افزایش فروش همیشه به معنای اجرای کمپینهای بیشتر یا ارائه تخفیفهای سنگین نیست. گاهی دادههای لازم برای رشد از قبل در اختیار کسبوکار قرار دارند، اما میان سیستمهای مختلف پراکندهاند و تیم مارکتینگ نمیتواند از آنها برای شناخت بهتر مشتری و تصمیمگیری سریع استفاده کند.
در این نمونهکاوی میبینیم که پیتزا هات کانادا چگونه با یکپارچهسازی اطلاعات مشتریان، سگمنتبندی رفتاری و طراحی سفرهای خودکار توانست نرخ نگهداشت را بهبود دهد و فروش کلی خود را ۸ درصد افزایش دهد.
چالش اصلی پیتزا هات کانادا چه بود؟
این مجموعه بیش از ۵۰۰ شعبه در بیش از ۲۰۰ شهر داشت و دادههای مربوط به میلیونها مشتری و سفارش را مدیریت میکرد. اطلاعات خرید حضوری، سفارش آنلاین، ارسال، باشگاه مشتریان و تعاملات بازاریابی در سیستمهای جداگانه ذخیره میشدند.
در نتیجه، تیم مارکتینگ دید یکپارچهای از هر مشتری نداشت و نمیتوانست بهراحتی تشخیص دهد:
- مشتری آخرینبار چه زمانی خرید کرده است؛
- بیشتر از چه کانالی سفارش میدهد؛
- به چه محصولات و پیشنهادهایی علاقه دارد؛
- در کدام مرحله از چرخه عمر قرار گرفته است؛
- احتمال خرید مجدد یا ریزش او چقدر است.
بخش زیادی از تحلیلها نیز بهصورت دستی و با گزارشهای اکسل انجام میشد. همین موضوع، سرعت تصمیمگیری را کاهش داده بود و امکان آزمایش پیامها و پیشنهادها پیش از اجرای گسترده وجود نداشت.
راهکار پیتزا هات برای یکپارچهسازی دادهها
برای حل این مسئله، دادههای سیستم فروش، برنامه وفاداری، سفارش و ارسال، کانالهای دیجیتال و سایر نقاط تماس در یک پلتفرم داده مشتری یا CDP یکپارچه شدند.
در نتیجه، برای هر مشتری یک پروفایل جامع شکل گرفت که اطلاعات رفتاری، تراکنشی و ارتباطی او را در یک نمای واحد نمایش میداد. این زیرساخت به تیم مارکتینگ کمک کرد بهجای کار با رکوردهای پراکنده، رفتار کامل مشتری را بررسی کند.
پس از یکپارچهسازی دادهها، سگمنتبندی مشتریان نیز دقیقتر شد. مشتریان فقط براساس معیارهای عمومی مانند موقعیت جغرافیایی تقسیمبندی نمیشدند؛ بلکه سابقه خرید، فاصله میان سفارشها، عضویت در باشگاه، علاقه به محصولات و احتمال ریزش نیز در سگمنتبندی آنها نقش داشت.
طراحی سفرهای خودکار و شخصیسازی پیشنهادها
یکی از مهمترین اقدامات، طراحی سفرهای خودکار برای گروههای مختلف مشتریان بود. مشتری جدید، مشتری وفادار، کاربر در معرض ریزش و مشتری غیرفعال، هرکدام وارد مسیر متفاوتی میشدند.
برای مثال، مشتری جدید پس از اولین سفارش میتوانست پیام خوشامدگویی، معرفی باشگاه مشتریان، پیشنهاد محصول مرتبط و یادآوری خرید بعدی را دریافت کند. مشتری در معرض ریزش نیز پیش از غیرفعال شدن کامل، پیام یا پیشنهادی متناسب با سابقه رفتاری خود میگرفت.
این دادهها برای فروش مکمل، بیشفروشی و طراحی پیشنهادهای شخصیسازیشده نیز استفاده شدند. بهجای ارسال یک تخفیف ثابت برای همه، پیشنهادها براساس نوع سفارش، زمان خرید، ارزش مشتری و رفتار گذشته تنظیم میشدند.
تیم مارکتینگ همچنین توانست پیامها، زمان ارسال و میزان تخفیف را ابتدا روی گروههای محدود آزمایش کند و پس از بررسی نتیجه، کمپین موفقتر را برای مخاطبان بیشتری اجرا کند.
نتایج اجرای این پروژه
این رویکرد نتایج قابلاندازهگیری مهمی ایجاد کرد:
- فروش کلی مجموعه ۸ درصد افزایش یافت.
- تعداد مشتریان تکسفارشی یک درصد کاهش پیدا کرد.
- شاخص متوسط Recency حدود ۱۶٫۵ درصد بهبود یافت.
- خرید مجدد، دفعات سفارش و متوسط ارزش سفارش افزایش پیدا کرد.
- پیشنهادهای باشگاه مشتریان هدفمندتر شدند و استفاده از آنها رشد کرد.
مهمترین درسهای نمونهکاوی پیتزا هات کانادا
این نمونهکاوی نشان میدهد داشتن داده زیاد بهتنهایی کافی نیست. داده زمانی ارزش ایجاد میکند که یکپارچه، قابلتحلیل و قابلاستفاده در کمپینها باشد.
همچنین همه مشتریان نباید پیام یکسانی دریافت کنند. مشتری جدید، مشتری وفادار و مشتری در معرض ریزش، نیازها و رفتارهای متفاوتی دارند. سگمنتبندی و مارکتینگ اتومیشن کمک میکنند پیام مناسب در زمان مناسب برای هر گروه ارسال شود.
زبلاین نیز به کسبوکارها کمک میکند رویدادهای رفتاری مشتریان را ثبت کنند، سگمنتهای پویا بسازند و برای هر گروه سفر متفاوتی طراحی کنند. به این ترتیب، میتوان مشتریان غیرفعال، کاربران با ارزش بالا یا مشتریانی را که سبد خرید خود را رها کردهاند، با سناریوهای هدفمند دوباره وارد چرخه خرید کرد.
برای دیدن نمونهای دیگر از کاربرد داده و مارکتینگ اتومیشن در صنعت رستوران، پیشنهاد میکنیم نمونهکاوی برگر کینگ را هم بخوانید.
در نهایت، تجربه پیتزا هات نشان میدهد افزایش فروش و نگهداشت مشتری بیش از تعداد پیامها، به کیفیت داده، سگمنتبندی درست و تصمیمگیری دقیق وابسته است.
