Аналитическая компания Coffee Analytics совместно с Фондом развития цифровой экономики, платформой Owox Bi и платформой клиентских данных Mindbox провела первое в России исследование того, как компании работают с пожизненной ценностью клиентов (LTV, lifetime value) и выяснили, что только треть компаний считают этот показатель. Управляющий партнер Coffee Analytics Андрей Муратов на примерах показал, как с помощью прогноза метрики LTV (гайд расчёта на машинном обучении) можно оптимизировать привлечение новых клиентов, развивать перспективных и даже управлять товарным ассортиментом.
Описанные в статье шесть стратегий схематично отражены на условном жизненном цикле клиента от знакомства с компанией и первой покупки до удержания.
1. Этап привлечения: перераспределение бюджета при закупке новой аудитории
На этапе привлечения главная задача бизнеса — найти и заинтересовать наиболее ценную аудиторию минимальными усилиями. Соотношение «затраты — доход» удобно измерять через полную стоимость привлечения клиента (CAC, customer acquisition cost) к LTV клиента. Хотя нет единого стандарта и для каждой индустрии будут свои ориентиры, в идеальной ситуации CAC к LTV должен быть не менее, чем 1 к 5 (то есть ROI = LTV/CAC — 1, равен или выше 400%).
Важно: для товарных компаний в расчете из LTV вычитают COGS (cost of goods sold, себестоимость товара), то есть считают валовую прибыль, маржу (gross margin).
Зная соотношение CAC к LTV, компания получает возможность перераспределять бюджет между различными каналами: Google AdWords, «Яндекс.Директ», социальными сетями, реферальной программой и так далее. Это позволяет тратить инвестиции на маркетинг оптимальным образом с учетом ожидаемой прибыли за весь период взаимодействия с клиентом, а не ориентироваться на прибыль от первого заказа или за первый месяц привлечения.
Сравним Google AdWords и реферальную программу: у Google ROI к ARPU ниже. Если компании нужно выбрать только один канал, она предпочтет реферальную программу. Но на дистанции Google обгонит ее на 28% (434% против 406%), следовательно, оставить нужно именно его.
2. Этап привлечения: привлечение ценной аудитории через look-a-like
Здесь нужно выделить страту клиентов, чей LTV входит в сегмент 80%+ (то есть 20% лучших) от максимального значения, и загрузить этот сегмент в рекламный кабинет для построения look-a-like-аудитории. Facebook, в частности, позволяет задать точность того, насколько новая аудитория будет похожа на исходную.
Затем нужно оценить эффективность привлечения новой аудитории по сравнению с другими запущенными кампаниями — для этого снова понадобится LTV. Для полноты картины можно смотреть также на динамику LTV месяц к месяцу, фиксируя истощение потенциала кампаний.
Допустим, компания проводит промоакцию, снимает результаты и видит, что, судя по CAC, CPC и ROI, акция успешно отработала. Но без учета LTV не будет понятно, что на самом деле стратегически в этой акции не было смысла: она привлекла охотников за скидками с низким LTV.
Георгий Чибисов, growth and performance marketing director Lamoda:
Мы решили отказаться от мультиканальной атрибуции и перейти на LTV в 2018 году. Сейчас все усилия по привлечению новых клиентов, процессу удержания и возврата оцениваются с точки зрения LTV в когортах.
Такой подход позволил изменить структуру маркетинговых кампаний, которые теперь полностью нацелены на рост клиентской базы. Инвестиции в маркетинг оцениваются на протяжении всего срока жизни клиента. Важно сказать, что LTV позволяет гибко управлять инвестициями в клиентскую базу: затраты не заканчиваются только привлечением нового клиента, а продолжаются на протяжении всей его жизни.
Благодаря LTV мы смогли оптимизировать затраты на маркетинг на уровне платформ, каналов и источников привлечения, а также в каждом регионе присутствия компании.
3. Этап развития и поддержки: кластеризация и развитие наиболее ценных клиентов
Кластеризация — это подход к сегментации клиентов, предполагающий разделение на однородные группы. Классический пример — деление по возрасту, полу и так далее. Увы, такое разделение не всегда дает адекватные результаты в рекламе.
Другой стандартный подход — RFM-анализ с разделением клиентов по давности (recency), частоте (frequency) и сумме покупок (monetary). Он неплохо работает, но довольно груб, поскольку критерии сегментации определены заранее и используют только транзакционные данные. По нашей практике, лучше работает кластеризация на машинном обучении на полном доступном массиве клиентских данных, когда алгоритм сам определяет, по каким критериям делить базу.
Но и RFM приносит плоды — это доказывает опыт Ozon. Маркетологи компании разделили всю базу на основе RFM-анализа на 27 сегментов и для каждого из них посчитали множители для ставок на основе соотношения прошлого дохода (monetary) и будущего дохода (LTV). Это позволило приоритизировать рекламные показы в ремаркетинге на более ценные сегменты. В результате увеличили конверсию в два раза, ROI повысился на 55%.
Еще один недостаток RFM-подхода — количество сегментов, многие из которых на самом деле близки по LTV. Если же использовать ML, то получим меньше кластеров, границы каждого при этом будут более четкими.
Кстати, необязательно использовать для кластеризации именно показатель LTV. Компания «Эльдорадо» учитывала, например, вероятность совершения покупки, чтобы разделить базу на 10 частей. Это позволило в 2,5 раза увеличить ROI контекстной рекламы.
4. Этап развития и поддержки: фокусирование на ценных клиентах и их удержание
LTV дает возможность следить за наиболее ценными для компании сегментами и понимать, как ежемесячно перетекает аудитория между ними и какой результат в деньгах благодаря этому получает компания.
Наиболее ценным сегментам разумно уделять повышенное внимание, например, приглашать на закрытые распродажи или давать ранний доступ к новым коллекциям. Если компания правильно выстраивает эту работу, средний LTV более ценных сегментов будет расти, а сами они будут увеличиваться в размере. А это в конечном счете приведет к росту суммарного LTV всех клиентов компании и ее финансовых показателей.
5. Этап развития и поддержки: влияние товарных категорий на LTV
LTV позволяет понять, какие товарные категории выбирают клиенты, то есть в каких категориях LTV накапливается с течением времени по каждому сегменту. Часто это бывают товары регулярного спроса, например рубашки в магазине одежды.
Важно отслеживать изменение LTV именно по сегментам, причем пришедшим за определенный период. Приведу пример. Допустим, компания видит, что LTV к прошлому месяцу у людей с детьми до 5 и 10 лет резко падает:
Причина такого падения может крыться в изменении товарной матрицы. В этом случае — в сокращении ассортимента детских товаров. То есть товар может быть низкомаржинальным, но отказываться от него нельзя, чтобы не спровоцировать отток клиентов.
В общем виде это выражается графиком ниже:
В этом примере категория 4 не так важна при трехмесячной оценке покупок когорты, но ситуация меняется за два года: вклад категории в рост LTV увеличивается.
Знание товарных категорий, которые влияют на LTV на дистанции, позволяет удерживать клиентов, сохраняя важные позиции в ассортименте. Для полной картины необходима омниканальная программа лояльности. Она позволяет собирать все необходимые для этого данные.
6. На всех этапах жизненного цикла клиента: определение факторов, влияющих на LTV, и генерирование гипотез роста
Модель на машинном обучении, объединяющая все данные о покупателях и транзакциях, позволяет декомпозировать факторы, влияющие на LTV когорты или сегмента. Это, в свою очередь, позволяет компании генерировать гипотезы роста LTV. Изучим график дерева декомпозиции ниже:
Если посмотреть на покупки в разрезе дней недели, окажется, что из-за скидок выходного дня влияние покупок в субботу и воскресенье на LTV ниже, чем в будни. Это означает, что имеет смысл активнее привлекать аудиторию в магазины в будние дни. Подобные гипотезы, конечно, нужно проверять с помощью AB-тестов.
Таким образом, расчет LTV и активная работа с ним позволяет максимизировать прибыль компании на всех этапах жизненного цикла клиента: от привлечения до реактивации.