«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.

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.

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

Оттоковые клиенты с 3 и более чеками

Неактивированные клиенты

Оттоковые клиенты с 3 и более чеками, ценных в прошлом

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.