Как персонализированный подход влияет на лояльность аудитории: пример Беру

Создание долгосрочных отношений с пользователями — это ключевой аспект для компании, которая хочет создать устойчивую бизнес-модель. Для того, чтобы клиент становился более лоялен к сервису, нужно создать такой продукт, который будет отвечать всем его потребностям, угадывать его желания и давать ему определённую свободу действий.

Подробнее о бонусной программе маркетплейса Беру расскажет руководитель службы лояльности и целевых коммуникаций группы компаний Яндекс.Маркета Станислав Поликарпов.

Всем привет! Основная цель нашей службы — сделать так, чтобы покупательский опыт был успешным и всё больше пользователей возвращалось за повторными покупками.

Мы работаем в составе широкой кросс-функциональной команды, куда входят бренд-менеджеры, специалисты по маркетинговым коммуникациям, менеджеры продукта, разработчики, дизайнеры, копирайтеры, аналитики, трейд-маркетологи, специалисты по машинному обучению и поддержке. Вместе мы разрабатываем сервисы и мероприятия для привлечения и удержания пользователей, стимулируем покупательское поведение, развивая персональные предложения, форматы и каналы их доставки, ведём активную коммуникацию с пользователями, непрерывно работаем над тем, чтобы улучшать наши сервисы благодаря обратной связи от клиентов.

Два года назад мы запустили маркетплейс, на котором сделали покупки уже миллионы пользователей, и большая часть заказов приходится на тех, кто выбирает нас снова и снова. Команды прикладывают большие усилия над развитием важнейших составляющих любой торговой платформы: ассортимента и доставки. При этом система взаимодействия с покупателями, бонусы и коммуникации — ключевые драйверы роста платформы.

Разговор о персонализации и таргетировании нельзя начинать без рассказа о нашей внутренней кухне — системе сегментации пользователей, которая позволяет, например, делать предложения более релевантными, оптимизировать внутренние метрики, помогать покупателям быстрее принимать решения, находить то, что им нужно. Мы делим сегментацию на два типа: интерпретируемая и неинтерпретируемая.

Интерпретируемая. У нас реализован и давно используется RFM-анализ (Recency, Frequency, Monetary). Мы ежедневно оцениваем наших клиентов по трём критериям: период времени, которые прошёл с последней покупки, частота покупок, деньги, которые он принёс. С каждым RFM-сегментом мы по-разному взаимодействуем: даём разные Беру Бонусы, направляем разные предложения.

Неинтерпертируемая aka автоматизированная, машиннообученная. На базе нашей статистики мы строим модель, которая сама выбирает лучший Беру Бонус для покупателя.

Чтобы создать единую рекомендательную систему и уникальную программу лояльности, помимо сегментации, мы привлекли всю силу машинного обучения Яндекса — построили ML-модель, которая учитывает историю пользователя на Беру, вероятность совершения покупки и многие другие факторы, и доверили ей ранжирование, выбор и выдачу офферов. С помощью этой модели мы под каждого клиента настраиваем персонализированные блоки, рекомендации (в том числе и в целевых коммуникациях), выдачу, сортировку товаров и поисковую строку. Таким образом, у каждого человека получается свой уникальный Беру.

Мне кажется, нам удалось построить уникальную бонусную программу. Основное её отличие от других программ в непредсказуемости и игровой механике — при оформлении заказа покупатель не знает, какой именно бонус получит: денежный, процентный или категорийный. Нередко пользователь начинает взаимодействовать с сервисом, играть по его правилам, если ему дают свободу действий. По отзывам и результатам исследований, пользователи понимают механику, понимают корреляцию между средним чеком и бонусом, который они получат, а это их стимулирует к дальнейшим покупкам. Наш алгоритм постоянно обучается, анализируя поведение пользователя, и старается предложить ему именно те бонусы, которые нужны. Бонусы можно использовать отдельно или складывать — как лучше сделать, решает сам клиент: всё, что можно применить, подтягивается непосредственно в корзину.

У нас есть технологии Яндекса, собственные разработанные инструменты, благодаря чему программа лояльности очень гибкая — сейчас в ней реализовано более 1000 алгоритмов выдачи и применения бонусов. В целом бонусная программа основана на истории общения клиента с сервисом, то есть у каждого пользователя получается своя собственная программа лояльности, релевантная именно для него.

Как устроена выдача Беру Бонусов? Сперва определяем, на что в этом месяце мы можем дать скидку, а потом выбираем, что выдать клиенту с учётом имеющихся у него бонусов и истории на Беру. Программа лояльности организована так, что бонусы соревнуются между собой за выдачу пользователю, и побеждает самый релевантный. Однако мы не хотим выдавать скидки на всё — в долгосрочной перспективе такое позволить себе никто не может. Выдача Беру Бонуса зависит от заказа: мы исходим из вероятности возвращения пользователя на сервис и будущего среднего чека покупки. Разумеется, денежные бонусы списываются лучше, чем категорийные, но если мы угадаем с любимой категорией, то они также откликаются в сердцах клиентов.

А ещё клиенты из ряда регионов* ежемесячно получают три Беру Бонуса на бесплатную доставку. Мы знаем, что для многих пользователей очень важна бесплатная доставка, поэтому сделали её доступной для большего числа людей. Мы хотим, чтобы наши пользователи регулярно покупали на Беру товары повседневного спроса и не только.

Также мы выдаём Беру Бонусы во время нашей пятнично-выходной распродажи: еженедельно собираем лендинг, коммуницируем с пользователями, которые могут привязать к себе в коллекцию любые Беру Бонусы — хоть все сразу. Наши исследования показывают, что эта механика привязывает пользователя к сервису и делает его более лояльным: он возвращается и не только в дни распродаж. А ещё пятничная распродажа — это хорошая возможность для производителей товаров пообщаться с потенциальными покупателями, поскольку в распродаже часто участвуют вендорские бонусы.

В то же время, чем дольше с нами пользователь, тем больше он применяет Беру Бонусы. Как-то мы провели эксперимент и узкой категории людей две недели не выдавали бонусы — у нас упало всё: средний чек, возвращаемость, доля повторных покупок.

Кроме того, в работе мы часто руководствуемся понятием «средняя юнит-экономика пользователя». Есть пользователи с плохой и хорошей юнит-экономикой заказов, и мы поощряем вторых. Лояльные пользователи важны и нужны, хочется давать им больше возможностей и плюшек.

Сейчас мы проводим эксперимент «Выбери Беру Бонус». В нём пользователь сам выбирает один из трёх бонусов, а в это время алгоритм обучается, чтобы потом делать наиболее релевантную выдачу. Мы хотим протестировать разные алгоритмы, какой из наборов/бонусов лучше выдавать, чтобы растить лояльность, метрики, оставаясь при этом рентабельным и эффективным маркетплейсом.

У многих компаний есть промышленные решения для взаимодействия со своими клиентами, а у нас — собственная маркетинговая CRM, созданная разработчиками Яндекс.Маркета, в которой есть всё необходимое: сегментатор, шаблонизатор, настройка триггерной коммуникации, интеграция с бонусной платформой, подключённые каналы e-mail и push.

Мы регулярно пропускаем целевые коммуникации через A/B-тестирование: в каждый момент времени есть те, кто получает коммуникации, и те, кто нет. Затем мы анализируем, чем отличается поведение обеих групп, и на основе полученных результатов проводим эксперименты, работаем с подбором сегментов, контента, времени, каналов и частоты коммуникации. Таким образом, создавая и тестируя различные персональные предложения, мы смотрим на результаты и масштабируем только лучшие кампании, в которых наиболее эффективным образом расходуются средства. Разовые кампании, которые показали наилучшие результаты, переводятся на регулярную основу — получается, что коммуникации тоже соревнуются за внимание наших пользователей.

Прайсдроп — ещё одна персонализированная механика, от которой выигрывают все. Она работает так: клиент кладёт товар в корзину, и тот снижает цену на другие товары, которые также подбираются под пользователя и его корзину.

Эта механика очень выгодна, потому что пользователь получает скидку на нужные ему товары, а мы экономим на доставке и увеличиваем средний чек, таким образом оптимизируются бизнес-показатели и юнит-экономика.

Благодаря перечисленным выше механикам и нашей уникальной программе лояльности растёт частотность покупок. Мы проводили эксперимент с отключением рекомендаций и выявили, что это приносит значимый урон сервису.

Рекомендательная система используется также в перфомансе — с помощью неё мы оптимизируем закупку трафика. Например, модель машинного обучения предсказывает вероятность, с которой покупатель совершит следующую покупку, и с помощью неё мы выделяем наиболее склонный к покупке сегмент и повышаем эффективность рекламы.

Эффективность нашей работы подтверждается цифрами: в мае на Беру была рекордная возвращаемость покупателей, а количество доставленных заказов на покупателя выросло на 15% по сравнению с маем 2019-го. Тогда же почти 50% заказов прошли с применением Беру Бонусов. Кроме того, доля повторных покупателей в мае составила почти 55%, хотя новых покупателей становится всё больше (за год их стало больше на 120%).

Мы используем технологии Яндекса, развиваем собственные сервисы, анализируем массу информации, проводим множество тестов, непрерывно развиваем нашу программу лояльности, чтобы бонусы максимально подходили клиентам. Я уверен в необходимости персонального подхода для роста лояльной аудитории компании — это сказывается на всех бизнес-метриках. Кроме того, существенный вклад в общий результат вносят и целевые коммуникации.

Изначально нами закладывалась высокая гибкость бонусной платформы и системы взаимодействия с покупателями. В будущем мы хотим открыть их для продавцов и вендоров маркетплейса, чтобы поставщики получили возможность самостоятельно создавать бонусы для своей аудитории. Мы хотим сильнее вовлекать наших партнёров в соревнование за внимание покупателей. Я уверен, что это всё в сочетании с инвестициями в развитие машинного интеллекта принесёт выгоду всем участникам нашей торговой платформы.

*ЦФО, СЗФО, ПФО, ЮФО, а также города: Москва, Санкт-Петербург, Ростов-на-Дону, Воронеж, Краснодар, Саратов, Тольятти, Казань, Самара, Уфа, Ульяновск, Пермь, Ижевск, Волгоград, Ярославль, Екатеринбург, Махачкала, Новосибирск, Ставрополь, Тюмень, Челябинск.