Анализ чеков и программы лояльности на платформе бизнес-аналитики Qlik Sense
979Аналитика чеков помогает сделать верные выводы и сформировать нужный ассортимент, понять, кто является клиентами, что и как часто они покупают, как управлять активностью, какие акции заинтересуют, вывод какого товара может повлечь за собой прекращение покупок другого. Однако трудность в том, что розница генерирует очень большой массив данных, основные показатели эффективности нужно мониторить ежечасно, собирать их из разных источников и грамотно интерпретировать. В противном случае, снижение производительности магазинов, обусловленное падением спроса, усложнение взаимодействия с клиентами из-за неправильной коммуникации, низкая вовлеченность в программу лояльности.
Эффективным в работе является приложение «Анализ чеков» на платформе бизнес-аналитики Qlik Sense, разработанное компанией RBC Group. Среди преимуществ: оперативное предоставление информации непосредственно из мест ее возникновения, понимание насколько успешна розничная сеть во всех возможных разрезах по всем показателям, оценка маркетинговой стратегии и динамики работы программы лояльности, возможность углубиться до любого магазина, покупки, клиента. В решении «Анализ чеков» собраны все лучшие методологии для розницы. Выбирая платформу Qlik, бизнес получает: ассоциативную модель, высочайшую скорость, оптимальную стоимость владения, работу на мобильных устройствах, online и offline анализ, поддержку любых источников данных, гибкость вариантов развертывания на собственных серверах или в облаке, под Windows или Kubernetes.
Для приложения «Анализ чеков» используются данные из фронт-офисной и учетной систем, из процессинга программы лояльности и CRM. Решение дает анализ чеков розничной сети, чеков кафе и ресторанов, включая KPI, динамический, структурный, сравнительный, произвольный, транзакционный, ABC-XYZ, LFL-анализы и т.д.
Логически приложение поделено на 2 основные части: операционная (детально о выручке во всех возможных разрезах) и клиентская (работа с базой и инструментами сегментации).
Dashboard c ключевыми показателями и LFL-анализом включает такие параметры:
- Детализация всех чеков
- Структура чеков и скидок
- Детализация оплат
- Конверсия
- Выдача карт
- Бонусные счета
- Сегменты
- Активность и монетарность покупок
- RFM сегментация
- Когорты клиентов
- Кластера магазинов/товаров/клиентов
Приложение реализовано в виде листов, на которых располагаются разного рода графики, данные, диаграммы.
Основной dashboard детализирует и расшифровывает по регионам и магазинам такие данные: сумма продаж, количество чеков/посетителей, сумма среднего чека, конверсия, динамика продаж/скидок.
Лист «Продажи» отображает показатели за выбранный период в табличном и графическом виде. Есть оценка результатов акций и распродаж, анализ рейтинга товаров, прогноз эффективности программы лояльности.
Лист «Бонусы клиентов» дает сводные показатели по посетителям и движению бонусов за выбранный период: количество, с одним, двумя и более, с начисленными и списанными бонусами.
«Сегментация» позволяет выполнить анализ клиентской базы и показателей количества клиентов, чеков и суммы продаж в различных разрезах персональных характеристик в выбранном периоде.
«Анализ чеков» проводит когортный и RFM-анализ базы, а также автоматически выполняет кластеризацию товаров, магазинов, клиентов.
Когорта – группа покупателей, объединенных календарным месяцем получения карты лояльности. Например, все, кто получили карту в мае 2020 года, будут объединены в группу “Когорта – май 2020”. Это позволяет анализировать эффективность маркетинговых кампаний по привлечению и удержанию посетителей. Есть понимание, кто формирует доход и какие доли новых и лояльных клиентов за последний месяц; сколько осуществляют покупок через квартал или год после оформления карты; какая скорость оттока клиентов; какая скорость прироста новых.
Инструмент кластера позволяет собрать в группу объекты с максимально похожим множеством характеристик. Недостаток сегментации: ее количество растет пропорционально параметрам и очень сложно находить границы между сегментами при их укрупнении.
К примеру, если мы разделим клиентов по сумме покупок на три подсегмента: низкий, средний, высокий, то с учетом пола это будет 6 сегментов. Если добавить еще 3 подсегмента по частоте покупок, то будет 18 сегментов и т.д.
Выход в том, чтобы для каждого клиента посчитать как сильно он отличается от любого другого и собрать в группы тех, кто находится ближе всех друг к другу. Помочь в этом может проведение кластерного анализа с помощью Qlik Sense. Например, кластер №5 объединяет наиболее лояльных, которые чаще других ходят в магазины, покупают наиболее широкий ассортимент товаров и имеют наибольшую сумму среднего чека. Или кластер №2 объединяет клиентов, которые посетили несколько раз магазины и сделали это более года назад, после чего не совершили ни одной покупки. Таким образом, зная какие покупатели, с какими моделями поведения сосредоточены в том или ином кластере, можно выстраивать правильные маркетинговые кампании, создавать акции, направленные на клиентов конкретного кластера с учетом основной модели поведения этой группы.
HR и маркетинг отмечают также, что анализ чеков на платформе бизнес-аналитики Qlik Sense дает более точную и оперативную оценку эффективности работы кассиров и нагрузки на кассы, детальную информацию о картах и программе лояльности, а также выявляет неликвиды.
Новая современная тема Qlik Sense придает приложению современный внешний вид и повышает удобство использования с помощью оформления цветами и шрифтами.
Пользователи также могут загружать свои изображения в подсказки для большего разнообразия стилей. Это увеличивает гибкость и расширяет возможности разработки приложений.
Смотрите также:
10Как использовать ChatGPT в работе маркетолога: автоматизация рутинных действий на основе аналитических данных.
57Опыт внедрения аналитических решений для одной из самых больших аптечных сетей в Казахстане, что позволило компании максимально раскрыть потенциал на рынке.
