ÚvodBlogPokročilá analýza prodeje, díl 1: jak porozumět svým zákazníkům
Pokročilá analýza prodeje, díl 1: jak porozumět svým zákazníkům
V jednom z předchozích článků „Co na Vás ví velký bratr ze supermarketu?“ jsme psali o možnostech využití informací, které na sebe zákazníci svými nákupy prozrazují. Ještě více než v supermarketech to platí v e-shopech a ani nákup bez přihlášení není zdaleka tak anonymní, jak si zákazník mnohdy představuje. Aby prodejce dokázal odhadnout nákupní chování zákazníka, stačí mu k tomu poměrně málo informací - KDO si CO, KDY a za KOLIK koupil a na co se na stránkách díval. Ostatní informace již dokáže odhadnout podle chování ostatních zákazníků s podobným profilem. Než investovat peníze do marketingu a hledání nových zákazníků je mnohdy výhodnější vytěžit ze svých dat maximum a využít potenciál zákazníků současných.
V tomto miniseriálu Vám ukážeme, jak se taková analýza provádí a co se pomocí ní dá zjistit, jako například které zákazníky by si prodejci měli hýčkat, u koho je možné zvýšit loajalitu, které zákazníky oslovit s cílenou nabídkou a kteří jsou už dávno ztracení. V některém z dalších dílů popíšeme, jak zvýšit tržby prodejem souvisejícího zboží nebo jak netradičně (ale efektivně) vyhodnocovat slevové akce.
Jak zjistím, který zákazník je (nej)důležitější?
Z hlediska nákupního chování existuje poměrně málo typů zákazníků, které je možné identifikovat několika více či méně složitými způsoby. Těmto způsobům se obvykle říká segmentace zákazníků. Statistici využívají shlukovou (klastrovou) analýzu, která pomocí statistického softwaru a složitých výpočtů rozdělí zákazníky podle vzájemné podobnosti (vybraných prvků nákupního chování a demografických charakteristik) do tzv. shluků tak, že v rámci shluku si jsou zákazníci co nejvíce „podobní“, a zároveň tak, že shluky se mezi sebou co nejvíce liší. Podle průměrných hodnot proměnných se každý shluk charakterizuje. Zákazníci se tak mohou zařadit například do kategorie „mladé páry bez dětí“, „důchodci“, „jednorázoví zákazníci“ a další. Bohužel metoda statistické segmentace je sice přesná, ale dopředu není jisté, co z ní vzejde a nemusí vždy vést k žádoucím nebo využitelným výsledkům.
Praktičtější a zároveň obvyklejší metodou je tzv. manažerská segmentace. Prodejce si zvolí jak omezený počet prvků nákupního chování (například počet nákupů, průměrnou tržbu), které ho zajímají, tak i konkrétní hodnoty, podle kterých bude zákazníky do skupin rozřazovat (například jako jediné kritérium pro „zlatého“ zákazníka si zvolí průměrnou roční tržbu alespoň 50 tisíc korun). Podle aktuálního a historického počtu zákazníků v jednotlivých skupinách je navíc možné sestrojit tzv. transition matrix, ze které lze vyčíst mnoho zajímavých ukazatelů o výkonnosti obchodu. Ze zjištěných hodnot se dá například spočítat meziroční podíl zákazníků, kteří „poskočili“ do lepší skupiny (například ze skupiny „neaktivní“ do některé z „aktivních“), kteří setrvali v dané skupině a kteří se naopak „propadli“ do horší skupiny. Ukažme si to na příkladu. V následujícím obrázku se zaměříme na poslední řádek zabývajícího se „novými“ zákazníky, kteří u prodejce kupovali v roce 2015 poprvé. Celkem 20 % těchto zákazníků se v roce 2016 zařadilo do skupiny zákazníků „zlatých“, 25 % do „stříbrných“, 35 % do „bronzových“ a 20 % se stalo neaktivními.
Z hodnot v matici lze dále stanovit tzv. retention rate a churn rate, tedy podíl zákazníků, kteří zůstali aktivní, respektive se stali neaktivními. Z byznysového hlediska je zajímavé sledovat především dlouhodobý vývoj obou ukazatelů, ale také meziroční srovnání vypočtených podílů.
Speciálním, ale nejčastějším, případem manažerské segmentace je tzv. RFM analýza. Z prvků nákupního chování řeší za každého zákazníka pouze tyto tři ukazatele, které jsou z obchodního hlediska nejdůležitější:
- Recency - doba uplynulá od posledního nákupu;
- Frequency - počet nákupů celkem (alternativně počet nákupů za určité období);
- Monetary value - průměrná finanční hodnota nákupu (alternativně finanční hodnota všech nákupů).
I když je RFM analýzu možné použít pro segmentaci zákazníků, stále vede k pomyslnému míchání jablek z hruškami. Proto je vhodné zákazníky nejprve roztřídit (segmentovat) podle jiného kritéria, kterým může být například typ zákazníka (běžný spotřebitel, firma), převažující kategorie kupovaného zboží nebo také region bydliště zákazníka, a RFM analýzu provést pro každou skupinu zvlášť. V tomto případě se dá hovořit o druhotné segmentaci.
A co dál?
V tuto chvíli jsou zákazníci rozděleni do zákaznických segmentů. Podle jejich počtu, frekvence nakupování a průměrných tržeb se dá odhadnout, jaké tržby prodejce může očekávat v příštím roce. Zároveň ví, kteří zákazníci jsou „důležitější“ a které můžeme nechat odejít. Pokud ale zákazníci ubývají rychleji, než přibývají noví, měl by na tento trend zareagovat. Díky segmentaci totiž ví, které zákazníky oslovit s nabídkou a jak tuto nabídku personalizovat.
V dalším díle uvidíte…
Další díl miniseriálu se bude týkat analýzy nákupního košíku, aneb co se s čím kupuje společně.
Zaujal Vás tento článek? Sledujte nás na LinkedIn.
Autor: Leoš Zavřel
Jste majitelem/kou obchodu?
Chcete zvýšit tržby a účinněji oslovovat své zákazníky? Většině z Vás se DATA o prodejích generují automaticky, užitečné INFORMACE z dat je ale potřeba teprve získat. Nevíte jak na to nebo nemáte prostě čas? Nevyhovují Vám základní nebo ad hoc přehledy, které Vám tvůrce e-shopu přednastavil? Neváhejte se na nás obrátit, rádi Vám poradíme, jak si zjednodušit práci, získávat potřebné informace a zvýšit tak výkonnost Vašeho obchodu