Сегментация по поведенческому признаку: почему это важно для бизнеса
Коммерческие департаменты нацелены на увеличение продаж. Один из инструментов, который помогает понимать аудиторию – поведенческая сегментация пользователей при анализе CJM внутри продуктов. Алексей Пушкарев, директор по производству ИТ-интегратора AWG, рассказывает о “карте путешествия клиента” и делится кейсом, где сегментировали аудиторию на 4 категории акционщики, вдумчивые, исследователи, anti-покупатели.
CJM — история поведения клиента при взаимодействии с компанией от первого касания до покупки.
Клиенты приходят на сайт с разными целями: кто-то пришел поглазеть, другие изучить товары для дальнейшего посещения магазинов в будущем, а третьи уже с твердым намерением купить товар. Из-за разных целей людям на сайте нужны разные части сайта, и анализировать клиентов надо по-отдельности.
В компании накапливается большой объем различных событий на сайте (переходы по страницам, нажатия на кнопку, оформление заказа), который сложно анализировать. Поведенческая сегментация — это разделение аудитории на группы, основанное на анализе общих поведенческих факторов, а не признаков покупателя.
Этот подход позволяет лучше понять, кто целевая аудитория, почему она покупает или уходит к конкурентам. Какие существуют точки контакта с клиентом и почему они работают или нет. Голос специалиста колл-центра, наличие свободных парковочных мест у торгового центра могут сыграть решающую роль в выборе клиента. Компании часто работают на поток и не задумываются о небольших, но значимых деталях. CJM помогает увидеть слабые места, найти пути их решения, внедрить полученные результаты.
На каждом из этапов воронки продаж, клиент встречается с различными проблемами. Они мешают ему перейти на следующий этап. Никто не любит трудности, хочется, чтобы все было быстро, легко, доступно. Поэтому чем больше барьеров, тем больше вероятность снижения лояльности к бренду и ухода к конкурентам.
Кейс для компании из сферы Fashion (обувь)
Во-первых, собрав все данные в одной БД, мы, проигнорировали такие типичные признаки пользователей как тип устройства, браузер, размер экрана. А взамен выделили сегменты, опираясь исключительно на похожесть действия пользователей. Что из этого вышло? Были сформированы четкие сегменты пользователей, которые одинаково взаимодействуют с продуктом.
Во-вторых, мы подумали, что на человека влияет масса различных факторов, которые не обязательно связаны с целевыми действиями (добавление в корзину, покупка). Мы решили что не нужно выделять переходы между страницами в самое важное действие - любой клик на сайте мы считаем одинаково значимым действием.
В-третьих, из-за изменения подхода учета событий изменяется и отображение результатов. Мы решили отойти от стандартной воронки (главная - список товаров - карточка товара - корзина - оформление заказа) и построили паутинку - граф перемещения пользователя по сайту. Наш пользователь как правило путешествует по сайту довольно долго, и такой вид отображения нам показался сильно более пригодным для поиска инсайтов, ведь на самом деле перемещение пользователя это цепочка фильтрации товаров и просмотра карточекке, и только потом переход на оформление заказа.
Пример разной подачи информации. Слева – классический подход, справа – CJM.
В-четвертых, для точек оттока внутри сегмента, мы смогли оценить влияние в деньгах. Мы собрали данные по тому, сколько товаров добавлено в незавершенные корзины.
Да, подход не самый привычный, и мы набили много шишек по дороге. Но, за первый подход мы обнаружили следующее:
- Мы убедились, что правильно собираем аналитику
- Сегменты пользователей с похожим поведением не пересекаются с какими-либо характеристиками пользователей.
- Выделили интересные сегменты с точки зрения возможности улучшений: акционщики, вдумчивые, исследователи, anti-покупатели.
- Внутри сегментов нашли различные причины оттока. Что важно, мы увидели всю цепочку действий пользователя перед уходом, и смогли выработать сильные гипотезы, которые передали для устранения команде разработки
- Нашли крайне интересные зоны, куда углубиться. Например, применение некоторых фильтров оказалось, связано с падением вероятности покупки. К примеру, пользователи часто открывали фильтр “Высота каблука” и не использовали его, возможно, ввиду недопонимания – фильтр не указывал высоту каблука в сантиметрах. Из-за чего пользователь совершал лишние действия, и они снижали вероятность покупки. Также проблемной зоной были и сочетания фильтров: пользователи не понимали разницы между “демисезон” и “демисезон утепленный”, и поэтому постоянно ставили оба значения, что также приводило к заметному падению показателя конверсии. Помимо этого, в сегменте активных покупателей значимый процент отказов связан с использованием неактивного промокода.