Аналіз чеків та програми лояльності на платформі бізнес-аналітики Qlik Sense

Аналітика чеків допомагає зробити правильні висновки і сформувати необхідний асортимент, зрозуміти, хто є клієнтами, що і як часто вони купують, як керувати активністю, які акції зацікавлять, вивід якого товару може спричинити припинення покупок іншого. Однак труднощі в тому, що роздріб генерує дуже великий масив даних, основні показники ефективності слід моніторити щогодини, збирати їх з різних джерел та грамотно інтерпретувати. Інакше зниження продуктивності магазинів, зумовлене падінням попиту, ускладнення взаємодії з клієнтами через неправильну комунікацію, низька залученість до програми лояльності.

Ефективним у роботі є додаток «Аналіз чеків» на платформі бізнес-аналітики Qlik Sense, розроблений компанією RBC Group. Серед переваг: оперативне надання інформації безпосередньо з місць її виникнення, розуміння наскільки успішною є роздрібна мережа у всіх можливих розрізах за всіма показниками, оцінка маркетингової стратегії та динаміки роботи програми лояльності, можливість заглибитися до будь-якого магазину, покупки, клієнта. У рішенні «Аналіз чеків» зібрано всі найкращі методології для роздрібної торгівлі. Вибираючи платформу Qlik, бізнес отримує: асоціативну модель, найвищу швидкість, оптимальну вартість володіння, роботу на мобільних пристроях, online та offline аналіз, підтримку будь-яких джерел даних, гнучкість варіантів розгортання на власних серверах або у хмарі, під Windows або Kubernetes.

Для додатка «Аналіз чеків» використовуються дані із фронт-офісної та облікової систем, з процесингу програми лояльності та CRM. Рішення дає аналіз чеків роздрібної мережі, чеків кафе та ресторанів, включаючи KPI, динамічний, структурний, порівняльний, довільний, транзакційний, ABC-XYZ, LFL-аналізи тощо.

Логічно додаток поділено на 2 основні частини: операційна (детально про виручку у всіх можливих розрізах) та клієнтська (робота з базою та інструментами сегментації).

Dashboard c ключовими показниками та LFL-аналізом включає такі параметри:

• Деталізація всіх чеків
• Структура чеків та знижок
• Деталізація оплат
• Конверсія
• Видача карт
• Бонусні рахунки
• Сегменти
• Активність та монетарність покупок
• RFM сегментація
• Когорти клієнтів
• Кластери магазинів/товарів/клієнтів

Додаток реалізовано як листи, у яких розташовуються різного роду графіки, дані, діаграми.

Основний dashboard деталізує та розшифровує за регіонами та магазинами такі дані: сума продажів, кількість чеків/відвідувачів, сума середнього чека, конверсія, динаміка продажів/знижок.

Лист «Продажі» відображає показники за обраний період у табличному та графічному вигляді. Є оцінка результатів акцій та розпродажів, аналіз рейтингу товарів, прогноз ефективності програми лояльності.

Лист «Бонуси клієнтів» дає зведені показники щодо відвідувачів та руху бонусів за обраний період: кількість, з одним, двома та більше, з нарахованими та списаними бонусами.

«Сегментація» дозволяє виконати аналіз клієнтської бази та показників кількості клієнтів, чеків та суми продажів у різних розрізах персональних характеристик за вибраний період.

«Аналіз чеків» проводить когортний та RFM-аналіз бази, а також автоматично виконує кластеризацію товарів, магазинів, клієнтів.

Когорта – група покупців, об’єднаних календарним місяцем отримання картки лояльності. Наприклад, усі, хто отримали картку у травні 2020 року, будуть об’єднані у групу “Когорта – травень 2020”. Це дозволяє аналізувати ефективність маркетингових кампаній із залучення та утримання відвідувачів. Є розуміння, хто формує дохід та які частки нових та лояльних клієнтів за останній місяць; скільки здійснюють покупок через квартал чи рік після оформлення картки; яка швидкість відтоку клієнтів; яка швидкість приросту нових. Інструмент кластера дозволяє зібрати в групу об’єкти з максимально схожою безліччю характеристик. Нестача сегментації: її кількість зростає пропорційно до параметрів і дуже складно знаходити межі між сегментами при їх укрупненні.

Наприклад, якщо ми розділимо клієнтів за сумою покупок на три підсегменти: низький, середній, високий, то з урахуванням статі це буде 6 сегментів. Якщо додати ще три підсегменти за частотою покупок, то буде 18 сегментів і т.д.

Рішення полягає в тому, щоб для кожного клієнта порахувати як він відрізняється від будь-якого іншого і зібрати в групи тих, хто знаходиться ближче всіх один до одного. Допомогти в цьому може проведення кластерного аналізу за допомогою Qlik Sense. Наприклад, кластер №5 об’єднує найбільш лояльних, які найчастіше ходять до магазинів, купують найбільш широкий асортимент товарів та мають найбільшу суму середнього чека. Або кластер №2 об’єднує клієнтів, які відвідали кілька разів магазини та зробили це більше року тому, після чого не здійснили жодної покупки. Отже, знаючи які покупці, із якими моделями поведінки зосереджені у тому чи іншому кластері, можна вибудовувати правильні маркетингові кампанії, створювати акції, створені задля клієнтів конкретного кластера з урахуванням основний моделі поведінки цієї групи. HR та маркетинг відзначають також, що аналіз чеків на платформі бізнес-аналітики Qlik Sense дає більш точну та оперативну оцінку ефективності роботи касирів та навантаження на каси, детальну інформацію про карти та програму лояльності, а також виявляє неліквіди.

Нова сучасна тема Qlik Sense надає додатку сучасний зовнішній вигляд і підвищує зручність використання за допомогою оформлення кольорами та шрифтами. Користувачі також можуть завантажувати свої зображення у підказки для більшої різноманітності стилів. Це збільшує гнучкість та розширює можливості розробки додатків.