40% клиентов General Fueller вновь стали активными за счет персональных цен на топливо и товары

Компания General Fueller обладает сетью из 23 станций АЗС и входит в РБК 500 по объёму выручки. Постоянный рост цен на бензин и жесткая конкуренция на рынке АЗС приводит к необходимости искать новые способы борьбы за клиента и повышения маржинальности.

Обеспечение систематической возвратности клиентов и повышения продаж сопутствующих товаров за счет персональных ценовых предложений на топливо и товары.

Подключение к платформе Megainsight, позволяющей автоматически выявлять модель потребления каждого клиента с возможностью формировать индивидуальные ценовые предложения на топливо и товары, как в автоматическом, так и в ручном режиме.

783% - ROI от автоматизации процесса формирования персональных предложений и новый стандарт качества обслуживания.

Детальный анализ модели потребления каждого клиента позволил сформировать ряд параметров, на основании которых стало возможным создавать целевые группы по потерянным клиентам или по клиентам, чей спрос падает в данный момент. К тому же, среди потерянных определялись наиболее востребованные клиенты по ежемесячному числу заправок, среднему чеку и другим параметрам. Это позволило выделить узкую группу, воздействуя на которую Компания сможет получить максимальный эффект. Далее для сформированной группы отправлялся купон в приложение с персональной ценой на бензин. Конверсия таких купонов составляет от 5 до 15% в зависимости от месяца.

Как и в кейсе №1, первым делом формировались целевые группы по параметрам потребления. Однако, в этот раз определялись целевые группы клиентов по не покупаемым товарам. Была принята гипотеза, что клиент, ориентированный на цену, покупает сопутствующие товары магазина или кофейни более низкого качества, либо использует более дешевые предложения конкурентов. Для таких клиентов создавался купон на те товары, которые они не покупали со специальной персональной ценой, сниженной на 20-30%. Конверсия по определённым группам товаров в итоге достигла 30%, также в среднем на 25% увеличилось количество ежедневных чеков. При этом для тех, кто ранее и так покупал данные товары - цена не поменялась.

В данном кейсе использовался функционал автоматического расчета рекомендаций для каждого клиента АЗС. Заранее был создан перечень купонов на наиболее популярные позиции товаров с заниженными на 10-15% ценами. Алгоритмы машинного обучения позволили для каждого клиента сформировать свой уникальный перечень купонов, основанный на истории покупок как самого клиента, так и других, похожих на него по модели потребления. Таким образом каждый клиент автоматически получает действительно персонализированный набор предложений, позволяющий увеличить конверсию до 40%.