Персонализация приносит Burger King несколько миллионов рублей дополнительной прибыли в месяц. Как повторить этот опыт: разбор по косточкам

Персонализация дала Burger King дополнительные продажи и чистую прибыль. Для нас это кейс на сотни миллионов дополнительной прибыли. То есть мы видим, сколько денег тратит в Burger King человек: LTV такого клиента почти в два раза выше, чем у клиента, который не в программе лояльности и не пользуется механиками персонализации.

Наверное, одна из основных ошибок, которую допускают при желании построить персонализацию, — это сделать все и сразу. То есть перепрыгнуть с этапа, когда маркетолог проверяет 10–15 гипотез, сразу на построение ML-модели. ML позволяет масштабировать ручной труд, но сначала вы должны понять, работает ли персонализация в вашем типе бизнеса и как ее делать.

Лояльность позволяет понять, кто совершает покупку, — это, наверное, ключевой фактор, — и связать покупки гостя воедино. Это позволяет понять, что гость любит, какие продукты ему нравятся, и использовать это в дальнейших рекомендациях для того, чтобы стимулировать гостя.

Burger King — это хороший пример сложной персонализации. Аналитики генерируют гипотезы и тестируют их с помощью AB-тестов с контрольными группами, выявляют сегменты клиентов, для которых ценна не скидка, а нечто иное, например участие в челлендже, и таким образом снижают затраты, а не просто раздают промокоды всем подряд. Они также оптимизируют способы донесения информации под каждый сегмент, используя и разные директ-каналы, и разные типы контента (текст, графика) в зависимости от отклика клиентов.

В итоге работают персональные предложения для десятков сегментов, происходит частая ротация механик с анализом конверсии и последующей оптимизацией офферов — процесс поставлен на поток.

Чтобы добиться того же уровня персонализации, что у Burger King, в первую очередь нужно нанять штат аналитиков, маркетологов, менеджеров и ИТ-специалистов.

Поставщик процессинга лояльности не может выполнять за бизнес аналитическую работу (это распространенное заблуждение), а должен обеспечить аналитиков удобным инструментом для работы с данными.

Мне кажется важным не просто копировать механики конкурентов, а понимать, что именно вы хотите получить от программы лояльности. То есть должна быть понятная цель, выраженная в конечных метриках, например увеличение среднего чека или сокращение периода между повторными покупками.

Почему мы строим App-центричную экосистему? Самое главное, наверное, это то, что мы хотим коммуницировать с гостем. Если мы не будем «завязываться» на мобильном приложении, то для коммуникации надо будет отправлять сообщения через дорогие каналы.

Мы запустили ряд пилотов и увидели, что порой невозможно объяснить логически, почему предлагается тот или иной продукт. Но на выходе получается, что алгоритм продает в полтора раза больше, чем кассир.

У нас в компании 3600 киосков самообслуживания и 500–600 тысяч установок мобильного приложения ежемесячно. То есть это огромный объем транзакций, покупок, взаимодействий с гостями, новых регистраций в программе лояльности. И процессинг должен работать в режиме реального времени.

Все это в части персонализации у нас проходит через Mindbox, и он справляется со всем объемом наших покупок. И это с учетом того, что мы растем: каждый год компания увеличивает товарооборот. Если смотреть в ретроспективе, за полтора года лояльность по доле выросла в четыре раза, в абсолюте еще больше. И с ростом Mindbox также справляется.

Для нас лояльность — это критически важный момент во всем продукте Mindbox, потому что в случае недоступности системы лояльности не работают кассы. Надежность при работе с крупными клиентами, в том числе с Burger King, обеспечивается большим количеством механизмов мониторинга. Порой мы узнаем о каких-то проблемах и успеваем все починить до того, как это заметит клиент.

В публичном SLA прописано, что мы заводим дефект и начинаем платить компенсацию при трехминутной недоступности. В наших интересах побыстрее устранить дефект, потому что с каждой новой минутой мы начинаем терять деньги.

Команда лояльности состоит из четырех человек: руководитель CRM и лояльности, два сотрудника, которые настраивают разные кампании, и аналитик, который помогает.

Помимо этого, есть целая команда, которая занимается только персонализацией. Там сейчас пять человек плюс компания на аутсорсе, которая помогает делать ML-алгоритмы.

Чтобы заработала персонализация, должны быть

1. Бизнес-заказчик, который определит, что мы вообще хотим.
2. Команда дата-саентистов, которые помогут создать ML-алгоритм.
3. Команда инженеров, которые помогут организовать технический процесс.