Прицельный маркетинг. Новые правила привлечения и удержания клиентов
Шрифт:
Прогностические модели могут выражать взаимосвязанные отношения между десятками, сотнями и даже тысячами наборов данных в виде единой оценки. Эта оценка отражает вероятность определенной модели поведения или события в будущем. Например, прогностическая модель, построенная для анализа кредитных рисков, предлагает оценку, показывающую, какие клиенты, вероятнее всего, будут вовремя вносить кредитные взносы. Более высокие оценки зачастую указывают на более предпочтительное поведение.
У некоторых людей прогностическая аналитика ассоциируется с действиями любопытного ребенка, играющего в старую версию американской игры Magic 8 Ball. Абсолютно невыразительный по нынешним меркам пластмассовый шарик с окошком – эта игрушка более полувека развлекала детей тем, что якобы
Конечно, прогностическая аналитика – феномен далеко не новый. Он давно использовался под видом статистического прогнозирования. А что такое статистика, как не процесс, с помощью которого люди стремятся изменить собственные ожидания или поведение, оценив реальное положение вещей? Приведем простой пример. Исходя из исторических климатических моделей, количество осадков, выпадающих в период с сентября по декабрь в городе Энтеббе, превышало средний уровень каждые четыре из десяти периодов дождей. Исходя из этого, предполагаемая вероятность того, что количество осадков, выпадающих в период с сентября по декабрь в Энтеббе, будет выше среднего, составляет 40 %. Рассматриваемые события могут носить естественный характер, как в случае с г. Энтеббе, или предумышленный, известный также как экспериментальный. Статистики дают людям знать, какие действия следует предпринимать для оптимизации определенных процессов в соответствии с некоторым целесообразным набором критериев. Прогнозирующие модели систематизируют такую оптимизацию.
Действительно, развитие прогностической аналитики во многом отражает переход от маркетинговой автоматизации к маркетинговой оптимизации. В этом контексте оптимизация означает способность анализировать большие объемы данных, исследовать многочисленные комбинации переменных, раскрывать ранее скрытые взаимоотношения – и, в конечном счете, приходить к пониманию и прогнозировать потребительское поведение на самом узком уровне. Настоящий же фокус в том, что все это можно осуществить в мгновение ока.
Аналитика следующего поколения стала возможной благодаря приложениям нового рода, характеризующимся более высокими скоростями процессов и более сложными алгоритмами выполнения трех основных функций. Первая из них относится к автоматическому открытию неизвестных прежде или считавшихся нелогичными моделей. Вторая функция относится к идентификационному анализу», используемому главным образом системами контроля качества и обслуживания кредитных карт. И третья функция, непосредственно связанная с темой нашей книги, относится к автоматизированному прогнозированию тенденций и поведения. Это основа любой программы удержания клиентов, направленной на сегментирование потребительской базы с целью определить наиболее прибыльные категории покупателей и спрогнозировать способность удерживать этих покупателей и управлять отношениями с ними посредством специально разработанной для них маркетинговой программы.
ИСПОЛЬЗОВАНИЕ ПРОГНОСТИЧЕСКОЙ АНАЛИТИКИ
Богатая данными потребительская база необходима компании для того, чтобы знать, кто они – ее клиенты, что они покупают, что им нравится, а что – нет, и т. д. Однако любая база данных бесполезна, если компания не использует содержащуюся в ней информацию для прогнозирования будущего поведения потребителей. Прогностическая аналитика – ключ к этой задаче. Прогнозирующие модели заставляют вечно экспериментирующие и приспосабливающиеся компании продуманно и эффективно тратить свои маркетинговые средства на возможности, гарантирующие надежный результат. В прицельном маркетинге прогностическая аналитика используется главным образом в трех сферах:
• сегментация;
• тестирование кампании;
• оптимизация работы call-центра.
Сегментация. Сегментация – это не представленный в виде перекрестных таблиц отчет, но и не разделение совокупности на группы по демографическим признакам. Сегментационные модели рассчитывают сложные взаимодействия многочисленных переменных, таких как данные о покупках, информация
о поведенческих особенностях, демографические сведения, склонность к отклику и пр. Статистическое моделирование использует целый набор техник прогонки данных для определения сегментов людей, имеющих одинаковые модели поведения. Понимание этих сегментов позволяет компаниям определять профили очень прибыльных клиентов, а затем тестировать на них разные маркетинговые кампании.Тестирование кампании. Выслать потребителю, покупающему товары только вашей марки, купон на получение 15 %-ной скидки – напрасно потратить деньги. Этот потребитель и так никогда не купит товары конкурентных марок, поэтому высланный купон всего-навсего лишит компанию 15 % продажной стоимости этого товара. С другой стороны, выслать такой купон потребителю, легко меняющему торговые марки и производителей, более целесообразно. Прогностическая аналитика помогает компаниям определить, какие потребители склонны менять вкусы и привязанности, и затем использовать индивидуальные методы продвижения, специальные пакеты товаров или услуг и ценовые стратегии, чтобы увеличить прибыль, получаемую компанией от таких клиентов. Аналогично тестирование маркетинговой кампании может определить, какие потребители обеспечивают большую часть прибыли компании, а какие никогда не реагируют на ее акции по продвижению продукции. Прогнозирующие модели, выявляющие «лучших» и «худших» клиентов, помогают компаниям перестать понапрасну тратить деньги на последних, экономя миллионы долларов маркетинговых бюджетов.
Оптимизация работы call-центра. Испытания и прогностическая аналитика не менее успешно использовались call-центрами для повышения эффективности перекрестных продаж, увеличения прибыли и снижения оттока клиентов. Приведем простой пример. Ежегодно задолженность практически миллиона клиентов, прекративших платежи крупной компании-эмитенту кредитных карт, составляет 1 млрд. долл., причем половину задолженности в конце концов удается погасить. Было проведено специальное исследование с целью определить, как изменить стандартное первое предупредительное обращение компании к клиенту-неплательщику, чтобы повлиять на эффективность сбора неуплаченных средств. В результате правильно подобранный сценарий предупредительного диалога с неплательщиком (правильное сообщение) позволил на 11 % повысить сбор непогашенных взносов. А выбранный из четырех вариантов сценарий правильного сообщения, рассчитанного еще и на правильного клиента, позволил еще на 2 % повысить сборы. Разница в 500 млн. долл. в размере сборов позволила увеличивать годовую прибыль компании более чем на 50 млн. долл. ежегодно.
Проектирование идеального клиента
Прогнозирование потребительского поведения требует использования передовых достижений прогностической аналитики. Моделированию предшествует анализ информации потребительских профилей с целью выявить наиболее важные характеристики данного потребительского сегмента. Процесс происходит следующим образом.
Открываем. Просмотрите существующую на данный момент базу данных клиентов вашей компании, чтобы выявить возможности продвижения перекрестных продаж. Используйте простую систему оценки для составления списка ваших самых прибыльных клиентов.
Сравниваем и проверяем. Сравните полученный список с внешними базами данных перспективных клиентов. Насколько совпадают эти списки? Почти не совпадающие списки могут сулить печальные результаты.
Сегментируем, исходя из ценности. Составляйте важные маркетинговые сегменты, принимая во внимание такие факторы, говорящие о ценности клиентов, как модели оттока и миграции, и т. д. Они могут меняться в зависимости от сферы индустрии. Например, в сфере беспроводных коммуникаций отток клиентов в среднем составляет около 30 % в год. Для отрасли, теряющей почти треть своих потребителей ежегодно, при том, что затраты на привлечение каждого нового клиента достигают 400 долл., самое минимальное усовершенствование в области удержания клиентов представляет немалую ценность. В области потребительских товаров, где этот показатель может быть намного ниже, возможно, целесообразнее оценивать склонность клиента мигрировать под влиянием более привлекательных ценовых предложений конкурентов.