Кейс сети фастфуда: проводим промо блюд с искусственным мясом

Ксения Петрина

Email-маркетолог

Кейс сети фастфуда: как за год склонить 50% клиентов попробовать необычный продукт

Кейс сети фастфуда: как за год побудить 50% клиентов попробовать необычный продукт

В нашем блоге мы регулярно делимся историями клиентов, которым помогли реализовать эффективные бизнес-решения с помощью нашей платформы. Но что делать, если у вас есть нестандартный кейс и вы бы хотели найти для него нужные инструменты? Ответ прост: не стесняйтесь к нам обратиться:) Мы смоделируем ситуацию, выявим цели и подготовим план для реализации задач.

Именно таким гипотетическим кейсом поделимся с вами в этой статье. Вы узнаете, как за год сеть быстрого питания смогла бы склонить более 50% клиентов попробовать весьма необычный продукт и при этом сохранить Retention Rate. Заодно вы ближе познакомитесь с возможностями CDP eSputnik и, вполне вероятно, возьмете на заметку несколько инструментов для своего бизнеса. 

О проекте

Сеть ресторанов быстрого питания запускает новую линию продукции с искусственным мясом. В меню уже есть позиции вегетарианского направления, и можно рассчитывать на заинтересованность определенного сегмента аудитории.

Однако предположим, что по внешнему виду новинки с искусственным мясом уступают традиционной продукции и в офлайн-точках пока большим спросом не пользуются.

Помимо продаж непосредственно в заведениях, касания с клиентом происходят в других каналах:

  • на сайте;

  • в мобильном приложении;

  • через службы доставки и агрегаторы, откуда данные о заказах выгружаются вручную, а данные о поведении не передаются;

  • в скором времени планируется размещение касс самообслуживания в аэропортах.

Около 30% клиентов активно пользуются преимуществами программы лояльности.

Глобально компания имеет мультиканальную коммуникацию, но сквозную аналитику не ведет, а данные о клиентах хранит в разрозненных источниках.

Задачи

  1. Провести промо для новой продуктовой линейки.

  2. Сделать присутствие блюд с искусственным мясом в чеках максимальным.

  3. Достичь KPI в минимум половину уникальных клиентов, попробовавших один из продуктов за год.

Обязательное условие, которое должно соблюдаться в ходе промокампании, – строгий контроль за Retention Rate.

Решение

Чтобы решить поставленные задачи, нам необходимо:

CDP eSputnik имеет все необходимые инструменты, чтобы осуществить каждый из пунктов разработанного плана. Наглядно реализацию решения можно представить на следующей схеме:

Roadmap реализации стратегии

Рассмотрим подробнее, как интегрировать CDP в инфраструктуру сети заведений и как она поможет сделать эффективной промокампанию на основе поведения клиентов.

Шаг 1. Приводим в порядок данные, связываем каналы

CDP позволяет объединить данные из любых каналов, в которых происходит касание с клиентом:

  • покупки в офлайне;

  • поведение на сайтах и в приложениях;

  • участие в бонусных программах;

  • активность в рассылках;

  • взаимодействие с компаниями-партнерами.

В результате мы не только сохраняем в одном месте всю историю клиента, но и можем обогащать его профиль дополнительной информацией: социальные, демографические данные, геопозиция и т. д.

Объединять данных из различных источников в CDP

Передавать данные о клиентах в eSputnik мы можем несколькими методами:

  • Интеграция с помощью ресурсов API.

  • JSON events для отправки событий, содержимое которых можно использовать для сегментации и персонализации.

  • JavaScript Tracking, отслеживающий поведение клиентов на сайте. Решение отлично подходит для ecommerce.

  • Подключение внешних источников: Google-таблицы, PostgreSQL и BigQuery. Позволяет использовать собственную структуру данных Data Warehouse, при этом сегментация и персонализация реализуются с помощью реляционных таблиц. В нашем случае мы получаем возможность строить сложные сегменты, объединяя разные типы данных: о клиентах, ресторанах, заказах, количестве бонусных баллов и т. д.

Параллельно с настройкой передачи данных загружаем имеющуюся базу контактов в аккаунт, предварительно провалидировав ее. Далее разбиваем базу на группы, чтобы прогревать домен с помощью поэтапной отправки рассылок.

После завершения настроек интеграций в eSputnik происходит кросс-канальная идентификация клиента, когда он проявляет активность в различных каналах. Уникальным идентификатором контакта могут быть не только емейл или телефон, но и, например, персональный промокод, номер карты лояльности, QR-код или deeplink – в зависимости от самого канала.

Идентификация клиента в различных каналах

Узнайте подробнее о работе с данными

Шаг 2. Ставим на контроль результаты

Для контроля Retention Rate нам необходимо настроить аналитику, которая позволит оценивать эффективность маркетинговых действий в режиме реального времени, а не по завершению кампании. С этой целью на начальных этапах важно определить:

  • какие показатели участвуют в анализе;

  • каким образом будем их замерять;

  • какие пределы можно считать нормой;

  • какие триггеры будут автоматически запускаться, чтобы своевременно реагировать на критические изменения показателей.

Чтобы получить максимально глубокую и разностороннюю оценку результатов, используем нескольких видов аналитики, доступных в нашей платформе.

Контроль роста и оттока базы

В разделе “Контакты” → “Статистика” автоматически формируется отчет о динамике роста базы. Здесь мы можем мониторить, как наполняются сегменты из разных источников добавления контактов: импорт, созданные из заказов, сценариев, форм подписок и др. В этом же отчете можно увидеть показатели оттока: количество отписавшихся, пожаловавшихся на спам, удаленных вручную клиентов. Таким образом мы отслеживаем общие тенденции в динамике базы.

Отчет о динамике роста базы

Контроль сегментов по поведению

Стратегические группы выделяем, основываясь на истории покупок и поведения пользователей:

  • те, кто не заказывал блюда с искусственным мясом;

  • те, кто покупал блюда 1 раз;

  • те, кто покупал блюда более 2 раз.

Созданные сегменты ставим на отслеживание в специальных отчетах в разделе “Статистика по группе”. Здесь можно наблюдать за наполняемостью и оттоком контактов в каждом выбранном сегменте. Анализ перехода клиентов между группами покажет:

  • сколько из них еще не попробовали новые продукты;

  • сколько покупали только один раз;

  • какому количеству людей искусственное мясо понравилось и они купили его снова.

Отслеживание статистики по группам

При помощи такой сегментации базы мы можем решить сразу несколько задач:

  1. Персонализация коммуникации. Для первой группы клиентов можно продумать новые вовлекающие механики. Второй – отправить сообщение с просьбой оставить отзыв о продукте, чтобы выявить возможные причины отказа от повторной покупки. Третью группу можно считать лояльной и больше не беспокоить промосообщениями о новинке.                                                              

  2. Определение эффективности отдельных кампаний. Отчеты по отслеживанию групп в eSputnik разбиваются на временные промежутки. Поэтому если в определенный момент наблюдается явный скачок в динамике, мы можем связать его с нашей маркетинговой активностью в этот период.

  3. Оценка отношения аудитории к продукту. Рост числа клиентов, попробовавших новинку, – один из признаков действенной стратегии. Однако если люди не стали покупать блюда с искусственным мясом повторно, необходимо задуматься о качестве самого продукта и провести дополнительные исследования.

Эффективная сегментация аудитории 

Помимо описанных выше сегментов, мы также выделяем контрольную группу, которая не будет вовлечена в промокампанию. Так мы сможем отследить естественное поведение клиентов: как бы они подходили к выбору нового продукта без активной маркетинговой деятельности сети заведений. Сравнение результатов поможет глубже проанализировать, насколько эффективным было промо.

Мониторинг Retention Rate

Возврат и отток базы также контролируем через когортный анализ. На основе оценки поведения когорт определяем моменты, в которые нужно запустить триггеры, направленные на удержание клиента.

Когортный анализ в eSputnik

RFM-Анализ

Активность каждого ранее созданного сегмента отслеживаем с помощью RFM-анализа. В eSputnik можно строить отчеты по поведению групп как в рассылках, так и в продажах. Анализируя давность и частоту взаимодействий, а также количество прибыли, полученной от определенного сегмента, мы можем оценивать его готовность к дальнейшим покупкам. Так, для каждой группы можно выстраивать свою стратегию с соответствующими триггерами.

RFM-анализ в eSputnik

Шаг 3. Персонализируем предложения

На этом этапе мы анализируем предпочтения​ клиентов и настраиваем алгоритмы товарных и офферных рекомендаций. Алгоритмы могут основываться как на данных конкретного контакта, так и на общих. Анонимам – клиентам, чью историю мы не знаем, – можно предложить бестселлеры, новинки и топ просматриваемых позиций в меню. Если история прошлых заказов и просмотров известна, искусственный интеллект подберет товарные рекомендации, исходя из предпочтений человека.

Алгоритмы формирования рекомендаций

Наша практика показала, что персональные рекомендации на сайте способны увеличить количество допродаж на 16% в месяц. В этом кейсе, кроме сайта, для повышения эффективности мы задействуем и другие каналы коммуникации: мобильное приложение и кассы самообслуживания.

Пример вывода рекомендаций на сайте

Функциональность eSputnik предусматривает для отображения рекомендаций гибкие и простые в использовании настройки, которые позволяют:

  1. Выбирать месторасположение рекомендательных блоков. Можно определять не только тип страницы для размещения (главная, категория, карточка товара, корзина, страница 404), но и положение блока относительно других элементов на ней.

  2. Настраивать внешний вид блоков с рекомендациями в соответствии с корпоративным дизайном. Для этого достаточно загрузить HTML-код с необходимыми CSS-стилями. 

  3. Задавать правила для выдачи товаров. С помощью фильтров можно выставить приоритет для определенной категории, исключить ее из показа, установить минимальную или максимальную цену продуктов для отображения и т. д.

Настройка правил для вывода рекомендаций

Чтобы определить, какой подход к выдаче рекомендаций будет наиболее действенным, используем А/В-тестирование и просматриваем результаты в отчете. Оценить влияние любых изменений, внесенных в рекомендательный блок, можно благодаря динамике активности пользователей по просмотрам, переходам и покупкам.

Отчет о результативности рекомендаций

Кроме рекомендаций, для вовлечения аудитории используем персонализированные акции, основанные на истории покупок. Например, если клиент предпочитает брать в сети заведений по утрам кофе, можно сделать ему оффер о покупке гамбургера с искусственным мясом по специальной цене.

Персональные рекомендации для ваших клиентов

Шаг 4. Автоматизируем коммуникации

Автоматизация омниканальной коммуникации реализуется в eSputnik при помощи триггерных сценариев. Возможности drag'n'drop-редактора позволят не только подключить в цепочку уведомлений нескольких каналов, но и задействовать другие полезные функции:

  • отправку сообщений в заданное время;

  • проверки различных условий;

  • генерацию промокодов;

  • разветвление сценария для тестирования и проверки гипотез.

Пример сценарий с разветвлением

Для персонализации сообщений используем язык Velocity и ссылаемся на данные в Internal Data Sources или JSON. В результате клиент получает актуальное предложение, основанное на его личных данных и истории покупок.

Подстановка динамического контента в письма

В коммуникационную стратегию обязательно включаем получение обратной связи от клиентов. С этой целью проводим NPS-опрос среди тех, кто уже попробовал продукты с искусственным мясом. Для удобства получателей можем использовать рассылку с AMP-формой, где можно оставить отзыв прямо в письме без перехода на лендинг с анкетой.

Пример AMP-формы для сбора отзывов

Анализируя ответы клиентов, мы не только сможем оценить эффективность промокампании, но и узнаем о возможных точках роста. Ведь сколько бы усилий не было вложено в совершенствование маркетинговой стратегии и алгоритмов, если клиента не устроил вкус блюд или уровень сервиса – ожидать повторных покупок от него не стоит.

Last post

Результат

Объединив в CDP данные о клиентах из разных источников, мы получили информацию об индивидуальных вкусах и истории каждого из них. Это помогло осуществить два решения:

  1. Мы смогли выделить сегменты со схожими предпочтениями и поведением и разработать для них свои стратегии коммуникации.

  2. Дополнительно каждый клиент получил релевантные предложения на основе персональных рекомендаций.

В результате более 50% уникальных клиентов попробовали один из продуктов с искусственным мясом.

Встроенные инструменты eSputnik также позволили нам строго отслеживать Retention Rate на протяжении всей кампании и на основе анализа вносить коррективы в стратегию.

Если вы заинтересовались применением инструментов на практике, но остались вопросы – оставьте заявку в форме, и наши специалисты обязательно свяжутся с вами:)

Special Request Inline

5.0 из 5 на основе 3 оценок

Ксения Петрина

Email-маркетолог

Комментарии 0