CC BY
81
10. Волох, О. В., Геращенко, И. П. Формы эффективного взаимодействия между работодателями и образовательными организациями системы высшего образования // Управление. — 2015. — № 4 (10).
11. РА «Эксперт» [Электронный ресурс]. — Режим доступа : https://expert.ru.
12. Ипполитова, Н. В. Стерхова, Н. С. Характеристика феномена «исследовательская деятельность обучающихся в аспирантуре» // Вестник ЮУрГУ. Серия «Образование. Педагогические науки». — 2019. — № 3. — Т. 11. — С. 57-64.
13. Райчук, Ю. А., Булатова, К. А. Новый интерфейс работы технологического бизнеса с университетами — корпоративные магистерские программы // Инновации. — 2019. — № 06. — С. 65-69.
Bibliographic list
1. Brazhnik, E. I., Lavrentieva, O. V., Lebedeva, L. I. Master's education in the system of university education in France and Russia : monogr. — SPb, 2021.
2. Lebedeva, L. I. Features of master's education in domestic higher school // Izvestiya of VSPU. — 2008. — № 6. — P. 79-84.
3. Batrakova, I. S., Lebedeva, L. I. Factors of forming the value attitude of undergraduates to continuing education // Continuous of education in the modern world: from research to productive solutions (for the 20th anniversary of research Institute NGO, State Pedagogical University named by A. I. Herzen) : collection of articles on materials of International scient. conf. — M., 2013. — P. 103-108.
4. Mishin, I. N. Critical assessment of the formation of competencies in GEF HE the 3++ // Higher education in Russia. —
2018. — № 4. — Vol. 27. — P. 66-75.
5. Bedniy, B. I., Kuzenkov, O. A. Integrated training programs for highly qualified scientific and pedagogical personnel // Integration of education. — 2017. — № 4 (89). — Vol. 21. — P. 637-650.
6. Melgunov, S. P. Student organization 80-90 years at Moscow University (for the archive files). — M., 1908.
7. Berliawskiy, L. G. Legal policy of Soviet State in regulation of scientific activity (1917 — the end of 20-ies) : abstract of dis. of PhD. — Stavropol, 2009.
8. Project 5-100 [Electronic resource]. — Mode of access : https://www.5top100.ru.
9. Baller, E. Continuity // Philosophical encyclopedia / ed. by F. V. Konstan-tinov. — M., 1967. — Vol. 4.
10. Volokh, O. V., Gerashchenko, I. P. Forms of effective interaction between employers and educational organizations of higher education system // Management. — 2015. — № 4 (10).
11. Expert [Electronic resource]. — Mode of access : https://expert.ru.
12. Ippolitova, N. V. Sterkhova, N. S. Characteristics of phenomenon «research activity of students in postgraduate studies» // Bulletin of JUSU. Series «Education. Pedagogical sciences». — 2019. — № 3. — Vol. 11. — P. 57-64.
13. Raychuk, Yu. A., Bulatova, K. A. New interface for work of technological business with universities — corporate master's programs // Innovations. —
2019. — № 06. — P. 65-69.
О. В. Иванченко, Е. В. Барауля
РАЗВИТИЕ ПРОГРАММ ЛОЯЛЬНОСТИ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ МАРКЕТИНГОВОЙ ДЕЯТЕЛЬНОСТИ
Аннотация
В статье рассматриваются вопросы разработки и реализации программ лояльности в деятельности компаний в условиях цифровизации маркетинговой бизнес-среды. Представлены актуальные направления развития программ лояльности с использованием цифровых технологий, предлагающих покупателям широкий спектр вариантов и
стимулов, позволяющих компании собирать и анализировать актуальную информацию о потребителях в режиме реального времени. Определены показатели для измерения лояльности с целью дальнейшего вовлечения клиентов во взаимодействие с компанией. Выявлены цифровые алгоритмы системы бизнес-аналитики, использование которых в маркетинговой практике позволяет выходить на новые уровни персонализации и тарге-тинга в цифровых программах лояльности.
Ключевые слова
Программа лояльности, цифровые технологии, диджитал-маркетинг, коммуникации, целевой потребитель, эффективность программы лояльности.
O. V. Ivanchenko, E. V. Baraulya
DEVELOPMENT OF LOYALTY PROGRAMS IN CONTEXT OF DIGITALIZATION OF MARKETING ACTIVITIES
Annotation
Article deals with development and implementation of loyalty programs in activities of companies in context of digitalization of marketing business environment. Article presents current trends in development of loyalty programs using digital technologies that offer customers a wide range of options and incentives, and allow the company to collect and analyze relevant information about consumers in real time. Indicators for measuring loyalty are defined in order to further engage customers in interaction with the company. Digital algorithms of business intelligence system are identified, use of which in marketing practice allows to reach new levels of personalization and targeting in digital loyalty programs.
Keywords
Loyalty program, digital technologies, Digital marketing, communications, target consumer, loyalty program effectiveness.
Введение
В условиях современной конкуренции клиентоориентированным компаниям приходится более тщательно разрабатывать свою маркетинговую стратегию, где особое внимание необходимо уделять сбору и анализу разнообразной информации о потребителях и конкурентах и возможности непрерывной клиентской поддержки. Развитие интернета как глобальной информационной системы привело к формированию цифровой среды, которая характеризуется нахождением производителя и потребителя в едином информационном пространстве, их равными правами, персонифицированным характером взаимодействия и возможностью оперативной обратной связи.
Диджитал-маркетинг подразумевает персонализированный подход, что означает наличие необходимости знаний о предпочтениях, потребностях, ин-
тересах и иных данных потенциальных клиентов на рынке. В результате развития цифровых технологий широкое распространение получили новые маркетинговые программы лояльности [7].
Как известно, приобретение нового розничного потребителя обходится в среднем в 3-5 раз дороже, чем увеличение продаж для существующего, а на долю 20-25 % крупнейших потребителей приходится 75-80 % прибыли. Программы лояльности предоставляют возможность анализа потребительских данных в соответствии с конкретными целями маркетинговой стратегии. Кроме того, программы лояльности являются ключевым инструментом для увеличения количества операций по покупке товаров. Покупатели, которые возвращаются в магазин, тратят в среднем на 67 % больше, чем те, кто зашел туда впервые, а в некоторых отраслях розничной тор-
говли до 15 % наиболее лояльных покупателей составляют 55-70 % от общего объема продаж компании [7, 9].
Программы лояльности также высоко ценятся потребителями, поскольку они сегментируют клиентов в зависимости от того, какое они хотят получать обслуживание, обеспечивают актуальные, персонализированные и контекстные коммуникации и предложения в нужное время. В результате покупатели развивают более глубокую эмоциональную связь с брендом, помогая в то же время компаниям в достижении стратегических целей бизнеса.
Материалы и методы
Информационной базой исследования послужили теоретические положения и практические результаты, изложенные в публикациях отечественных и зарубежных авторов, посвященных вопросам формирования и развития программ лояльности в условиях циф-ровизации маркетинговой деятельности.
Решение представленных в статье задач осуществлялось на основе применения общенаучных методов познания: теоретического и эмпирического анализа, сравнительно-аналитического, научного обобщения, синтеза полученной информации, а также на основе метода экспертных оценок.
Результаты
Наиболее успешные программы лояльности выходят за рамки простых баллов и вместо этого создают систему, которая предлагает потребителям широкий спектр вариантов и стимулов, позволяющих организации собирать полезную информацию о предпочтениях, интересах, мотивации, образе жизни и выборе покупателя. Когда компании обладают информацией о клиентах, необходимой для того, чтобы понять, как лучше всего привлечь и порадовать потребителей, они эффективно выполняют и свои бизнес-задачи.
Успех программы лояльности редко достигается благодаря программам, ориентированным исключительно на ценовую выгоду. По данным исследо-
вания Capgemini, 77 % программ лояльности, основанных только на зарабатывании баллов при покупке, обычно заканчиваются неудачей в течение двух лет после запуска [2].
Программы лояльности, ориентированные исключительно на материальное вознаграждение, представляют собой маркетинговые программы, замаскированные под программы лояльности.
В качестве деятельности по повышению лояльности потребители ожидают от компаний следующего:
- упрощения взаимодействия с компанией;
- предложения нового релевантного контента, отвечающего интересам потребителей;
- улучшения доступа к услугам;
- предоставления релевантных предложений/промоакций;
- упрощения жизни потребителя с помощью уникальных услуг;
- повышения ценности потребителя за счет участия в эксклюзивном сообществе.
Эффективная программа лояльности — это, прежде всего, простота, с которой клиенты могут взаимодействовать и участвовать в программах лояльности. Покупатели не должны использовать калькулятор, чтобы подсчитать вознаграждения. Операции клиента для набора баллов должны быть легко понятными. Обновление личного статуса в программе также необходимо сделать понятными и достаточно простыми. Например, раздел «Моя учетная запись» на сайте должен быть оформлен максимально доступно и информативно, руководствуясь современными иХ/Ш стандартами, и предоставлять данные и преимущества для проверки клиентом в любое удобное для него время.
Современные программы лояльности реализуются в цифровом формате. Хорошей возможностью является использование программы лояльности через мобильное приложение для улучшения покупательского опыта и ощущений. Хотя разработка приложений стоит до-
рого и сопряжена с рядом рисков, суть заключается в том, чтобы обеспечить доступ к программе лояльности с помощью цифровых технологий. Идеальное действие для начала — использовать существующий сайт, в связке с другими цифровыми инструментами, такими как электронная почта. В конечном итоге смешение количественных и качественных данных поможет сделать ряд предположений о том, как выглядит действительно ценная программа лояльности с точки зрения потребителя.
Успешность программы лояльности определяется ценностью собранных данных, получаемых в рамках программ лояльности. Компании используют данные для дальнейшего применения в своей деятельности. Такой сбор данных может помочь улучшить существующие программы лояльности. Дополнительная ценность заключается в анализе информации, которую организации могут использовать для выявления и привлечения новых клиентов.
Другим направлением развития программ лояльности является использование многоуровневости при дифференциации высокодоходных клиентов, если компания хочет узнать, что именно эти люди ценят в бренде. Клиенты с высокой потребительской ценностью, которым зачастую тяжело угодить, имеют сильные эмоциональные связи со своими любимыми брендами и являются чрезвычайно лояльными, часто тратя время на защиту бренда. Однако у этих клиентов нет огромного потенциала для роста, поэтому некоторые бренды игнорируют их, концентрируясь на увеличении расходов и лояльности других. В то же время они нуждаются в вознаграждении за свою неизменную лояльность, иначе бренд рискует потерять их [4].
Существует несколько показателей, которые компания может использовать для измерения лояльности клиентов. Один из них — коэффициент использования вознаграждения (redemption rate). «Этот показатель позволяет оценить, насколько клиенты вовлечены в
программу лояльности, понимают ее условия и пользуются предоставляемыми преимуществами. По сути redemption rate — это процентная часть начисленных бонусов, которые были использованы для оплаты последующих покупок. Если участники зарабатывают бонусы, но никогда их не тратят, то они не могут быть классифицированы как лояльные, и программа лояльности не достигает цели относительно таких клиентов. Redemption rate ниже 20 % показывает, что программа лояльности не работает» [6]. Чем выше данный показатель, тем выше скорость погашения, тем больше клиентов получают бонусы по программе лояльности, а это значит, что у бренда больше преданных клиентов.
Еще одним важным показателем является коэффициент вовлеченности. Чтобы измерить скорость погашения, нужно будет измерить степень вовлеченности. Это процент клиентов, участвующих в программе лояльности. Привлечение учитывается всякий раз, когда клиент зарабатывает или тратит очки в программе. Это поможет компании проанализировать, эффективна ли текущая программа лояльности или нет.
Текущее состояние дел компании поможет проанализировать и доля повторных покупателей (repeat customer rate). Доля повторных покупателей — это процент покупателей, совершающих повторные покупки.
«Когортный анализ позволяет измерить влияние программы на различные сегменты участников с течением времени и с учетом этапа жизненного цикла. Когорта — это группа клиентов, объединенных общим признаком и датой совершения действия. Чем более однородный сегмент клиентов включается в когорту, тем более ценным будет результат анализа» [1]. Например, молодые люди в возрасте от 20 до 30 лет — слишком общий признак. Анализ будет гораздо полезнее, если в когорту включить молодых людей в возрасте от 20 до 30 лет с уровнем образования выше среднего и проживающих в Ростове-на-Дону.
«Когортный анализ позволяет выявить паттерны потребительского поведения в привязке к длительности участия в программе. На основании этой информации программа может быть скорректирована и усовершенствована для различных типов клиентов и этапов жизненного цикла» [8].
Все эти данные помогут понять, насколько лояльны клиенты. Используя эту информацию, компании нужно внести необходимые коррективы в свои программы, чтобы получить больше лояльности. Идея состоит в том, чтобы превратить своих постоянных клиентов в защитников своего бренда.
Таким образом, программа лояльности должна фокусироваться на способах вовлечения клиентов во взаимодействие с брендом, зарабатывание и трату большего количества бонусов и вознаграждать существующих клиентов, чтобы они стали защитниками бренда.
Обсуждение
Для всего вышеперечисленного необходимо охватывать чрезвычайно большие объемы данных. Именно поэтому системы бизнес-аналитики, которые когда-то были основаны на анализе исторических клиентских данных, офлайн-моделировании и традиционной отчетности, заменяются цифровыми алгоритмами, которые работают на данных о клиентах и вокруг клиентов в режиме реального времени. Подобные алгоритмические системы могут реагировать на события в режиме реального времени, генерируя персонализированные предложения, рассчитывать динамические цены и оптимизировать размещение заказов [3].
В прошлом традиционные инструменты бизнес-аналитики сообщали о тенденциях и предлагали прогнозы продаж на основе данных о событиях, произошедших несколько недель или месяцев назад. В настоящее время данные собирают информацию в течение 24-часового окна с помощью процессов извлечения, преобразования и загрузки (ЕТЬ) и позволяют организациям выполнять ежедневное моделирование и нахо-
дить бизнес-идеи, которые могут быть внедрены в системы уже на следующий день. В свое время лучшей попыткой компаний персонифицировать рекламную акцию была публикация рекламы в газете, обслуживающей определенную географическую зону, или рассылка по почтовой рассылке в определенную почтовую зону. Сегодня ретейлеры могут адаптировать свои торговые предложения, основываясь на исторических и демографических данных, собранных по группам клиентов: пол и возраст, уровень доходов и т. д. Стоит обратить внимание, что такой уровень взаимодействия не требует обработки данных в реальном времени. Это базовый уровень на пирамиде персонализации, где уровень персонализации возрастает по мере того, как включаются более высокие уровни обработки информации в реальном времени. Раньше ретейлеры могли управлять только низким этим уровнем, однако этого недостаточно для того, чтобы предоставить компаниям конкурентные преимущества. Поэтому такие персональные предложение требуют работы ML (machine learning) в режиме реального времени, так как в данном случае система должна оперативно обработать возможность всплеска спроса, доступности продукции на складе, цепочки поставок, конкурентного ценообразования.
Существует достаточно много областей, в которых разработка технологии обработки Больших Данных в реальном времени обеспечивает значительное повышение коэффициента конверсии и общей прибыльности компании [5].
Персонализированный поиск: поиск — это одна из самых актуальных тем в персонализации на сегодняшний день. Возможность включения большего количества информации о покупателе позволяет скорректировать результаты таким образом, чтобы обеспечить лучший выбор и повысить вероятность совершения продажи.
Индивидуальные предложения: компании могут более успешно мотивировать покупателей на немедленные
покупки, предлагая сделки, основанные на знаниях об истории их покупок и текущей ситуации.
Динамичное ценообразование: идеальная цена товара зависит от его доступности, рыночного спроса, конкурентной цены на тот же товар и даже от индивидуального контекста и готовности покупателя к покупке. Установка оптимальной цены для компаний, использующих анализ данных в режиме реального времени, позволит максимизировать свои возможности и доходы.
Разумное снабжение: розничные сети располагают определенным количеством магазинов и меньшим количеством торгово-распределительных центров, а также доставкой из собственного интернет-магазина. В собственные магазины как в распределительные центры можно направлять ближайшие заказы из интернет-магазина, отправляя оттуда товары. Уровень аналитики, использующийся в этом процессе, может иметь большое влияние на рентабельность бизнеса. Стоимость транспортировки, инвентаризация, кадровые вопросы — все эти факторы влияют на решение этой проблемы, и оптимизация ее решения является достаточно сложной проблемой. Машинное обучение, основанное на данных в режиме реального времени, может помочь предприятиям в борьбе с подобного рода утечками прибыли.
Оповещения в режиме реального времени: всякий раз, когда возникают непривычные и неклассические паттерны и закономерности в моделях, или же данные находятся за пределами ожидаемого диапазона, нужные сотрудники должны получить уведомление и предупреждение о данном событии. Так, если запасы в конкретном магазине заканчиваются или у компании недостаточно персонала в определенный день, менеджмент должен узнать об этом как можно скорее.
Сегодня использование анализа данных в режиме реального времени в этих областях позволит оптимизировать свои доходы и предоставит компании новые возможности для своих клиентов.
Использование данного спектра технологий позволяет выходить на новые уровни персонализации и таргетинга в цифровых программах лояльности.
Выводы
Каждый продукт или услуга имеет свой целевой рынок, группу потребителей, на которую он направлен. Различие между целевыми и нецелевыми группами часто нечеткое и неоднозначное, поскольку потребители различаются по доходам, покупательскому поведению, лояльности к бренду и многим другим характеристикам. Разнообразие клиентов зачастую настолько велико, что предложение, созданное для среднего потребителя, то есть для всех, не соответствует ничьим потребностям. Это делает критически важным для предприятий выявление наиболее значимых потребителей и адаптацию предложений для них с учетом их потребительского опыта. Эта проблема возникает практически во всех маркетинговых мероприятиях, особую же роль она играет в программах лояльности в условиях цифровизации взаимоотношений с потребителем.
В настоящее время цифровые программы лояльности направлены на предложение потребителю уникального опыта, вовлечение во взаимодействие с брендом, на демонстрацию заботы бренда и способности персонализации способов коммуникации. Индивидуальный подход к потребителю, формирование высокого качества сервиса, разнообразие и гибкость обусловливают усложнение программы лояльности для компании.
Развитие программ лояльности на основе использования цифровых технологий дает возможность в режиме реального времени собирать и анализировать данные о клиентах, что приводит к формированию полноценной системы идентификации потребителя в онлайн- и офлайн-среде. В результате компания создает релевантное и персонализированное предложение для каждого потребителя, эффективную коммуникацию, и в итоге происходит перевод постоянных клиентов в лояльных.
Библиографический список
1. 6 способов оценить эффективность программы лояльности [Электронный ресурс]. — Режим доступа : https://ngmsys.com.
2. Loyalty Deciphered — How Emotions Drive Genuine Engagement. [Электронный ресурс]. — Режим доступа : https://www.capgemini.com.
3. Бондаренко, В. А., Толстяков, Р. Р., Иванченко, О. В., Миргородская, О. Н. Применение элементов искусственного интеллекта в маркетинговой деятельности компаний // Вопросы современной науки и практики. — 2019. — № 4 (74). — С. 41-47.
4. Будущее программ лояльности [Электронный ресурс]. — Режим доступа : https://www.retail.ru.
5. Иванченко, О. В. Интеллектуальный анализ Больших данных в развитии маркетинга отношений в банковской сфере // Региональные проблемы преобразования экономики. — 2019. — № 10 (108). — С. 283-288.
6. Начинаем измерять лояльность: 4 важнейших метрики [Электронный ресурс]. — Режим доступа : http://crmpro.ru.
7. Программы лояльности в стиле DIGITAL [Электронный ресурс]. — Режим доступа : https://www.inbrief.ru.
8. Старикова, М. С., Уварова, А. В. Сравнительный анализ методов оценки программ лояльности в сфере фитнеса // Вектор экономики. — № 7. — С. 7.
9. Тренды программ лояльности в 2020 году: исследование Visa и Bond Brand Loyalty [Электронный ресурс]. — Режим доступа : https://retail-loyalty.org.
Bibliographic list
1. 6 ways to evaluate the effectiveness of loyalty program [Electronic resource]. — Mode of access : https://ngmsys.com.
2. Loyalty deciphered — how emotions drive genuine engagement [Electronic resource]. — Mode of access : https:// www.capgemini.com.
3. Bondarenko, V. A., Tolstyakov, R. R., Ivanchenko, O. V., Mirgorodskaya, O. N. Use of elements of artificial intelligence in marketing activities of companies // Questions of modern science and practice. — 2019. — № 4 (74). — P. 41-47.
4. Future of loyalty programs [Electronic resource]. — Mode of access : https://www.retail.ru.
5. Ivanchenko, O. V.Intellectual analysis of Big Data in development of marketing relations in banking sector // Regional problems of economic transformation. — 2019. — № 10 (108). — P. 283-288.
6. We begin to measure loyalty: 4 most important metrics [Electronic resource]. — Mode of access : http:// crmpro.ru.
7. Digital-style loyalty programs [Electronic resource]. — Mode of access : https://www.inbrief.ru.
8. Starikova, M. S., Uvarova, A. V. Comparative analysis of methods for evaluating loyalty programs in the field of fitness. — № 7. — P. 7.
9. Loyalty program trends in 2020: Visa and Bond Brand loyalty research [Electronic resource]. — Mode of access : https://retail-loyalty.org.
О. Н. Миргородская, Ю. Э. Поздняковская ОСОБЕННОСТИ ФОРМИРОВАНИЯ ТЕЛЕВИЗИОННОГО БРЕНДА
Аннотация
Статья посвящена исследованию маркетинговых аспектов формирования бренда телеканала в контексте современных проблем медиапотребления. Авторами проанализированы основные подходы к определению понятия «бренд», определены специфические особенности брендинга в телевизионной сфере. В качестве достигнутых результатов можно зафиксировать вывод о том, что грамотная разработка комплекса эфирных и внеэфирных коммуникаций позволяет выстраивать эффективную маркетинговую стратегию позиционирования телевизионного бренда, способствующую повышению его конкурентоспособности на российском медиарынке.
