Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Кейс: как работает CRM в FMCG на реальном примере

7.835 visualizaciones

Publicado el

Лучший FMCG-кейс 2014 года в РФ - теперь в виде короткой презентации.

Publicado en: Educación
  • Sé el primero en comentar

Кейс: как работает CRM в FMCG на реальном примере

  1. 1. Чего можно добиться с помощью CRM в продуктовом FMCG сегменте Сентябрь 2015
  2. 2. С чего начался этот проект? По сути дела, мы решали медийную задачу клиента – в FMCG сегменте существует некоторое количество бизнес-задач, которые нельзя решить традиционной медийной коммуникацией: Как нам стимулировать покупателей приобретать более широкий спектр SKU компании без переинвестиций в медиа? Проникновение SKU ↑ Объём → Прибыль Как переключить внимание покупателя с продуктов, дающих объём, на продукты, дающие прибыль? Снижение оттока ↓ Как мы можем снизить отток покупателей и набирать их эффективно?
  3. 3. Как нам стимулировать покупателей приобретать более широкий спектр SKU компании без переинвестиций в медиа? Как переключить внимание покупателя с продуктов, дающих объём, на продукты, дающие прибыль? Как мы можем снизить отток покупателей и набирать их эффективно? С чего начался этот проект? По сути дела, мы решали медийную задачу клиента – в FMCG сегменте существует некоторое количество бизнес-задач, которые нельзя решить традиционной медийной коммуникацией: Проникновение SKU ↑ Объём → Прибыль Снижение оттока ↓ Разговаривать с покупателями индивидуально, базируясь на их покупательском поведении и профиле Дать им индивидуальные причины остаться с брендом
  4. 4. Как нам стимулировать покупателей приобретать более широкий спектр SKU компании без переинвестиций в медиа? Как переключить внимание покупателя с продуктов, дающих объём, на продукты, дающие прибыль? Как мы можем снизить отток покупателей и набирать их эффективно? С чего начался этот проект? По сути дела, мы решали медийную задачу клиента – в FMCG сегменте существует некоторое количество бизнес-задач, которые нельзя решить традиционной медийной коммуникацией: Проникновение SKU ↑ Объём → Прибыль Снижение оттока ↓ Разговаривать с покупателями индивидуально, базируясь на их покупательском поведении и профиле Дать им индивидуальные причины остаться с брендом Коммуникационный CRM с оптимизацией по LTV / ROI
  5. 5. Для того, чтобы продолжить работу в этом направлении, нам требовалось решить 4 базовые задачи: Техническое решение Техническая сторона очень важна: это FMCG сегмент, в котором очень много пользователей и транзакций Профиль покупателя Требовалось сделать профиль максимально простым – но так, чтобы не допустить призоловов и не отпугнуть покупателей Доказательство покупки Мы должны разговаривать только с теми, кто покупает продукт – а для этого мы должны знать, какой именно продукт куплен Связка с медиа Большой частью программы является набор покупателей, а это требует возможности оценки медиа по принесенной прибыли
  6. 6. Для того, чтобы продолжить работу в этом направлении, нам требовалось решить 4 базовые задачи: Техническое решение Техническая сторона очень важна: это FMCG сегмент, в котором очень много пользователей и транзакций Профиль покупателя Требовалось сделать профиль максимально простым – но так, чтобы не допустить призоловов и не отпугнуть покупателей Доказательство покупки Мы должны разговаривать только с теми, кто покупает продукт – а для этого мы должны знать, какой именно продукт куплен Связка с медиа Большой частью программы является набор покупателей, а это требует возможности оценки медиа по принесенной прибыли 250+ установок Маркетинговая автоматизация Соблюдение ФЗ-152 Здесь нам помог опыт организации большого числа промо-кампаний: мы создали набор простых правил профилирования, которые смогли не отпугнуть честных покупателей, и дали нам шанс отслеживать и отключать мошенников. Каждый SKU бренда был закодирован уникальным кодом. Каждый код можно ввести на сайте программы лояльности, и получить баллы, соответствующие строго этому SKU. Мы смогли объединить данные Google Analytics по кампаниям и креативам (анализ UTM меток) с внутренними данными CRM по продажам, получив таким образом полную воронку продаж.
  7. 7. Для того, чтобы продолжить работу в этом направлении, нам требовалось решить 4 базовые задачи: Техническое решение Техническая сторона очень важна: это FMCG сегмент, в котором очень много пользователей и транзакций Профиль покупателя Требовалось сделать профиль максимально простым – но так, чтобы не допустить призоловов и не отпугнуть покупателей Доказательство покупки Мы должны разговаривать только с теми, кто покупает продукт – а для этого мы должны знать, какой именно продукт куплен Связка с медиа Большой частью программы является набор покупателей, а это требует возможности оценки медиа по принесенной прибыли 250+ установок Маркетинговая автоматизация Соблюдение ФЗ-152 Здесь нам помог опыт организации большого числа промо-кампаний: мы создали набор простых правил профилирования, которые смогли не отпугнуть честных покупателей, и дали нам шанс отслеживать и отключать мошенников. Каждый SKU бренда был закодирован уникальным кодом. Каждый код можно ввести на сайте программы лояльности, и получить баллы, соответствующие строго этому SKU. Мы смогли объединить данные Google Analytics по кампаниям и креативам (анализ UTM меток) с внутренними данными CRM по продажам, получив таким образом полную воронку продаж. Реализация этих задач дала нам базу: систему, которая могла отслеживать все покупки участника CRM программы до конкретных медиа-носителей, и давала возможность считать ROI. Но система строилась не для трекинга, а для решения конкретных коммуникационных задач.
  8. 8. Ядро CRM: поведенческая сегментация и библиотека кампаний RFM-сегментация Сегментация, основанная на вычислении ценности покупателя на основе частоты его покупок, давности последней покупки, и прибыли. Давность ДавноНедавно Редко Часто Частота Прибыль
  9. 9. Ядро CRM: поведенческая сегментация и библиотека кампаний RFM-сегментация Сегментация, основанная на вычислении ценности покупателя на основе частоты его покупок, давности последней покупки, и прибыли. Давность ДавноНедавно Редко Часто Частота Прибыль Ценный живой сегмент Ценный умирающий сегмент Сегмент, не имеющий смысла
  10. 10. Ядро CRM: поведенческая сегментация и библиотека кампаний RFM-сегментация Сегментация, основанная на вычислении ценности покупателя на основе частоты его покупок, давности последней покупки, и прибыли. Давность ДавноНедавно Редко Часто Частота Прибыль Ценный живой сегмент Ценный умирающий сегмент Сегмент, не имеющий смысла Библиотека кампаний Для каждого из сегментов мы создаём кампании, работающий через рассылки, пуш-нотификации, SMS, рекламу – для изменения поведения Снижение оттока покупателей с помощью бонусов за возвращение в программу Увеличение списка покупаемых товаров с помощью бонусов за покупку товарных пар Увеличение частоты покупки с помощью бонусов за регулярные приобретения И еще огромное количество кампаний, работающих на стимулирование дополнительных покупок, включая различные призы, бонусы и контент, подходящие профилю пользователя
  11. 11. Ядро CRM: поведенческая сегментация и библиотека кампаний RFM-сегментация Сегментация, основанная на вычислении ценности покупателя на основе частоты его покупок, давности последней покупки, и прибыли. Давность ДавноНедавно Редко Часто Частота Прибыль Ценный живой сегмент Ценный умирающий сегмент Сегмент, не имеющий смысла Библиотека кампаний Для каждого из сегментов мы создаём кампании, работающий через рассылки, пуш-нотификации, SMS, рекламу – для изменения поведения Снижение оттока покупателей с помощью бонусов за возвращение в программу Увеличение списка покупаемых товаров с помощью бонусов за покупку товарных пар Увеличение частоты покупки с помощью бонусов за регулярные приобретения И еще огромное количество кампаний, работающих на стимулирование дополнительных покупок, включая различные призы, бонусы и контент, подходящие профилю пользователя Таким образом, мы можем отслеживать индивидуальные продажи, видеть их тренды, доставлять персональные кросс-продуктовые предложения, и отслеживать результаты в терминах прибыли на одного покупателя. Благодаря этому, мы можем вычленить сегмент самых ценных покупателей. Осталось добавить медиа-экспертизу, и начать приводить в программу исключительно этот тип покупателей.
  12. 12. К счастью, у нас нашлись инструменты, позволившие реализовать такой тип закупки CRM + CCS Fusion: планирование медиа по данным о сегменте лучших покупателей Facebook insights: покупка look-alike по переданным данным AMNET: покупка сегментов, похожих на целевой, с помощью look-alike
  13. 13. Оптимизация медиа по ROI Кампании на знание Трафикогенерящие кампании Посадочные страницы под продукты / услуги содержит код AMNET и конверсии (формы, кнопки заказа) Общая БД сайта и приложения привязывает id AMNET к id пользователя AMNET id traffic source CRM система сегментирует полученных клиентов AMNET id CRM id источник трафика Медиа-оптимизация на основе данных из БД: сопоставление лучших пользователей с медиа источниками и креативами Построение следующей кампании на основе данных об эффективности, полученных из БД приложения / сайта. Покупка новых участников по look-alike audience insights Ретаргетинговые кампании на кросс- продукт / новые услуги Переключить между продуктами Хорошие покупатели, нужны еще такие же Неинтересный сегмент AMNET id AMNET id AMNET id AMNET id
  14. 14. Как там с результатами?
  15. 15. Результаты управления портфолио и поведением покупателя Рост общего количества покупок в месяц среди участников программы Количество участников достаточно велико для влияния на общее самочувствие бренда Вырастили ежемесячные покупки высокомаржинальных продуктов в 2,14 раза 214% В результате ежемесячная прибыль от постоянных покупателей увеличилась в несколько раз В CRM кампаниях (и только в них) мы работали на рост покупок высокомаржинальных SKU: SKU 1 (объём) SKU 2 (объём) SKU 3 (прибыль) SKU 4 (прибыль) 6.69 1.28 3.79 1.08 7.25 1.39 6.41 4.04 2013 2014 Для доказательства эффекта работы CRM мы провели как сравнение с панелью GfK (давшее весьма положительный результат), так и построили алгоритмы сравнения новых и старых участников программы, также показавших существенный прирост потребления участниками. много кратно38%38%
  16. 16. Оптимизация медиа на прибыли также принесла отличные результаты, уже с первой кампании Website Budget Profit ROI vkontakte.ru 372 720 46 266 -326 454 masterlead 1 812 780 355 586 -1 457 194 Google Mobile 432 000 128 314 -303 686 Google.AdWords 589 471 141 026 -448 445 amnet 996 435 479 659 -516 776 context 2 597 354 2 886 624 289 270 avito 221 627 0 -221 627 subscribe 15 000 0 -15 000 soloway 2 311 0 -2 311 target.mail 36 482 0 -36 482 cpaexchange 480 000 22 361 -457 639 kupikupon 150 000 4 506 -145 494 wapstart 260 330 2 387 -257 943 bigbuzzy 70 000 4 821 -65 179 64 350 0 -64 350 итого 8 100 858 4 071 551 Website Budget Profit ROI vkontakte.ru 372 720 240 965 -131 755 masterlead 1 812 780 2 013 931 201 151 Google Mobile 432 000 597 096 165 096 Google.AdWords 589 471 705 486 116 015 amnet 996 435 2 141 953 1 145 518 context 2 597 354 13 502 587 10 905 233 avito 221 627 0 -221 627 subscribe 15 000 0 -15 000 soloway 2 311 0 -2 311 target.mail 36 482 0 -36 482 cpaexchange 480 000 156 125 -323 875 kupikupon 150 000 70 058 -79 942 wapstart 260 330 15 130 -245 200 bigbuzzy 70 000 31 747 -38 253 64 350 0 -64 350 итого 8 100 858 19 475 078 11 374 218 Первая часть кампании: оптимизация по CPL, снижение стоимости регистрации до минимально возможных цифр для получения данных по прибыли с покупателя (50% бюджета кампании) После получения данных по прибыли, переключение на оптимизацию кампании по стоимости привлечения рубля прибыли; результаты кампании (полугодовой хвост покупок) возврат инвестиций по всей кампаниии в течение 6 месяцев с момента старта 240%
  17. 17. Сейчас отчёт ROI по каналам доступен прямо из интерфейса все цифры занулены вручную Конверсия в покупателей Сгенерированная прибыль Данные в отчёте искусственно обнулены.
  18. 18. Спасибо. Пишите, если вам интересно :) Ivan Borovikov, ibg@mindbox.ru Michael Shklyaev, michael.shklyaev@adwatch.ru

×