Статистика неумолима: Клиенты имеют орду карт лояльности, но широко пользуются от силы десятую процентами предложений. Проблема зачастую в том, что многие компании неверно представляют себе суть ПЛ. Часто можно встретить мнение, будто карта — это такой волшебный кусочек пластика, который, попав в бумажник Клиента, начинает, словно умклайдет из романа Стругацких, волшебным образом транслировать в мозг Клиента флюиды преданности. В итоге смысл ПЛ выглядит так: мы дадим Клиенту карту, а он, радуясь скидке, начнёт чаще к нам ходить. На самом деле, карта лояльности - всего лишь ключ идентификации, который Клиент любезно соглашается нам предъявить в обмен на скидку (в этой связи скидку стоит рассматривать как часть CRC в формуле продаж), чтобы имели возможность соотнести лог его покупок с его персоной. Нужно нам это для анализа поведения Клиента, оценки его поведения в прошлом и, как следствие, предсказания его поведения в будущем. Именно предсказательный и аналитический механизм — сердце ПЛ. Именно то, как вы собираете данные Клиента, храните их, анализируете и используете, определяет, будет или не будет ваша ПЛ успешной.

Один из самых больших и важных трендов на Западе в построении ПЛ — разделение пользовательского опыта на транзакционный (TX) и пользовательский (UX).

Многие компании научились разворачивать многоуровневый BI, изыскивая пути оптимизации LTV Клиента на основе истории его покупок. На этом пути компании тоже совершают немало ошибок, но об этом ниже. Пока же отметим, что в рамках взаимодействия с компанией опыт покупателя не ограничивается тем, что он делает с нашими товарами и услугами с точки зрения характеристик чека. Клиент посещает наш сайт, соцсети, открывает наши письма, заходит в мобильное приложение, контактирует с POS и так далее. Каждая такая точка контакта — отличный повод для оптимизации взаимодействия с ним в рамках капельного маркетинга. Не ограничивайтесь только сведениями о том, как покупает Клиент. Смотрите шире — как он себя ведёт во всех доступных для анализа точках контакта, не забывая расширять их прозрачность.

Сегментация Клиентов на 27 базовых сегментов в рамках RFM — хорошая и крайне работоспособная модель, когда нужно сработать на удержание пользователя. Построив дискриминанты по каждой из трех осей, можно заранее отследить Клиента, переходящего в зону риска, и произвести в отношении него набор упреждающих активаций. Но вот парадокс: расширение границ изучения пользовательского опыта даёт неожиданные результаты. Например, недавно довелось столкнуться с ситуацией, когда построенная эконометрическая модель, предсказывающая долгосрочный LTV Клиента, показала отрицательную корреляцию между Monetary и LTV. Разумеется, это определяется, прежде всего, слабым брендом компании: неудачный опыт дорогостоящей покупки Клиент переложил на ритейлера и отказался от дальнейших покупок. Но, согласитесь, в рамках тактических шагов понимание такой корреляции крайне важно, а RFM грамотно работать с этим фактом действительности не позволяет. Именно поэтому растёт важность сегментирования на основании устойчивых паттернов потребления продукта/услуги. Особую роль в такого рода моделях начинает играть сегментирование по k-средним, позволяющее кластеризовать чеки по мотивам покупки и строить работу с каждым мотивом покупки крайне дифференцировано и точечно.

Разумеется, качество товара или услуги - важнейшая часть лояльности. Если проданное не будет обладать заявленным на этапе активной оценки качеством, Клиент отвернётся от нас и никогда больше не вернётся. Однако не редки случаи, когда качественный продукт и услуга - еще не гарантия позитивного опыта и долгосрочной лояльности. Зачастую Клиент просто не понимает, как правильно воспользоваться купленным, примеряет это к себе и так, и эдак и в итоге остаётся разочарован результатами. Именно поэтому в стратегию лояльности необходимо встроить механизмы обучения Клиента правильному и оптимальному использованию проданного с целью максимизации его успеха. В каких-то организациях этим занимаются отделы UX, практикующие дизайн-мышление, где-то на помощь приходит большое количество POS-дидактики и YouTube, с каждым годом агрегирующий на себе всё большее количество пользовательских запросов формата “how to”.

Мода на автоворонки приводит к выхолащиванию их базовых принципов. Часто автоворонка воспринимается как концепция, изымающая человека из процесса управления клиентским опытом и сокращающая, тем самым, число ошибок. Всё это, несомненно, так, но в автоворонках (а их цель, как и у ПЛ, — в оптимизации LTV) огромное внимание традиционно уделяется правильной ассортиментной матрице. Матрице, в которой продукты разбиты на:

Поитогам проекта длякаждого изнаправлений бизнеса были сформированы свои CJM, отличительная черта которых— пересечение точек контакта спараметрами формулы прибыли. Набор точек контакта превратился врекомендации покорректировке бизнес-процессов, аихпересечение спараметрами Формулы прибыли— втехническое задание дляCRM-системы. Построив схему CJM, мыпомогли клиенту разобраться, как конкретные параметры формулы находят свое отражение вструктуре точек контакта икакими инструментами можно наних влиять.