Jsou to informace o jejich konkrétním chování v čase, které mohou mnoho napovědět o životním cyklu vašeho zákazníka už od jeho první návštěvy na stránkách. Díky nástrojům webové analytiky lze identifikovat vracejícího se či nového návštěvníka, cestu, kterou se dostal na vaše stránky, obsah, který navštívil, a mnoho dalšího.

Širší cílové skupiny

Pokud jste schopni propojit data z těchto dvou světů – jak z interních CRM systémů, tak data z webové analytiky – získáte tím mimo jiné mnohem širší množinu potenciálních zákazníků, se kterými můžete dále pracovat. Představte si, že zákazníci ve vašem CRM jsou základní množinou, kterou máte nově doplněnou o jejich chování na webu. Navíc máte k dispozici mnohem širší skupinu lidí, kteří váš web navštívili, nebo dokonce pravidelně navštěvují, a přitom ještě nikdy nic nenakoupili (obr. 1).
Díky těmto datům si dokážete udělat mnohem jasnější představu o příběhu, kterým projde typický návštěvník, než se stane zákazníkem. Můžete například odhalit, že příběh průměrného zákazníka často začíná informační návštěvou (typicky z PPC kampaně nebo vyhledávačů), při opakované návštěvě se po bližším ohledání vaší nabídky přihlásí k odebírání newsletterů, a teprve po obdržení vhodné nabídky, týkající se jeho preferované skupiny zboží, u vás poprvé nakoupí.
Pomocí této znalosti můžete ovlivnit vhodným jednáním většinu kroků v tomto životním cyklu zákazníka. Pokud například identifikujete, že standardní doba mezi přihlášením k odběru newsletteru potenciálního zákazníka a jeho prvním nákupem byla u nějakého zákazníka výrazně překročena, je možné mu aktivně nabídnout segment produktů či služeb, které nejčastěji navštěvuje (typicky s nějakou další výhodou, dodatečným obsahem a podobně). Díky analýze celého životního cyklu je pak možné zcela automatizovat podobná pravidla, tudíž pokud se zákazník odkloní od „průměrného chování“ (např. nenakoupí výrazně déle, než je standardní doba mezi dvěma nákupy u pravidelných zákazníků), je mu systémem automaticky vygenerována slevová nabídka obsahující jím preferované zboží či služby.
Jelikož ovšem neexistuje nic takového, jako je „průměrný zákazník“ nebo „průměrné chování“, je třeba nejdříve segmentovat cílové skupiny zákazníků tak, aby bylo na každou ze skupin možné cílit vhodnou nabídkou. Z té by měl mít návštěvník či zákazník nabýt dojmu, že skutečně rozumíte jeho potřebám.

Segmentace a cílení

Představte si například, že vlastníte elektronický obchod s krmivem a doplňky pro domácí zvířata. Pokud všem svým zákazníků zrovna rozesíláte stejný newsletter propagující slevy v rámci výprodeje akvárií, zřejmě tím příliš k nákupu nemotivujete majitele psů. Vhodnější je zřejmě identifikovat a oslovit odběratele newsletterů, kteří na vašem webu pravidelně navštěvují sekci akvaristiky nebo vyhledávají klíčová slova spojená s akvaristikou, případně zákazníky, kteří pravidelně nakupují krmivo pro ryby. Ano, znamená to, že musíte v daném týdnu sestavit nikoliv jednu univerzální nabídku, ale vymyslet rozdílný obsah pro nejvýznamnější cílové skupiny. Vaše snaha se ovšem brzy zaplatí v podobě vracejících se zákazníků, kteří cítí, že znáte jejich potřeby.
Segmentovat zákazníky lze mimo preferovaného obsahu pochopitelně mnoha dalšími způsoby. Jedním z nejznámějších konceptů, který vznikl v rámci klasického katalogového prodeje, je tzv. RFM modelování segmentů. Jedná se o modelování skupin zákazníků podle tří charakteristik: R (recency) – doba od posledního nákupu, F (frequency) – celkový počet nákupů, M (monetary) – hodnota objednávek zákazníka. Každá z těchto dimenzí je rozdělená do několika intervalů, čímž získáme pomyslnou trojrozměrnou matici zákazníků. Pro zjednodušení se v praxi často používá zjednodušený RF model, který lze zobrazit pomocí přehledné tabulky (obr. 1). Monetární dimenzi lze odstranit především proto, že ve většině případů přímo koreluje s počtem nákupů (frequency).

Obr. 1: RF segmentace (zákazníci/návštěvníci)

Na této matici je pak možné identifikovat specifické skupiny zákazníků vhodné pro různé typy cílených kampaní. Touto segmentací můžete kupříkladu identifikovat zajímavé zákazníky, kteří už nadkriticky dlouhou dobu nenakoupili – takoví zákazníci jsou zřejmě ideálním cílem pro pokus o „oživení“ pomocí dobře cílené slevy. Nebo lze naopak cílit na malou skupinu nejlepších zákazníků, kteří generují zpravidla největší část tržeb. Hlavní výhodou tohoto modelu je, že je možné cílit konkrétní kampaně na ty skupiny, kde je to doopravdy účelné. Díky tomu například zbytečně nenabízíte slevu již „ztraceným“ zákazníkům, kteří by u vás s velkou pravděpodobností už stejně nakoupili. To se ve výsledku pozitivně promítne i do marketingového rozpočtu.

Obr. 2: Segmenty a cílení

RFM modelování a segmentace je poměrně známý marketingový koncept. Pokud ovšem spojíme RFM segmentaci spolu se segmentací podle ostatních (v našem případě on-line) charakteristik, získáme tak ještě mocnější nástroj k pochopení zákazníků. V našem příkladě si můžete sestavit RFM model pouze pro akvaristy či majitele psů a pochopit rozdíly v jejich životním cyklu a celkovém přínosu. Nebo naopak vybrat celkově nejlepší či nejhorší RFM skupinu a podívat se, kdo byli tito zákazníci – nakupovali spíše krmivo pro rybičky, nebo pro psy? Přicházeli na váš web z vyhledávačů, placených kampaní, nebo přímo zadávali vaši adresu do vyhledávače? Jistě sami cítíte, že podobných otázek je možné sestavit celou řadu.
Co ovšem s výše zmíněnou množinou návštěvníků webu, kteří ještě nezkonvertovali v zákazníky (nenakoupili), a přesto o nich máme celou řadu údajů? Překvapivě i zde lze uplatnit principy RFM modelování, a to i přesto, že nemáte údaje o době od posledního nákupu, počtu nákupů ani jejich celkové hodnotě. Díky nástrojům webové analytiky máte totiž k dispozici jiné údaje – o době od jejich poslední návštěvy (recency) a o jejich celkovém počtu návštěv (frequency). Díky tomu lze pak sestavit alternativní RF model pouze pro návštěvníky webu nebo pro odběratele newsletterů a poznat část jejich životního cyklu, který se odehrává na vašem webu. To pak může být skvělým vodítkem k vytvoření vhodných a cílených kampaní, nebo dokonce k restrukturalizaci vašeho webu.
Následující tabulku je možné chápat jako segmentaci zákazníků, nebo naopak návštěvníků webu podle jejich RF charakteristik (čísla vyjadřují celkový počet lidí v dané skupině). Všimněte si, jaké budou rozdíly ve strategii cílení na jednotlivé segmenty, pokud se bude jednat o skutečné zákazníky, nebo pokud půjde o on-line návštěvníky.

Srážka s realitou

Popsaná kombinace CRM nástrojů a webové analytiky je velmi účinným nástrojem s vysokou návratností investice. Na druhé straně nic není zadarmo, a tak v praxi často narazíte na celou řadu překážek k realizaci. Prvním problémem je technické řešení, které musí zajistit, aby jednoznačný identifikátor návštěvníka či zákazníka byl stejný jak na úrovni webové analytiky, tak interních systémů. Takové možnosti často lépe umožňují placené nástroje webové analytiky, jako například Adobe Omniture Site Catalyst, které dovolují sledovat průchod webem i na úrovni jednotlivých návštěvníků (visitor).
V nejrozšířenějším bezplatném nástroji Google Analytics, který primárně sleduje pouze samotné návštěvy (visits), se neobejdete bez pokročilejších úprav kódu. To znamená, že při první návštěvě musíte identifikovat nového návštěvníka, přiřadit mu nový jednoznačný identifikátor (anonymní ID, sestávající zpravidla z jedinečné sady náhodně volených písmen a číslic). Ten se na straně návštěvníkova prohlížeče uloží do cookies. Tento identifikátor je pak nutné pomocí doplňkových skriptů přenést do samotného nástroje webové analytiky a v případě registrace nebo prvního nákupu zákazníka uložit identifikátor do CRM či jiného interního systému vedle běžných údajů.
Často se ale stává, že lidé navštěvují stejný web z více různých prohlížečů (s různými cookies), například z práce a z domova, což má za následek, že nelze vždy spojit zákazníky se všemi jejich předchozími návštěvami. Pokud navíc vaši zákazníci mohou nakoupit zboží i službu off-line, pak již logicky nespárujete jejich záznam s jejich předchozím on-line chováním.
Druhým problémem je pak samotná integrace systémů, neboť zpravidla nechcete při každé analýze exportovat data ze všech dostupných systémů do výstupních souborů a ty poté složitě propojovat pomocí jednotlivých uživatelských ID. Ideálním řešením je platforma na bázi business intelligence, kde je možné všechny vstupy dle potřeby integrovat na úrovni datových skladů. Takové řešení však samo o sobě představuje nemalou finanční investici.
Třetím a neméně závažným problémem je kvalifikovaná analytická síla, neboť analytik hledající ukryté vztahy na rozhraní CRM a webu musí být nejen datovým expertem a statistikem, ale zároveň tak trochu marketérem, finančníkem, informatikem i psychologem.

Pavel Trejbal
Autor působí jako analytik ve společnosti Optimics, která se zaměřuje na optimalizaci obchodní výkonnosti webů.