Расчет программы лояльности в excel

Как рассчитать финансовую модель программы лояльности

В этом году мы впервые считали финансовую модель программы лояльности. Чтобы программа лояльности действительно работала, к проекту нужно подходить очень скрупулёзно.

Типы программ лояльности

1. Начисление баллов — за каждую покупки клиент получает баллы, которые потом может потратить.
2. Получение кэшбэка — то же самое, что с баллами, только за покупки клиенты получают кэшбэк, обычно в виде купона на какую-то сумму, которую можно использовать исключительно у того же ритейлера.
3. Карточки с отметками — при первой покупке клиент получает карточку, при каждой следующей — на неё ставятся штампики, наклеиваются стикеры или пробиваются дырочки. Когда карточка заполнена, покупатель получает либо вознаграждение, либо карточку со скидкой.
4. Многоуровневая система скидок — при достижении определённых сумм покупок клиент переходит на новые статусы. Больше статус — выше скидка.
5. Вознаграждения у партнёров — за покупки клиент получает скидки / баллы, которые может использовать у партнёров бренда.
6. Платные бонусы — клиент платит за то, чтобы участвовать в программе лояльности. За оплату получает быструю / бесплатную доставку, дополнительные скидки и т.д.
7. Комбинация вознаграждений — такие программы называют гибридными. Например, балльная система + многоуровневая система, когда в зависимости от уровня за покупки начисляется разное количество баллов: выше уровень — больше баллов.
8. Немонетарные вознаграждения. Лояльные клиенты получают нематериальные бонусы. Например, встреча с капитаном для постоянного пассажира авиакомпании.

В статье разбираем расчёты для варианта 4 из списка, в котором скидка растёт в зависимости от накопленной суммы покупок.

Собрать данные за предыдущие периоды

Программы лояльности существуют, чтобы стимулировать клиентов покупать больше. Если без программы лояльности они купили бы на 3600 рублей, а с программой — на 4000, компания на этом зарабатывает. Но бывает так, что программу лояльности посчитали и внедрили, но фиг поймёшь, почему люди покупают: то ли потому что они и так лояльные и готовы покупать, то ли программа лояльности действительно их стимулирует.

Поэтому в расчётах важно построить два прогноза:

1. какими бы были продажи без программы лояльности;
2. какую прибавку к продажам даст программа лояльности.

Для этого нужны ретроспективные данные о продажах.

В первую очередь надо проанализировать, как идут продажи без программы лояльности — выгрузить данные и изучить их. Здесь есть особенности.

• Продажи в онлайне и офлайне могут отличаться. Придётся отдельно выгружать данные о покупках в интернет-магазине и в оффлайн-магазинах. Если, конечно, у клиента есть и то, и другое. Извините, плохая новость: считать программу лояльности тоже придётся отдельно для офлайна и онлайна.
• Важны данные не только о покупках, но и о клиентах. Поскольку программа лояльности нацелена на мотивацию покупателей, неправильно считать только количество проданных юнитов. Надо собирать данные о клиентах, о том, как они покупают, на какие суммы, сколько раз за какой срок, сколько из них возвращаются. В онлайне с этим обычно нет проблем, а в офлайне далеко не все данные о покупках привязаны к покупателям.
• Скорее всего, данные придётся обрабатывать, вряд ли вы получите их в идеальном виде: дублирование покупок или слишком большие суммы от оптовиков — это всё придётся чистить.

Изучить поведение покупателей

Данные собрали и почистили. Дальше можно получить из них ценную информацию:

• общее количество клиентов;
• количество лояльных, которые покупали больше одного раза, и количество «одноразовых» клиентов;
• на какие суммы покупают клиенты.

Для наглядности мы собрали вот такую диаграмму в Power BI. На ней видно соотношение лояльных клиентов и «одноразовых»:

А потом более пристально рассматриваем лояльных: на какие суммы покупают, сколько раз, в какие сроки.

По вертикали здесь — период, за который клиенты совершали покупки; цифры на столбцах и длина столбца означают количество клиентов, цвет — количество покупок.

Как понимать эту диаграмму:

• 2874 клиента совершили 2 покупки за один месяц, 783 клиента — 3 покупки за один месяц;
• 1145 клиентов совершили 2 покупки за два месяца, а 487 — 3 покупки за два месяца;
• и так далее.

Суммы покупок можно было задавать отдельным фильтром:

В будущем эти данные переложили в таблицу, но об этом позже.

На основе данных построить прогноз без программы лояльности

Прогноз отвечает на вопрос, как будут выглядеть продажи, если оставить, всё как есть. В нашем случае, продажи в офлайне росли, а в онлайне падали. На тенденцию прошлого года накладываем данные о лояльных / «одноразовых» клиентах и суммах покупок и получаем прогноз на следующий год:

В этом пункте нюанс такой: нужно учитывать тенденцию прошлого периода и сезонность. Нельзя рассчитывать программу лояльности, предполагая, что продажи будут расти. Надо смотреть на реальные цифры и строить прогноз, исходя из них.

Предположить модель программы лояльности

В начале работы, когда мы ещё не знаем, какую программу выберем: какой тип, как будут начисляться скидки и при каких условиях, — надо что-то предположить, иначе считать будет нечего. В нашем примере — тип, когда скидка растёт в зависимости от суммы покупок. Для него мы предположили четыре модели начисления скидок.

Но, как мы уже говорили, нельзя исходить только из предположения, что продажи будут расти, а новые клиенты — приходить толпами. Поэтому мы предположили три варианта прироста количества клиентов: пессимистичный, умеренный и оптимистичный. Но, возможно, что количество новых клиентов будет зависеть от скидки. Поэтому эти прогнозы менялись в зависимости от модели начисления скидки.

Мы считали 4 модели программы лояльности в трёх вариантах (пессимистичный, умеренный, оптимистичный) отдельно для офлайна и онлайна:

Но примеры мы, конечно, будем приводить только для одной модели, в онлайне.

Посчитать, сколько клиентов уже находятся на предполагаемых статусах программы лояльности

У нас есть данные о клиентах и покупках, у нас есть модель программы лояльности. Теперь нужно переложить данные на программу лояльности. Собираем таблицу и рассчитываем, какой процент клиентов на каких статусах программы лояльности уже находится и как этот процент будет меняться по месяцам:

На самом деле значения в ней рассчитаны на 12 месяцев, но здесь показаны только два, чтобы не грузить вас лишней информацией. Главное, на что надо обратить внимание, — проценты клиентов в разных статусах. Статусы начинаются с 5000 рублей, но до 3000 мы считали тоже, потому что при покупке на 3000 покупатель получает подарок.

Посчитать, сколько клиентов легко мотивировать на переход в новый статус

Следующий шаг — проверить, сколько клиентов находится в пограничных значениях статусов. Это те покупатели, кому нужно докупить совсем немного до подарка или перехода в новый статус. То есть, если клиент уже купил на 2800 рублей, то допродать ему ещё что-нибудь до 3000 будет легко — доплати всего 200 рублей и получишь подарок. Это мы и называем пограничными значениями.

Но одно дело, когда клиент купил на 700 рублей. Тогда вряд ли вы сможете убедить его купить ещё на 2300 рублей ради подарка. Зато если он купил на 23 000 рублей, то купить ещё на 2000 и получить скидку побольше для него не так сложно.

Поэтому для разных статусов считаем разные пограничные значения. Для первого статуса, который начинается с 5000 рублей, пограничных значений несколько: мы находим долю клиентов, которые находятся в диапазонах сумм 3500–3999 рублей, 4000–4499 рублей, 4500–4999 рублей. Для последнего статуса, начинающегося с 25 000 рублей, диапазон один — 21000–24999 рублей.

Спрогнозировать аплифт от программы лояльности

А здесь статья начинает напоминать фильм «Волк с Уолл-Стрит». Смотришь-смотришь, сюжет наполнен множеством событий, тебе уже кажется, что кино подходит к концу, а потом — раз — и сцена крушения вертолёта, с которой фильм начинался. И ты понимаешь, что всё это время смотрел предысторию.

Так вот, всё, что было описано до настоящего момента, было предысторией к главной цели — расчёту аплифта. То есть, какую прибавку к обороту даст программа лояльности.

Нюансы при расчёте аплифта

• Надо вычитать цену подарка и скидку. Например, вы доводите клиента с покупкой на 2030 рублей до 3000 рублей, стимулируете его подарком. Происходит это в онлайне. Он потратил на 970 рублей больше, чем без программы лояльности. Но и вы потратили деньги на подарок и доставку. В нашем примере стоимость подарка не более 5% (к данному чеку — 150 рублей) от покупки, стоимость доставки — 350 рублей. Чтобы посчитать аплифт к чеку, надо вычесть 350 и 150 рублей из 970 рублей = 470 рублей. 470 рублей от 2030 23% — аплифт к чеку.
• Средний чек допродажи будет меньше, чем общий средний чек. Аплифт рассчитывается, исходя из чека допродажи, а не среднего чека вообще. То есть, важно, не на какую сумму купил покупатель, а какую сумму он потратил дополнительно, чтобы перейти в новый статус. Дополнительные траты, ясное дело, будут меньше, чем трата на покупку вообще. Мы считали средний чек допродажи как 80% от общего среднего чека.

Расчёты по месяцам выглядели так:

Немного пояснений:

Левые таблицы вспомогательные, в них — распределение клиентов по статусам. В правых — распределение клиентов в близких к статусам значениях. В зависимости от того, к какому статусу и насколько близко они находятся, мы предполагаем разную конверсию в переход в новый статус.

Средний чек допродажи, как уже говорили, считаем за 80% от обычного среднего чека. Из него вычитаем стоимость подарка, процент скидки, а в онлайне ещё и доставку.

Количество клиентов на разных шагах близости к новому статусу умножаем на средний чек и на предполагаемую конверсию. Получаем, на какую сумму сможем допродать — аплифт.

Всё это мы рассчитывали:

• для 4 моделей программы лояльности;
• 3 прогнозов привлечения новых клиентов (пессимистический, умеренный, оптимистический);
• отдельно для офлайна и онлайна;
• 12 месяцев на каждую модель, отдельно по новым и лояльным;
• отдельно — категория клиентов до 3000 рублей, они считались сразу за год, не по месяцам.

Получилось 312 таблиц в экселе.

Это были расчёты по месяцам, но, чтобы выбрать оптимальную модель программы лояльности, надо собрать все данные в годовой прогноз. Так что для каждой модели ПЛ мы суммировали эти значения и составили прогноз на год в пессимистическом, умеренном и оптимистическом варианте. И сравнили с прогнозом без программы лояльности.

В этой таблице данные по офлайн и онлайн суммированы.

Выбрать оптимальную модель

А дальше, если вы считали несколько моделей, остаётся только выбрать оптимальную: наибольший аплифт при наименьших затратах на поощрения клиентов.

В наших расчётах выигрывает вот такая:

Скидки 0%, 10%, 15%, 20%, при суммах 5000 рублей, 12000 рублей и 25000 рублей.

Напутствие

Мы описали только один вариант расчёта только для одного типа программы лояльности. С другими типами будут другие сложности, но принципы везде одни и те же:

• Расчёты должны быть максимально скрупулёзными, а то и прогореть недолго.
• Рассчитывать программу лояльности надо на реальных данных и учитывать тенденции продаж предыдущего периода.
• В онлайне паттерны отличаются от офлайна, считать модель ПЛ надо по отдельности.
• Надо учитывать цену подарков, которые мотивируют на переходы в новые статусы, а в онлайне, может быть, придётся учитывать ещё и доставку;
• После расчёта финмодели работа не заканчивается, поскольку любой прогноз — это гипотеза. Внедряем, проверяем, как работает, сбываются ли прогнозы. Возможно, что-то изменится, поэтому потребуется изменить и саму модель.

Чтобы подобрать оптимальные значения, от которых зависит результат вычислений, нужно создать таблицу данных в Excel. Для легкого усвоения информации приведем, конкретный пример таблицы данных.

Крупному клиенту необходимо сделать хорошую скидку, которую может позволить себе предприятие. Размер скидки зависит от покупательной способности клиента. Создадим матрицу чисел для быстрого выбора лучших комбинаций условий скидок.

Использование таблицы данных в Excel

Таблица данных – это симулятор работает по принципу: «а что если?» способом подстановки значений для демонстрации всех возможных комбинаций. Симулятор наблюдает за изменением значений ячеек и отображает, как эти изменения повлияют на конечный результат в показателях модели программы лояльности. Таблицы данных в MS Excel позволяет быстро анализировать целый набор вероятных результатов модели. При настройке всего только 2-ух параметров можно получить сотни комбинаций результатов. После чего выбираем самые лучшие из них.

Этот инструмент обладает неоспоримыми преимуществами. Все результаты отображаются в одной таблице на одном листе.



Создание таблицы данных в Excel

Для начала нам нужно построить 2 модели:

1. Модель бюджета фирмы и условия бонусной системы. Чтобы построить такую табличку прочитайте предыдущею статью: как создать бюджет в Excel.



2. Схему исходных данных на подобии «Таблицы Пифагора». Строка должна содержать количественные граничные значения для бонусов, например, все числа от 100 до 500 кратные 50-ти. А процентные бонусы в приделах от 3,0% до 10,0% кратные 0,5%.

Внимание! Ячейка (в данном случае D2) пересечения строки и столбца с заполненными значениями должна быть пустой. Как на рисунке.

Теперь в ячейку пересечения D2 вводим формулу такую же, как и для вычисления показателя «Маржа 2»:=B15/B8 (числовой формат ячейки – %).

Далее выделяем диапазон ячеек D2:M17. Теперь чтобы создать таблицу данных следует выбрать закладку «Данные» раздел инструментов «Работа с данными» инструмент «Анализ: что если» опция «Таблица данных».

Появится диалоговое окно для введения параметров:

1. Верхнее поле заполняем абсолютной ссылкой на ячейку с граничной планкой бонусов количества $B$2.
2. В нижнее поле ссылаемся на значение ячейки границ процентных бонусов $B$3.

Внимание! Мы рассчитываем оптимальные скидки для количественной границы 1 при текущих показателях границы 2. Для расчета скидок количественной границы 2 в параметрах следует указывать ссылки на $B$4 и $B$5 – соответственно.

Нажимаем ОК и вся таблица заполняется показателями результатов «Маржа 2» при соответствующих условиях бонусных систем. У нас перед глазами сразу 135 вариантов (всем вариантам следует установить формат ячеек в %).

Анализ что если в Excel таблицы данных

Для анализа с помощью визуализации данных добавим условное форматирование:

1. Выделяем полученные результаты результаты, а это диапазон ячеек E3:M17.
2. Выбираем инструмент: «Главная»-«Условное форматирование»-«Правила выделения ячее»-«Между».

Указываем границы от 7% до 8% и задаем желаемый формат.

Теперь нам прекрасно виден коридор для нашей прибыли, из которого нам нельзя выходить для сохранения прибыли в определнных пределах. Мы можем легко управлять соотношенем количества и скидки и баллансировать между выгодой для клиента и продавца. Для этого условное форматирование позволяет нам сделать выбор данных из таблицы Excel по критериям.

Таким образом, мы рассчитали оптимальные скидки для границы 1 при текущих условиях границы 2 и ее бонуса.

Бонус 2 и уровень для границы 2 аналогичным способом рассчитываем. Только не забудьте указать в параметрах правильные ссылки $B$4 и $B$5 – соответственно.

Таким же самым способом мы можем построить матрицу для показателя «Прибыль НЕТТО». И сделать для него желаемое условное форматирование. Отметить контроль прибыли при условном форматировании можно в пределах 35 000-40 000.

Теперь вы можете быстро и безошибочно заложить в бюджет самые оптимальные скидки, которые привлекают клиентов и не приносят ущербу предприятию.

Скачать пример таблицы данных для скидок (образец в Excel).

При переговорах с клиентами очень часто поднимается вопрос о лояльности, бонусах и скидках. В таких случаях можно быстро построить матрицу для установки нескольких границ скидок при двух условиях. Это прекрасный инструмент с точки зрения изменений двух его параметров. Он быстро предоставляет много важной и полезной информации, в ясной, простой и доступной форме.

Написано admin в 16 февраля, 2012. Опубликовано в Управление маркетингом / Продажи

Теги:excel, Маркетинг, расчет, Экономическая эффективность

Trackback с вашего сайта.