การตลาด 4.0 > Profit Optimised Marketing Part2
Value Based Segmentation
ตอนที่แล้วเราได้พูดถึงการจัดสรรงบการเข้าไปในลูกค้าตลาดแต่ละกลุ่มตาม Customer Life Cycleเริ่มจากกลุ่มลูกค้าคาดหวัง ลูกค้าใหม่ (New) ลูกค้าActive ลูกค้า Lapsed ที่สูญเสียไป หากเรามาวิเคราะห์ลูกค้าไล่จาก มีมูลค่าน้อย low ปานกลาง Medium มาก High
สมมุติว่าเราวิเคราะห์ 2 ไตรมาส ไตรมาส1 กับ 2 ดูว่าลูกค้าที่มี มูลค่าสูง ปานกลาง ต่ำ ไตรมาส 1 แต่ไตรมาส 2 ไม่ซื้อเราเลย คือลูกค้ากลุ่มสีส้ม กลุ่ม Lapsed คือลูกค้าที่หยุดซื้อนั้นแหล หรือหากไตรมาส 2 ซื้อน้อยลงจะเป็นลูกค้ากลุ่มเสี่ยงที่จะสูญเสีย พื้นที่สี ชมพู Risk ตรงกันข้ามหากไตรมาส 2 เข้าซื้อมากขี้น จาก low->Mediumหรือ High และMedium->High กลุ่มนี้พื้นที่สีเขียวกำลังโตเลยGrowing ส่วนกลุ่มไตรมาส1 ไม่ซื้อกลับมาซื้อไตรมาส2 แสดงว่าเราดึงเขากลับมาได้ พื้นที่สีเขียวอ่อน Reactive ส่วนพื้นที่เหลืองคือ เสมอตัวซื้อเท่าเดิม Stable ส่วนลูกค้าใหม่พื้นที่เขียวอ่อนพึ่งมาซื้อในไตรมาส2 New จุดสำคัญคือตรงนี้ครับ เราต้องหาว่าลูกค้าแต่ละcell มีจำนวนเท่าใด และมีค่าเฉลี่ยการซื้ออยู่ต่อหัวเท่าใดกี่บาท นั้นคือ Size & Value ของแต่ละ Cell Segment ครับ New+reactive Segment >Lapsed Segment หรือไม่ และ Growing segment > Risk segment หรือไม่ หากลดลงแสดงว่า Customer Value ทั้ง portfolio ของคุณมีมูลค่าลดลงเหมือนคุณเล่น พอร์ตหุ้นนั้นแหละครับ หลักการนี้เรียกว่า Value Based Segmentation ครับ
Customer Lifetime Value CLV
ญี่ปุ่น ทำให้พนักงานรักด้วยระบบจ้างงานตลอดชีพ Lifetime Employee ส่วนนักการตลาดทำให้ลูกค้ารักด้วยการสร้าง ลูกค้าตลอดชีพ Customer Lifetime Value หรือ CLV แล้วจะเกิดสิ่งที่ตามมาคือ มูลค่าหัวตลอดชีพของลูกค้าว่าลูกค้ารายนี้มีมูลค่า ยอดใช้จ่าย กับเราเท่าใด และมักพบว่า การทำให้ลูกค้าเก่าซื้อซ้ำง่ายกว่าการทำให้ลูกค้าใหม่ซื้อ และมีต้นทุนต่ำกว่า 8-15 เท่า ซึ่ง มี Lifetime Value อยู่ 3 ประเภทคือ1 Historical Lifetime Value มูลค่าหัวในอดีต หรือประวัติการซื้อ ว่าในอดีตเขาซื้อกับเราไปเท่าใด เมื่อใด บ่อยแค่ไหน ยอดซื้อต่อครั้งเท่าใด ฐานข้อมูลประวัติการซื้อสามารถทำให้เราหาความสัมพันธ์และนำไปทำโมเดลพยากรณ์เพื่อทำนายพฤติกรรมลูกค้าล่วงหน้าได้
2 Predictive Lifetime Value เป็นการทำนายมูลค่าหัวลูกค้า หรือว่าพฤติกรรมลูกค้าล่วงหน้า จากระบบ เช่นคนพึ่งซื้อมือถือไปจะแนะนำเพื่อนให้ซื้อมือถือรุ่นเดียวกัน คนซื้อรถใหม่city car มีแนวโน้มจะทำประกันภัยซ่อมห้างฯมากกว่ากลุ่มอื่น หรือคนที่ซื้อแว่นกันแดดไป มีสองกลุ่ม หนึ่งซื้อพร้อมชุด casualใส่สุดสัปดาห์ กับกลุ่มสองซื้อพร้อมชุดว่ายน้ำก่อนSummer หรือสตรีมีบุตร ก่อนซัพเมอร์มักจะรีบไปลดหุ่นก่อนใส่ชุดว่ายน้ำ นี่คือตัวอย่าง predictive model ที่ต้องอาศัยความสัมพันธ์ระหว่างตัวแปรพฤติกรรมซื้อกับProfileเช่น อายุ รายได้ ความเป็นเจ้าของ อีกตัวคือระบบการให้คะแนน เช่นเข้ามาดูเว็บหน้าโน้นหน้านี่ กรอกรายละเอียด ขอตัวอย่างทดลอง เราให้คะแนน ตามพฤติกรรมลูกค้า ที่มี engagement กับเรา คะแนนมากมีโอกาสซื้อหรือซื้อซ้ำมาก
3.Upside Lifetime value เป็นการเพิ่มมูลค่าหัว เช่นระบบ แนะนำสินค้า คนที่ซื้ออันนี้มักจะซื้ออันนี้ด้วย ที่เรียก Product Suggestion กับอีกตัวคือจาก customer profileเราจะแนะนำลูกค้าได้ เช่นลูกค้ากลุ่มหนึ่งมาซื้อเมื่อมีของรุ่นใหม่ๆออกมาและซื้อราคาเต็มกลุ่มนี้อายุ40 ขึ้นเข้าสังคมเก่ง กับอีกกลุ่มหนึ่งชอบซื้อแต่ของลดราคาจัดรายการของเก่าหน่อยไม่เป็นไรแต่ต้องถูกคุ้มค่าเป็นกลุ่มแม่บ้านสมองไว กับอีกกลุ่มชอบซื้อผ่านเน็ตแต่ต้องได้ของไวๆและดูกุ๊กกิ๊กหน่อย มักจะเป็นกลุ่มโสด การนำเสนอของล่อใจให้ซื้อเพิ่มย่อมมีกลยุทธ์แตกต่างกันในแต่ละกลุ่ม
แต่ที่แปลกใจจริงๆคือ เรามักจะมีเป้าหมายในการหาลูกค้าใหม่หรือนิยมหาลูกค้าใหม่ๆ มากกว่าการรักษาลูกค้าเก่า ทั้งๆที่รู้ว่าต้นทุนสูงกว่า ROI ต่ำกว่า เพราะเรามีพฤติกรรมเบื่อลูกค้าเก่า การหาลูกค้าใหม่ๆ ไม่ใช่ นวัตกรรม เหมือนการหาผลิตภัณฑ์ใหม่ๆน่ะครับ
