«Макдональдс» знает всё о ваших вкусах: ловкость BI-аналитики, персонализации и никакого мошенничества
Сеть ресторанов знает, что вы больше любите чизбургер, чем фишбургер, и предпочитаете большую колу апельсиновому соку. На основе этой информации «Макдональдс» создавал персонализированные предложения — акции, которые доступны только вам. Рассказываем, как персонализация повлияла на компанию, повысила средний чек и посещаемость.
Что такое персонализированные предложения
Персонализированные предложения — это оферы, то есть определённые акции в сети ресторанов. В «Макдональдсе» было два вида акций:
- BOGO — акция означает «Buy One, Get One Free», то есть, покупая один товар, вы получаете второй бесплатно.
- Lowest price — акция, которая снижает цену или на один товар, или на комбинацию товаров. Например, при покупке бургера, картошки фри и колы покупатель экономит двадцать рублей.
Все оферы, каким бы образом их ни изобретали маркетологи, всё равно несут одинаковую выгоду для бизнеса. То есть с акции BOGO «Макдональдс» зарабатывал столько же, сколько и с lowest price.
Как «Макдональдс» пришёл к персонализации
Нужно понимать: предпосылки персонализации у любого бизнеса одинаковые. В случае «Макдональдса» была необходимость увеличивать количество посещений и средний чек. Эту задачу реализовали через персонализацию. Рассказываем, как это было в начале.
До персонализации оферы вводились так: акции были доступными и одинаковыми для всех покупателей. Предложения были актуальны в течение определённого времени, и на них распространялись особые условия, например в одном чеке не могло быть больше четырёх оферов. Оферы стали популярны, и тогда появилась задача — улучшить предложения. Так, понадобились персонализированные акции — это предложения, которые подбираются для определённой группы клиентов. Например, у вашего друга действует акция с двойным чизбургером и колой, а у вас — с фишбургером и картошкой (дальше расскажем подробнее, как это работает). Для пользователя приложения или сайта эти акции выглядят как небольшой раздел с карточками, но за предложениями стоит огромная работа, состоящая из двух этапов: сегментации и персонализации.
Сегментация
На этом этапе мы разделили 20 млн пользователей на большие группы — всего их было восемь. Здесь был принцип деления на сегменты, например сегмент «часто ходит и много заказывает» (это наша команда) или сегмент «уходящие» (а это люди, которые, например, решили ходить в спортзал). При помощи сегментации отдел маркетинга «Макдональдса» смотрел на динамику пути пользователя. Например, пользователю подарили бонусы и он пошёл их тратить, а потом бонусы закончились и покупатель потерял интерес — решил правильно питаться и опустился в иерархии сегментов, стал ближе к уходящей группе.
Персонализация
Первым этапом персонализации как раз и была сегментация. С её помощью «Макдональдс» делал сегментированные оферы — для каждой группы создавались свои предложения. Например, если пользователь находился в «уходящем» (невыгодном для бизнеса) сегменте, маркетологи и BI-аналитики в штате «Макдональдса» определяли, какие оферы лучше предложить этой группе. Это были самые выгодные предложения, цель которых — перевести пользователей из сегмента «уходящие» хотя бы в сегмент «редко посещающие».
Мы просчитывали все сегменты раз в две недели: узнавали, сколько раз за этот период пользователи посещали рестораны, что покупали и каким был средний чек. Какие-то пользователи оставались в своей группе, а какие-то переходили в другой сегмент — двигались выше или ниже по иерархии. Результаты расчёта показывали, как часто люди пользуются акциями и как акции влияют на покупательское желание. В зависимости от этого маркетологи «Макдональдса» пересматривали оферы.
Второй этап персонализации — персонализированные предложения для каждого человека в зависимости от того, что он покупает. В этом нам помогла интеграция с внешним поставщиком услуги — компанией «Стеллар». Так, мы работали над вторым этапом персонализации: наша команда на определённые действия пользователя (заход в приложение, добавление товара в корзину, оплата заказа) отправляла в «Стеллар» набор событий и актуальный товарный фид — весь набор продуктов, которые доступны к покупке в «Макдональдсе». Команда «Стеллара» мэтчила эти события с товарным фидом и определяла, какие продукты покупает тот или иной пользователь.
Это работало в режиме реального времени: пользователь сделал заказ, мы отправили эти данные в «Стеллар», и они вернули нам информацию о том, какие оферы теперь нужно делать именно этому пользователю в зависимости от того, что он сейчас заказал.
Тогда пользователю стали доступны три набора оферов:
- Оферы для всех — они доступны каждому пользователю.
- Сегментированные оферы — предложения, которые подбирались под пользователя в зависимости от сегмента.
- Персонализированные оферы — предложения, которые доступны только одному или нескольким пользователям в настоящее время (они меняются).
Что нужно знать о тех, кто любит «Макдональдс», и как превратить эту информацию в эффективные предложения
Чтобы создать оферы, мы изучали следующие данные, которые собирали из приложения и сайта:
- Гео — где находится пользователь.
- История заказов — всё, что заказывал пользователь в приложении и на сайте.
- Состав заказов — что заказывал.
- Частота заказов — как часто заказывал.
- Платформа — с какого устройства заказывал.
- Профит с каждого предложения — какую прибыль получает бизнес с конкретного офера.
Ответ такой: ничего сверх нам не понадобилось — мы не выясняли, сколько раз за день пользователи думают о еде, и не гадали, что делают каждый час. Для создания оферов нужна простая информация, но собрать данные — одно дело, а вот понять, что с ними делать, — другое, и эта задача намного сложнее. Разбираемся, как это было и как «Макдональдс» понял, какие предложения будут работать.
В разных регионах России были разные цены на оферы. Для отдела маркетинга «Макдональдса» мы подготавливали BI-отчёты по средним чекам, количеству оферов в чеке и профиту. С помощью отчётов маркетологи могли оценить, как часто пользователи применяют оферы, насколько они эффективны и на что влияют предложения (на частоту посещений, средний чек или и то и другое). Так, бизнес принимал решения о том, какое предложение сделать дороже или дешевле, что включить в новый офер.
Вместе с этим решением началась эра A/B-тестирования, с помощью которого выделялся девятый сегмент — его называли тестовым. Это работало так: из каждого сегмента мы брали энное количество пользователей, например 10 тысяч. На тестовой группе «Макдональдс» опробовал новые оферы. Вот ситуация из нашего опыта: фишбургер никто не покупал, маркетологи заменили его на чикенбургер и оценивали результаты.
Проверьте, были ли вы в тестовой группе
Раз в две недели у вас не меняются оферы, а у друзей в приложении уже много новых классных акций. Знакомо? Если да, то, скорее всего, вы попали в тестовую группу «Макдональдса». Иногда сеть ресторанов тестировала оферы на определённых людях, например на самом выгодном сегменте «много ходит и много заказывает». А была и другая ситуация, когда компания придумывала механизм просчёта для определения людей, которые не относились ни к одному из восьми сегментов, например если нужны были люди, которые за последние две недели покупали только чизбургеры.
Но это все равно далеко от персонализации. С помощью данных мы создавали предложения для всех пользователей, но этого всё ещё не хватало, чтобы сделать персонализированные акции.
Как появились персонализированные предложения — те, которые доступны только вам
Мы собирали данные из интерфейса и из бэкенда, на основании этих данных строили отчётность. Сбор данных проходит в несколько этапов:
- Сбор сырых данных. Мы получали необработанные данные и часто даже не знали, что это за пользователи.
- Обогащение данных. Это дополнение сырых данных той информацией, которая нужна для анализа, но отсутствует в исходном виде. Например, если пользователь совершил покупку, а в данных заказа указан только его внутренний ID, мы можем обогатить эти данные возрастом покупателя. Тогда при анализе всех событий, связанных с этим ID, можно учитывать возраст пользователя.
Обогащённые BI-аналитиками события собираются в отдельную базу данных, которая называется «Витрина данных». На эту витрину «смотрит» инструмент визуализации — для «Макдональдса» мы использовали Power BI. Для программы подготавливались данные, и в самих данных прописывалась логика (какие данные и как визуализировать).
На основе этих отчётов отдел маркетинга сети ресторанов решал, какие оферы предлагать каждому клиенту, ведь, когда бизнес знает о пользователе какую-то информацию (ту же частоту, с которой он совершает покупки), компания может принимать решения. Например, предлагать Жоре из Самары, который в течение месяца каждый день покупал наггетсы, персонализированную акцию с чикенбургером, куриным роллом и девятью наггетсами с экономией 30%.
Как оферы повлияли на средний чек и на бизнес в целом
«Макдональдс» считал изменения в сравнении с отсутствием оферов. Сами предложения могут влиять на выручку, но они также влияют и на количество покупок, которые произошли благодаря оферам. Вот, например, один из способов проверки: мы брали два сегмента в разных регионах — в одном регионе есть офер, а в другом нет. Так по разным регионам сравнивалось, насколько офер повлиял на позицию.
Но кроме среднего чека, важно понять, как офер влияет на бизнес в целом. Для этого мы оценивали стандартные показатели:
- Количество активаций оферов. Сколько раз клиенты воспользовались предложением.
- Сумма. Это выручка по чеку — сумма покупок, сделанных пользователем в рамках акции. Когда пользователь активирует предложение и совершает покупку, мы учитываем сумму его чека. Итоговая выручка по акции — это сумма всех таких чеков.
- Маржинальность. Смотрим, какая маржа была у конкретного продукта, и считаем, насколько сильно бизнес потратился или, наоборот, заработал.
Ещё особенность «Макдональдса» и всех перечисленных оферов в том, что они создавали много комбо-товаров. Эти сочетания продуктов при покупке позволяли увеличивать и общую маржинальность, и количество продаж.
Если вы уже вдохновились персонализированными предложениями и спешите применить их в своём бизнесе, прочитайте следующий блок. Правила игры изменились: теперь персонализация не такая, как была раньше.
Какое будущее ждёт персонализацию: мнение ADV
Последние десять лет ситуация с персонализацией довольно спорная. С одной стороны, площадки вынуждены раскрывать, как на самом деле работают персонализированные предложения. С другой, по закону о защите прав потребителей нельзя устанавливать разные цены и условия для разных клиентов. Это сильно сдерживает основные задачи персонализации: мотивацию к покупке и увеличение среднего чека. Тем не менее бренды продолжают искать способы адаптации предложений и под новые условия, и под интересы пользователей:
- Персонализация без нарушения приватности. Из-за ограничений использования персональных данных компании переходят на анонимизированные и агрегированные данные. Например, вместо отслеживания конкретного пользователя анализируются поведенческие модели групп, похожих по интересам.
- Контекстная персонализация. Теперь рекомендации адаптируются не только под пользователя, но и под его текущее окружение. Например, если за окном +30, приложение предложит холодный кофе, а в дождь — горячий латте.
Наше мнение: персонализация всегда нужна бизнесу, но теперь предложения должны адаптироваться не только под потребности пользователя, но и под новые условия.