Результат кампании

+ 17% прибыли

Эффективный возврат и активация участников программы лояльности «Почётный гость» для компании «Росинтер»

Премия Loyalty Awards Russia — 2018 в номинации
"Лучшее применение аналитики"

«Росинтер»

Компания «Росинтер»управляет сетью семейных ресторанов в России и СНГ. В состав холдинга входят собственные бренды «IL Патио», «Шикари», «Планета Суши», «Американский Бар и Гриль», «Мама Раша», а также развивает международные бренды на основе франчайзинга TGI FRIDAYS и Costa Coffee.

«Почетный Гость»

Программа лояльности «Почетный гость» — это первая бальная программа лояльности в ресторанном бизнесе России. Суть заключается в накоплении бонусных баллов на личном счете клиента. На накопительный счет начисляется 10% от суммы чека в любом из ресторанов сети. Баллы можно использовать в течение года после их начисления: оплачивать до 50% от стоимости заказа.

Цели Out of Cloud

  • активировать неактивных клиентов
  • реактивировать клиентов оттока
  • изучить влияние разных вариантов воздействия на клиентов
  • задать организационно-аналитическую рамку проведения кастомизированных кампаний

В режиме эксперимента мы запустили кампанию, в рамках которой было проведено исследование, способствующее достижению этих целей.

Вопросы исследование

  • Акции какой длительности работают лучше.
  • Сколько баллов и каким клиентам выгодно дарить.
  • Имеет ли значение день отправки коммуникации.
  • Cтоит ли инвестировать больше в оттоковых клиентов, приносивших большую прибыль в прошлом.
  • Cтанут ли активные клиенты покупать еще больше под воздействием реактивационной механики.

Этапы проведения кампании

  1. Определяем критерии выделения сегментов
  2. Формируем целевые сегменты
  3. Выбираем механику воздействия
  4. Определяем измерения эксперимента
  5. Определяем каналы коммуникации и создаем график коммуникаций по проекту
  6. Запускаем кампанию
  7. Измеряем эффективность и анализируем результаты

Этап 1.Определяем критерии выделения сегментов

В реактивационных и активационных кампаниях важным является как можно аккуратнее выделить критерий, по которому можно будет отделить оттоковых клиентов и клиентов, которые сами скорее всего не активируются, от клиентов с нормальным для них режимом потребления. Для определения количества дней, которое свидетельствует о том, что клиент давно не появлялся в ресторане мы используем метрику Q90(AIPI) - квантиль уровня 90% среднего времени между транзакциями, рассчитанное на данных клиентов, совершивших три и более транзакции

Q90(AIPI) = 155 дней

Значит, в распределении метрики «Среднее время между транзакциями» 90% значений меньше 155 дней, а 10% больше.

Этап 2.Выделяем несколько сегментов

Сформировали 3 основных и 2 дополнительных сегмента.

Основные сегменты

Неактивированные клиенты
нет транзакций и с даты регистрации прошло более 155 дней.

Отток (1-2 чека)
меньше 3 транзакций и давность последней более 155 дней

Отток (больше 3 чеков)
больше трех транзакций, давность последней превышает тройное время между транзакциями или 155 дней.

Дополнительные сегменты

Отток High PCV
20% от всех клиентов, которые принесли наибольшее количество прибыли в прошлом.

Активные клиенты
Небольшой сегмент активных клиентов.

Этап 3. Выбираем механику воздействия

На основе экспертного мнения CRM-стратега и аналитика для данной кампании выбрали балльную механику акции. Клиентам из целевого сегмента мы начисляли на персональный счет в программе лояльности дополнительные баллы на установленный срок. Мы посчитали, что такая механика при достаточно высоком уровне бонуса будет интересна клиентам и более выгодна бизнесу, чем, например, прямые скидки или механики со специфическим воздействием.

Этап 4. Определяем измерения эксперимента

Чтобы ответить на вопросы, поставленные в целях исследования, мы выделили 3 измерения эксперимента.

Во-первых, варьировали длительность акции: 1 неделя (у клиента будут хотя бы одни выходные для спонтанного похода в ресторан) и 2 недели (для любителей планировать досуг заранее). Соответственно, для части клиентов акция действовала 1 неделю, а для части клиентов — 2 недели.

Во-вторых, разным клиентам мы начисляли разное количество баллов, чтобы найти наиболее выгодный для бизнеса и привлекательный для клиента размер вознаграждения. Для этой кампании ценность подарков определили на основе экспертного мнения. Минимальное количество баллов равнялось 250, так как баллами можно оплатить до 50% счета, а средняя стоимость 1 блюда ~400 руб. Далее подняли порог вознаграждения до 350 и 450 баллов. Кроме того, мы хотели проверить гипотезу, что в ценных в прошлом клиентов стоит инвестировать больше, поэтому сегменту HiPCV (high past customer value) решили начислить по 1000 баллов.

В-третьих, варьировали день отправки стимулирующих коммуникаций (суббота, когда у клиента все выходные впереди и можно заказать доставку, и воскресенье, когда уже некогда), чтобы проверить гипотезу маркетологов, что вовлеченность в коммуникации в субботу будет выше, чем в воскресенье.

Длительность акции Кол-во баллов День отправки
1 неделя 250 суббота
2 недели 350 воскресенье
450
1000 для high PCV

Этап 5. Определяем каналы коммуникации и создаем график коммуникаций по проекту

Этап 6. Запускаем кампанию

Примеры коммуникации

За день до сгорания дополнительных баллов клиентам, которые не воспользовались акцией, отправили email и пуш уведомления, что баллы скоро сгорят.

В выходные перед окончанием акции отправили стимулирующую коммуникацию — email-напоминание клиентам, которые не сделали заказ по акции.

Результаты по отдельным сегментам

Оттоковые клиенты с 1-2 чеками

Воздействие Инкрементальный рост, %
Посещения Сумма счетов Маржа
Средний эффект 36 27 14
1 неделя 23 16 7
2 неделя 48 39 20
250 баллов 26 27 19
350 баллов 35 22 9
450 баллов 46 32 13

Оттоковые клиенты с 3 и более чеками

Воздействие Инкрементальный рост, %
Посещения Сумма счетов Маржа
Средний эффект 58 48 28
1 неделя 50 44 30
2 неделя 66 52 25
250 баллов 33 33 21
350 баллов 67 59 38
450 баллов 74 53 25

Неактивированные клиенты

Воздействие Инкрементальный рост, %
Посещения Сумма счетов Маржа
Средний эффект 70 53 35
1 неделя 59 41 29
2 неделя 81 65 40
250 баллов 40 34 23
350 баллов 76 53 36
450 баллов 94 72 44

Оттоковые клиенты с 3 и более чеками, ценных в прошлом

Воздействие Инкрементальный рост, %
Посещения Сумма счетов Маржа
Средний эффект 59 60 24
350 баллов 43 39 21
1000 баллов 75 80 27

Общая таблица для сравнения сегментов

Прирост: по посещениям по сумме счетов по марже
Неактивированные клиенты 70% 53% 35%
Оттоковые клиенты с 1-2 чеками 36% 27% 14%
Оттоковые клиенты с 3 и более чеками 58% 48% 28%
Оттоковые клиенты с 3 и более чеками
(в прошлом принесли максимум прибыли)
58% 60% 24%
Активные клиенты 19% 21% 3%

Этап 7. Измеряем эффективность и анализируем результаты. Методология измерения

Инструментально-аналитический подход позволяет установить причинно-следственную связь между воздействием на клиента и различными целевыми метриками его поведения.

В качестве целевых метрик по данной кампании были установлены инкрементальный прирост по количеству визитов в рестораны, сумме счетов и марже клиентов экспериментальной группы по сравнению с клиентами контрольной группы.

Для выявления статистически-значимой разницы в поведении применяли статистические тесты на разницу в долях и средних значениях.

Для выделения микросегментов, имеющих нулевую (отрицательную реакцию на воздействие), использовались эконометрические методы и методы машинного обучения.

Выводы

Протестированная механика эффективно активировала неактивированных клиентов и вернула клиентов из оттока.

Подобную акцию лучше проводить в течение 2 недель.

Неактивированным клиентам эффективнее дарить 450 баллов, а оттоковым — 250-350.

День отправки дополнительных коммуникаций значения не имеет.

Нет смысла много вкладывать в оттоковых клиентов, которые в прошлом приносили большую прибыль.

Сегменту активных клиентов не выгодно дарить баллы.

По тем сегментам, где есть существенная информация о предшествующем поведении клиентов (восстановленная из данных предыдущих транзакций), смоделирована взаимосвязь между поведенческими характеристиками и величиной реакции клиентов на акционное воздействие. В частности, методами машинного обучения были выделены микро-сегменты, которые продемонстрировали реакцию, значимо отличающуюся от средней в сегменте. Эта информация будет использована для более точного (результативного) таргетинга в будущих кампаниях.

по посещениям

+40%

по сумме счетов

+36%

по марже

+17%