4 May 2011

Оценка магазина в реале интернет-методами

Мосигра corporate blog
Интернет-магазин достаточно легко анализируется в плане статистки посещамости и действий пользователя. Чтобы посмотреть, что же делает клиент, всегда есть Яндекс.Метрика и Гугл-Аналитика, которые помогают выкопать подготную, есть сервисы мыштрекинга и айтрекинга, есть собственные скрипты, которые учитывают пути движения клиентов по сайту и вообще «держат их за руку».

Магазины в реале такой роскоши не предоставляют, а исследовать их нужно, потому что это повышает прибыль. В топике рассказ про то, как мы это делаем.



1. Подсчёт потока клиентов


Первое, что мы начали считать со старта первой же точки — это количество клиентов, средний чек и соотношение заходящих и интересующихся к совершающим покупки. Сделать это оказалось достаточно просто: половину про покупки считает 1С, а просто заходящих в магазин учитывает продавец за кассой (или, если магазин большой — автоматический счётчик на входе, такие, кстати, стоят во многих торговых центрах).

Конверсия продажи изменяется в зависимости от сезона. Ещё на неё очень влияют действия продавцов, выкладка и другие контролируемые параметры. Если конверсия выходит из своего сезонного коридора больше чем на 10-15 процентов, значит, где-то что-то не так, и нужно исправлять косяки. Если она вдруг взлетает вверх, нужно ехать и смотреть, что же было сделано в магазине, чтобы внедрять по всей сети.

2. Reason Why


Второй источник информации — это внутренние примечания к заказам, а точнее, «Reason Why» на каждую позицию. Мы продаём настольные игры, игрушки и сувениры — и потому хотим знать, кому и что больше подходит. Клиенты в большинстве говорят, для кого делается покупка (например, в подарок другу-бизнесмену, сыну 12-лет на день рождения и так далее) — и эти данные в обезличенной форме вносятся в базу к конкретной игре.

Аналог в интернет-магазине — просмотр карт движения по сайту и формирование новой навигации на основе полученных данных, плюс списки «рекомендуемые товары».

3. Анкетирование


В декабре-январе в магазинах были огромные очереди, стоять в которых скучно и неинтересно. Мы раскладывали 52-секундные анкеты и ручки — и клиенты делились с нами своими мнениями, выбирали любимую игру, плюс давали другую информацию. В паре анкет мы даже встретили резюме, ещё в паре — предложения о сотрудничестве.

Анкеты дали не только множество данных, которые нельзя было бы получить другим путём, но и позволили рассказать клиентам о ряде фич магазина, о которых они не знали. Например, чекбокс «Я знаю, что игры можно заказать с доставкой» говорил «людям с улицы» о наличии интернет-магазина.

4. Аналитика


Имея сегментацию игр и учёт продаж в реальном времени в 1С, можно выстроить графики продаж игр в разное время суток. Например, оказалось, что детские игры, в основном, покупают утром, а вечериночные — в обеденный перерыв и вечером. Ассортимент продаж на выходные очень сильно отличается от ассортимента в будни.

На выходе мы получили данные об оптимальном времени рассылок с предложениями по клиентской базе, плюс данные о том, когда какие предложения и товары на главной лучше показывать (сейчас этого нет, но планируется в следующей версии сайта).

5. Анализ групп в соцсетях


У нас есть большое сообщество Вконтакте. Благодаря анализу профилей участников наших встреч и групп, мы поняли, на какой именно круг увлечений стоит обратить внимание: оказалось, к примеру, что среди «наших» нереальное количество любителей артхаусного кино (59%) и айтишников (32%, из них половина — из МГУ). Это — прямое указание на стиль проводимых мероприятий и стиль подачи информации о товарах. Понятно, что выборка ВК захватывает только один сегмент аудитории, но и эти данные оказались очень ценными. Оттуда же легко можно почерпнуть данные о семейном статусе, количестве детей и других вещах (которые люди зачем-то пишут в своём профиле), дающих точный таргетинг.

6. Айтрекинг и «рукотрекинг»


Наконец, последний этап наблюдений — это проход всего пути от начала до конца за клиентом. Подробно эта методика описана у Пако Андерхилла в книгах. На деле — нужно стоять на точке продаж и, не привлекая внимания, отслеживать деятельность клиента. Это похоже на айтрекинг. Специальный человек логирует, где клиент остановился в магазине после входа, куда пошел, что и в каком порядке смотрел, когда обратился к консультанту, какие игры открыл перед покупкой, сколько времени ушло на каждую операцию, что бросилось в глаза в выкладке и так далее.

Мы делаем такие наблюдения при открытии точек в ТЦ, выкладывая в витрину игры, наиболее привлекающие внимание проходящего потока, отслеживаем баги (например, детские игры, до которых молодые клиенты не дотягиваются), «отпугивающие» блоки (эротические игры, в которые упирается взгляд молодой мамы с дитём) и другие возможные глюки. По итогам таких наблюдений, как правило, появляется сразу ряд улучшений по юзабельности магазина — как и после хорошего анализа айтрекинга.

7. Макроуровень


На западе даже есть компании, которые строят траектории движения клиентов по торговым центрам (на основе отслеживания объектов по видеокамерам) и исходя из этого делают новые проекты и определяют действия в конкретном здании. Например, сейчас известно, что центры первого поколения просто прогоняли клиента по этажам странным расположением лестниц, второго — загоняли людей в галереи со вкусными и интересными точками на последних этажах, а последние — загоняют посетителей в кольцо с галереями, в котором по пути к нужному магазину нереально удержаться от кучи других соблазнов.

Как видите, анализировать магазины в реале можно привычными сетевыми методами: это интересно и очень полезно для повышения продаж. Кстати, анализ нужно начинать с самого начала: в нашем блоге на Хабре есть, например, про выбор места под точку продаж.

Примеры


UPD: по просьбе в комментариях добавил кейсы-примеры:
  • Поток клиентов. Каждый день мы отслеживаем конверсию по точкам. В момент начала экспериментов с ассортиментом держится две контрольных точки (для оценки нормальных изменений) и три тестовых, где делаются разные новые предположения о том, как ставить товар и какой. Так, например, мы узнали, что смеющиеся тигры не идут, а вот, например, йо-йо — очень даже позитивно привлекает детей со всего района. Учитывая, что йо-йо позиционируются как молодёжные, это тоже был сюрприз.
  • Reason Why. Ряд позиций, которые мы считали детскими, ушел в вечериночный список — и наоборот. Мы с удивлением узнали, что, например, Монополия – это подарок 12-14 летнему мальчику, Дженга – лучшая игра для девушки, а вертолёт «Стрекоза» покупается женами для мужей-айтишников. Результат — более точная сегментация целевой аудитории и более точные кейсы предложений.
  • Анкетирование. Из анкет мы узнали, сколько игр дома у человека (и сопоставили со списком любимых). Выяснилось, например, что есть некоторый предел для разных типов игр, который держится не очень долго: человек, покупая N-ную штуку, становится экспертом и душой компании — и начинает брать ещё и ещё. Это хорошие данные для программы лояльности, в частности, порогов накопительной скидки. Кстати, самая продаваемая игра года Активити по результатам опроса совпала с самой любимой.
  • «Рукотрекинг». Даёт знания о лучших играх в витрине, правит косяки выкладки. Например, оказалось, что детскую «Операцию» нужно класть вниз — реклама крепко действует, и дети тянутся к ней, когда родители её даже не видят. А вот, например, городки и скворечники должны лежать строго в корзинах или на уровне пояса, чтобы пенсионеры могли купить привет из детства своим внукам. Хотя я уже знаю, что скворечник — это всё же молодёжь.
  • Анализ групп в соцсетях. Мы узнали про МГУ и пошли туда со спонсорством и призами. Узнали про артхаус — набрали из этой среды нескольких аниматоров.
  • Аналитика. Сопоставляем парные товары — знаем о лучших предложениях к чему-то. К примеру, после покупки покера часто берут Уно. Вообще, здесь настоящее раздолье для разного data mining'a, поэтому можно копаться годами и постоянно выносить что-то новое.
Tags:статистикаинтернет-магазинпродажиайтрекингмаркетингнастольные игрыайтишники пришли в реал
Hubs: Мосигра corporate blog
+50
16.2k 95
Comments 11