Задача: понять эффективность программы лояльности
Майер курорт «Марциаль» — современный курорт с аквапарком, СПА-зоной, отелем, фудкортом, рестораном и лобби-баром. У клиента уже была запущена программа лояльности (далее ПЛ): гости могли стать участником программы лояльности и получать бонусы (кэшбэк баллами) за покупки. Однако полноценной аналитики по программе не было, соответственно заказчик не мог полноценно проанализировать сколько участников в программе, сколько бонусов начислено/списано, кто и как часто возвращается, сколько выручки дают постоянные гости и т. д.
Основные вопросы заказчика:
- Сколько у нас участников программы, как они распределяются по уровням лояльности (грейдам)?
- Сколько бонусов накоплено на счетах гостей, сколько начисляется и тратится за период, сколько сгорает невостребованными?
- Насколько активны наши клиенты: как часто они совершают повторные визиты, каков LTV (Lifetime Value) гостя на разных уровнях?
- Есть ли перекрестные посещения разных зон курорта? Например, приходит ли посетитель аквапарка потом в ресторан или СПА, и насколько часто?
- Как географически распределены наши гости, из каких регионов и городов они приезжают?
- Сколько у нас «спящих» или потерянных участников, которые давно не возвращались?
- И наконец, как все это представить в удобных дашбордах, чтобы менеджеры сами могли фильтровать данные, строить отчеты под свои задачи и быстро получать ответы без погружения в сырой SQL?
Решение: 7 интерактивных дашбордов в Qlik Sense за один месяц
Мы предложили решить задачу с помощью BI-платформы Qlik Sense. Разработали и внедрили инструмент всего за 4 недели: 7 дашбордов с различными разрезами данных. Вся информация берется из базы данных (СУБД Oracle) — мы подключились, нашли нужные представления (транзакции и справочник) и написали запросы. Немного доработав и обогатив данные на этапе загрузки (об этом расскажу ближе к концу статьи), мы смогли быстро визуализировать все необходимое.
Дашборды, из которых состоит наше приложение:
1. Статистика по базе и бонусам.
Общие показатели и таблицы по всем участникам программы лояльности: текущий баланс бонусных баллов по базе, сколько бонусов начислено за выбранный период, сколько списано, сколько аннулировано. Также здесь есть распределение количества участников по грейдам (уровням) и подробная таблица с информацией по каждому участнику (контакты, дата регистрации, текущие грейды в аквазоне и отеле, даты присвоения уровней, суммы расходов, последний визит, баланс и оборот бонусов по аккаунту).
2. Эффективность и динамика.
Набор KPI и графиков, отражающих динамику программы лояльности во времени. Например, здесь показываются LTV по каждому грейду (средняя выручка на клиента данного уровня), тренды количества участников и выручки по месяцам, динамика начисления и списания бонусов, баланс бонусов на конец каждого месяца/недели, а также сводные показатели: общее число участников, количество покупок (чеков), суммарная выручка (с учетом бонусных оплат и без), средний чек, среднее число позиций в чеке и пр. Дополнительно представлены сводные таблицы с метриками по типам счетов (аквазона vs отель) и торговым точкам.
На скриншоте представлена часть визуализаций, которые используются на дашборде.
3. География участников ПЛ.
Дашборд с пайчартом (круговая диаграмма) и таблицей. Можно переключаться между режимами «за выбранный период» или «к выбранной дате». Визуализация выполнена в виде интерактивной круговой диаграммы: какая доля клиентов из какого региона (отдельно учитываются клиенты без указанного региона — они попадают в сегмент «Н/Д»). Также есть сводная таблица, где можно подробно увидеть количество участников по регионам/городам и их долю (в процентах).
4. Переток участников между услугами.
Один из самых любопытных дашбордов. Здесь при помощи диаграммы Сэнки отображается переток клиентов из одной категории услуг в другую. Иными словами, мы можем проследить, куда гостю «понравилось ходить» после первого визита. Точка входа — это первая купленная услуга (например, гость впервые посетил аквапарк) из пула определенных заказчиком тарифов. Точка перетока — другая услуга, на которую он пришел в следующий раз (например, позже гость воспользовался услугами СПА).
Диаграмма Сэнки показывает эти переходы наглядно: ширина ленты пропорциональна числу клиентов, перетекших из одной категории в другую. Далее на этом листе есть отдельные графики по каждой услуге: они показывают во времени процент конверсии (доля клиентов, перетекших из точки входа в данную точку перетока), а также средний чек и LTV этих клиентов. Дополнительно можно сравнить между собой все услуги — для этого предусмотрены линейные графики, где каждая линия отражает показатель (конверсия, средний чек или LTV) по конкретной услуге в динамике. Для детального разбора имеется и таблица: она раскладывает переток по неделям, показывая сколько клиентов вошло через каждую точку входа, сколько из них перешло в конкретную другую услугу, количество чеков, конверсию % и прочие метрики.
5. Возвратность участников ПЛ.
Концептуально схож с предыдущим, но вместо точки перетока анализируется точка возвратности. Точкой возвратности в данном случае является покупка тех же тарифов, что относятся к точке входа на предыдущем листе, но при условии, что человек уже прошел через точку входа. Внизу — отдельная таблица, где по каждой услуге видно: сколько было чеков и участников, коэффициент возвратности, сколько клиентов совершили как минимум 2 визита, сколько 3 и более, средний чек первого визита и повторного.
6. Активность и повторные покупки.
Дашборд для классификации всей базы по степени активности и наглядного распределения по числу покупок. Он включает три диаграммы:
Активность участников — столбчатый график по месяцам, где выделены три группы: активные (был хотя бы 1 визит за последние 4 месяца), неактивные (последняя покупка более 4 месяцев назад) и потерянные (гость оформил карту, но с момента регистрации ни разу не совершил покупку). Так бизнес сразу видит, сколько клиентов регулярно посещают комплекс, а сколько вовсе не конвертировались в покупателей.
Чеки участников ПЛ — линейный график по времени, показывающий динамику общего количества чеков и из них повторных чеков (вторые и далее покупки тех же клиентов).
Воронка повторных покупок — горизонтальная столбчатая диаграмма, демонстрирующая, как распределяются клиенты по числу совершенных покупок. Фактически это воронка удержания: первый столбец — сколько участников ограничились одной покупкой, второй — скольким удалось продать два раза, третий — три раза, и так далее. Например, мы увидели, что клиентов с одной покупкой (то есть больше не возвращались) — условно 6 650, а с двумя покупками — уже 4 960, с тремя — 3 430 и т. д.
7. Конструктор отчетов.
Универсальный лист для опытных пользователей, позволяющий самому сформировать таблицу и выгрузить ее в Excel. Здесь реализован механизм, где пользователь сам выбирает нужные поля и метрики из предопределенного списка. Можно сконструировать произвольный срез: например, сравнить выручку и количество чеков по полу и возрастной категории гостей за квартал, или посмотреть число активных участников по разным точкам продаж. Этот интерактивный конструктор дает гибкость для анализа данных без необходимости лезть в исходную базу. На скриншоте я собрал отчет с динамикой среднего чека и количеством клиентов по возрастным категориям.
На каждом дашборде размещена панель фильтров: можно отфильтровать данные по любому нужному признаку — дате (год, квартал, месяц, конкретный день), региону, городу, полу клиента, возрастной категории, конкретной точке продаж или тарифу, номеру карты участника, и так далее. Любую диаграмму или таблицу в приложении можно выгрузить одним кликом в Excel, PDF или даже в виде картинки (JPEG) — это удобно, если нужно поделиться конкретным виджетом в презентации или отчете.
Итого, за короткий срок мы сделали для заказчика полнофункциональную систему аналитики, закрывающую все ключевые потребности по мониторингу и оценке программы лояльности. Теперь расскажу подробнее о некоторых самых интересных возможностях и инсайтах, которые удалось получить.
Сегментация по уровням лояльности: кто приносит больше денег
Программа лояльности курорта включает 4 грейда (уровня) для участников — от нулевого (базового) до третьего (максимального). Интересная особенность: грейды делятся на две независимых категории (два разных типа счетов) — отдельно для аквазоны (аквапарк, СПА, кафе, бистро) и для отеля (номерной фонд, ресторан, лобби-бар). При регистрации гостю присваивается нулевой грейд в обеих категориях. По мере накопления расходов на определенную сумму в каждой категории, ее грейд повышается (1-й, 2-й, 3-й уровень). В аквазоне и отеле могут быть разные грейды, в зависимости от суммы расходов гостя в каждой категории. С ростом грейда увеличивается процент кешбэка бонусами, то есть программа поощряет больше тратить, чтобы получать больше бонусов.
Мы отразили эту сегментацию на дашбордах: всегда можно посмотреть, сколько у нас клиентов каждого грейда и как они распределены по типам счетов. Более того, мы рассчитываем LTV (Lifetime Value) по грейдам. Например, средняя выручка на клиента 3-го грейда заметно выше, чем на клиента 1-го грейда.
Это ожидаемо — ведь чтобы достичь высокого статуса, гость уже потратил немало денег. Но благодаря аналитике можно точно увидеть разницу в цифрах. На одном из дашбордов есть показатели LTV по каждому грейду: они автоматически пересчитываются при выборе фильтров (например, можно посмотреть LTV по грейдам среди молодых гостей, или за определенный год).
Возвратность и активность участников: удержание клиента
Для любого бизнеса повторные визиты — это показатель лояльности и качества сервиса. Мы уделили особое внимание аналитике возвратности: насколько успешно комплекс удерживает гостя после первого посещения.
Напомню, в приложении есть воронка повторных покупок, показывающая распределение участников по количеству визитов. Она наглядно демонстрирует просадку после первого визита: часть людей не возвращается вовсе. Руководству важно знать, какова эта доля. Имея этот показатель, маркетологи могут запускать кампании реактивации: например, тем, кто давно не заходил после первого визита, высылать персональные приглашения или дополнительные бонусы за второе посещение.
На том же листе «Активность» мы сегментировали всю базу на активных, неактивных и потерянных. Напомню критерии:
- Активный — хотя бы одна покупка за последние 4 месяца.
- Неактивный — последняя покупка была более 4 месяцев назад.
- Потерянный — с момента регистрации не совершил ни одной покупки.
На графике по месяцам будет видно, как меняется количество людей в каждой категории. Когда бизнес проводит, скажем, удачную акцию по возврату старых клиентов, это сразу отразится уменьшением столбика «неактивных» и увеличением «активных» на соответствующем месяце. Таким образом, сегментация по активности дала заказчику конкретные метрики для управления CRM-кампаниями. Теперь можно точечно работать с каждой группой: мотивировать активных продолжать в том же духе, «будить» неактивных спецпредложениями и анализировать, почему некоторые гости теряются сразу (может, им не понравился опыт или не подошли условия программы).
Немного о данных и ETL: от сырых таблиц к аналитике
Всю работу по объединению и расчету показателей мы реализовали силами Qlik Sense. Источниками послужили три представления в базе Firebird:
- checks_pmt — все транзакции (чеки) участников ПЛ, с деталями: дата, сумма, списанные/начисленные бонусы, точка продаж, товар или услуга, тариф и ссылка на карточку клиента.
- cards_det — справочник участников (карты лояльности): содержит сведения о владельце карты (ФИО, дата регистрации, дата рождения, пол, контакты и др.), а также текущий грейд участника в каждой из категорий.
- checks_gr — история присвоения грейдов (уровней): когда и какой уровень был присвоен клиенту, раздельно по аквазоне и отелю.
Эти данные мы загружали в Qlik и связывали по ключам (код карты, идентификаторы транзакций). Потребовалась небольшая трансформация, например, мы добавили вычисляемые поля, облегчающие анализ:
- Возраст и Возрастная категория клиента на основе даты рождения. Мы разбили гостей на группы: 0-17, 18-25, 26-35, 36-45, 46-55, 56-65, 65+. В Qlik это задается прямо в скрипте загрузки. Простая иллюстрация на псевдокоде:
// Расчет возраста в годах на дату сегодня
if ($(Возраст)<18 and $(Возраст)>=0, '0-17', if ($(Возраст)>=18 and $(Возраст)<=25, '18-25',
if ($(Возраст)>=26 and $(Возраст)<=35, '26-35', if ($(Возраст)>=36 and $(Возраст)<=45, '36-45',
if ($(Возраст)>=46 and $(Возраст)<=55, '46-55', if ($(Возраст)>=56 and $(Возраст)<=65, '56-65',
if ($(Возраст)>65, 'Старше 65'))))))) as [Возрастная категория]
- Различные агрегации по клиенту, чтобы быстро строить отчеты. Даты первой и последней покупки, посещение точки входа (покупка определенных тарифов впервые), точки перетока (покупка определенных тарифов после точки входа) и точки возвратности (повторная покупка тарифов из пула точки входа).
Наличие готовых представлений в базе немного ускорило работу — нам не пришлось самим писать сложные SQL-запросы для выборки транзакций или вычисления бонусов. Мы сфокусировались на визуализации и бизнес-логике приложения. За 4 недели были проведены все необходимые интеграции: подключение к базе Oracle через встроенный в Qlik Sense коннектор, написание скриптов загрузки и трансформации данных, разработка интерфейса дашбордов и тестирование корректности показателей вместе с командой заказчика.
Результаты: бизнес увидел полную картину и конкретные точки роста
Всего через месяц после начала проекта заказчик получил мощный инструмент аналитики, а вместе с ним — новые понимания о поведении гостей. Ключевые результаты и польза от внедрения:
- Мониторинг лояльности в реальном времени. Теперь каждый день можно видеть актуальные цифры: сколько людей вступило в программу, сколько стало на уровень выше, сколько бонусов начислено и потрачено вчера, сколько всего накоплено на балансе. Раньше таких отчетов просто не было или они делались раз в несколько месяцев вручную. Сейчас все обновляется автоматически и доступно в пару кликов.
- Лучшее понимание портрета клиента. За счет того, что в данных появились возрастные категории, география, пол — маркетинг комплекса получил разрезы, которых раньше не было. Например, оказалось, что самая активная группа гостей — это мужчины 26—35 лет из соседнего региона. А, скажем, гости старше 45 лет в основном пользуются только отелем и СПА, почти не заходя в аквапарк. Такие инсайты помогают точнее таргетировать рекламу и спецпредложения.
- Экономия времени на отчетах. Если раньше аналитика по выручке и клиентам делалась вручную в Excel, то сейчас 99 % запросов закрываются готовыми дашбордами или выгрузкой из них. Аналитики сами фильтруют данные как нужно, смотрят показатели онлайн или быстро выгружают отчеты. Это освобождает часы рабочего времени, которые раньше тратились на сбор данных. Как следствие, команда больше фокусируется на принятии решений, а не на подготовке цифр.
Проект показал, что даже за короткий срок можно развернуть полноценное BI-решение под конкретные задачи бизнеса. Программа лояльности из абстрактного маркетингового инструмента превратилась в прозрачную систему, эффективность которой можно измерять и улучшать.
Если у вас есть своя программа лояльности или просто накопилось много разрозненных данных о клиентах — самое время их приручить. Опыт показывает, что даже небольшой проект по внедрению BI-аналитики способен ощутимо повысить показатели бизнеса. Видеть свой бизнес на интерактивных дашбордах, понимать, что именно нравится вашим клиентам, где вы теряете деньги, а где есть потенциал заработать больше — все это доступный инструмент.
