Как поведенческий маркетинг помогает повышать продажи

Работа строится вокруг CJM и клиентского сценария — истории взаимодействия бизнеса с пользователем. Путь клиента описывает боли и проблемы на разных этапах до сделки, клиентский сценарий — как покупатель движется по воронке и что для этого делает бизнес.

Поведенческий маркетинг решает две основные задачи:

Ответ на действия пользователя. Бизнес отслеживает действия пользователей, чтобы определить, на каком этапе воронки находится клиент, и подстроить под него коммуникацию. На каждом этапе у пользователя разные потребности и вопросы, на которые он ищет ответ. Чтобы ответить на запрос клиента, маркетолог формулирует предложение для каждого этапа воронки и учитывает контекст клиентского сценария — историю взаимодействия с бизнесом и продуктом. Это позволяет повысить конверсию в переход на следующий этап воронки — ближе к сделке.

Например, пользователь хочет навести порядок в личных задачах. Он находит блог таск-трекера и подписывается на серию обучающих писем об управлении задачами. Если подписчик прочитал рассылку, то, скорее всего, он понимает, что таск-трекер ему подходит — теперь можно рассказать о функциях сервиса, который предлагает компания.

Поиск закономерности поведения. Чтобы найти характерные шаблоны поведения клиентов, или паттерны, анализируют статистику. Для этого используют, например, ML-алгоритмы. По найденным шаблонам поведения маркетологи сегментируют клиентскую базу. Это позволяет рекомендовать клиентам подходящие товары и услуги и прогнозировать поведение, например дату повторной покупки. Если загрузить в рекламную платформу клиентский сегмент, то можно запустить look-alike-таргетинг. Платформа показывает рекламу пользователям, которые похожи на целевую аудиторию: например, заходят на те же сайты, интересуются теми же вещами, бывают в тех же местах.

CDP для автоматизации поведенческого маркетинга. Платформа клиентских данных собирает информацию о том, как клиент взаимодействует с бизнесом: например, когда заходил на сайт, что покупал, какие рассылки читал. Затем CDP автоматически сегментирует клиентскую базу по данным пользователей и их поведению.

Правила сегментации задает маркетолог. На базе сегментов CDP запускается омниканальная коммуникация с клиентами: автоматические рассылки, персональные товарные рекомендации, поведенческий таргетинг.

CDP позволяет объединить омниканальные сценарии и анализ статистики. Например, автоматически выделить RFM-сегменты и для каждого запустить собственный сценарий коммуникации: новым клиентам предложить приветственную скидку, а постоянным — повышенный кешбэк баллами.

Сценарий — это алгоритм, по которому бизнес взаимодействует с пользователем на клиентском пути. На каждом шаге алгоритма можно использовать разные инструменты: чаще всего это рассылки, но могут быть баннеры или попапы в приложении и на сайте.

Сценарий включает определенный этап клиентского пути — сразу несколько или весь CJM целиком. Коммуникация на каждом этапе зависит от поведения клиента, то есть его действий на клиентском пути. Сценарии используют, чтобы продвинуть пользователя по воронке продаж ближе к сделке. Для этого обычно объединяют разные каналы коммуникации, например e-mail, мобильные пуши, баннеры в приложении и на сайте.

Цепочку шагов сценария определяет маркетолог с учетом CJM. Например, клиент зарегистрировался в сервисе и получает обучающую welcome-рассылку, которая рассказывает, как пользоваться продуктом. После онбординга клиент получает предложение подписаться на платный тариф.

Ниже собрали примеры сценариев для поведенческого маркетинга.

«Брошенные» механики. Сценарий запускается, если пользователь интересовался товаром или услугой на сайте или в приложении, но не купил. В зависимости от того, насколько далеко клиент продвинулся по воронке к сделке, используют один из видов механики:

Например, маркетологи сети магазинов мужской одежды «Воин» внедрили автоматические рассылки на базе CDP, что помогло увеличить выручку от рассылок на 73% год к году. Среди сценариев были механики «брошенная корзина», «брошенный просмотр» и «брошенная категория».

Товар скоро закончится. Механика дополняет брошенную корзину и брошенный просмотр. Если на складе осталось мало товара, которым интересовался клиент, он получает сообщение об этом. Так бизнес может подтолкнуть человека к покупке. Уведомление может выступать социальным доказательством качества товара: если вещь разбирают, значит, она хорошая — надо действовать как все.

Напоминание отправляют достаточно быстро, чтобы успеть, пока клиент еще выбирает. Для длительных циклов сделки можно дать чуть больше времени на размышление, чтобы не вызвать ощущение навязчивости.

Например, сезонную одежду и обувь выбирают за несколько дней, поэтому напоминают о товаре в тот же день или на следующий. Более дорогие несезонные товары могут выбирать несколько недель, например диван или телевизор. В этом случае напоминание можно отправить в течение недели после несостоявшегося заказа.

Каскадные рассылки. В этой механике одно и то же сообщение отправляется последовательно в разных каналах. Это позволяет подстроиться под поведение пользователя — подобрать наиболее эффективный способ коммуникации.

Сообщение сначала отправляется в условно бесплатные каналы, например email и мобильные пуши, а потом в платные — SMS, рассылки через WhatsApp Business API. Каждый следующий инструмент задействуется, если предыдущий не привел к целевому действию, например переходу на сайт или заказу. Так бизнес снижает затраты на маркетинговые коммуникации и увеличивает охват.

Каскады работают в любом сценарии, например в массовых рассылках или напоминаниях об акции. Чтобы сделать коммуникацию с клиентом более экологичной, можно дать ему возможность выбрать предпочитаемый канал.

Поведенческий таргетинг — это показ контекстной рекламы в ответ на действия пользователя, или ретаргетинг. Платформа клиентских данных позволяет встроить рекламу в сценарий и персонализировать ее. Это помогает повысить конверсию в покупку — реклама подстраивается под сегмент и действия пользователя на CJM.

Если встроить таргетинг в каскадный сценарий, рекламу увидят только клиенты, которые не среагировали на рассылку по условно бесплатным каналам. Это снижает маркетинговые затраты и помогает поднять продажи.

«Нетология» внедрила таргетинг на сегмент пользователей, которые оставили данные на сайте, но не купили курс. Это позволило снизить стоимость лида в поисковой рекламе на 23%.

Другой сценарий поведенческого таргетинга — подбирать новую аудиторию, которая похожа поведением на клиентов компании. Для этого маркетолог выделяет сегмент клиентской базы, например постоянных клиентов, и загружает его в рекламный кабинет. Рекламная платформа подбирает look-alike-аудиторию, которая похожа по интересам и поведению в сети.

Сеть ресторанов восточной кухни «Урюк» подключила автоматические рекламные кампании на look-alike-аудиторию через платформу Mindbox. В рекламные кабинеты передается сегмент постоянных клиентов, а рекламная платформа подбирает похожую аудиторию. Это позволило увеличить конверсию в оформление заявки на 14%.

ML-алгоритмы — алгоритмы машинного обучения на основе нейросетей. Алгоритмы анализируют статистику и выявляют закономерности поведения пользователей. Это позволяет прогнозировать, какой товар может понравиться клиенту и в какой момент.

Алгоритмы встраивают в сценарии, чтобы повысить эффективность маркетинга в целом. Например, в уведомлении о статусе заказа клиент видит также подборку сопутствующих товаров. В Mindbox такую подборку, как и другие результаты работы ML-алгоритмов, можно использовать в любых каналах, например на сайте и в приложении, в рассылке по email и в пушах.

Товарные рекомендации. Маркетолог может выбрать параметры, по которым алгоритм формирует подборку товаров:

По какому параметру составлять подборку товаров, зависит от ситуации. Например, для рассылки постоянным покупателям можно составить персональную подборку по всему ассортименту. Алгоритм подберет товары, которые популярны у клиентов с похожим поведением. Для рассылки «брошенный просмотр» алгоритм подготовит подборку похожих и сопутствующих товаров, а для брошенной категории — популярные товары.

Сеть магазинов «Музторг» запустила продуктовые рекомендации на сайте. Подборки товаров учитывают историю покупок клиента, популярность товаров у покупателей, популярные сочетания продуктов. ROI товарных рекомендаций в «Музторге» достиг 326% за семь месяцев после внедрения.

Next best action — алгоритм прогнозирует дату повторной покупки на основе статистики поведения покупателей. Какое предложение отправить клиенту, определяет маркетолог. Например, можно прислать подборку товаров на основе ML-алгоритмов или предложить повторить заказ, если товар покупают регулярно: стиральный порошок, корм для животных, косметика.

В зоомагазине «Бетховен» внедрили алгоритм next best action в рассылку с рекомендациями. В дату, которую определяет ML-алгоритм, клиент получает письмо с предложением повторить последний заказ. Алгоритм next best action помог «Бетховену» увеличить выручку с email-рассылки в 8,5 раза.

Если учесть субъективные законы выбора, можно формулировать предложение так, чтобы оно было более ценным в глазах покупателя. Объективные законы субъективного выбора описывает экономическая теория перспектив. Один из ее авторов Даниэль Канеман получил в 2002 году Нобелевскую премию по экономике.

Основные тезисы теории перспектив:

Неприятие потерь. Человек придает большее значение возможной потере, чем возможной прибыли. Потери вызывают сильные негативные эмоции, которых человек пытается неосознанно избежать. Можно сказать, что потерять тысячу рублей человек боится сильнее, чем хочет заработать ту же тысячу.

Цена товара для человека — потери, польза от товара — прибыль. Чтобы человек решился на покупку, оценка пользы товара в его глазах должна значительно превышать оценку размера потерь — стоимости покупки. Польза товара не обязательно рациональна, покупка может приносить удовольствие сама по себе. Например, человеку может быть приятно владеть автомобилем определенной марки или аксессуаром известного бренда.

В маркетинге на эффекте неприятия потерь основан успех рассрочек и сервисов оплаты частями. Цена товара рассматривается как сумма возможных потерь. Если поделить цену на части, то сумма потерь в глазах человека снижается, и ему проще решиться на покупку.

Эффект точки отсчета. Ценность предложения человек определяет с учетом контекста, то есть в текущих условиях с учетом прошлого опыта. Чтобы помочь человеку с выбором, можно задать ему систему координат для оценки предложения. Примеры такого подхода: зачеркнутая цена и цена со скидкой или три варианта предложения с разным наполнением и ценой.

Пробный период как маркетинговый инструмент основан на эффекте точки отсчета и на неприятии потерь. Если человек достаточно долго пользуется продуктом, он привыкает к этому — это его новая точка отсчета. Отказ от продукта рассматривается уже как потеря. Это может мотивировать приобрести платную подписку по окончании бесплатного периода.

Искажение вероятностей. Человек склонен завышать низкие вероятности событий и занижать высокие. По этой причине люди покупают лотерейные билеты, но не страхуют автомобиль и жилье. Если не учитывать эффект искажения вероятностей, маркетолог может игнорировать плохие результаты продаж в надежде, что ситуация резко изменится в лучшую сторону.