их в Яндекс.Аудитории и запустили рекламные кампании в Яндекс.Директ (ремаркетинг в Поиске и РСЯ). Для клиентов с высокой вероятностью покупки мы установили повышающие коэффициенты, чтобы они видели рекламу чаще, а для менее активных — понижающие.

Однако был нюанс в работе с самой горячей аудиторией: «Лидерами среди клиентов». Мы решили не выставлять им максимальную корректировку, потому что они лояльны к бренду без дополнительных стимуляций к покупкам. Ставка для них была высокой, но не максимальной.

Минимальные и максимальные корректировки составили -15% и +70% соответственно. Мы постоянно контролировали эффективность аудиторий и корректировали ставки в зависимости от их производительности.

Результат

Через два месяца после начала кампании конверсия увеличилась на 30,7%, а стоимость заказа снизилась на 24%.

Выводы и рекомендации

1. Быстрый доступ к данным из CRM клиента существенно ускоряет получение результатов рекламной кампании. Чем скорее будет предоставлена необходимая информация для RFM-сегментации, тем быстрее снизится стоимость привлечения покупателей.
2. RFM-сегментация не обязательно должна включать 27 сегментов. Если нужно, можно объединить похожие сегменты для увеличения количества пользователей в каждой группе. 
3. На лояльных клиентах можно сэкономить. Им следует показывать рекламу, но не так часто, как тем, кто сомневается в покупке.
4. Важно быть гибкими в отношении корректировок для каждого сегмента. Корректировки можно увеличивать или уменьшать в зависимости от их эффективности для конкретной аудитории.
5. RFM-сегментация является простым, но часто недооцененным инструментом, способным в короткие сроки приносить отличные результаты.