Jak zwiększyłem retencję i sprzedaż do tego samego klienta?

Wyzwanie biznesowe

Firma X, średniej wielkości sklep e-commerce sprzedający premium produkty dla domów i wnętrz w Polsce i zagranicą, borykał się z rosnącym kosztem pozyskania klienta (CAC) oraz spadającą efektywnością kampanii mających na celu utrzymanie klienta.

Problem był złożony:

• dane transakcyjne były w systemie płatności, logi behawioralne – w zewnętrznych narzędziach analitycznych, a informacje o kontakcie i historii sprzedaży znajdowały się w CRM,
• brak było ujednoliconego widoku klienta, co uniemożliwiało stworzenie precyzyjnego modelu tzw. wartości życiowej klienta (LTV) pokazującego, jak dużo jeszcze można sprzedać do pojedynczego klienta.

Zespół marketingowy działał więc na podstawie niekompletnych danych, trafiając do segmentów klientów o niskim potencjale.

Firma X potrzebowała narzędzia pozwalającego na bieżące zarządzanie przychodami, zamiast jedynie reagowania na ostatni zakup. Musiał mieć pełną wiedzę o tym, który klient jest najbardziej wartościowy i kiedy ma największe ryzyko odejścia.

Cel biznesowy

Celem było zaprojektowanie i wdrożenie centralnego systemu zarządzania danymi, który połączyłby wszystkie źródła informacji (transakcje, zachowania, kontakty) w jednym miejscu – tworząc tzw. jedno źródło prawdy. System ten miał umożliwić stworzenie precyzyjnego modelu predykcyjnego określającego:

• Potencjał przychodowy/zyskowy klienta - jak duży jest jego potencjał na przyszłe zakupy.
• Ryzyko odejścia (Churn) - kiedy klient ma największe prawdopodobieństwo rezygnacji.

Ten model miał stać się podstawą dla wszystkich działań marketingowych i sprzedażowych, umożliwiając przejście od marketingu reaktywnego do proaktywnego zarządzania przychodami.

Miernikiem sukcesu był wzrost wartości życiowej klienta (LTV).

Realizacja

To był jeden z większych i dłuższych projektów, jakie realizowałem, bo trzeba było zbudować od podstaw tzw. potoki danych. Realizacja byłą podzielona na trzy etapy.

Krok 1: Audyt danych i definicje procesów biznesowych

W dużym skrócie audyt pokazał, ile faktycznie firma X gromadziła danych, jak to robiła i czego nie gromadziła. Jednocześnie zdefiniowaliśmy kluczowe definicje we wszystkich etapach procesów biznesowych u klienta. Do tego opracowaliśmy szereg wewnętrznych mierników do monitorowania jakości gromadzonych danych.

Krok 2: Centralne repozytorium danych

Następnie przystąpiliśmy do centralizacji istniejących danych. W dużym skrócie zamiast ręcznego łączenia danych, stworzyliśmy automatyczny potok przetwarzania danych wg procesu ELT tj. dane z hurtowni danych są ładowane do dostawcy usługi jeziora danych, a następnie są poddawane transformacji w chmurze obliczeniowej. Po fazie testów i wyłapaniu kilku przypadków brzegowych wraz z zespołem wewnatrz firmy X zapewniliśmy ciągłość i niezawodność działania całego systemu.

Krok 3: Modelowanie predykcyjne

Na podstawie ujednoliconych danych w pierwszej iteracji zbudowałem model predykcyjny, który automatycznie oblicza wartość potencjału przychodowego od każdego klienta oraz jego ryzyko odejścia. Do istotnych zmiennych należały m.in. kraj, liczba dni od ostatniego wejścia na stronę czy średnia wartość koszyka w ostatnich 90 dniach.

To jednak nie usatysfakcjonowało firmy X. Po pierwsze, model pomijający koszty, w tym koszty reklam, miał dokładność tylko na poziomie 81% dla potencjału przychodu i jedynie 53% w zakresie ryzyka odejścia. Po drugie, sam przychód nie świadczy o tym, czy klient będzie faktycznie zyskowny.

W drugiej iteracji udało się dostosować model pod potencjał zysku od klienta, przy uwzględnieniu wszystkich istotnych statystycznie kosztów zmiennych. Dokładność modelu wzrosła do poziomu 94% dla przychodu i 89% dla ryzyka odejścia.

Wyniki predykcji doprowadziły do opracowania różnych segmentów klientów. Następnie wpłynęło to na podejmowane działania marketingowe, w tym głównie nastawione na retencję klienta.

Wyniki i rekomendacje

Wdrożenie całego systemu zostało zakończone sukcesem. Dalsza analiza wykazała, że głównym czynnikiem spadku wartości życiowej klienta (LTV) było zaniedbanie segmentu klientów o tzw. wysokim potencjale, który niskie wykazywał niskie ryzyko odejścia. Bez opracowania i wdrożenia modelu nie byłoby to możliwe do wykrycia.

Wnioski analityczne:

• LTV wzrosło o 18% - dlaczego? Dzięki spersonalizowanym kampaniom (np. e-mail z rekomendacją produktów komplementarnych do ich poprzednich zakupów), udało się aktywować tę grupę, co bezpośrednio podniosło średnią wartość transakcji.
• Dlaczego ryzyko odejścia spadło? Zidentyfikowaliśmy, że kluczowym momentem ryzyka jest okres 45-60 dni po pierwszym dużym zakupie. Wprowadzenie automatycznego komunikatu z poradami użytkowania w tym okresie znacząco zmniejszyło liczbę klientów rezygnujących bez powodu.

Rekomendacja dla Twojego biznesu:

Jeśli spędzasz zbyt dużo czasu na ręcznej pracy z danymi, a decyzje są podejmowane na podstawie fragmentarycznego obrazu klienta, oznacza to problem z architekturą Twojego systemu. Potrzebujesz jednego, scentralizowanego źródła prawdy. Skontaktuj się ze mną i zobacz, jak możesz zmienić rozproszone dane w zwiększoną sprzedaż Twojego sklepu.