EKONIKA сменила CDP, чтобы эффективнее работать с базой. Это позволило точечно сегментировать базу, адресно общаться с клиентами и предлагать им релевантные товары. Выручка на получателя ручных рассылок увеличилась в 6 раз.
Сегментируй это: EKONIKA в 6 раз вырастила выручку на получателя ручных рассылок благодаря точечной сегментации
EKONIKA — российская сеть магазинов обуви, сумок и аксессуаров для женщин. Основана в 1992 году
Масштаб бизнеса.
160 салонов в России и Казахстане, 5 млн активных пользователей
Задача
Увеличить выручку на получателя без повышения коммуникационной нагрузки
Решение
Сегментировать базу по 19 параметрам и отправлять точечные рассылки
Результат
В 6 раз увеличилась выручка на одного получателя ручных рассылокВ 2,7 раза увеличилась выручка CRM-маркетинга6,9% → 15,3% доля выручки от CRM-маркетинга в общей выручке компании
ИТ.
Сайт на «Битриксе», кассы 1С, нативные приложения для iOS и Android, CRM собственной разработки, программа лояльности Manzana, аналитическая платформа ClickView, платформа автоматизации маркетинга Mindbox
Срок.
1,5 года
13 сентября 2024
В EKONIKA уделяют много внимания работе с базой. Для бизнеса это понятный и предсказуемый инструмент: быстро видны результаты в деньгах, относительно легко подсчитать окупаемость, можно чуть ли не бесконечно тестировать гипотезы и повышать эффективность.
Поэтому, когда команда CRM поняла, что для дальнейшего роста нужно сменить платформу клиентских данных, проект сразу поддержали. Теперь все данные о клиентах из офлайна и онлайна хранятся в Mindbox — можно точечно сегментировать базу, адресно общаться с клиентами и предлагать им максимально релевантные товары. Благодаря этому выручка на одного получателя ручных email-рассылок увеличилась в шесть раз.
Поэтому, когда команда CRM поняла, что для дальнейшего роста нужно сменить платформу клиентских данных, проект сразу поддержали. Теперь все данные о клиентах из офлайна и онлайна хранятся в Mindbox — можно точечно сегментировать базу, адресно общаться с клиентами и предлагать им максимально релевантные товары. Благодаря этому выручка на одного получателя ручных email-рассылок увеличилась в шесть раз.
Также в истории успеха:
Результаты точечной сегментации
-
× 6выручка на получателя ручных рассылок
-
× 2,7выручка CRM-маркетинга
-
6,9% → 15,3%доля выручки от CRM-маркетинга в общей выручке компании
Данные из аналитической платформы QlikView и отчетов Mindbox — сводного по рассылкам и по целям. Период — первые пять месяцев 2024 года относительно аналогичного периода 2023. Метод атрибуции — last-non-direct-touch по кликам для всех прямых каналов, кроме SMS — для них атрибуция считается по доставкам
Переход на Mindbox позволил нам развивать маркетинг гораздо быстрее, чем с прошлой платформой. Теперь мы:
- Сегментируем базу с учетом данных офлайна и сайта, включая личный кабинет. Благодаря этому можем предлагать клиентам наиболее подходящие и при этом доступные в их регионе товары. Причем по полной цене, не дожидаясь сезонных распродаж.
- Общаемся с клиентами в удобных для них каналах, отправляем платные сообщения только тем сегментам, для которых это эффективно.
- Видим полноценную статистику по всем каналам продаж.
- Постоянно пополняем список гипотез. Для их поиска советуемся с нашим менеджером Mindbox и изучаем опыт других фешн-брендов, работающих с Mindbox.
Данные из отчета по целям Mindbox, метод атрибуции — last-non-direct-touch по кликам
Почему для развития CRM-маркетинга пришлось сменить платформу
До Mindbox у нас уже была платформа клиентских данных, но она не позволяла реализовать все нужные нам механики. Дело в том, что интеграция с ней не была завершена. Из мобильного приложения не передавались действия клиентов с товарами — нельзя было атрибуцировать продажи к мобильным пушам. Не была настроена и автоматическая передача офлайн-чеков из CRM. Более того, при интеграции были допущены ошибки, например терялся статус подписки. Из-за этого:
Не получали полноценные данные из офлайна. Офлайн-покупки передавались с опозданием, информации о выкупе онлайн-заказов просто не было. Из-за этого не видели полную картину и не могли принимать решения на основе данных. Кроме того, между платформой клиентских данных и процессингом лояльности терялась часть информации, в том числе критическая — о статусе подписки. Клиенту могло уйти письмо, хотя он уже отказался от рассылок.
Сегменты в онлайне были неполными. Так, число клиентов с брошенным просмотром на платформе и в Google Analytics отличалось в два-три раза. Из-за этого коммуникации отправлялись не всем подходящим клиентам.
Не могли выводить в письмах товары, доступные в конкретном регионе: платформа не видела товарные остатки в рознице.
Рекомендации работали некорректно: в них выводились нерелевантные товары, например зимняя обувь при поиске летней.
Мы могли провести аудит интеграции и внести в нее изменения, настроить полную передачу данных между платформой, мобильным приложением и CRM, исправить накопленные ошибки в базе данных. Однако, по нашей оценке, стоимость этих работ превышала стоимость интеграции с нуля с Mindbox. К тому же нас не устраивали технические ограничения прошлой платформы:
Маркетологи не могли самостоятельно настраивать отчеты. Платформа позволяла получить почти любые кастомные отчеты, но для этого нужны были навыки программирования. Это сильно ограничивало нас в построении даже базовых отчетов — для оценки кликабельности, конверсии, продаж. Приходилось каждый раз привлекать продакт-менеджера, умеющего работать с SQL-запросами.
Маркетологи не могли самостоятельно настраивать попапы на сайте и рассылки: для любых настроек, даже выбора сегмента, нужно было формировать SQL-запрос. Для настройки попапов приходилось привлекать продакт-менеджера, для настройки рассылок — агентство. Из-за этого механики запускались с задержкой и компания недополучала прибыль.
Служба поддержки не была вовлечена в работу. Аккаунт-менеджер и служба поддержки не помогали решать наши задачи — в основном предлагали пройти платные курсы. Кроме того, у сотрудников не было понимания, как работает CRM-маркетинг в фешн-индустрии. Из-за этого они не могли посоветовать эффективные механики.
Поэтому мы решили искать другой сервис. Основными критериями выбора были следующие:
ROPO (от английского research online, purchase offline) — поиск информации в интернете перед офлайн-покупкой
- объединение всех прямых каналов коммуникации и программы лояльности в одной платформе;
- удобный интерфейс для настройки рассылок, товарных рекомендаций и персонализации сайта без ИТ;
- пул готовых отчетов с возможностью оценить ROPO-эффект с детализацией по каналам сбыта;
- оперативная поддержка, готовность делиться лучшими практиками в фешн-индустрии.
Проанализировали существующие решения и остановились на Mindbox по трем причинам:
- Платформой успешно пользуются многие компании в фешн-сфере — значит, Mindbox хорошо подходит под особенности нашего бизнеса.
- У менеджеров клиентского сервиса есть понимание, какие автоматические сценарии хорошо себя зарекомендовали на фешн-рынке. Это позволило быстро внедрить лучшие практики и увеличить прибыль. Нам не пришлось изобретать велосипед — за счет этого появилось время на тестирование гипотез.
- Платформа постоянно развивается и добавляет новые функции — видим по кейсам коллег, как они применяют новые возможности Mindbox на практике.
Как интегрировались с Mindbox
В интеграции с новой платформой участвовала большая команда: product manager с нашей стороны, менеджер Mindbox, отделы performance, digital, разработки, программы лояльности, а также подрядчики со стороны сайта, мобильного приложения, программы лояльности. Кроме того, определить логику передачи данных помогали технический директор и руководитель omnichannel.
Подготовительный этап занял полтора месяца: сначала нужно было перенести базу клиентов в Mindbox и навести в ней порядок. Источников данных было два: прошлая платформа клиентских данных и процессинг лояльности. Из-за ошибки в интеграции данные в этих системах не были идентичными. Наводили порядок в три этапа:
- Выгрузили активных клиентов из CDP — с действиями на сайте в течение двух месяцев. Это позволило сохранить только актуальные данные: в прошлой CDP к одному клиенту можно было привязать несколько email-адресов и номеров телефона.
- Выгрузили данные из процессинга лояльности и сверили их с данными из CDP. Выяснилось, что примерно у 20% клиентов в CDP к профилю привязана не та карта лояльности.
- Удалили все карты лояльности из профилей клиентов и залили их заново. В качестве идентификатора использовали номер телефона.
Затем приступили непосредственно к интеграции — она заняла еще 2,5 месяца и состояла из двух этапов:
- Начали передавать в Mindbox события с сайта и проверили их корректность.
- Интегрировали мобильное приложение и процессинг лояльности (он пока остается на стороннем сервисе).
Схема передачи данных между EKONIKA и Mindbox
Как сегментация в ручных email-рассылках помогла в 6 раз повысить выручку на одного получателя
После подключения Mindbox в январе 2023 года смогли сегментировать базу не только по действиям на сайте, но и по истории покупок, данным из процессинга лояльности и личного кабинета — последние указывает сам клиент. Сначала выделили шесть параметров, затем обменялись идеями с коллегами из отдела розницы, которые также занимались персонализацией клиентского опыта, и добавили еще восемь. Например, стали выделять клиентов, которые покупают по полной цене или в определенное время. Получилось 19 параметров для сегментации, которые дают 132 микросегмента.
Параметры для сегментации клиентов EKONIKA
Откуда данные поступают в Mindbox
Сайт и мобильное приложение
Процессинг лояльности
Личный кабинет
Параметры для сегментации
— Интерес к цветам товаров
— Интерес к категориям (обувь, сумки, аксессуары)— Интерес к подкатегориям
— Интерес к торговой марке
— Активность (дата последнего посещения сайта)
— Давность покупки на сайте
— Риск оттока
— Средний чек покупки на сайте
— География заказов
— Интерес к категориям (обувь, сумки, аксессуары)— Интерес к подкатегориям
— Интерес к торговой марке
— Активность (дата последнего посещения сайта)
— Давность покупки на сайте
— Риск оттока
— Средний чек покупки на сайте
— География заказов
— Наличие карты лояльности
— Размер скидки по карте лояльности
— Статус карты лояльности
— Давность покупки в офлайне
— Средний чек покупки в офлайне
— География покупок в офлайне
— Размер скидки по карте лояльности
— Статус карты лояльности
— Давность покупки в офлайне
— Средний чек покупки в офлайне
— География покупок в офлайне
— Возраст— Стилистические предпочтения (стиль и модность)
— Размер ноги
— Строение стопы (полнота и подъем)
— Размер ноги
— Строение стопы (полнота и подъем)
По всей базе рассылки отправляем редко, не чаще двух раз в месяц. Ориентируемся на информационный повод — он должен быть интересен всем нашим подписчикам, включая сегмент «риск оттока». Это, например, выход новой коллекции или начало сезонной распродажи.
Остальные рассылки отправляем по конкретным сегментам, отталкиваясь от контент-плана: составляем его на месяц и детализируем до каждого дня. Например, у нас есть идея рассылки о том, в чем ходить в офис в жаркие дни. Дальше определяем, какие модели обуви будут участвовать в этой рассылке: новая коллекция, популярные товары или, наоборот, модели, на которые клиенты обращают меньше внимания. В подборе помогают директор по маркетингу и команда розницы.
Каждому сегменту, за исключением «риска оттока», отправляем от двух до четырех рассылок в месяц с разной степенью персонализации:
Сегментированные рассылки. Основаны на интересах клиентов, которые мы получаем автоматически, например просмотр на сайте аксессуаров или обуви конкретного цвета.
Сегментированная рассылка о красном в моде. Сегмент — клиенты, которые интересовались моделями красного, бордового, розового, голубого и оранжевого цвета, но не делали заказы за последние 14 дней. Open rate — 22,4%, click rate — 4,1%, конверсия в заказ по last click — 0,1%.
Сегментированная рассылка о новой домашней коллекции. Сегмент — клиенты, которые интересовались домашней коллекцией или покупали товары из прошлой, но не открывали рассылки в течение 30 дней и не делали заказы за последние 14 дней. Open rate — 23,7%, click rate — 1,2%, конверсия в заказ по last click — 0,1%
Персонализированные рассылки. Основаны на информации, которую клиент указывает в личном кабинете: возраст, стилистические предпочтения, размер ноги и строение стопы. Понятно, что такие рассылки сужают сегмент, зато позволяют адресно общаться с клиентами и предлагать им максимально релевантные товары. По показателям рассылок видим, что сегментация работает.
Персонализированная рассылка о новинках большого размера. Сегмент — клиенты с 41–43 размером ноги, которые не оформляли заказ в течение двух недель и при этом не относятся к сегменту новичков. Open rate — 13,8%, click rate — 3%, конверсия в заказ по last click — 0,1%
Средние показатели email-рассылок
Вид рассылок
Open rate
CTOR
Конверсия в заказ
Массовые
14,9%
11,9%
0,07%
Сегментированные
28%
11,7%
0,11%
Персонализированные
25,7%
13,6%
0,22%
Показатели из внутренней отчетности EKONIKA за первый квартал 2024 года
При этом на массовые рассылки приходится 7% выручки email-канала, на сегментированные и персонализированные — 68% (оставшиеся 25% — это триггерные рассылки).
Сейчас у нас в базе 20% клиентов, которые указали свои данные в личном кабинете и могут получать персонализированные рассылки. Стремимся увеличить этот процент: рассказываем о возможности получать персональные подборки. Делаем это на кассе и на сайте, с помощью попапа Mindbox.
Попап с просьбой заполнить данные в личном кабинете показывается один раз за сессию, если клиент еще не закрывал эту форму и не относится к сегменту «стилисты». Кроме того, его не показывают клиентам, которые видели другие попапы в этой сессии. Click rate попапа — 1,3%
Как ML-алгоритм помог увеличить конверсию в заказ непопулярных товаров в 2,5 раза
Каждый месяц мы делаем массовую рассылку для продвижения товаров, которые продаются с меньшей скоростью. Получателей отбираем с помощью фильтров Mindbox — с действиями на сайте за два месяца, но без покупок за последние две недели.
Чтобы повысить конверсию в заказ, команда Mindbox предложила протестировать в бета-версии ML-алгоритм, который отбирает клиентов с наибольшей вероятностью покупки.
Предполагали, что алгоритм также поможет снизить коммуникационную нагрузку на базу: не отправлять лишнее письмо тем, кто точно не оформит заказ.
Алгоритм отбирает сегмент клиентов, которым интересны определенные продукты или категории продуктов. Выбор основывается на данных о клиентах за 120 дней:
- прямой интерес к продукту (посмотрел товар, но не купил);
- скрытый интерес (покупатель посмотрел несколько товаров-аналогов или купил сопутствующий товар в онлайне или офлайне.
Чтобы проверить эффективность ML-алгоритма, провели два AB-теста. Сначала отправили рассылку двум сегментам: один собрали вручную с помощью обычных фильтров, второй — с помощью ML-алгоритма. У клиентов, подобранных ML-алгоритмом, конверсия в заказ продвигаемых товаров оказалась в 2,5 раза выше. Статистическая достоверность — 95%. Из этого сделали вывод, что можно отправлять массовую рассылку на сегмент в 2,5 раза меньше и не просесть в выручке.
Одинаковое письмо отправили двум сегментам: собранному вручную и подобранному ML-алгоритмом. Конверсия в заказ продвигаемых товаров у ML-алгоритма оказалась в 2,5 раза выше
Однако было непонятно, насколько рассылка влияет на продажи: возможно, клиенты из ML-сегмента и так оформили бы заказ. Чтобы проверить это, провели второй тест с контрольной группой: из ML-сегмента исключили половину клиентов, а затем сравнили результаты тестовой и контрольной групп.
В тестовой группе число пользователей, совершивших хотя бы один заказ с рекламируемым товаром, оказалось в 1,8 раза выше, чем в контрольной. Конверсия в заказ тоже была выше — на 0,05 п. п. Статистическая достоверность — 90%.
Как ищем сегменты, которым выгодно отправлять SMS: ДРР канала не превышает 4,41%
В октябре прошлого года у нас в команде возникла идея отключить SMS-рассылки: деньги на них тратили, а эффективность посчитать не могли. Дело в том, что часть SMS-рассылок отправляется без ссылок. Без ссылок нет и кликов — посчитать эффективность по модели last click нельзя. В части SMS ссылки есть, но многие клиенты не переходят по ним, а, например, просто посещают магазин.
В SMS об открытии новых магазинов есть ссылка, но часть получателей не переходит по ней, а просто посещает магазин
Чтобы отслеживать заказы не по кликам, а по доставленным сообщениям, коллеги из Mindbox собрали прототип отчета. Заказ атрибуцировался к механике, если:
- между доставкой SMS и заказом не было других переходов, за исключением прямых;
- между доставкой и заказом прошло не более определенного количества дней (окно атрибуции).
Исключили из анализа транзакционные рассылки, иначе вся выручка атрибуцировалась бы к SMS с кодом авторизации.
Стандартное окно атрибуции в Mindbox — 30 дней, но для SMS специально его снизили, чтобы получить более строгую оценку. Использовали два окна атрибуции:
- день — минимальное окно атрибуции;
- неделя.
Атрибуция в один день показывает минимальную оценку выручки: клиенты могут не успеть доехать до магазина или оформить заказ на сайте за такой короткий срок. Неделя дает менее строгую оценку: на этот период приходится 85% покупок, последней точкой касания у которых было SMS.
В качестве целевой ДРР выбрали 10–15%. Считали по формуле:
-
0,85–4,41%средняя ДРР SMS за первый квартал 2024 года в зависимости от окна атрибуции
Отключать SMS не планировали, если ДРР окажется ниже целевой. Так и произошло. Средняя ДРР за первый квартал 2024 года — 4,41% при окне атрибуции в один день и 0,85% при атрибуции в неделю.
То есть, если бы мы отключили SMS, то недополучили бы прибыль.
Но важнее был даже не этот общий вывод, а то, что мы смогли проанализировать ДРР каждой рассылки и понять, каким сегментам стоит отправлять SMS, а каким нет. Анализ подтвердил нашу первоначальную гипотезу: на SMS хорошо реагируют покупатели в офлайне. При отправке SMS на этот сегмент ДРР оказывается в 1,5 раза ниже, чем при отправке на сегмент онлайн-покупателей, причем независимо от окна атрибуции. Связываем это с тем, что офлайн-клиенты в целом больше привыкли к SMS-каналу: в рознице покупатели чаще оставляют телефон и готовы получать сообщения от брендов.
Продолжим тестировать SMS, чтобы сузить сегмент: хотим точно понимать, каким клиентам эффективно отправлять платные сообщения. Для этого нам больше не придется обращаться к аналитикам Mindbox: вскоре после завершения теста коллеги добавили атрибуцию к доставленным сообщениям в стандартные отчеты.
Выручка в офлайне, атрибуцированная к SMS
Данные об офлайн-продажах из сводного отчета по целям Mindbox, метод атрибуции — last-non-direct-touch по доставкам. Колебания на графике объясняются сезонностью
Планы
Измерить влияние SMS, Viber и WhatsApp на покупку рекламируемых товаров. Используем для этого контрольные группы.
Найти узкие сегменты, для которых оправдано использование платных каналов. Продолжим эксперименты с SMS и Viber.
Протестировать рекомендации Mindbox в письмах и на сайте: хотим проверить, какие рекомендации эффективнее повышают конверсию в покупку — собранные нашими стилистами или автоматические.
Использовать In-App в мобильном приложении, чтобы повысить вовлеченность пользователей и конверсию в покупку.
Встроить вебпуши в каскадные рассылки. Предполагаем, что это позволит повысить конверсию в заказ — пока собираем базу подписчиков на вебпуши.
P. S. В этой истории мы рассказывали о наших продуктах CDP — Платформа клиентских данных, Рассылки, Рекомендации и ML. Узнайте о продуктах подробнее на их страницах или в разговоре с консультантом.
