Бизнес-история
15 февраля 2022

Опыт «Галамарта»: как выжать максимум эффективности из программы лояльности

  • ЗадачаУвеличить продажи интернет-магазина
  • РешениеЗапустить омниканальную программу лояльности
  • Результаты37% — рост среднего чека среди участников программы лояльности по сравнению с неучастниками
  • 12% — рост возврата клиентов (retention rate)
  • УчастникиРуководитель программы лояльности и CRM, менеджер Mindbox
  • СрокГод
  • ИТКассы на Set Retail, интернет-магазин на «1С-Битрикс», платформа автоматизации маркетинга
  • Масштаб бизнеса400 розничных магазинов по России, 6 миллионов офлайн-клиентов, 1,5 миллиона онлайн-клиентов

Галамарт — федеральная франчайзинговая розничная сеть магазинов у дома. Основана в 2009 году

Анастасия Ломаченко

Анастасия Ломаченко, руководитель программы лояльности и CRM «Галамарт»

Меня зовут Анастасия Ломаченко, я руководитель программы лояльности и CRM в «Галамарте». Расскажу:

— Как выстраивали тестовый запуск программы лояльности на 20 магазинов.

— С какими неоправданными ожиданиями столкнулись. Мы считали, что в сборе данных все зависит от промокодов, оказалось — еще и от кассиров. В итоге обучали кассиров работать с участниками программы лояльности и мотивировали руководителей розничных магазинов достигать плана по проникновению программы лояльности.

— Как сегментируем клиентов и выстраиваем персональные коммуникации.

— Как AB-тест опроверг популярную идею, что подборки товаров в email‑рассылках — удачное решение.

— Как расчет LTV помогает понимать наших клиентов, управлять базой и считать ROI. И почему я считаю, что LTV не всегда должен быть больше CAC (стоимости привлечения клиентов).

Результаты запуска программы лояльности

+37%
вырос средний чек среди участников программы лояльности
+12 %
вырос возврат клиентов (retention rate)
30 тысяч
номеров телефонов собрали в 20 магазинах за 5 месяцев
15 тысяч
email-адресов собрали в 20 магазинах за 5 месяцев
10‑60 %
проникновение программы лояльности среди магазинов

Как запускали программу лояльности в 20 магазинах

Исследовали покупателей в магазинах и увидели, что наши клиенты особенно чувствительны к цене и привержены бренду благодаря спецпредложениям типа «второй за рубль» и «промокод со скидкой».

Сформулировали гипотезу: если идентифицировать офлайн-покупателей, то база онлайн-клиентов вырастет.

Проблемы, с которыми столкнулись:

Проблема Решение
Не знаем 90% клиентов Собираем данные о клиентах в офлайне, переводим их в онлайн
Нет инструмента идентификации клиентов Карта программы лояльности поможет идентифицировать клиентов
Нет данных, поэтому невозможно сегментировать базу и персонализировать предложения Сегментация, разработка CVM, работа с базой через LTV

Решили запускать программу лояльности на процессинге Mindbox по двум причинам:

  • свой процессинг разрабатывать дороже;
  • платформа собирает такие данные о клиентах, которые помогут глубоко сегментировать клиентов и в будущем считать LTV.

Пошаговый процесс запуска:

1. Внедрили программу лояльности для теста в 20 магазинах за пять месяцев.

2. Собрали на кассах в офлайне данные о клиентах — телефоны и email. Те, кто не оставил email сразу, позже получали SMS со ссылкой на сайт и промокод за email.

На этом этапе ожидали, что будем давать клиентам промокод на скидку, а они с удовольствием будут оставлять данные — телефоны, email, дату рождения свою и детей. Но оказалось, что не все зависит от промокода — есть еще кассиры, которые могут забыть или не успеть предложить участие в программе лояльности.

Мы начали обучать кассиров работать с программой лояльности, внедрили подсказки на кассе, чтобы кассир сразу видел, что нужно предлагать клиенту.

Кроме этого ввели метод «мотивация — демотивация» — поставили план по проникновению программы лояльности и дополнительно поощряли руководителей розничных магазинов, которые справляются с планом, и «штрафовали» руководителей магазинов, которые не справляются. Когда добились плана, «мотивацию — демотивацию» приостановили.

3. Собрали 30 тысяч телефонов и 15 тысяч email‑адресов. Гипотеза подтвердилась — идентификация покупателей в офлайне помогает увеличивать онлайн-базу.

4. Тем, кто не оставил email, отправили SMS со ссылкой на сайт и предложением оставить email. Мы понимали, что запуск дорогих SMS оправдан в перспективе — это плата за данные клиентов.

Еще до конца не проанализировали результаты этой кампании, но уже видим, что 50% тех, кто не оставил email в офлайне, оставили его благодаря SMS.

5. Запустили виртуальные карты лояльности в Wallet и получили дополнительный канал коммуникации. Подключили за три недели с Osmicards.

Как выстраивали персональную коммуникацию с клиентами

Правильная коммуникация — полезная, персональная и ненавязчивая. Это способ влиять на лояльное отношение клиентов к компании. Неправильная коммуникация ведет к выгоранию базы. Например, раньше клиенты «Галамарта» получали нерелевантные рассылки два раза в неделю: мужчины получали в предложениях бикини, женщины — автомасла. В итоге мы столкнулись с такими последствиями:

  • снижение показателей open и click rate, revenue. Например, раньше open rate всех рассылок был меньше 7%;
  • выросло число отписок (выжигание базы);
  • выросло число обращений в Роспотребнадзор, потому что люди воспринимали рассылки как спам;
  • снизилось доверие к бренду.

Мы начали выстраивать правильную коммуникацию с того, что сегментировали базу и разработали CVM (customer value management) — систему управления ценностью клиентов, которая помогла определить главные задачи коммуникации для каждого сегмента.

CVM picture
CVM «Галамарта» — задачи коммуникации для каждого сегмента

Дальше мы запустили рассылки со спецпредложениями для каждого сегмента. При этом отправляем их каскадом: email → вебпуши → SMS, потому что у людей разные поведенческие модели — кому-то удобно читать письма, кому-то — вебпуши или SMS. Стараемся отправлять рассылки каждому клиенту в удобном для него канале и с комфортной частотой.

В результате вырастили показатели эффективности рассылок — например, open rate вырос c 7% до 20–30%, продолжаем работать над повышением доверия и лояльности к бренду.

Как с помощью AB-тестов запускаем конверсионные email‑рассылки

Все нужно тестировать. Например, мы тестировали популярную среди маркетологов гипотезу, что у email‑рассылок с подборкой товаров конверсия в заказ выше, чем без подборки. Мы провели три теста, и оказалось, что с подборкой товаров click rate, конверсия в заказ и средний чек ниже, чем без подборки. Результаты теста:

Вариант email‑рассылки Количество участников Open rate Click rate
Без подборки товаров 25 506 21,6% 5,3%
С подборкой товаров 45 542 22% 5,1%

Объясняю это так: клиент с большей вероятностью оформляет заказ, если получает одно предложение, потому что ему не нужно тратить время и силы на выбор.

Как расчет LTV помогает понимать базу и рассчитывать ROI маркетинговой активности

В процессе расчета LTV поняли, что важно не подменять этой метрикой понятие чистой прибыли. Иначе может возникнуть ситуация, когда LTV растет, наценка отрицательная, а чистая прибыль падает.

Мы ограничиваем работу с LTV — используем метрику для понимания базы и расчета ROI:

1. Понимаем базу, умеем ей управлять. Для этого:

  • Сегментируем аудиторию, чтобы не раздавать скидки всем клиентам.

    У эффективной программы лояльности есть ядро постоянных клиентов — 30–40% всех клиентов, которые останутся лояльными и будут приносить прибыль, даже если не давать им скидки (при условии, что с продуктом и сервисом все в порядке). Значит, нет смысла давать таким клиентам скидки и делать спецпредложения — это только расхолаживает их и формирует привычку, что компания постоянно что-то дает. При этом есть нестабильные сегменты — новички, предотток, отток. И вот этим сегментам нужно давать скидки, чтобы мотивировать их стать лояльными.

    Например, компания раздает 300 миллионов рублей — дарит шести миллионам активной аудитории по 50 рублей, но в итоге получает плюс-минус те же продажи, которые были без этих подарков. Потому что реагируют только нестабильные сегменты (предотток и отток).

  • Используем предиктивную аналитику. Это позволяет понимать, что будет интересовать клиента в будущем, что он захочет покупать.

  • Используем prescriptive analytics (предписывающую аналитику). Она позволяет растить прибыль за счет допродаж. Например, клиент покупает кока-колу и сигареты, предлагаем ему жвачку.

  • LTV позволяет оценить потенциал работы не только с конкретным клиентом, но и ценность отдельных сегментов внутри базы. Это помогает определить, с какими сегментами клиентов и как именно работать, чтобы растить прибыль.

2. В расчете ROI LTV помогает так: сопоставляем его с другими метриками, например c CAC. Это позволяет планировать маркетинговые кампании, считать их ROI, видеть эффективность и наладить системную работу по улучшению кампаний.

Кроме этого, мы столкнулись с тем, что не для всех ситуаций подходит правило «LTV должен быть больше CAC». Например, в начале работы с нестабильными сегментами (предотток и и отток) стоимость привлечения клиента может быть выше LTV.

Планы по развитию программы лояльности

1. Достичь проникновения программы лояльности — 90%.

2. Внедрить две виртуальные валюты для участников программы. Одна начисляется при покупке любых товаров, но списывается только при покупке товаров определенной категории. Так планируем управлять товарными категориями и влиять на товарооборот. Вторая валюта начисляется в таких ситуациях: день рождения, клиент в сегментах предоттока или оттока, если мы чем-либо обидели клиента.

P. S. В этой истории мы рассказали о наших продуктах «Лояльность» и «Рассылки». Узнайте о продуктах подробнее на их страницах или в разговоре с консультантом.