افزایش فروش در کسبوکارهای بزرگ همیشه به اجرای کمپینهای بیشتر یا ارائه تخفیفهای سنگین وابسته نیست. گاهی دادههای موردنیاز برای رشد از قبل در اختیار کسبوکار قرار دارند، اما میان سیستمهای مختلف پراکندهاند و تیم مارکتینگ نمیتواند از آنها برای شناخت مشتری و تصمیمگیری سریع استفاده کند.
در این نمونهکاوی پیتزا هات کانادا میبینیم که چگونه یک فرانچایز بزرگ رستورانی با یکپارچهسازی اطلاعات مشتریان، سگمنتبندی دقیقتر و خودکارسازی سفر مشتری توانست نرخ نگهداشت را بهبود دهد و فروش کلی خود را ۸ درصد افزایش دهد.
معرفی مجموعه پیتزا هات در این نمونهکاوی
این مجموعه، یکی از فرانچایزهای بزرگ فعال در صنعت رستورانهای خدمات سریع یا QSR در کانادا بود که کسبوکار پیتزای یکی از سه برند بزرگ این حوزه را مدیریت میکرد.
براساس گزارش منتشرشده، این فرانچایز بیش از ۵۰۰ شعبه در بیش از ۲۰۰ شهر داشت و دادههای مربوط به بیش از ۵۰ میلیون سفارش از بیش از ۷ میلیون مشتری را مدیریت میکرد. چنین مقیاسی باعث شده بود حجم زیادی از اطلاعات ارزشمند در سیستمهای فروش حضوری، سفارش آنلاین، ارسال، باشگاه مشتریان و سایر کانالها تولید شود.
اما وجود دادههای زیاد بهتنهایی کافی نیست. مسئله اصلی این بود که اطلاعات مشتریان در بخشهای مختلف پراکنده بود و تصویر یکپارچهای از رفتار هر مشتری وجود نداشت.
چالش اصلی پیتزا هات چه بود؟
با وجود گستردگی فعالیت این مجموعه، بخش زیادی از تحلیلهای بازاریابی همچنان بهصورت دستی و با استفاده از گزارشهای اکسل انجام میشد. تیم مارکتینگ برای تصمیمگیری درباره کمپینها و ارتباط با مشتریان، به دادههایی متکی بود که پراکنده، دیرهنگام و در بعضی موارد ناقص بودند.
دادههای خرید حضوری، سفارشهای دیجیتال، اطلاعات اعضای باشگاه مشتریان، سفارشهای ارسالشده و تعاملات بازاریابی در سیستمهای جداگانه نگهداری میشدند. در نتیجه، تیم بازاریابی نمیتوانست بهراحتی تشخیص دهد:
- هر مشتری از چه کانالهایی خرید کرده است؛
- آخرین خرید او چه زمانی بوده است؛
- به چه محصولات و پیشنهادهایی علاقه دارد؛
- عضو باشگاه مشتریان است یا نه؛
- در کدام مرحله از چرخه عمر مشتری قرار دارد؛
- احتمال خرید مجدد یا ریزش او چقدر است.
این نبود دید یکپارچه باعث میشد پیامها و پیشنهادهای بازاریابی همیشه با نیاز واقعی مشتری هماهنگ نباشند.
تصمیمگیری بازاریابی بدون اطلاعات کافی
یکی دیگر از مشکلات مهم، نبود اطلاعات دقیق درباره اثربخشی کمپینها بود. تیم مارکتینگ نمیتوانست پیش از اجرای گسترده یک پیشنهاد، آن را روی گروه کوچکتری آزمایش کند و تأثیر واقعی آن را بسنجد.
به همین دلیل، ممکن بود یک پیام، تخفیف یا پیشنهاد برای تعداد زیادی از مشتریان ارسال شود، بدون اینکه مشخص باشد کدام گروه بیشترین واکنش را نشان میدهد یا اجرای کمپین چه اثری بر فروش و بازگشت مشتری خواهد داشت.
این محدودیت، علاوه بر کاهش اثربخشی کمپینها، بازده سرمایهگذاری بازاریابی یا Marketing ROI را نیز تحت تأثیر قرار داده بود.
راهکار پیتزا هات برای یکپارچهسازی اطلاعات مشتریان
برای برطرف کردن این چالش، مجموعه موردنظر از پلتفرم داده مشتری Algonomy استفاده کرد. اولین قدم، ساختن یک زیرساخت دادهای منسجم بود که بتواند اطلاعات پراکنده را از منابع مختلف کنار یکدیگر قرار دهد.
دادههای سیستم فروش یا POS، برنامه وفاداری، سفارش و ارسال، کانالهای دیجیتال و سایر نقاط تماس مشتری در یک پلتفرم داده مشتری یا CDP یکپارچه شدند. نتیجه این فرایند، ایجاد یک پروفایل جامع برای هر مشتری بود؛ پروفایلی که در اصطلاح داده به آن Golden Record گفته میشود.
به این ترتیب، تیم مارکتینگ بهجای مشاهده چند رکورد جداگانه، میتوانست تمام اطلاعات مرتبط با یک مشتری را در یک نمای واحد ببیند.
پلتفرم داده مشتری چه تغییری ایجاد کرد؟
CDP کمک کرد اطلاعات مشتریان از حالت پراکنده خارج شوند و به یک منبع قابلاعتماد برای تصمیمگیری تبدیل شوند.
برای مثال، تیم مارکتینگ میتوانست ببیند یک مشتری:
- چند بار سفارش ثبت کرده است؛
- معمولاً از چه کانالی خرید میکند؛
- چه نوع محصولاتی را ترجیح میدهد؛
- میان سفارشهای او چه فاصلهای وجود دارد؛
- عضو باشگاه مشتریان است یا نه؛
- چه پیشنهادهایی دریافت کرده است؛
- به کدام کمپینها واکنش نشان داده است.
در این پروژه، پلتفرم داده مشتری عملاً نقش سیستم اصلی مدیریت ارتباط با مشتری را برعهده گرفت و مبنای تحلیلها و فعالیتهای بازاریابی قرار گرفت.
سگمنتبندی دقیقتر مشتریان پیتزا هات
پس از ایجاد زیرساخت داده، مرحله بعدی استفاده از الگوریتمهای تحلیلی برای شناخت بهتر مشتریان بود.
در این فرایند، قابلیتهایی مانند میکروسگمنتیشن، تحلیل چرخه عمر مشتری، بررسی جابهجایی کاربران میان سگمنتها، تحلیل سبد خرید، تحلیل نگهداشت، سنجش احتمال انجام یک رفتار و ارزیابی عملکرد کمپینها به کار گرفته شدند.
این تحلیلها کمک کردند مشتریان فقط براساس معیارهای کلی مانند سن، موقعیت جغرافیایی یا عضویت در باشگاه تقسیمبندی نشوند. رفتار واقعی آنها نیز در سگمنتبندی نقش پیدا کرد.
برای نمونه، گروههای زیر میتوانستند سناریوهای متفاوتی دریافت کنند:
- مشتریانی که بهتازگی اولین خرید خود را انجام دادهاند؛
- مشتریانی که احتمال خرید مجدد آنها بالاست؛
- اعضای باشگاه مشتریان با امتیاز مشخص؛
- افرادی که مدتی از آخرین سفارششان گذشته است؛
- مشتریانی که در آستانه ریزش قرار دارند؛
- کاربرانی که به یک محصول یا پیشنهاد مشخص علاقه نشان دادهاند؛
- مشتریان با ارزش خرید بالا.
شناسایی زمان مناسب برای جلوگیری از ریزش مشتری
یکی از مهمترین اهداف این پروژه، متوقف کردن روند کاهش نرخ نگهداشت مشتری بود.
با تحلیل فاصله میان خریدها و رفتار هر مشتری، مجموعه میتوانست زمان مناسب برای مداخله بازاریابی را تشخیص دهد. بهجای اینکه یک پیام عمومی در زمان ثابت برای همه ارسال شود، پیام در نقطهای ارسال میشد که احتمال اثرگذاری آن بیشتر بود.
برای مثال، اگر الگوی خرید یک مشتری نشان میداد که معمولاً هر دو هفته یکبار سفارش میدهد، طولانی شدن این فاصله میتوانست نشانه کاهش تعامل یا شروع ریزش باشد. در چنین شرایطی، میشد پیش از اینکه مشتری کاملاً غیرفعال شود، یک پیام یا پیشنهاد متناسب با سلیقه او ارسال کرد.
این تصمیمها براساس رفتار و ترجیحات هر مشتری انجام میشدند، نه صرفاً یک تقویم ثابت و یکسان برای همه.
طراحی سفرهای خودکار برای گروههای مختلف
بعد از شناخت بهتر مشتریان، از قابلیت Customer Journey Orchestration برای طراحی و اجرای خودکار سفرهای مشتری استفاده شد.
بخشی از این سفرها براساس قوانین از پیش تعیینشده و بخشی دیگر با وقوع یک رفتار یا رویداد مشخص فعال میشدند. سناریوهای اجراشده شامل مواردی مانند سفر مشتری جدید، سناریوهای مبتنی بر موجودی امتیاز باشگاه مشتریان و سفر بازگشت مشتریان غیرفعال بودند.
برای مثال، یک مشتری جدید میتوانست پس از اولین سفارش وارد چنین مسیری شود:
- دریافت پیام خوشامدگویی؛
- معرفی باشگاه مشتریان؛
- پیشنهاد محصول متناسب با اولین سفارش؛
- دریافت پیام یادآوری در زمان احتمالی خرید بعدی؛
- دریافت پیشنهاد ویژه در صورت عدم بازگشت.
مشتری قدیمی یا در معرض ریزش نیز وارد مسیر متفاوتی میشد. این موضوع باعث شد ارتباط با مشتریان از حالت دستی و پراکنده خارج شود و به یک فرایند منظم و قابلاندازهگیری تبدیل شود.
شخصیسازی پیشنهادهای فروش
یکپارچه شدن دادهها به تیم مارکتینگ اجازه داد اطلاعات مشتریان را براساس معیارهایی مانند عضویت، کانال خرید، منطقه جغرافیایی و رفتار خرید بررسی کند.
این شناخت برای تصمیمگیری درباره فروش مکمل یا Cross-sell، بیشفروشی یا Upsell، قیمتگذاری، پیشنهادهای ویژه و نحوه نمایش محصولات به کار گرفته شد. همین رویکرد برای اعضای باشگاه مشتریان نیز اجرا شد و به افزایش استفاده از پیشنهادها و رشد متوسط ارزش سفارش کمک کرد.
برای مثال، بهجای ارسال یک تخفیف ثابت برای همه مشتریان، میتوانست پیشنهادهای متفاوتی برای گروههای زیر طراحی شود:
- مشتریانی که معمولاً فقط پیتزا سفارش میدهند؛
- مشتریانی که نوشیدنی یا پیشغذا به سفارش اضافه میکنند؛
- خانوادههایی که سفارشهای بزرگتری دارند؛
- مشتریانی که بیشتر در آخر هفته خرید میکنند؛
- اعضای وفاداری که امتیاز استفادهنشده دارند.
در چنین شرایطی، پیشنهاد فروش از یک پیام عمومی به یک پیشنهاد متناسب با رفتار مشتری تبدیل میشود.
آزمایش پیشنهادها پیش از اجرای گسترده
یکی از تغییرات مهم دیگر، فراهم شدن امکان آزمایش پیامها و پیشنهادها پیش از انتشار گسترده بود.
تیم مارکتینگ میتوانست ابتدا یک پیشنهاد را روی گروه محدودتری اجرا کند، نتیجه آن را بسنجد و سپس درباره انتشار برای تعداد بیشتری از مشتریان تصمیم بگیرد. این روش احتمال اجرای کمپینهای کماثر را کاهش داد و امکان استفاده بهینهتر از بودجه بازاریابی را فراهم کرد.
در عمل، تیم میتوانست بررسی کند:
- کدام پیشنهاد نرخ تبدیل بیشتری دارد؛
- چه میزان تخفیف واقعاً لازم است؛
- کدام پیام باعث افزایش خرید مجدد میشود؛
- چه زمانی برای ارسال پیام مناسبتر است؛
- کدام سگمنت به پیشنهاد واکنش بهتری نشان میدهد.
نتایج نمونهکاوی پیتزا هات کانادا
اجرای پلتفرم داده مشتری و خودکارسازی سفرهای مشتری، نتایج قابلاندازهگیری برای این مجموعه ایجاد کرد:
افزایش ۸ درصدی فروش کلی
فروش کلی مجموعه ۸ درصد افزایش پیدا کرد. این رشد فقط نتیجه جذب مشتری جدید نبود؛ ارتباط هدفمندتر با مشتریان فعلی، افزایش خرید مجدد و ارائه پیشنهادهای مرتبطتر نیز در آن نقش داشتند.
کاهش یک درصدی خریداران تکسفارشی
تعداد مشتریانی که فقط یکبار خرید میکردند و دیگر بازنمیگشتند، یک درصد کاهش یافت. در کسبوکاری با میلیونها مشتری، حتی یک درصد کاهش در این شاخص میتواند تعداد قابلتوجهی از مشتریان را به خرید دوم و ادامه رابطه با برند هدایت کند.
افزایش ۱۶٫۵ درصدی شاخص متوسط Recency
براساس گزارش، شاخص متوسط Recency نیز ۱۶٫۵ درصد بهبود پیدا کرد. Recency به زمان سپریشده از آخرین خرید مشتری اشاره دارد و یکی از معیارهای مهم در تحلیل رفتار و نگهداشت مشتری است.
افزایش خرید مجدد و متوسط ارزش سفارش
ارسال پیامهای مرتبط در مراحل مختلف سفر مشتری، به افزایش خرید مجدد، دفعات سفارش و متوسط ارزش سفارش کمک کرد. باشگاه مشتریان نیز توانست پیشنهادهای متناسبتری در اختیار اعضا قرار دهد و نرخ استفاده از پیشنهادها را افزایش دهد.
مهمترین درسهای این نمونهکاوی برای کسبوکارها
نمونهکاوی پیتزا هات نشان میدهد داشتن دادههای زیاد بدون زیرساخت مناسب، الزاماً به تصمیمهای بهتر منجر نمیشود. داده زمانی ارزش ایجاد میکند که یکپارچه، قابلتحلیل و قابلاستفاده در کمپینهای بازاریابی باشد.
یکپارچهسازی داده، نقطه شروع شخصیسازی است
تا زمانی که خرید حضوری، سفارش آنلاین، باشگاه مشتریان و تعاملات بازاریابی جدا از یکدیگر بررسی شوند، شناخت کاملی از مشتری شکل نمیگیرد.
شخصیسازی واقعی زمانی اتفاق میافتد که تمام این رفتارها به یک پروفایل واحد متصل شوند.
همه مشتریان نباید پیام یکسانی دریافت کنند
مشتری جدید، مشتری وفادار، مشتری در معرض ریزش و مشتری با ارزش بالا نیازها و رفتارهای متفاوتی دارند.
سگمنتبندی کمک میکند پیام، پیشنهاد و زمان ارتباط با شرایط واقعی هر گروه هماهنگ شود.
مارکتینگ اتومیشن فقط برای ارسال پیام نیست
ارزش مارکتینگ اتومیشن تنها در خودکار کردن ارسال ایمیل یا پیامک خلاصه نمیشود. این فناوری باید بتواند دادههای رفتاری را به تصمیم تبدیل کند، مشتری را وارد مسیر مناسب کند و نتیجه هر ارتباط را اندازهگیری کند.
نگهداشت مشتری باید پیش از ریزش آغاز شود
بهترین زمان برای بازگرداندن مشتری، همیشه بعد از غیرفعال شدن کامل او نیست. تحلیل رفتار میتواند نشانههای اولیه کاهش تعامل را شناسایی کند و پیش از قطع رابطه، یک سناریوی مناسب را فعال کند.
آزمایش، ریسک کمپینهای بزرگ را کاهش میدهد
اجرای آزمایشی پیامها و پیشنهادها روی گروههای محدود، به تیم بازاریابی کمک میکند قبل از مصرف گسترده بودجه، اثربخشی کمپین را ارزیابی کند.
زبلاین چطور سناریوهای مشابه را برای کسبوکارها اجرا میکند؟
موضوع اصلی این نمونهکاوی، تبدیل دادههای پراکنده مشتریان به ارتباطات هدفمند و خودکار است؛ مسیری که کسبوکارهای ایرانی نیز میتوانند با استفاده از پلتفرم مارکتینگ اتومیشن زبلاین اجرا کنند.
با زبلاین میتوان رویدادهای رفتاری مشتریان را ثبت کرد، کاربران را براساس رفتار و ویژگیهایشان در سگمنتهای مختلف قرار داد و برای هر گروه سفر متفاوتی طراحی کرد.
برای مثال، یک کسبوکار میتواند سناریوهایی برای این گروهها بسازد:
- مشتریانی که اولین خرید خود را انجام دادهاند؛
- کاربرانی که سبد خریدشان را رها کردهاند؛
- مشتریانی که مدتی خرید نکردهاند؛
- کاربران با ارزش خرید بالا؛
- مشتریانی که امتیاز باشگاه آنها در آستانه انقضاست؛
- افرادی که به یک محصول یا دسته مشخص علاقه دارند.
پس از شناسایی هر گروه، میتوان پیام مناسب را از طریق کانالهای مختلف ارسال کرد و براساس واکنش کاربر، مرحله بعدی سفر را بهصورت خودکار تغییر داد.
برای دیدن نمونهای دیگر از کاربرد داده و مارکتینگ اتومیشن در صنعت رستوران، پیشنهاد میکنیم نمونهکاوی برگر کینگ را هم بخوانید و ببینید این برند چطور از شناخت رفتار مشتری برای بهبود کمپینهای بازاریابی استفاده کرده است.
جمعبندی
نمونهکاوی پیتزا هات کانادا نشان میدهد افزایش فروش و نگهداشت مشتری بیش از آنکه به تعداد پیامها وابسته باشد، به کیفیت تصمیمگیری بستگی دارد.
این مجموعه با یکپارچهسازی دادههای مشتریان، ایجاد پروفایل واحد، سگمنتبندی رفتاری و طراحی سفرهای خودکار توانست فروش کلی را ۸ درصد افزایش دهد، تعداد خریداران تکسفارشی را کاهش دهد و شاخصهای مرتبط با بازگشت مشتری را بهبود ببخشد.
برای کسبوکارهایی که دادههای مشتریانشان در سیستمهای مختلف پراکنده است یا کمپینهای یکسانی برای همه کاربران اجرا میکنند، این نمونهکاوی یک پیام روشن دارد: شناخت بهتر مشتری و برقراری ارتباط در زمان مناسب میتواند بدون افزایش بیهدف تعداد کمپینها، نتایج تجاری بهتری ایجاد کند.
برای آشنایی با نحوه طراحی سفر مشتری، سگمنتبندی کاربران و اجرای سناریوهای خودکار، درخواست دموی زبلاین را ثبت کنید.