RR поведенческая матрица - как следующий шаг после RF-матрицы
Маркетинг баз данных это мощный подход, который позволяет e-commerce бизнесам быстро понимать, что реально происходит с ростом их клиентской базы. Я часто использую подходы оттуда, чтобы сделать диагностику и выдать первые рекомендации ребятам, которые просят помощи.
Ярким представителем маркетинга баз данных является RFM подход. Вы ранжируете каждого клиента по Recency, Frequency и Monetary и таким образом понимаете, какую ценность клиент принес вам на сейчас, а также, какую ценность он смог бы вам принести в будущем.
Для реализации RF(M) подхода достаточно только данных о транзакциях и это его огромный плюс. Обычно с этой таблицей у бизнеса меньше всего проблем. Для оптимизации LTV (в частности - количества покупок) этого часто достаточно. Пример RF-матрицы показан ниже:
Из чарта выше видно, что 35.8% всех клиентов сделали свою последнюю покупку в диапазоне от 0 до 60 дней. И это отличный результат, когда одна третья базы очень свежая.
Подробнее об этом и о том как работать с RF-матрицей вы можете прочитать в этом посте.
Однако для SaaS бизнесов (как и бизнесов с более длинным циклом повторных покупок) этот подход дает весьма ограниченный лифт в продажах. Здесь сигнала о последней покупки не достаточно, чтобы понять, что дальше будет происходить с клиентом.
Давайте построим еще одну матрицу, но в этот раз мы добавим сигнал о том, когда клиент последний раз просматривал товар (если быть точным - кликал на товар).
Казалось бы нет никакой интересной разницы в этих матрицах, однако это не так.
Обратите внимание на 2 ключевых момента:
(1) хотя 35.8% клиентов сделали свою последнюю покупку в течение недавних 60 дней, но в тоже время 75.6% всех клиентов просмотрели товар за тот же период.
Это дает нам понимание верхней границы (2x!) возможной активации клиентов.
(2) очень важный сигнал нам дает строка R_buy_R_click_60d. Из нее видно, что хотя многие клиенты уже давно не покупают (читаем справа налево), но они все еще просматривают(!) товары, кликая на них.
Так, например, клиенты которые последний раз покупали 180-240 дней тому назад (более полугода тому назад), 58% из них еще просматривали товары в последние 60(!) дней.
Здесь уже Recency по клику на товар как и Frequency кликов м.б. тем score по которому можно отранжировать клиентов и начать активировать тех, кто недавний и активно кликает по товарам, но еще не купил.
Таким образом сигнал, который предшествует покупке может быть использован как прокси того, что еще может произойти с клиентом. Главное найти такой сигнал и проверить как сильно он коррелирует с целевым действием (например, с покупкой).
Главная проблема в таком анализе заключается в том, что переключаться между этими 2-мя матрицами совсем не удобно.
В следующем посте я начну серию постов о том, как можно было совместить сигналы о покупке с поведенческим сигналом в одной матрице. Мы начнем обсуждать Transition Matrix.
Ярким представителем маркетинга баз данных является RFM подход. Вы ранжируете каждого клиента по Recency, Frequency и Monetary и таким образом понимаете, какую ценность клиент принес вам на сейчас, а также, какую ценность он смог бы вам принести в будущем.
Для реализации RF(M) подхода достаточно только данных о транзакциях и это его огромный плюс. Обычно с этой таблицей у бизнеса меньше всего проблем. Для оптимизации LTV (в частности - количества покупок) этого часто достаточно. Пример RF-матрицы показан ниже:
 |
| RF-matrix. |
Из чарта выше видно, что 35.8% всех клиентов сделали свою последнюю покупку в диапазоне от 0 до 60 дней. И это отличный результат, когда одна третья базы очень свежая.
Подробнее об этом и о том как работать с RF-матрицей вы можете прочитать в этом посте.
Однако для SaaS бизнесов (как и бизнесов с более длинным циклом повторных покупок) этот подход дает весьма ограниченный лифт в продажах. Здесь сигнала о последней покупки не достаточно, чтобы понять, что дальше будет происходить с клиентом.
Давайте построим еще одну матрицу, но в этот раз мы добавим сигнал о том, когда клиент последний раз просматривал товар (если быть точным - кликал на товар).
 |
| RR-matrix. |
Обратите внимание на 2 ключевых момента:
(1) хотя 35.8% клиентов сделали свою последнюю покупку в течение недавних 60 дней, но в тоже время 75.6% всех клиентов просмотрели товар за тот же период.
Это дает нам понимание верхней границы (2x!) возможной активации клиентов.
(2) очень важный сигнал нам дает строка R_buy_R_click_60d. Из нее видно, что хотя многие клиенты уже давно не покупают (читаем справа налево), но они все еще просматривают(!) товары, кликая на них.
Так, например, клиенты которые последний раз покупали 180-240 дней тому назад (более полугода тому назад), 58% из них еще просматривали товары в последние 60(!) дней.
Здесь уже Recency по клику на товар как и Frequency кликов м.б. тем score по которому можно отранжировать клиентов и начать активировать тех, кто недавний и активно кликает по товарам, но еще не купил.
Таким образом сигнал, который предшествует покупке может быть использован как прокси того, что еще может произойти с клиентом. Главное найти такой сигнал и проверить как сильно он коррелирует с целевым действием (например, с покупкой).
Главная проблема в таком анализе заключается в том, что переключаться между этими 2-мя матрицами совсем не удобно.
В следующем посте я начну серию постов о том, как можно было совместить сигналы о покупке с поведенческим сигналом в одной матрице. Мы начнем обсуждать Transition Matrix.
Comments
Post a Comment