УПС! Что-то пошло не так



Сегментация по поведенческому признаку: почему это важно для бизнеса

2244

       

AWG

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 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. 


Переход от CJM к поведенческой сегментации


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, 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. Взамен выделили сегменты, опираясь исключительно на похожесть действий 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. Такой вид отображения нам показался более пригодным для поиска инсайтов, ведь на самом деле перемещение пользователя — это цепочка фильтрации товаров и просмотра карточек, а только потом переход на оформление заказа.

схема3001.png

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 незавершённые корзины. 


Да, подход не самый привычный, мы набили много шишек по дороге. Но, в первом подходе 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 для углубления. 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 этого пользователь совершал лишние действия, а они снижали вероятность покупки. Также проблемной зоной были и сочетания фильтров: пользователи не понимали разницы между «демисезон» и «демисезон утепленный», 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.

С чего начать?

Свяжитесь с нами по номеру

или оставьте свою заявку

Расскажите о своем проекте

Наш специалист свяжется с вами и проконсультирует по интересующему вопросу, подскажет оптимальное решение вашей задачи

Спасибо за обращение. Ваша заявка принята.
File name
Заполняя данную форму, вы принимаете условия Соглашения об использовании сайта, и соглашаетесь с Правилами обработки и использования персональных данных

Мы используем cookies для вашего блага. Продолжая просматривать сайт, вы соглашаетесь с этим.

Хорошо