Customer Acquisition Cost и Lifetime Value, RFM-сегментация и когортный анализ — эти слова для многих маркетологов и владельцев электронных бизнесов как магия, такие же загадочные и чудодейственные. Загадочные, потому что если кто-то и понимает, что все это значит, то знает минимум 22 способа как посчитать эти величины. Ну а про чудодейственность и говорить не приходится, так как любое средство «оцифровки» маркетинга — это уже само по себе чудо.
Этой статьей мы открываем серию аналитических публикаций, в которых покажем, как такой анализ делаем мы сами и призываем аналитиков к обсуждению непростых, иногда спорных, но очень актуальных тем.
Мы предлагаем необычный для нашего блога формат — статьи будут ссылаться на табличный файл, в котором показаны примеры расчетов. Файл можно просматривать, комментировать и даже загрузить для собственных экспериментов.
Знакомимся с файлом
Табличный файл в формате Google Sheets размещен на Google Drive. Его можно скачать в формате Microsoft Excel на свой компьютер, но из-за несовместимости некоторых формул Google и Microsoft часть расчетов может потеряться. Поэтому мы рекомендуем просматривать его непосредственно в браузере, а при наличии у вас аккаунта Google, можно будет сделать себе копию файла и редактировать его по своему усмотрению.
В качестве примера в файле приведены случайные данные вымышленного интернет-магазина. Мы решили рассмотреть анализ именно ecommerce бизнеса, так как он наиболее распространен среди наших клиентов и читателей и, вместе с тем, многие популярные аналитические подходы в нем работают по-особенному и вызывают массу споров.
Количество таблиц, которые есть в файле, может испугать, но большая часть цифр там вычисляется автоматически, а важные результаты выводятся на диаграммы. Все что нужно для расчетов — это база продаж с информацией о дате заказа, id покупателя и цене. Информация о себестоимости и каналах привлечения нужна только для отдельных расчетов, но мы также анализируем эти величины.
Листы файла Analysis_Sample
Итак, файл содержит несколько листов с исходными данными и расчетами.
На листе «Титул» находятся содержание и пояснения.
Листы «Общий_Анализ», «RFM_Анализ», «Когортный_Анализ» содержат примеры анализа. На этот раз нам понадобится только первый из этих листов.
На листе «База_продаж» находится, собственно, база исходных данных, а на листе «База_клиентов» — промежуточные данные расчетов.
На всех листах используется цветовая дифференциация ячеек: бледно-оранжевые — исходные данные, голубые — формулы.
Общий анализ интернет-магазина «Тип-топс»
Как уже говорилось, рассматриваемые данные сгенерированы только для изучения аналитических подходов и ни в коей мере не должны восприниматься, как ориентиры для бизнеса!
Из того, что важно понять о нашем магазине это то, что мы имеем статистику за 2 года, у магазина — 1711 уникальных клиентов, которые сделали за это время 3000 покупок. Вся это информация находится в заглавной таблице на листе «Общий_Анализ», с которым мы сейчас работаем.
Выручка, себестоимость, прибыль — все это есть у финансистов и бухгалтеров в любом бизнесе, мы же развернем эти данные в нужном маркетологу виде.
Эффективный email-маркетинг с eSputnik
РегистрацияАнализ каналов привлечения клиентов
Есть множество вариантов сегментирования данных, каждых из которых позволяет увидеть какие-то особенные аспекты бизнеса. Один из самых противоречивых и обсуждаемых в ecommerce — анализ каналов привлечения.
В нашем примере рассматриваются четыре канала:
- Соцсети
- Органик
- Платная 1
- Платная 2
В базе исходных данных на листе «База_продаж» у каждого заказа заполнено поле «Acquisition_Channel», показывающее канал, в результате которого состоялась продажа. Понятно, что это идеальный вариант, когда мы можем сопоставить любую продажу с маркетинговой активностью, но к этому стоит стремиться!
Каналы привлечения заказов
Максимальную прибыль, согласно нашим расчетам, приносит канал «Платная 1» (см. диаграммы ниже). Это понятно, ведь этот же канал обеспечил наибольшее количество заказов. Самым слабым при этом оказался канал «Соцсети», получается, он — первый кандидат попасть под оптимизацию расходов.
Однако, если посмотреть на величину удельной прибыли на один заказ, то мы видим, что наш лидер стал аутсайдером — средняя прибыль с заказа по каналу «Платная 1» самая низкая. А «Соцсети», наоборот, смотрятся очень неплохо.
Таким образом, нам стоит задуматься о возможности масштабирования каналов «Органик» и «Соцсети», которые имеют наибольшую удельную прибыльность. Смогут ли они обеспечить поток клиентов, сравнимый с каналами «Платная 1» и «Платная 2»? Если да, то они, в итоге, могут принести больше денег при меньших затратах.
Стоимость привлечения клиентов в ecommerce
Обратите внимание, что до сих пор, сравнивая стоимость привлечения клиентов по разным каналам, мы говорили, по сути, о каналах привлечения заказов. Т.е. в нашей базе у одного клиента может быть несколько покупок, стимулированных по разным каналам. Например, первую покупку клиент сделал в результате поиска в интернете, а вторую — после платной рекламы по каналу «Платная 2». Мы относим каждую покупку к своему каналу привлечения/продвижения.
В то же время, под термином канал привлечения клиента, как правило, понимается канал по которому клиент «пришел», т.е. в нашем случае сделал первую покупку. Это хорошо работает в сервисах, работающих по подписке, например в SaaS. Там каждая последующая абонентская плата идет по графику, а не в результате новых маркетинговых усилий. Соответственно, всё признание справедливо достаётся каналу, который «привел» клиента.
Но в ecommerce все по-другому. Если мы будем приписывать вторую и последующие покупки одному и тому же каналу, по которому клиент пришел, то сильно ошибемся в выводах. Ведь один канал может лучше работать на привлечение, а другой — на повторные продажи, т.е. удержание. Например email, он наиболее эффективен именно для повторных продаж, тогда как в качестве канала «холодных» первых продаж его используют сегодня только спаммеры.
Так что же с Customer Acquisition Cost?
Таким образом, пытаясь оценить во что нам обошлось привлечение клиента в ecommerce, мы не можем не учитывать затраты, которые приводили его ко второй и последующим покупкам. Или не приводили вовсе, но затраты, тем не менее, были. Эти затраты могут быть существенными и даже превышать затраты на привлечение, так как они накапливаются за время жизненного цикла клиента.
В результате, расчет показателя CAC в ecommerce превращается в довольно сложную задачу. При этом нужно понимать, что посчитать эту величину можно только в целом, не разделяя по каналам привлечения. В противном случае мы будем иметь проблему «смешения» каналов на одном клиенте.
В целом же для ecommerce мы видим эту ситуацию таким образом:
- Если необходимо оценить эффективность каналов привлечения, то мы можем использовать показатели затрат на привлечение заказов или любые другие, не привязанные к базе клиентов (например, прибыль по каналам).
- Если мы хотим получить величину CAC, то мы считаем ее в целом, без разделения на каналы, учитывая все затраты за время жизненного цикла клиента.
А как вы считаете CAC в ecommerce? Будем рады обсудить эту тему в комментариях.
Продолжение следует…
Примеры, которые мы разобрали в этой статье, предполагают, что клиенты, однажды пришедшие, остаются с нами навсегда. В реальной жизни такого, к сожалению, не бывает. В следующих статьях, которые будут посвящены RFM и когортному анализу, мы обязательно коснемся интересных тем анализа оттока клиентов в ecommerce и расчета Lifetime value.
Stay tuned :)
Статья 3 — Когортный анализ и LTV
статья обновлена 23.02.2015