ستاره نیک‌نژاد از چگونگی بهبود ریتنشن مارکتینگ می‌گوید

ریتنشن ستاره نیک نژاد
⏱زمان مطالعه: 6 دقیقه

فرض کنید ریتنشن یا نرخ بازگشت کاربران به یکی از بخش های اپلیکیشن یا سایت شما نسبت به سایر بخش‌ها پایین‌تر است. برای بهبود این موضوع می‌خواهیم کمپین درون محصولی در این بخش، اجرا و اثر بخشی آن را اندازه گیری کنیم.

مقدمه

در مرحله اول برای اینکه ببینیم چرا نرخ بازگشت کاربران در این بخش نسبت به سایر بخش‌ها پایین‌تر است می توانیم یک پرسشنامه (Survay) ران کنیم تا دلایل  عدم بازگشت کاربران را بررسی کنیم و براساس فیدبک کاربر بتوانیم پاسخی مناسب به نیاز او بدهیم.
برای به دست آوردن یک تصویر واضح، باید بفهمیم که کاربران ما کجا، چگونه و چرا ما را ترک می کنند. دلایل ریزش (Churn) کاربران اهمیت ویژه‌ای دارد.

بعد از مشخص شدن این موارد باید کاربران را با استفاده از مدل هایی مانند مدل RFM (درباره RFM بخوانید) تقسیم‌بندی کنیم و با استفاده از اطلاعات جمعیتی، رفتاری، تعاملی و نگرشی، پیشنهاد مناسب هر دسته را از کانال مناسب و در لحظه مناسب برای کاربر ارسال کنیم. سپس با بررسی و تحلیل نتایج KPIهای (درباره KPI بخوانید)  انتخابی می‌توانیم کمپین های اجرایی را optimize کنیم و نتایج را بهبود ببخشیم.

نظر ۴ متخصص درباره هدف‌گذاری و ست کردن شاخص کلیدی عملکردی (KPI)

تعریف نرخ بازگشت کاربران

نرخ بازگشت کاربران= (تعداد مشتریان یونیک از دوره قبلی که در دوره جدید خرید داشتند /تعدا کل کاربران یونیک دوره قبل)*100

باید بتوانیم محاسبه کنیم که چند درصد خریداران ما دوباره باز می‌گردند و ثبت سفارش دوباره می‌دهند و چند درصد از مشتریان ریزش (Churn) پیدا می‌کنند.

تحلیل کوهورت بهترین روش تحلیلی برای Retention است. تجزیه و تحلیل کوهورت به ما امکان می‌دهد تا «به جای اینکه تمام مشتریان را بدون درنظر گرفتن اینکه چه مسیری را طی کرده‌اند تقسیم کنیم، الگوهای چرخه عمر یک مشتری (یا کاربر) را به وضوح مشاهده کنیم.»

متین ارشادی از مبانی و کاربردهای تحلیل کوهورت می‌گوید! یادداشت تخصصی

کمپین‌های پیشنهادی

اولین و مهم‌ترین گام برای خرید مجدد و یا استفاده دوباره از این قسمت سایت یا اپلیکیشن شما، افزایش نرخ بازگشت کاربر است. یعنی باید دوباره کاربر را به اپلیکیشن برگردانیم. با استفاده از طراحی Journeyها از طریق ابزارهای مارکتینگ اتومیشن (درباره مارکتینگ اتومیشن بخوانید) مثل اینسایدر، وب اینگیج یا ابزارهای ایرانی مثل سگمنتینو، برای بازگرداندن کاربران میتوان نرخ بازگشت کاربر را مورد هدف قرار داد. همچنین با ارسال ایمیل، اس‌ام‌اس، وب پوش و اپلیکیشن پوش نوتیفیکیشن میتوان برای بازگرداندن کاربر استفاده کرد. پس میتوان نتیجه گرفت طراحی کمپین های مختلف برای سگمنت‌های متفاوت میتواند کاملا به افزایش نرخ ریتنشن کمک کند.

تبلیغات رفتارمحور، از سگمنتیشن مخاطبان تا نحوه استفاده از آن

دسته‌بندی کمپین‌های ریتنشن

دسته اول
جرنی‌های مربوط به فانل خرید کاربر

برای مثال: میتوان سگمنت کاربرانی که فرایند خرید خود را رها کرده‌اند را با ارسال پیام مناسب از طریق بهترین کانال هدف قرار داد.
اگر فانل خرید را شامل مراحل زیر در نظر بگیریم برای هر کدام از استپ‌ها می توان این پیشنهادات را مطرح کرد:

Step1: browse جرنی‌های مربوط به بازدید از کتگوری. هر کاربری که از یک کتگوری مشخص و ساب کتگوری آن بازدید کرد و بیش از 5 دقیقه روی آن ماند پوش بزنیم و بهترین‌های آن دسته را معرفی کنیم یا یک کد تخفیف 5 تا 10 درصد بدهیم تا خرید کند.

Step2: add to card جرنی‌های مربوط به اد تو کارت. برا کاربرهایی که اد تو کارت داشتند اما خریدشان را نهایی نکردند ایمیل و اس ام اس و پوش بزنیم با کد تخفیف، که خریدشان را نهایی کنند.

Step3: checkout جرنی‌های مربوط به چک اوت. اگر یوزری وارد این مرحله شد اما پس از طی 15 دقیقه خریدش را کامل نکرد ایمیل و اس ام اس و پوش بزنیم با کد تخفیف که خریدشان را نهایی کنند.

Step4: transaction جرنی‌های مربوط به ترنزکشن. اگر خرید اتفاق افتاد یک پیام با کد تخفیف زمان‌دار یا برنامه دعوت از دوستان برایشان ارسال کنیم، تا مجدد خرید کند یا دوستانش را دعوت کند.

دسته دوم
جرنی های مربوط به دسته بندی‌های مختلف کاربران

برای مثال: می‌توان کاربران غیرفعالی که برای مدت معینی (برای هر کسب‌وکار متفاوت میباشد) خرید نکرده‌اند و یا به اپ مراجعه نداشته‌اند را هدف قرار داد.

روش دسته‌بندی کاربران

یکی از تکنیک‌های ساده و کاربردی برای بخش‌بندی مشتریان، تحلیل ارزش مشتریان با مدل RFM است. این تکنیک به ما کمک می‌کند مشتریانی که برایمان سودآورتر هستند را شناسایی کنیم و آن‌ها را به طبقه‌های مختلف تقسیم نماییم. با این کار می‌توانیم برای هر طبقه، پیام ها و اکشن‌های کاستومایز شده در نظر بگیریم.

روش RFM؛ راهکاری برای دسته‌بندی مشتریان

RFM حروف اول سه متغیر زیر هستند:

Recency (تازگی خرید) فاصله زمانی بین آخرین خرید صورت گرفته تا امروز.

Frequency (تعداد دفعات خرید) تعداد دفعاتی که مشتری در دوره زمانی خاص اقدام به خرید کرده است.

Monetary (ارزش پولی خرید) مقدار پولی که مشتری در دوره زمانی خاص برای خرید اختصاص داده است.

روش‌های محاسبه

روش محاسبه RFM به این صورت است که برای هر کدام از شاخص‌ها، یکی از اعداد ۱ تا ۵ را در نظر گرفته ‌شود. می‌خواهیم این شاخص را برای تحلیل ارزش مشتریان‌ در یک سال گذشته به دست آوریم:

برای محاسبه R، فهرست مشتریان‌ را بر اساس زمان آخرین خرید،‌ مرتب می‌کنیم. به نزدیک‌ترین خرید عدد ۵، به دورترین خرید عدد ۱و به سایر مشتریان، عددی بین ۱ تا ۵ اختصاص می‌دهیم.

برای محاسبه F، فهرست مشتریان‌ را بر اساس تعداد خرید در دوره زمانی مرتب می‌کنیم. به بیشترین تعداد خرید عدد ۵ ، به کمترین تعداد خرید عدد ۱ و به سایر مشتریان، عددی بین ۱ تا ۵ اختصاص می‌دهیم.

برای محاسبه M، فهرست مشتریان‌ را بر اساس جمع رقم خرید در دوره زمانی مرتب می‌کنیم. به بیشترین مقدار خرید عدد ۵، به کمترین مقدار خرید عدد ۱ و به سایر مشتریان، عددی بین ۱ تا ۵ اختصاص می‌دهیم.

تا کنون هر مشتری سه عدد مستقل بین ۱ تا ۵ دریافت کرده است. اگر این سه عدد را در هم ضرب کنیم، ارزش هر مشتری، عددی بین ۱ تا ۱۲۵ خواهد شد. حالا می‌توانیم با توجه به توزیع نتایج به دست آمده، مشتریان را دسته‌بندی کنیم. مثلا مشتریانی که امتیاز بالای ۱۱۰ دارند مشتریان Champions بین ۹۵ تا ۱۱۰ Loyal customer و… می‌شوند.

تفسیر و معنای داده‌ها

سجاد حسینی یکی از مشتریان نمونه  که در دسته بندی «بهترین مشتری» قرار دارد. زیرا داده‌ها و اطلاعات، مربوط به این مشتری به صورت R=۵،  F=۵  و M=۵ است.

رضا اصغری یکی دیگر از مشتریان که در دسته‌بندی «Customers needing attentions» قرار دارد، زیرا او به تازگی خریدی انجام نداده در نتیجه R=۲ و تعداد کمی خرید داشته است و از این رو F=۳ و پول کمی خرج کرده است و بنابراین M=۱ .

مشتری بعدی، سپیده رحمانی هست، او در گروه «Potential loyalist» قرار دارد، زیرا با اینکه او مدتی است که خرید نکرده، یعنی  R=3، ولی تعداد خرید‌هایش بهتر بوده است و یعنی F=۴ و همچنین بیشترین پول رو هم خرج کرده است؛ به طوری که  M=۵.

پیشنهادات کاستومایز شده برای هر دسته

اکشن‌های پیشنهادی برای تعامل بیشتر کاربر با اپلیکیشن، که برای افزایش نرخ ریتنشن، به اقتضا می‌تواند برای هر دسته از کاربران استفاده شود:

  • New Promotional Announcement

راه‌اندازی باشگاه مشتریان و اعلام اینکه آخرین فرصت استفاده از اعتبار باشگاه مشتریان شما … می باشد.

  • Cross-selling

کسانی که محصولی را خریده‌اند در صورت خرید یک محصول دیگر 2% از مبلغ خرید علاوه بر امتیاز باشگاه مشتریان به حسابشان اضافه می شود.

  • Offering cashbacks

کسانی که یک بار محصولی را خریده‌اند، ایمیل تخفیف برای خرید محصول دیگری برای زمان محدود دریافت کنند.

  • Giving incentives for higher value or higher frequency transactions

تبریک برای اینکه کاربر ویژه هستند و اعلام اینکه در صورتی که در طی سه ماه آینده مجددا خرید کنند 50000 تومان جایزه به حسابشان اضافه می‌شود.

  • میتوان برای تمام سگمنت‌ها یک طراحی از جنس گیمیفیکیشن روی اپ پیاده‌سازی کرد تا کاربران هربار هنگام باز کردن اپ سورپرایز داشته باشند.
  • تغییر آواتار افراد بعد از Level up شدن در باشگاه مشتریان
  • اضافه کردن گردونه شانس

نکته: هر چه پیشنهادات با استفاده از AI و ابزارهای recommendation به نیاز و علاقه کاربر نزدیکتر باشد روی کاربر تاثیر بهتری می‌گذارد و نرخ ریتنشن بالاتر می رود.

KPIهایی که باید اندازه‌گیری شوند

برای اندازه گیری میزان موفقیت اکشن‌های انجام شده پیشنهاد می‌شود موارد زیر اندازه گیری شوند. و بر اساس رشدی که هرکدام از این شاخص‌ها در یک بازه زمانی مشخص داشتند می‌توانیم میزان موفقیت کمپین‌ها را اندازه‌گیری کنیم.

شاخص مهم (KPI) در آنالیز و تحلیل

1- تعداد نصب / لغو نصب (Installations/Uninstallations)

2- تعداد کاربران (User Count)

3- تعداد کاربران فعال در یک روز (DAU– Daily Active Users)

4- تعداد کاربران فعال در یک ماه (MAU – Monthly Active Users)

5- موقعیت جغرافیایی کاربران (Geographical Data)

6- زمان نشست کاربران (Session Length)

7- زمان درون اپ (In-app Time)

8- فاصله زمانی نشست (Session Interval)

9- نرخ حفظ کاربر (Retention rate)

10 – همگرایی (Conversion)

11- ARPU) Average Revenue Per User)

12- ARPDAU) Average Revenue per daily Active User)

13- ارزش کاربر (Lifetime Value – LTV)

14- هزینه جذب کاربران (Customer Acquisition Cost – CAC)

ابزارهای پیشنهادی برای رصد دیتا

Firebase

Analytics

Adjust/Metrix/Adtrace,…

 

ریتارگتینگ و ریمارکتینگ چه تفاوت‌هایی دارند؟

دیدگاه شما

لطفا دیدگاه خود را وارد کنید!
لطفا نام خود را در اینجا وارد کنید