Юрий Востриков, генеральный директор ЛАНИТ Омни:
Новая экономическая реальность и вызовы, с которыми столкнулся российский бизнес, подтолкнули многие компании к пересмотру бюджетов. И в числе первых под оптимизацию попал именно маркетинг. При этом конкуренция за покупателя наоборот только растет, а сами клиенты – больше экономят и чаще обращаются к программам лояльности, чтобы справиться с растущими ценами.
Получается, что бороться за клиента нужно в разы активнее, а денег тратить на это гораздо меньше, поэтому инвестиции фокусируются на автоматизации маркетинга. Очевидно, что программы лояльности не исчезнут, но должны будут трансформироваться, учитывая развитие технологий, новые каналы и механики взаимодействия, изменения спрос и многое другое.
Какие тренды не стоит упускать из виду, чтобы в 2023 году программа лояльности стала ценностью, а не бесполезной функцией?
Переход от общего маркетинга к персонализированному
Бизнесу в современных условиях становится все труднее удержать клиента. Во-первых, из-за растущей конкуренции, во-вторых, из-за быстрого развития технологий: теперь покупатель может быстро мигрировать между брендами, просто закрыв одно приложение и открыв другое, если остался недоволен продуктом или сервисом. И, наконец, из-за отсутствия оригинальных идей и невнимания к «поколенческим» и индивидуальным особенностям клиентов. Сделать предложение уникальным и интересным помогут данные, тем более что сейчас недостатка в них нет.
Компании собирают огромные массивы информации, современные программы лояльности оцифровывают каждый этап на пути к сердцу клиента, а качественная аналитика и новые технологии, такие как ML и AI, помогают правильно использовать их и быстро выстраивать эффективную модель взаимодействия с клиентом. Например, готовить «умные» рекомендации продуктов или правильно сегментировать аудитории и настраивать под них соответствующие рассылки.
Так, если человек покупает молоко, смысла делать скидку на этот товар для него нет, а вот подобрать сопутствующие товары с промоценой – хорошая идея. Допустим у системы есть данные, что покупатель – мама с детьми младшего школьного возраста, тогда можно рекомендовать ей хлопья или булочку. А если это молодая женщина, которая всегда покупает много овощей и сосредоточена на полезном питании, ей лучше предложить цельнозерновые мюсли. Все это происходит автоматически, маркетологу достаточно указать определенный продукт. А затем, опираясь на агрегированные данные, ML-модель подготовит список всех клиентов, которые с наибольшей вероятностью согласятся принять предложение и соберет их в виде сегмента для дальнейшей рассылки, это повышает конверсию на 20-40%. ML умеет не только сегментировать аудиторию, но и правильно настраивать рассылку под каждую группу, выбирая канал, время, день недели.
Раньше всех «распробовали» плюсы таких систем в продуктовом ритейле, но за последнее время их все чаще используют и другие направления, очень активно за дело взялась фарма, к нам регулярно приходят заказчики с такими запросами и мы уже запустили ряд подобных проектов. Аптеки применяют ML-функционал для активизации повторных покупок – допустим, покупатель приобрел антибиотики, рассчитанные на двухнедельный прием, но купил всего одну упаковку, система напомнит ему о необходимости повторной покупки, а когда курс закончится порекомендует пробиотики для восстановления флоры или витамины для укрепления иммунитета.
Все ставки на эмоциональную связь
Программы лояльности теперь меньше ориентированы на механический обмен баллами, а больше концентрируются на развитии эмоциональной связи между брендом и его клиентами. Ведь если мы привлекаем потребителя только бонусами, ему ничего не стоит найти конкурента с лучшим предложением. Эмоции – совсем другая материя, работать с ними гораздо сложнее, но при этом и дифференцироваться от других — проще. Однако, сначала необходимо понять, как именно клиенты относятся к бренду. Здесь поможет сбор «эмоциональных» данных: опросов об удовлетворенности клиентов, аналитики настроений или даже анализ голоса или лица во время совершения покупки или общения со специалистом. На основе «эмоциональных» данных и 360° профилей покупателей можно определить те направления, которые больше всего резонируют с их увлечениями.
Программы лояльности становятся способом транслировать язык бренда. В ДНК этого инструмента заложен паттерн постоянной адаптации под человека, время и ситуацию. Так, можно предложить баллы за переработку упаковки или каких-то предметов, кстати, осознанное потребление очень важный элемент лояльности для поколения зумеров. Или — за благотворительность. Так, у некоторых магазинов есть специальные наборы еды, которые можно приобрести онлайн, после чего волонтеры передадут их нуждающемуся человеку, такая же возможность доступна и для любителей животных.
Новые технологии и мобильность
Бренды научились отслеживать действия клиента на всем протяжении его пользовательского пути, фиксируя клики, выбор продуктов, избранные товары. Теперь можно с максимальной точностью вычислить не только идеальный момент для взаимодействия или ситуацию, где чаще возникают сложности, но и выбрать самый эффективный формат и канал, перейдя таким образом к проактивному сервису. Очень полезными тут могут быть технологии геолокации – предложить клиенту скидку именно в тот момент, когда он находится рядом с магазином или просто напомнить, что его ждут в любимом ресторане. Есть потенциал и у QR-кодов: программы лояльности, основанные на них, чрезвычайно удобны, так как весь процесс сбора, начисления и погашения баллов работает абсолютно бесшовно. И точно не стоит забывать про мобильное приложение, в котором должна быть реализована программа лояльности, большинство потребителей используют именно такой вариант, так как это быстрее, удобнее и смартфон всегда под рукой.
Бережем старых клиентов
Эксперты оценивают затраты на привлечение новых клиентов намного выше, чем на меры по удержанию старых, в среднем это обходится в 11 раз дороже. Не стоит забывать и о том, что уход потребителя – прямая потеря дохода. Сохранить его можно попытать с помощью технологий. Например, использовать искусственный интеллект и машинное обучение AI & ML, чтобы определить человека, который может уйти к конкурентам и постараться остановить его. Как это работает: с определенной периодичностью система группирует клиентов по вероятности оттока, анализирует причины такого решения и на основании исторических данных предлагает варианты действий, которые помогут его удержать, а затем уже стартует последовательность рассылок с шагами по вовлечению во взаимодействие. Такие решения очень популярны у компаний, работающих с масштабными клиентскими базами, например, из сферы телекоммуникаций.
