КАК ПРЕДУГАДАТЬ УХОД ПОКУПАТЕЛЯ ЗА НЕДЕЛЮ ДО ЭТОГО И СЭКОНОМИТЬ НА УДЕРЖАНИИ

КАК ПРЕДУГАДАТЬ УХОД ПОКУПАТЕЛЯ ЗА НЕДЕЛЮ ДО ЭТОГО И СЭКОНОМИТЬ НА УДЕРЖАНИИ

Представьте ситуацию: покупатель еще вчера активно заказывал, а сегодня исчезает из вашей системы. Вы теряете его, не понимая почему. Но что если бы вы знали за неделю до его ухода, что он собирается уйти? Такая возможность существует уже сейчас, и это меняет весь подход к удержанию клиентов.

ПРИЗНАКИ УХОДА, КОТОРЫЕ ВИДНЫ В ДАННЫХ

Когда клиент готовится уйти, он оставляет следы в аналитике задолго до этого. Вот что происходит в реальности: человек посещает сайт реже, время его пребывания на странице товаров сокращается, он перестает переходить в корзину, снижается частота его действий. Все эти сигналы можно увидеть в системе аналитики Яндекс.

Система анализа поведения начинает замечать эти паттерны, сравнивая текущее поведение клиента с его историческими данными. Если раньше человек заходил три раза в неделю, а теперь заходит один раз, это сигнал. Если раньше он совершал покупку каждые две недели, а теперь месяц не покупает, это тоже сигнал.

Но самое важное — система может определить, близок ли человек к точке невозврата, анализируя все эти показатели одновременно. Это как медицинская диагностика: один симптом может ничего не значить, но совокупность признаков дает четкую картину.

ЧТО АНАЛИЗИРУЕТ СИСТЕМА

Прежде всего, это поведение на сайте. Как часто человек заходит, сколько времени проводит, какие страницы просматривает, выполняет ли целевые действия — добавляет товары в корзину, оформляет заказ, оставляет отзыв.

Второе — история покупок. Когда была последняя покупка, какова была сумма, какие товары выбирал, есть ли повторяемость в выборе категорий.

Третье — взаимодействие с маркетингом. Открывает ли человек письма, кликает ли на ссылки в рассылке, нажимает ли на объявления, откликается ли на специальные предложения.

Четвертое — активность на разных каналах. Приходит ли он через поиск, социальные сети, прямые ссылки, рекламу. Может быть, он перестал кликать объявления или забросил социальные сети.

Система сопоставляет все эти данные и выстраивает профиль риска для каждого клиента. По сути, она говорит: "Этот человек похож на тех, кто ушел месяц назад, смотри, у них было вот такое поведение перед уходом".

КОГДА ТОЧНОСТЬ ПРЕДСКАЗАНИЯ МАКСИМ��ЛЬНА

Самая надежная информация приходит в те моменты, когда клиент делает не то, что он делал раньше. Например, давайте возьмем конкретный пример: интернет-магазин косметики. У него есть постоянная клиентка, которая каждый месяц заказывает крем стоимостью две тысячи рублей. Она очень предсказуема.

И вот — она не заходила две недели, вместо привычного месячного перерыва это уже сигнал. Система это видит. За неделю до этого, кстати, она была на сайте, посмотрела страницу с кремом, но не добавила в корзину. Обычно она добавляла сразу. Система видит и это изменение.

За несколько дней до последнего захода ей отправили рассылку о новой коллекции — она не открыла письмо. Раньше она открывала все. Это еще один сигнал. Система анализирует все вместе и с вероятностью восемьдесят пять процентов определяет, что эта клиентка готовится уйти.

На основе этого прогноза компания может сразу сделать несколько вещей. Например, отправить ей специальное предложение по любимому крему со скидкой. Или написать личное сообщение: "Заметили, что вы давно с нами не были, вот специальный подарок для вас при следующей покупке".

ТАК КАК ЭКОНОМИТСЯ БЮДЖЕТ

Обычный подход к удержанию клиентов очень затратный. Компании отправляют скидочные предложения всем подряд, проводят дорогие рекламные кампании, тратят деньги на клиентов, которые все равно никогда не вернутся.

Представим магазин с ежемесячным бюджетом на удержание в сто тысяч рублей. Раньше эти деньги распределялись между всеми не совершившими покупку в последний месяц. Это может быть несколько тысяч человек.