نود درصد شرکت‌های اوقات فراغت و مهمان‌نوازی (و بیش از ۶۰ درصد همه شرکت‌ها) نوعی برنامه وفاداری را ارائه می‌دهند – و بااین‌حال، اصلاً مشخص نیست که این برنامه‌ها واقعاً کار می‌کنند. یک گزارش نشان داد که یک مصرف‌کننده به طور متوسط به بیش از ۱۴ برنامه وفاداری تعلق دارد که اغلب دارای چندین برند رقیب هستند که نشان می‌دهد این برنامه‌ها به‌سختی مشتریان وفادار ایجاد می‌کنند.
علاوه بر این، خرده‌فروشان اغلب تبلیغات وفاداری را با مشتریانی که بیشترین هزینه را انجام می‌دهند هدف‌گذاری می‌کنند که می‌تواند به‌طورجدی نتیجه معکوس داشته باشد، زیرا اینها مشتریانی هستند که بدون توجه به تبلیغات، پول خود خرج می‌کردند، نه مشتریانی که تخفیف در واقع آنها را متقاعد می‌کرد که بیشتر خرج کنند. در بسیاری از موارد، ROI در این برنامه‌ها به نظر نمی‌رسد که از بین برود.
در همان زمان، مطالعات نشان داده‌اند که برنامه‌های وفاداری پتانسیل ارائه مزایای قابل‌توجهی برای مشاغل مصرف‌کننده مانند خرده‌فروشان، فروشگاه‌های مواد غذایی، رستوران‌ها، سالن‌های ورزشی، داروخانه‌ها، اسپا، قهوه‌خانه‌ها و غیره دارند. مشتریان اغلب وابستگی روانی قوی‌تری به برندهایی ایجاد می‌کنند که در برنامه‌های وفاداری آنها مشترک هستند، و این برنامه‌ها می‌توانند به میزان قابل‌توجهی میزان درآمدها و حفظ اعضا را افزایش دهند – اگر درست طراحی شوند.
برای کشف اینکه چگونه خرده‌فروشان می‌توانند به طور مؤثرتری از مزایای برنامه‌های وفاداری بهره ببرند، مطالعه‌ای در مقیاس بزرگ با مشارکت یک خرده‌فروش برتر ایالات متحده انجام شد. کارشناسان داده‌های خرید دو سال از بیش از ۱۰۰۰۰ مشتری منفرد را تجزیه‌وتحلیل کردند که در مجموع ۲.۴ میلیون خرید انجام شد، و الگوهای هزینه‌ای مانند تعداد دفعات بازدید مشتریان از فروشگاه، میزان هزینه و اقلامی را که قبل و بعد از پیوستن به شرکت خریداری کردند، بررسی کردند. برنامه وفاداری (همه داده‌ها قبل از همه‌گیری جمع‌آوری شده بود، و آنها به‌جای فروش آنلاین، منحصراً به بررسی حضوری پرداختند). بر اساس این مجموعه‌داده گسترده، چند روند جالب پیدا شد.
اول، این که برای گروه بزرگی از مشتریان، ثبت‌نام در برنامه وفاداری تأثیر قابل‌توجهی بر رفتار آنها نداشت: آنها شروع به جمع‌آوری تخفیف‌ها کردند (که بدون شک از آن خوشحال بودند)، اما هم تعداد دفعات بازدید و هم هزینه‌های آنها بدون تغییر باقی ماند.
بااین‌حال، از دو بخش مشتریان، داده‌هایی که برنامه وفاداری برای آنها تفاوت قابل‌توجهی ایجاد کرد، پدیدار شد: تثبیت‌کنندگان، یا مشتریانی که شروع به خرید محصولات بیشتری از خرده‌فروش کردند (محصولاتی که قبلاً از فروشگاه‌های رقیب می‌خریدند) و شما pgraders ، یا مشتریانی که تعداد سفرها یا محصولاتی را که خریداری کرده‌اند افزایش نداده‌اند، اما شروع به خرید نسخه‌های گران‌تر و ممتاز همان محصولاتی کرده‌اند که قبلاً از خرده‌فروش خریداری کرده‌اند. برای این دو نوع مشتری، برنامه وفاداری بسیار سودآور بود – هزینه‌ها را تقریباً ۵۰٪ افزایش داد – و بنابراین ما علاقه‌مند شدیم در مورد اینکه چگونه خرده‌فروش می‌تواند آن بخش‌ها را شناسایی کند و فعالانه آنها را با بازاریابی برنامه وفاداری هدف قرار دهد، بیشتر بدانیم.
مانند بسیاری از شرکت‌ها، اکثر خرده‌فروش‌ها عمدتاً به تجزیه‌وتحلیل الگوهای مخارج تاریخی برای شناسایی مشتریان باارزش متکی بوده‌اند. بااین‌حال، متوجه شدیم که به‌جای تمرکز بر مخارج گذشته، معیار مفیدتر در واقع مکان مشتری است. مکان مشتریان نسبت به خرده‌فروش و رقبای کلیدی آنها “آسیب‌پذیری” آنها را در برابر رقابت تعیین می‌کند و هر چه مشتری آسیب‌پذیرتر باشد، تأثیر مثبت برنامه وفاداری بیشتر می‌شود. چند مؤلفه برای این وجود دارد. اول، نزدیکی به خرده‌فروش تأثیر برنامه وفاداری را به میزان اندکی افزایش داد، درحالی‌که نزدیکی به رقبا تأثیر آن را به میزان قابل‌توجهی افزایش داد. این منطقی است: مشتریان احتمالاً راحت‌تر برای بازدید از فروشگاهی که به آنها نزدیک است سوق داده می‌شوند.
بااین‌حال، یک تجزیه‌وتحلیل دقیق‌تر، تفاوت‌های مهم و دشوار را در مورد تأثیر محل دقیق قرارگیری مشتری، خرده‌فروش و رقبا نشان داد. به‌عنوان‌مثال، مسیری که مشتری طی می‌کند تا به فروشگاه برسد، می‌تواند تفاوت زیادی ایجاد کند. اگر مشتری در راه رسیدن به فروشگاه از رقبای خود عبور کند، به‌احتمال زیاد آسیب‌پذیرتر خواهد بود و در نتیجه کاندیدای بسیار با ارزشی برای برنامه وفاداری خواهد بود. به طور مشابه، اگر فروشگاه‌های رقیب از نظر جغرافیایی پراکنده باشند، مشتریان ممکن است کمتر آسیب‌پذیر باشند تا زمانی که رقبا به‌راحتی در کنار هم قرار گیرند، به‌ویژه اگر فروشگاه‌های رقیب در جهت مخالف فروشگاهی باشند که در آن مشتری عضو وفاداری است.
باتوجه‌به این پیچیدگی، شناسایی دستی این نوع روندها می‌تواند تقریباً غیرممکن باشد. اما برخلاف تجزیه‌وتحلیل انسانی، روش‌های مدرن یادگیری ماشینی برای یافتن الگوها در داده‌های پیچیده مناسب هستند. ما داده‌های گسترده‌ای را در مورد هزینه‌ها و مکان‌های فیزیکی مشتریان، فروشگاه‌ها و رقبا در یک مدل یادگیری ماشینی ساده قرار دادیم و سپس این مدل توانست به‌دقت پیش‌بینی کند که کدام مشتریان برای ثبت‌نام ارزشمندتر هستند. نکته مهم این است که این مدل نشان داد که تفاوت‌های کوچک در مکان می‌تواند تفاوت بزرگی در بازگشت سرمایه ایجاد کند، و نشان می‌دهد که چگونه ابزارهای خودکار می‌توانند مشتریان را به روش‌هایی تقسیم کنند که ممکن است بصری به نظر نرسند، اما می‌توانند به طور باورنکردنی بر روی نتیجه نهایی تأثیرگذار باشند.
بنابراین، این برای بازاریابان چه معنایی دارد؟ دو نکته کلیدی برای توجه وجود دارد. اول، بازاریابان به‌جای تمرکز بر تبدیل مشتریانی که بیشترین هزینه را دارند، باید مشتریانی را که در برابر رقابت آسیب‌پذیرتر هستند، شناسایی و هدف قرار دهند. این مشتریان با آسیب‌پذیری بالا، بالاترین ارزش تبدیل را دارند و بنابراین هدف قراردادن آنها با تبلیغات برنامه وفاداری، بالاترین بازگشت سرمایه را به همراه خواهد داشت.
مهم‌تر از همه، این ممکن است به معنای تجدیدنظر در برخی معیارها باشد. به‌عنوان‌مثال، خرده‌فروشی که ما با آن کار کردیم دریافت که وقتی تبلیغات برنامه وفاداری را در مشتریانی با بالاترین سطح هزینه‌های تاریخی هدف قرار می‌دهد، یک ایمیل احتمال ثبت‌نام این مشتریان را تا ۶.۱% افزایش می‌دهد – به نظر نرخ تبدیل قابل‌توجهی است! اما وقتی کمی عمیق‌تر کاوش کردیم، متوجه شدیم که این استراتژی در مورد شناسایی مشتریانی که برنامه وفاداری برای آنها واقعاً سودآوری را افزایش می‌دهد، در واقع کمی بدتر از هدف‌گیری تصادفی عمل می‌کند، و بسیار کمتر از یک استراتژی هدف‌گیری که مشتری را در بر می‌گیرد، مؤثر است. آسیب‌پذیری بر اساس داده‌های مکان به طور خاص، پس از پیوستن به برنامه وفاداری، هزینه کنندگان بالا (یعنی مشتریانی که توسط کمپین‌های اصلی هدف قرار گرفته بودند) تقریباً هیچ تغییری در هزینه‌ها نشان ندادند.
علاوه بر افزایش بازگشت سرمایه، این رویکرد همچنین می‌تواند بسیار کاربردی تر از تجزیه‌وتحلیل مبتنی بر هزینه‌های سنتی باشد. داده‌های فروش تاریخی اغلب در دسترس نیستند، گران هستند یا به‌سختی می‌توان آنها را با سایر اطلاعات مشتری مرتبط کرد، درحالی‌که داده‌های مکان تقریباً همیشه به‌راحتی در دسترس هستند. به‌عنوان‌مثال، بگویید که در حال افتتاح یک شعبه جدید یا گسترش به بازار محصول جدید هستید. احتمالاً مشتریانی را هدف قرار می‌دهید که هیچ داده‌ای از هزینه‌های قبلی برای آنها ندارید، اما یک جستجوی ساده در Google Maps می‌تواند اطلاعاتی را که برای تعیین تأثیرگذاری برنامه وفاداریتان به آن نیاز دارید در اختیار شما قرار دهد.
دومین نکته کلیدی این است که کاری که ما انجام دادیم سخت نبود. برای پیاده‌سازی یک مدل ساده که به شما کمک می‌کند از داده‌هایی که از قبل دارید، بینش‌های نامرئی را استخراج کنید، لازم نیست تیمی از کارشناسان یادگیری ماشین یا تحلیلگران داده را استخدام کنید درحالی‌که مطالعه ما اهمیت داده‌های مکان را برای بازگشت سرمایه به برنامه وفاداری نشان می‌دهد، بدون شک معیارهای دیگری وجود دارد که با سودآوری سایر برنامه‌ها در صنایع دیگر مرتبط است، و یادگیری ماشینی می‌تواند ابزار قدرتمندی برای کمک به شناسایی و استفاده از آن الگوها باشد.
در نهایت، همه چیز در مورد بازنگری در نحوه رویکرد شما به هدف‌گذاری است. به‌جای تمرکز بر مشتریانی که در حال حاضر هزینه‌های بالایی دارند، بازاریابان باید از ابزارهای خودکار برای شناسایی و تمرکز عمدی تبلیغات بر روی مشتریانی استفاده کنند که وفاداری آنها ارزشمندتر است و تبدیل‌های آنها بیشترین بازده را به همراه خواهد داشت.
انتهای مطلب/