Một trưởng bộ phận tiếp thị của một doanh nghiệp vừa và nhỏ (SME) tại Ý đang chuẩn bị triển khai một chương trình khuyến mãi. Trong hệ thống CRM, cô ấy có thể xem được độ tuổi, giới tính và khu vực cư trú của khách hàng, nhưng lại không biết ai đã truy cập vào một danh mục sản phẩm nhiều lần, ai đã bỏ dở quá trình thanh toán hay ai chỉ mua hàng khi được giảm giá. Cơ sở dữ liệu mô tả thông tin về khách hàng, nhưng lại không cho biết điều gì thực sự thúc đẩy họ quyết định mua hàng.
Đây chính là hạn chế của việc phân khúc truyền thống. Một thông điệp giống nhau dành cho tất cả mọi người có thể tiếp cận được nhiều đối tượng nhưng lại chỉ thực sự thu hút được một số ít người. Phân khúc dựa trên hành vi mang đến một góc nhìn mới: nó quan sát các hành động, tần suất, thời gian gần đây, giá trị đơn hàng và các tương tác trên các kênh khác nhau, sau đó chuyển đổi những tín hiệu này thành các nhóm hữu ích để ra quyết định.
Bạn không cần phải thành lập một bộ phận khoa học dữ liệu để bắt đầu. Với dữ liệu sẵn có trong hệ thống CRM, trang web, email và thương mại điện tử, cùng với một nền tảng được hỗ trợ bởi trí tuệ nhân tạo (AI), bạn có thể chuyển từ các danh sách tĩnh sang những thông tin chi tiết có giá trị thực tiễn. Tại đây, bạn sẽ tìm thấy một lộ trình thực tiễn, kèm theo các ví dụ dành cho lĩnh vực bán lẻ, tài chính và thương mại điện tử, chú trọng đến quyền riêng tư và một phương pháp để tạo ra các phân khúc động.
Người quản lý một cửa hàng trực tuyến nắm rõ doanh thu hàng tháng. Họ biết những sản phẩm nào đang bán chạy và có thể biết được có bao nhiêu khách hàng sinh sống tại một khu vực cụ thể. Tuy nhiên, khi phải quyết định gửi chương trình khuyến mãi cho ai, họ thường sử dụng các danh mục chung chung, như “phụ nữ trong một độ tuổi nhất định” hoặc “khách hàng ở miền Bắc Ý”.
Những thông tin này có thể hữu ích, nhưng không giải thích được hành vi của khách hàng. Hai người sống cùng khu vực có thể có nhu cầu trái ngược nhau: một người mua hàng hàng tháng mà không chờ giảm giá, người kia thì truy cập trang web, so sánh giá cả và chỉ quyết định mua hàng khi có chương trình khuyến mãi. Đối xử với họ theo cùng một cách có nghĩa là bỏ qua những tín hiệu quan trọng.
Phân khúc hành vi chính là việc lắng nghe những tín hiệu này. Một lượt truy cập lặp lại, một giao dịch mua gần đây, một giỏ hàng bị bỏ quên hoặc phản hồi đối với một thông báo “ newsletter ” đều cho thấy khách hàng đang ở giai đoạn nào trong hành trình mua hàng. Do đó, bộ phận tiếp thị có thể điều chỉnh nội dung, kênh tiếp cận và thời điểm phù hợp, thay vì chỉ dựa vào dữ liệu nhân khẩu học.
Quy tắc thực tiễn: Trước khi tự hỏi mình nên gửi thông điệp gì, hãy tự hỏi mình muốn hiểu hành động nào của khách hàng.
Đối với một doanh nghiệp vừa và nhỏ (SME), bước đầu tiên có thể rất đơn giản: so sánh lịch sử mua hàng với các tương tác kỹ thuật số và xác định các nhóm khách hàng cần được đối xử khác biệt. Bạn có thể bắt đầu từ những thông tin chi tiết về khách hàng do ELECTE cung cấp để biến dữ liệu sẵn có thành một nền tảng làm việc rõ ràng hơn, đồng thời tránh nhầm lẫn giữa sự phức tạp của phân tích với giá trị của thông tin.
Phân khúc theo hành vi chia khách hàng thành các nhóm đồng nhất dựa trên những hành động của họ. Phân khúc theo nhân khẩu học trả lời câu hỏi “Họ là ai?”, bằng cách sử dụng các yếu tố như độ tuổi, giới tính hoặc khu vực địa lý. Trong khi đó, phân khúc theo hành vi bổ sung thêm một câu hỏi hữu ích hơn cho việc đưa ra hành động: “Họ hành xử như thế nào khi tương tác với doanh nghiệp?”.
Các biến số có thể bao gồm:
Ví dụ đơn giản nhất là hình ảnh một chủ cửa hàng. Biết rằng một người sống gần cửa hàng là thông tin hữu ích, nhưng nếu nhớ rằng người đó ghé thăm hàng tuần, luôn hỏi mua cùng một sản phẩm và không tận dụng các chương trình khuyến mãi, thì chủ cửa hàng sẽ có thể phục vụ họ tốt hơn. Dữ liệu hành vi giúp kết nối quan sát với quyết định.
Tại Ý, các nghiên cứu về khách hàng trong lĩnh vực hàng tạp hóa từ lâu đã sử dụng các phân vị về mức chi tiêu, tần suất và thời gian gần đây nhất của các giao dịch mua hàng. Cách tiếp cận này đi trước các mô hình RFM, vốn phân loại khách hàng dựa trên ba yếu tố: thời gian gần đây nhất (recency), tần suất (frequency) và giá trị giao dịch (monetary), đồng thời giúp phân biệt khách hàng trung thành, khách hàng có giá trị cao hoặc khách hàng có nguy cơ rời bỏ. Phân tích lịch sử có thể được tìm thấy trong bài viết chuyên sâu về hành vi tiêu dùng đa kênh.
Phân loại mô tả nhóm các đặc điểm đã biết lại với nhau. Ngược lại, việc lập hồ sơ khách hàng có thể sử dụng các mối tương quan và mô hình để dự đoán xu hướng trong tương lai. Sự khác biệt này rất quan trọng: một phân khúc có thể chỉ ra rằng “những khách hàng này đã mua hàng gần đây”, trong khi một mô hình có thể giúp xác định những người có dấu hiệu cho thấy khả năng sẽ thực hiện một giao dịch mua mới.
Các tài liệu của Ý về phân khúc khách hàng chỉ ra rằng thời gian gần đây và tần suất có thể mang lại giá trị dự báo cao hơn so với chỉ các đặc điểm nhân khẩu học, bởi vì chúng phản ánh những nhu cầu đã được thể hiện rõ ràng. Điều này giúp việc phân khúc trở nên hữu ích hơn trong việc cá nhân hóa các chiến dịch và ưu tiên kinh doanh, như đã được thảo luận trong phân tích về phân khúc theo thế hệ trong tiếp thị kỹ thuật số.
Việc phân khúc hiệu quả xuất phát từ sự kết hợp giữa dữ liệu có cấu trúc, các sự kiện kỹ thuật số và bối cảnh doanh nghiệp. Chỉ thêm nhiều thông tin thôi là chưa đủ. Bạn cần liên kết các hành động với cùng một khách hàng, xác định các sự kiện có tính nhất quán và lựa chọn các biến số có thể định hướng cho một chiến dịch hoặc một quyết định kinh doanh.
Trước khi tạo cụm dữ liệu, hãy xác định rõ kết quả mà bạn muốn đạt được. “Hiểu rõ hơn về khách hàng” là một mục tiêu quá chung chung. “Kích hoạt lại những khách hàng đã lâu không mua hàng” hoặc “gợi ý các phụ kiện cho những khách hàng đã mua sản phẩm chính” sẽ cung cấp một tiêu chí cụ thể để lựa chọn dữ liệu.
Đối với một doanh nghiệp vừa và nhỏ (SME), nền tảng ban đầu có thể bao gồm:
Mô hình RFM thường là một điểm khởi đầu tốt vì nó chuyển đổi dữ liệu lịch sử thành ba câu hỏi dễ hiểu. Ai là người đã mua hàng gần đây? Ai là người mua hàng thường xuyên? Ai là người mang lại giá trị cao nhất? Sau đó, việc phân cụm có thể kết hợp các biến số này với các danh mục ưa thích, phản hồi đối với các chương trình khuyến mãi hoặc hành vi duyệt web.
Năm 2020, số lượng người tiêu dùng đa kênh tại Ý là 46,5 triệu người, chiếm88% dân số trên 14 tuổi (tổng cộng 52,7 triệu người), tăng 6% so với năm trước đó, theo phân tích của CustomerMinding về phân khúc đa kênh. Cùng nghiên cứu này cũng cho thấy sự khác biệt về sở thích thanh toán giữa các nhóm hành vi: PayPal được ưa chuộng nhất bởi nhóm “Digital Rooted” và “Digital Engaged”, cả hai đều ở mức 53%, trong khi nhóm “Digital Bouncers” và “Digital Rookies” lại ưa chuộng thẻ nạp tiền, lần lượt là 41% và 44%.
Giá trị của ví dụ này không nằm ở khoản thanh toán đó. Nó cho thấy rằng hành vi có thể quan sát được có thể định hướng các chương trình khuyến mãi, kênh tiếp thị và thông điệp một cách hiệu quả hơn so với việc dựa vào một nhóm đối tượng chung chung.
Một nhóm phân loại phải giúp ai đó thực hiện một việc gì đó. Cụm từ “Nhóm 4” không mang lại thông tin gì cho đội ngũ tiếp thị. Ngược lại, cụm từ “Khách hàng mới, khách hàng thường xuyên, khách hàng nhạy cảm với các chương trình khuyến mãi” lại gợi ý một logic truyền thông và một chỉ số cần theo dõi.
Hãy duy trì cơ sở dữ liệu tập trung, thiết lập hệ thống định danh nhất quán và kiểm tra chất lượng dữ liệu trước khi tiến hành tự động hóa. Hướng dẫn phân tích dữ liệu doanh nghiệp có thể giúp bạn kết nối các bước thu thập, làm sạch và phân tích dữ liệu thành một quy trình dễ hiểu ngay cả đối với các đội ngũ không có chuyên môn kỹ thuật.
Một phân khúc chỉ thực sự hữu ích khi nó kích hoạt một quy trình làm việc. Quy trình này có thể bắt đầu từ một mục tiêu kinh doanh, tiếp theo là việc lựa chọn các sự kiện có liên quan và kết thúc bằng một chiến dịch, một hành động của nhân viên bán hàng hoặc một quyết định liên quan đến dịch vụ.
Giả sử một trang thương mại điện tử muốn giảm tỷ lệ bỏ giỏ hàng. Họ không cần phải phân loại mọi hành vi có thể xảy ra. Thay vào đó, họ có thể tập trung vào những người đã xem sản phẩm nhiều lần, thêm sản phẩm vào giỏ hàng nhưng lại ngừng quá trình mua hàng trước khi hoàn tất giao dịch.
Phân đoạn sẽ có thể thực thi nếu chứa:
Các hướng dẫn kỹ thuật dành riêng cho thị trường Ý khuyến nghị kết hợp các chỉ số RFM với các sự kiện duyệt web, như lượt truy cập lặp lại, đường dẫn nhấp chuột, tương tác qua email và việc bỏ dở quá trình thanh toán, để tạo ra các phân khúc siêu nhỏ nhưng có thể đo lường được. Nguyên tắc rất đơn giản: càng ít nhãn phân loại mang tính trang trí, thì càng có nhiều nhóm được liên kết với một hành động cụ thể.
Tỷ lệ chuyển đổi cho biết phân khúc khách hàng có phản hồi với chiến dịch hay không. Tần suất mua hàng giúp đánh giá xem mối quan hệ với khách hàng có đang được củng cố hay không. Giá trị trọn đời (LTV) liên hệ giá trị kinh tế của mối quan hệ với các quyết định tiếp thị, trong khi tỷ lệ bỏ cuộc cho thấy sự sụt giảm mức độ tương tác.
Bạn có thể kết hợp các chỉ số này với chỉ số NPS được phân loại theo phân khúc, miễn là dữ liệu đó được xem xét cùng với các hành động thực tế. Một khách hàng có thể bày tỏ sự hài lòng nhưng lại hiếm khi mua hàng, hoặc tương tác rất nhiều mà không hoàn tất đơn hàng. Hành vi không thay thế cho phản hồi, mà chỉ bổ sung cho nó.
Tiêu chí chất lượng: Một chỉ số KPI chỉ thực sự hữu ích khi nó tác động đến quyết định, chứ không phải khi nó chỉ đơn thuần làm đầy bảng điều khiển.
Phân khúc động sẽ cập nhật nhóm khách hàng khi hành vi của họ thay đổi. Một khách hàng hoàn tất giao dịch mua hàng sẽ không còn thuộc phân khúc những người bỏ dở. Một khách hàng thân thiết ngừng truy cập có thể được đưa vào lộ trình tái kích hoạt. Để tổ chức việc theo dõi này và lựa chọn các chỉ số phù hợp, bạn có thể tham khảo ELECTE về phân tích KPI doanh nghiệp.
Cùng một logic đó sẽ thay đổi hình thức tùy theo từng ngành. Một siêu thị theo dõi tần suất và giá trị mua sắm. Một công ty tài chính tập trung vào việc sử dụng dịch vụ và các dấu hiệu rủi ro. Một nền tảng thương mại điện tử theo dõi hành trình từ tìm kiếm, sản phẩm, giỏ hàng đến thanh toán.
Trong lĩnh vực bán lẻ Ý, việc phân khúc dựa trên các phân vị chi tiêu cùng các biến số về tần suất và thời gian mua hàng gần đây là nền tảng lịch sử của phương pháp RFM, như đã được ghi nhận trong các nghiên cứu về khách hàng ngành hàng tạp hóa. Do đó, một cửa hàng có thể phân biệt giữa khách hàng có giá trị cao, khách hàng thường xuyên nhưng chi tiêu ở mức vừa phải, người mua hàng thỉnh thoảng và những khách hàng đã giảm tần suất mua hàng.
Các nhóm khách hàng này không nhất thiết phải nhận được cùng một hình thức khuyến khích. Khách hàng thường xuyên có thể được hưởng dịch vụ nhanh hơn hoặc nhận được những gợi ý bổ sung. Khách hàng thỉnh thoảng có thể cần một thông điệp liên quan đến danh mục sản phẩm mà họ đã từng mua. Đối với những khách hàng đã giảm tần suất mua hàng, điều cần thiết trước tiên là phân tích bối cảnh, chứ không phải một chương trình khuyến mãi tự động.
Giá cả là một yếu tố nhạy cảm. Một gia đình có thể chọn mua một sản phẩm thay thế rẻ hơn vì họ trung thành với thương hiệu của nhà phân phối, hoặc vì ngân sách trong giai đoạn đó eo hẹp hơn. Chỉ riêng hành vi quan sát được thì chưa đủ để giải thích lý do.
Trong lĩnh vực tài chính, các nhóm hành vi có thể mô tả cách khách hàng sử dụng dịch vụ: tần suất truy cập, loại giao dịch, kênh ưa thích và những thay đổi trong hồ sơ hoạt động. Những tín hiệu này có thể hỗ trợ việc cá nhân hóa dịch vụ, quản lý mức độ ưu tiên và giám sát các quy trình tuân thủ.
Tuy nhiên, việc phân tích phải được tách biệt với các quyết định tự động có tác động lớn nhưng chưa được quản lý chặt chẽ. Một mô hình có thể chỉ ra một sự thay đổi cần được kiểm tra, nhưng không nên được coi là lời giải thích đầy đủ về hành vi của khách hàng. Đối với các hoạt động tài chính, tín dụng hoặc tuân thủ, cần có sự kiểm soát của con người, hồ sơ tài liệu và các đánh giá pháp lý cụ thể. Nội dung này không phải là tư vấn tài chính cũng không phải là ý kiến về tuân thủ.
Một luồng dữ liệu thận trọng có thể tuân theo trình tự sau:
Một cửa hàng trực tuyến có thể phân khúc người dùng dựa trên thời điểm họ ngừng lại trong hành trình mua hàng. Những người xem trang sản phẩm nhiều lần có mức độ quan tâm khác với những người đã tiến đến bước thanh toán nhưng lại bỏ cuộc ở bước cuối cùng. Ngay cả những người mở email mà không nhấp chuột cũng thể hiện nhu cầu khác so với những người nhấp chuột, so sánh nhiều sản phẩm và quay lại trang web.
Chiến dịch cần phản ánh sự khác biệt này. Một thông điệp cung cấp thông tin có thể giúp ích cho những người đang cân nhắc. Một lời nhắc nhở có thể phù hợp với những người đã ngừng quá trình thanh toán. Một gợi ý bổ sung có thể hữu ích cho những người đã hoàn tất giao dịch mua hàng. Mục tiêu không phải là gửi nhiều thông điệp hơn, mà là thu hẹp khoảng cách giữa hành vi và nội dung.
Nghiên cứu về các gia đình Ý cho thấy sự khác biệt giữa ý định được bày tỏ và hành vi quan sát được. Có những nhóm thể hiện sự nhất quán và những nhóm lại có nhiều mâu thuẫn hơn; do đó, những gì một người nói rằng họ ưa thích không phải lúc nào cũng trùng khớp với những gì họ mua.
Vào giữa năm 2024,85% người tiêu dùng Ý có thu nhập thấp đã chuyển sang sử dụng các sản phẩm giá rẻ hơn, theo số liệu của Statista được trích dẫn trong nghiên cứu có sẵn tạikho lưu trữ của Đại học Parma. Điều này không tự động chứng tỏ mức độ trung thành của họ đã giảm sút. Nó có thể cho thấy sự thắt chặt tạm thời về ngân sách.
Chính vì vậy, ngành bán lẻ và thương mại điện tử cần kết hợp các yếu tố như hành vi, giá cả, danh mục sản phẩm, kênh phân phối và bối cảnh. Một phân khúc khách hàng nhầm lẫn giữa sự nhạy cảm về giá với sở thích thực sự có thể dẫn đến các chiến dịch tiếp thị sai lầm và những kết luận không chính xác về khách hàng.
Việc chuyển từ các phân khúc tĩnh sang các phân khúc động không chỉ phụ thuộc vào thuật toán. Một doanh nghiệp vừa và nhỏ (SME) có thể sở hữu một mô hình tốt nhưng vẫn thu được kết quả kém nếu hệ thống CRM không kết nối với trang web, các email không sử dụng cùng một mã định danh và đội ngũ bán hàng giải thích các sự kiện theo cách khác so với đội ngũ tiếp thị.
Tại Ý, việc áp dụng trí tuệ nhân tạo (AI) vẫn phổ biến hơn ở các doanh nghiệp lớn so với các doanh nghiệp vừa và nhỏ (SME): 53,1% doanh nghiệp lớn sử dụng các giải pháp AI, so với 15,7% ở các doanh nghiệp vừa và nhỏ, theo báo cáo thường niên của Intesa Sanpaolo về trí tuệ nhân tạo trong các doanh nghiệp Ý. Con số này cho thấy sự chênh lệch về cơ sở hạ tầng, năng lực chuyên môn và chất lượng dữ liệu, chứ không phải do phương pháp này thiếu giá trị.
Hãy bắt đầu với một trường hợp sử dụng cụ thể. Nếu mục tiêu là khôi phục hoạt động của những khách hàng không hoạt động, hãy xác định “không hoạt động” có nghĩa là gì đối với doanh nghiệp của bạn, những sự kiện nào chứng minh điều đó và đội ngũ nào cần can thiệp. Sau đó, phân công trách nhiệm: ai sẽ kiểm tra dữ liệu, ai sẽ phê duyệt chiến dịch và ai sẽ đo lường kết quả.
Một lộ trình phát triển bền vững bao gồm:
Không nhất thiết phải bắt đầu từ một mô hình phân khúc cực kỳ phức tạp. Một nhóm nhỏ, được xác định rõ ràng, được cập nhật thường xuyên và gắn liền với một hành động cụ thể sẽ mang lại giá trị cao hơn so với hàng chục nhóm mà không ai sử dụng.
GDPR định nghĩa việc lập hồ sơ cá nhân là một hình thức xử lý tự động được sử dụng để đánh giá các khía cạnh cá nhân, bao gồm sở thích, mối quan tâm, độ tin cậy, hành vi, vị trí và di chuyển, như Cơ quan Bảo vệ Dữ liệu Cá nhân đã làm rõ trong định nghĩa về việc lập hồ sơ cá nhân. Tại Ý, Cơ quan Bảo vệ Dữ liệu Cá nhân còn phân biệt rõ việc thu thập dữ liệu với việc phân loại sau đó các chủ thể dữ liệu thành các nhóm đồng nhất cho các mục đích cụ thể.
Đối với việc lập hồ sơ khách hàng cho mục đích tiếp thị, sự đồng ý thông thường phải mang tính cụ thể và tách biệt với sự đồng ý dành cho việc gửi các thông điệp quảng cáo. Thông báo về quyền riêng tư phải giải thích rõ về việc lập hồ sơ khách hàng; hoạt động xử lý dữ liệu phải được ghi chép vào sổ đăng ký xử lý dữ liệu; và khi hoạt động này được thực hiện trên quy mô lớn, có thể cần phải tiến hành đánh giá tác động, theo bản tóm tắt về thực tiễn của Ý liên quan đến việc lập hồ sơ khách hàng theo GDPR.
Vụ việc liên quan đến Google do Cơ quan Bảo vệ Dữ liệu xử lý cũng cho thấy dữ liệu không được sử dụng để lập hồ sơ cá nhân mà không có sự đồng ý trước. Thông báo về quyền riêng tư phải giải thích rõ ràng về việc theo dõi và sử dụng dữ liệu cho mục đích quảng cáo, bao gồm các kỹ thuật như nhận dạng dấu vân tay (fingerprinting), như đã nêu trong quyết định của Cơ quan Bảo vệ Dữ liệu đối với Google.
Việc phân khúc đơn giản có thể sử dụng các truy vấn dựa trên các đặc điểm đã biết. Việc lập hồ sơ khách hàng kết hợp các mô hình, mối tương quan và suy luận để ước tính xu hướng hoặc hành vi, theo phân tích về sự khác biệt giữa việc lập hồ sơ khách hàng và phân khúc.
Sự phân biệt này làm thay đổi trách nhiệm. Trước khi triển khai một mô hình, hãy kiểm tra cơ sở pháp lý, tính minh bạch, chất lượng dữ liệu và khả năng giải thích việc sử dụng phân khúc đó. Một nền tảng như ELECTE – nền tảng phân tích dữ liệu dựa trên trí tuệ nhân tạo dành cho các doanh nghiệp vừa và nhỏ – có thể giúp kết nối các nguồn dữ liệu, tự động hóa quá trình tiền xử lý và phân tích, phát hiện các mẫu, sự bất thường và xu hướng, cũng như tạo báo cáo; tuy nhiên, việc quản trị mục đích và quy trình xử lý dữ liệu vẫn là trách nhiệm của doanh nghiệp.
Phân khúc hành vi không phải là dự án chỉ dành riêng cho các tập đoàn lớn. Đây là phương pháp giúp liên kết các hành động có thể quan sát được với các quyết định hàng ngày, từ các chương trình khuyến mãi tại cửa hàng bán lẻ đến việc quản lý giỏ hàng, cho đến việc phân tích các tín hiệu trong lĩnh vực dịch vụ tài chính.
Hãy bắt đầu từ những dữ liệu bạn đã có. Chọn một mục tiêu, xác định các biến số quan trọng nhất, đảm bảo rằng hệ thống CRM, trang web, email và bộ phận bán hàng có thể kết nối với nhau, và tạo ra một phân khúc ban đầu có thể phân tích được. Đo lường phản hồi bằng các chỉ số KPI phù hợp, sau đó cập nhật các quy tắc khi hành vi khách hàng, bối cảnh kinh tế hoặc các ưu tiên của doanh nghiệp thay đổi.
Sự khác biệt giữa phân khúc tĩnh và phân khúc động không chỉ nằm ở công nghệ. Nó nằm ở khả năng của đội ngũ trong việc biến một sự kiện – chẳng hạn như một giao dịch mua hàng gần đây hay một lần thanh toán bị gián đoạn – thành một hành động kịp thời và tôn trọng quyền riêng tư. Một quy trình được hỗ trợ bởi trí tuệ nhân tạo (AI) có thể giảm bớt công việc thủ công và giúp các thông tin chi tiết trở nên dễ tiếp cận ngay cả khi không có đội ngũ khoa học dữ liệu.
ELECTE kết nối các nguồn dữ liệu doanh nghiệp của bạn, tự động phân tích hành vi mua hàng và giúp chuyển đổi các phân khúc, sự bất thường và xu hướng thành các báo cáo có thể ứng dụng được. Hãy truy cập ELECTE để khám phá cách áp dụng phân khúc động vào công việc hàng ngày của doanh nghiệp vừa và nhỏ của bạn.
.svg)
.svg)
.svg)
