Для начала нужно определиться с моделью программы лояльности, примеры которых мы будем разбирать в статье. Наша статья больше касается аналитических вопросов, поэтому мы не будем подробно останавливаться на том, как выбрать тип программы лояльности, но приведём список возможных вариантов.
Типы программ лояльности
- Начисление баллов — за каждую покупку клиент получает баллы, которые потом может потратить.
- Получение кешбэка — то же самое, что с баллами, только за покупки клиенты получают кешбэк: обычно в виде купона на какую-то сумму, которую можно использовать исключительно у того же ритейлера.
- Карточки с отметками — при первой покупке клиент получает карточку, и при каждой следующей на неё ставятся штампики, наклеиваются стикеры или пробиваются дырочки. Когда карточка заполнена, покупатель получает либо вознаграждение, либо карточку со скидкой.
- Многоуровневая система скидок — при достижении определённых сумм покупок клиент получает новый статус. Выше статус — больше скидка.
- Вознаграждения у партнёров — за покупки клиент получает скидки/баллы, которые может использовать у партнёров бренда.
- Платные бонусы — клиент платит за то, чтобы участвовать в программе лояльности. За оплату получает быструю/бесплатную доставку, дополнительные скидки и т. д.
- Комбинация вознаграждений — такие программы называют гибридными. Например, балльная система + многоуровневая система, когда в зависимости от уровня за покупки начисляется разное количество баллов: выше уровень — больше баллов.
- Немонетарные вознаграждения. Лояльные клиенты получают нематериальные бонусы. Например, встречу с капитаном для постоянного пассажира авиакомпании.
В статье разбираем расчёты для варианта 4 из списка, в котором скидка растёт в зависимости от накопленной суммы покупок.
Читайте также
Как работают разные типы программ лояльности и как выбрать подходящий
Собрать данные за предыдущие периоды
Программы лояльности существуют, чтобы стимулировать клиентов покупать больше. Если без программы лояльности они купили бы на 3 600 рублей, а с программой — на 4 000, компания на этом зарабатывает. Но бывает так, что программу лояльности посчитали и внедрили, но не понятно, почему люди покупают: то ли потому что они и так лояльны и готовы покупать, то ли программа лояльности действительно их стимулирует.
Поэтому в расчётах важно построить два прогноза:
- Какими бы были продажи без программы лояльности.
- Какую прибавку к продажам даст программа лояльности.
Для этого нужны ретроспективные данные о продажах.
В первую очередь надо проанализировать, как идут продажи без программы лояльности — выгрузить данные и изучить их.
Особенности продаж при подготовке программы лояльности
- Продажи в онлайне и офлайне могут отличаться. Придётся отдельно выгружать данные о покупках в интернет-магазине и в оффлайн-магазинах. Если, конечно, у клиента есть и то, и другое. Считать программу лояльности нужно отдельно для офлайна и онлайна.
- Важны данные не только о покупках, но и о клиентах. Поскольку программа лояльности нацелена на мотивацию покупателей, неправильно считать только количество проданных юнитов. Надо собирать данные о клиентах, о том, как они покупают, на какие суммы, сколько раз и за какой срок, сколько из них возвращаются. В онлайне с этим обычно нет проблем, а в офлайне далеко не все данные о покупках привязаны к покупателям.
- Скорее всего, данные придётся обрабатывать, и вряд ли вы получите их в идеальном виде: дублирование покупок или слишком большие суммы от оптовиков — всё это придётся чистить.
Изучить поведение покупателей
Данные собрали и почистили. Дальше можно получить из них ценную информацию:
- общее количество клиентов;
- количество лояльных, которые покупали больше одного раза, и количество «одноразовых» клиентов;
- на какие суммы покупают клиенты.
Для наглядности мы собрали вот такую диаграмму в Power BI. На ней видно соотношение лояльных клиентов и «одноразовых»:
А потом более пристально рассматриваем лояльных: на какие суммы покупают, сколько раз, в какие сроки:
По вертикали здесь — период, за который клиенты совершали покупки. Цифры на столбце и его длина означают количество клиентов, цвет — количество покупок.
Как понимать эту диаграмму:
- 2 874 клиента совершили две покупки за один месяц, 783 клиента — три покупки за один месяц;
- 1 145 клиентов совершили две покупки за два месяца, а 487 — три покупки за два месяца;
- и так далее.
Суммы покупок можно было задавать отдельным фильтром:
Затем эти данные перекладываем в таблицу, но об этом — позже.
Следите за эффективностью вашего маркетинга. Закажите
Отчётность в Power BIНа основе данных построить прогноз без программы лояльности
Прогноз отвечает на вопрос «Как будут выглядеть продажи, если оставить всё как есть?» В нашем случае продажи в офлайне росли, а в онлайне падали. На тенденцию прошлого года накладываем данные о лояльных /«одноразовых» клиентах и суммах покупок и получаем прогноз на следующий год:
В этом пункте нюанс такой: нужно учитывать тенденцию прошлого периода и сезонность. Нельзя рассчитывать программу лояльности, предполагая, что продажи будут расти. Надо смотреть на реальные цифры и строить прогноз, исходя из них.
Предположить модель программы лояльности
В начале работы, когда мы ещё не знаем, какую программу выберем: какой тип, как будут начисляться скидки и при каких условиях, — надо что-то предположить, иначе считать будет нечего. В нашем примере — тип, когда скидка растёт в зависимости от суммы покупок. Для него мы предположили четыре модели начисления скидок.
Но, как мы уже говорили, нельзя исходить только из предположения, что продажи будут расти, а новые клиенты — приходить толпами. Поэтому мы предположили три варианта прироста клиентов: пессимистичный, умеренный и оптимистичный. Но, возможно, что количество новых клиентов будет зависеть от скидки. Поэтому эти прогнозы менялись в зависимости от модели начисления скидки.
Мы считали 4 модели программы лояльности в трёх вариантах (пессимистичный, умеренный, оптимистичный) отдельно для офлайна и онлайна:
Продублируем текстом:
Скидки: 0, 10, 15, 20%;
суммы перехода в новый статус: 0–4 999, 5 000–11 999, 12 000–24 999;
пессимистичный, умеренный и оптимистичный прогнозы: 7, 12, 15%.
Скидки: 0, 5, 10, 15%;
суммы перехода в новый статус: 0–4 999, 5 000–11 999, 12 000–24 999;
пессимистичный, умеренный и оптимистичный прогнозы: 5, 10, 13%.
Скидки: 5, 10, 15, 20%,
суммы перехода в новый статус: 0–4 999, 5 000–11 999, 12 000–24 999,
пессимистичный, умеренный и оптимистичный прогнозы: 8, 13, 16%.
Скидки: 0, 5, 10, 15%;
суммы перехода в новый статус: 0–4 999, 5 000–11 999, 12 000–19 999;
пессимистичный, умеренный и оптимистичный прогнозы: 5%, 10%, 13%.
Но примеры мы, конечно, будем приводить только для одной модели — в онлайне.
Посчитать, сколько клиентов уже находятся на предполагаемых статусах программы лояльности
У нас есть данные о клиентах и покупках и модель программы лояльности. Теперь нужно переложить данные на программу лояльности. Собираем таблицу и рассчитываем, какой процент клиентов уже находится на определённых статусах программы лояльности и как этот процент будет меняться по месяцам:
На самом деле значения в ней рассчитаны на 12 месяцев, но здесь показаны только два, чтобы не грузить вас лишней информацией. Главное, на что надо обратить внимание, — проценты клиентов в разных статусах. Статусы начинаются с 5 000 рублей, но до 3 000 мы считали тоже, потому что при покупке на 3 000 покупатель получает подарок.
Посчитать, сколько клиентов легко мотивировать на переход в новый статус
Следующий шаг — проверить, сколько клиентов находится на пограничных значениях статусов. Это те покупатели, кому нужно докупить совсем немного до подарка или перехода в новый статус. То есть, если клиент уже купил на 2 800 рублей, то допродать ему ещё что-нибудь до 3 000 будет легко — доплати всего 200 рублей и получишь подарок. Это мы и называем пограничными значениями.
Но одно дело, когда клиент купил на 700 рублей. Тогда вряд ли вы сможете убедить его купить ещё на 2 300 рублей ради подарка. Зато, если он купил на 23 000 рублей, то купить ещё на 2000 и получить скидку побольше для него не так сложно.
Поэтому для разных статусов считаем разные пограничные значения. Для первого статуса, который начинается с 5 000 рублей, пограничных значений несколько: мы определяем долю клиентов, которые находятся в диапазонах сумм 3 500–3 999 рублей, 4 000–4 499 рублей, 4 500–4 999 рублей. Для последнего статуса, начинающегося с 25 000 рублей, диапазон один — 21 000–24 999 рублей.
Спрогнозировать аплифт от программы лояльности
А здесь статья начинает напоминать фильм «Волк с Уолл-Стрит». Смотришь-смотришь, сюжет наполнен множеством событий, тебе уже кажется, что кино подходит к концу, а потом — раз — и сцена крушения вертолёта, с которой фильм начинался. И ты понимаешь, что всё это время смотрел предысторию.
Так вот — всё, что было описано до настоящего момента, было предысторией к главной цели — расчёту аплифта. То есть, того, какую прибавку к обороту даст программа лояльности.
Нюансы при расчёте аплифта
- Надо вычитать цену подарка и скидку. Например, вы доводите клиента с покупкой на 2 030 рублей до 3 000 рублей, стимулируете его подарком. Происходит это в онлайне. Он потратил на 970 рублей больше, чем без программы лояльности. Но и вы потратили деньги на подарок и доставку. В нашем примере стоимость подарка не более 5% (к данному чеку — 150 рублей) от покупки, стоимость доставки — 350 рублей. Чтобы посчитать аплифт к чеку, надо вычесть 350 и 150 рублей из 970 рублей = 470 рублей. 470 рублей от 2 030 = 23% — аплифт к чеку.
- Средний чек допродажи будет меньше, чем общий средний чек. Аплифт рассчитывается, исходя из чека допродажи, а не среднего чека. То есть, важно не то, на какую сумму купил покупатель, а какую сумму он потратил дополнительно, чтобы перейти в новый статус. Дополнительные траты, ясное дело, будут меньше, чем трата на покупку. Мы считали средний чек допродажи как 80% от общего среднего чека.
Расчёты по месяцам выглядели так:
(по клику можно посмотреть крупнее в новой вкладке)
Немного пояснений:
(по клику можно посмотреть крупнее в новой вкладке)
Левые таблицы вспомогательные, в них — распределение клиентов по статусам. В правых — распределение клиентов в близких к статусам значениях. В зависимости от того, к какому статусу и насколько близко они находятся, мы предполагаем разную конверсию в переход в новый статус.
Средний чек допродажи, как уже говорили, считаем за 80% от обычного среднего чека. Из него вычитаем стоимость подарка, процент скидки, а в онлайне ещё и доставку.
Количество клиентов на разных шагах близости к новому статусу умножаем на средний чек и на предполагаемую конверсию. Получаем сумму, на которую сможем допродать — аплифт.
Как мы это считали
Всё это мы рассчитывали:
- для четырёх моделей программы лояльности;
- трёх прогнозов привлечения новых клиентов (пессимистичный, умеренный, оптимистичный);
- отдельно для офлайна и онлайна;
- 12-ти месяцев на каждую модель, отдельно по новым и лояльным;
- отдельно — для категории клиентов до 3 000 рублей, они считались сразу за год, не по месяцам.
Получилось 312 таблиц в экселе.
Это были расчёты по месяцам. Но чтобы выбрать оптимальную модель программы лояльности, надо собрать все данные в годовой прогноз. Так что для каждой модели ПЛ мы суммировали эти значения и составили прогноз на год в пессимистичном, умеренном и оптимистичном варианте. И сравнили с прогнозом без программы лояльности.
(по клику можно посмотреть крупнее в новой вкладке)
В этой таблице данные по офлайн и онлайн суммированы
Выбрать оптимальную модель
А дальше, если вы считали несколько моделей, остаётся только выбрать оптимальную: наибольший аплифт при наименьших затратах на поощрения клиентов.
Читайте также
В наших расчётах выигрывает вот такая:
Скидки 0%, 10%, 15%, 20%, при суммах 5 000 рублей, 12 000 рублей и 25 000 рублей.
Напутствие
Мы описали только один вариант расчёта только для одного типа программы лояльности. С другими типами будут другие сложности, но принципы везде одни и те же:
- Расчёты должны быть максимально скрупулёзными.
- Рассчитывать программу лояльности надо на реальных данных, учитывая тенденции продаж предыдущего периода.
- В онлайне паттерны отличаются от офлайна, считать модель ПЛ надо по отдельности.
- Надо учитывать цену подарков, которые мотивируют на переходы в новые статусы, а в онлайне, может быть, придётся учитывать ещё и доставку;
- После расчёта финмодели работа не заканчивается, поскольку любой прогноз — это гипотеза. Внедряем, проверяем, как работает, сбываются ли прогнозы. Возможно, что-то изменится, поэтому потребуется изменить и саму модель.
