Застосування Data Mining для підвищення лояльності клієнтів, BaseGroup Labs

Лояльність клієнтів: стан справ

Трудомісткість запуску програми лояльності

Коли керівництво будь-якої компанії приходить до висновку про те, що потрібно щось змінювати у своїй роботі з клієнтами та вирішує запустити програму лояльності, то для її старту та подальшого повноцінного функціонування необхідно відповісти на безліч важких питань:

Хто є вашим клієнтом, на які сегменти вони розбиті та що відрізняє один сегмент від іншого?
Які чинники впливають поведінка, яка структура споживання?
Через які канали на них можна вплинути, яка віддача від цього?
Як виміряти лояльність, які фактори говорять про зміну тенденцій?
і багато іншого.

Трудомісткість цього завдання така, що будь-яка спроба вирішити її підручними засобами, "на коліні", приречена на провал. Як вже було сказано вище, на даний момент компанії фактично вирішують завдання лояльності тільки за рахунок максимального спрощення алгоритму, наприклад шляхом нарахування знижок всім покупцям. Однак у цьому випадку простіше не краще.

Тому застосування методів моделювання – єдиний спосіб поставити процес на потік, тобто вирішити не одноразове завдання, а запустити механізм систематичного підвищення лояльності.

Якщо ми хочемо сформувати цікаві для компанії та привабливі для клієнтів пропозиції, потрібно врахувати особливості кожної групи-сегменту. Навіть для невеликого проекту щодо підвищення лояльності необхідний облік інтересів сотень різних груп, які сильно відрізняються один від одного.

Наприклад, при проведенні сегментації за критерієм "Пол" ми отримаємо два сегменти - "Чоловіки" та "Жінки". Якщо додати ознаку "Вік"(Припустимо, 5 груп), то отримаємо 2 * 5 = 10 сегментів. Якщо введемо критерій "Прибуток" (ще 5 груп), отримуємо 2*5*5 = 50 сегментів. Неважко уявити, як збільшується кількість сегментів при додаванні хоча б ще одного критерію та наскільки зростають трудовитрати даної операції, особливо у підприємств у сфері торгівлі, у яких накопичуються величезні обсяги інформації про фактичне споживання, які можна і потрібно використовувати для просування товарів. Тим більше технологічний прогрес та наявність методів Data Mining на даний момент дозволяють це робити.

Data Mining у Direct Marketing

Можна розділити проведення директ-маркетингової компанії наступні етапи (див. рис.1):

Розглянемо, як і потрібно використовувати Data Mining кожному з цих етапів.

1. Сегментація клієнтської бази

Оскільки одна з головних вигод, яку компанії можуть отримати із застосування програми лояльності, – це можливість сфокусувати свою увагу на певній групі клієнтів, які дають максимальну віддачу, то важливим моментом для ефективності програм їх заохочення є процедура сегментування клієнтської бази та відбору найбільш привабливих споживачів. . І далі можна будувати відносини з клієнтами, що входять у певні сегменти, що мають загальні ознаки. Це дозволяє створювати спеціальні маркетингові програми.

Іншими словами, сегментування цільової аудиторії та дослідження її потреб – пункти, обов'язкові для виконання. Якщо не вдасться зацікавити клієнтів, то програма лояльності просто не працюватиме.

Але сегментація клієнтської бази з урахуванням примітивних правил, наприклад, поєднання " Стать + Вік " , не відбиває реальної складної структури клієнтів. Цілком очевидно, що напереваги впливає ще безліч інших факторів у дуже складних поєднаннях, починаючи від географії клієнтів та закінчуючи, наприклад, їх середньорічним доходом. Для побудови якісних моделей сегментації необхідно відійти від примітивних методів угруповання та використовувати адекватні багатовимірні та бажано самонавчені Data Mining алгоритми сегментації, наприклад, карти Кохонена, які дозволяють не тільки виробляти сегментацію об'єктів, але й виконувати візуалізацію її результатів за допомогою багатовимірного проектування. На малюнку 2 можна побачити побудовані карти, на яких клієнти розбиті на 4 сегменти (кластери) залежно від їх переваг у продуктах харчування, алкоголі та тютюні та часу здійснення покупок.

2. Вибір цільової аудиторії

При реалізації товарів та послуг дуже важливо зрозуміти, хто буде кінцевим споживачем, тому ключовий момент директ-маркетингу – це створення списку клієнтів, які можуть бути зацікавлені у конкретному товарі чи послузі, тобто вибір цільової аудиторії для конкретних дій. Правильний вибір може дати хороші результати, тобто. ефективність заходів може зрости у кілька разів.

Тому після виявлення сегментів необхідно проаналізувати їх:

Оцінити розміри та статистичні характеристики.
Розрахувати фінансові характеристики сегментів, їхній потенціал, привабливість, перспективність.
Зрозуміти, які характеристики визначають цікаві сегменти, ніж вони від інших.
Визначити, яку стратегію краще застосувати до кожного сегменту: зниження витрат, cross-sell, up-sell чи інше.

Інструменти Data Mining дозволяють не тільки провести сегментацію, але й інтерпретувати отримані результати придопомоги спеціалізованих механізмів візуалізації (див. рис.3).

4. Аналіз відгуку клієнтів

5. Оцінка ефективності програми лояльності

Невдалих програм лояльності досить багато. Але головна проблема не в тому, що програма невдала, а в тому, що часто за її роботою ніхто не стежить. І вже ніхто не знає, наскільки вона ефективна і чи є взагалі в ній сенс, оскільки немає повноцінного контролю та аналізу її реалізації.

Інакше кажучи, підприємству мало мати розроблену систему підвищення лояльності, необхідні також засоби контролю над її ефективністю, оскільки оцінка лояльності – складне завдання, яка може зводитися просто до розрахунку середнього чека. Необхідні статистичні дані повинні накопичуватися в системі управління, щоб надалі керівництво компанії могло отримати аналіз ефективності системи, виражений у грошовому еквіваленті та збільшення кількості клієнтів.

Для оцінки ефективності програми лояльності необхідно застосовувати методи, що дозволяють враховувати різні аспекти поведінки: частоту закупівель, час останньої операції, відгук на пропозиції, структуру споживання і т.д. застосовувати тонкі критерії лояльності, наприклад, перехід клієнта з сегмента "лояльні клієнти" до "нелояльні" і назад.

Наприклад, на малюнку нижче наведено оцінку лояльності за допомогою RFM-аналізу (основу RFM-аналізу становлять такі характеристики поведінки клієнтів: Recency (давність) – давність будь-якої дії клієнта, Frequency (частота або кількість) – кількість дій, які здійснив клієнт, Monetary (гроші) – сумагрошей, які витратив клієнт).

Чинники успіху

Отже, в даний час досягнення стійких темпів зростання компанії та запланованої рентабельності продажів неможливе без створення великої групи постійних покупців. Причини цього досить прості: інтенсивна конкуренція та зростання кількості пропозицій у сфері послуг та торгівлі висувають особливі вимоги до ведення бізнесу. І, відповідно, клієнтська база – один із цінних активів компанії. Тому лояльність клієнтів перетворюється на один із головних критеріїв успішності бізнесу.

В даний час майже в кожному секторі індустрії компанії прагнуть мати програми лояльності для всіх або деяких своїх клієнтів, вони є маркетинговим інструментом, спрямованим на оптимізацію взаємин компаній з клієнтами. Але, з іншого боку, програми лояльності вимагають обробки великих обсягів даних, тонкого налаштування під клієнта, обліку та аналізу різнорідних даних (не завжди навіть зрозуміло, що саме аналізувати і чи є хоч якийсь взаємозв'язок між програмою (або програмами) утримання клієнтів, що проводиться) та коливаннями оборотів, обсягів продажу тощо), автоматичного формування актуальних пропозицій та багато іншого, що реально можна досягти лише за використання методів інтелектуального аналізу даних Data Mining.

Тому для досягнення гарного результату невеликі компанії можуть обійтися без складного інструментарію, але великим організаціям бажано активно застосовувати і Data Mining. У тому випадку, лише прості, примітивні способи обліку потреб клієнтів мало ефективні.

Природно, забезпечення лояльності – складне і комплексне завдання, яке не зводиться лише до побудови моделей та аналізу. Необхідно вирішувати безліч іншихЗавдання: починаючи від коректного обліку даних (наприклад, облік історії взаємин з клієнтами) і закінчуючи моніторингом та оцінкою роботи персоналу, не кажучи вже про грамотну розробку самої концепції програми лояльності.

Проте саме аналіз є "мозками" всього комплексу. За відсутності належної аналітики, вся зібрана інформація лежатиме мертвим вантажем і не дозволить звернути дані про клієнтів у знання про них, здатні принести додаткові доходи. І навряд чи створена програма лояльності за таких умов стане інструментом, який зможе стати найефективнішим у комплексі маркетингу вашої компанії.