Если вы знаете, что один из ваших клиентов завтра проснётся с мыслью о покупке нового планшета — можно уже сегодня прислать ему письмо с кодом на скидку. Если вы понимаете, что по всем признакам клиент собирается перейти к другому провайдеру, можно повысить ему скорость, снизить цену или предложить что-то ещё. Это клиентская аналитика.
Если вы не знаете, какой тарифный план из трёх предложенных стоит запустить по всей стране, надо воспользоваться клиентской аналитикой, которая возьмёт каждого отдельного человека из базы, оценит эмоциональные и практические мотивы перехода – и позволит понять, сколько людей будут пользоваться этим тарифом.
Именно так выглядит Data Mining в клиентской аналитике. И именно так это уже работает на практике в сотнях крупных компаний по всему миру и в нашей стране.
В прошлом топике я уже писал о том, насколько сильно клиентская аналитика может преобразить call-центр, когда вы знаете всё про звонящего. Это — кусочек большого паззла про клиентскую аналитику.
Не все абоненты равноценны с точки зрения маркетинга: они различаются по доходности, перечню потребляемых услуг, лояльности или склонности к уходу. Нужно иметь возможность разделять аудитории и работать с каждым сегментом отдельно.
Почему? Потому что чем точнее мы сфокусированы на клиенте, тем больше будет отдача. Например, можно предлагать ту или иную услугу или товар не всем подряд, а тем, кто по сегментации наиболее вероятно примет предложение.
Работает ли это на практике? Да. Последние годы я занимаюсь внедрением инструментария для анализа клиентских обращений и могу сказать, что это, определённо, очень мощный инструмент для крупного бизнеса.
Базовый параметр — ценность абонентов – может определяется по набору вот таких данных:
Дальше можно выделить группы, с которыми стоит работать в первую очередь. Определяется это на основании текущей стратегии компании (захват доли рынка, удержание клиентской базы, повышение рентабельности и так далее) и тактической ситуации (степени удовлетворенности абонентов, качества услуг и далее).
Для каждого отдельного клиента может быть сформировано индивидуальное послание, учитывающее его профиль.
Ниже — характерный график ухода клиента и новый график ситуации, при которой тенденция была вовремя обнаружена и клиент вернулся.
В моей практике был кейс, где одна только программа поиска нужного времени обращения к клиенту (и поиск оптимального предложения) позволили поднять прибыль от программы лояльности в 4 раза. Ранее программа лояльности работала, но работала не очень точно. Здесь речь идёт более точном фокусировании акции (раннем обнаружении тенденции, понимании, сколько клиент может принести прибыли плюс составления оптимального предложения, повышающего вероятность удержания или возврата).
В более широком смысле, то что мы делаем – это ищем клиентов, которым можно что-то предложить за сутки до того, как они пойдут искать это сами. Второй вариант — находим области рынка, где у компании есть явное преимущество и быстро охватываем всех возможных клиентов.
Интеграция этого кусочка с CRM позволяет доставить аналитику точно по месту для операционных решений: например, это реально работает для провайдеров связи при выборе тарифа, в банке при выборе вариантов счёта, в ритейле – по товарным предложениям и так далее.
Вот пример кусочка расчётов тогда, когда клиенту нужно предложить один из двух продуктов (например, тарифных планов):
Есть сочетание с маркетинговым движком. Например, можно стимулировать клиента к новым покупкам на основе профилей клиентов, похожих по поведению (что бы вы купили завтра, если бы вели себя как вся группа?). Есть и response engine, куда можно подать данные типа условий маркетинговых акций, и на выходе получить выборку клиентов, для которых каждая акция будет оптимальна. Результат – меньшие затраты на проведение, высокая отдача.
Ещё одна интересная вещь – проверка гипотез о стратегических решениях. Например, нужно рассчитать стоимость внедрения очень дорогой программы лояльности: можно получить прогноз доходности. Более широко — можно оценить всю существующую клиентскую базу и понять капитализацию компании. Ещё интересный пример: при продаже бизнеса можно учесть весь потенциальный доход от клиентской базы.
С одной стороны, чем больше источников данных, тем с большей точностью можно сегментировать базу и подобрать предложения для каждого сегмента. Первый сценарий – количество данных ограничено, и обработка происходит в оффлайне (поскольку процесс сбора данных со всех источников постепенный), это уже прошлый век и слабая интеграция. Второй сценарий – работа со всеми источниками данных в «естественном окружении» и в реальном времени — именно с этими предиктивными решениями я сейчас работаю.
Как правило, такие системы внедряют в инфраструктуру компании, у которых 1 и больше млн. клиентов, но зачастую они успешно работают и начиная от 100 тыс. клиентов.
Есть ли такая практика в нашей стране? Да, определённо. Я лично занимался интеграцией для операторов связи, компаний банковской сферы, и ритейла и знаю о многих подобных проектах своих коллег, поэтому можете быть уверены – не только Google использует ваши данные, чтобы предложить вам что-то.
Можно ли построить такую систему самому для малого бизнеса? Да, можно: основные принципы вы уже знаете, глубокая интеграция не нужна, инфраструктура, в отличие от гигантов рынка поднимается «на коленке». В общем, если использовать самые очевидные вещи, есть шанс быстро повысить эффективность.
Если вы не знаете, какой тарифный план из трёх предложенных стоит запустить по всей стране, надо воспользоваться клиентской аналитикой, которая возьмёт каждого отдельного человека из базы, оценит эмоциональные и практические мотивы перехода – и позволит понять, сколько людей будут пользоваться этим тарифом.
Именно так выглядит Data Mining в клиентской аналитике. И именно так это уже работает на практике в сотнях крупных компаний по всему миру и в нашей стране.
В прошлом топике я уже писал о том, насколько сильно клиентская аналитика может преобразить call-центр, когда вы знаете всё про звонящего. Это — кусочек большого паззла про клиентскую аналитику.
Начнем с азов: работа с сегментами
Не все абоненты равноценны с точки зрения маркетинга: они различаются по доходности, перечню потребляемых услуг, лояльности или склонности к уходу. Нужно иметь возможность разделять аудитории и работать с каждым сегментом отдельно.
Почему? Потому что чем точнее мы сфокусированы на клиенте, тем больше будет отдача. Например, можно предлагать ту или иную услугу или товар не всем подряд, а тем, кто по сегментации наиболее вероятно примет предложение.
Работает ли это на практике? Да. Последние годы я занимаюсь внедрением инструментария для анализа клиентских обращений и могу сказать, что это, определённо, очень мощный инструмент для крупного бизнеса.
Что можно использовать в качестве исходных данных?
Базовый параметр — ценность абонентов – может определяется по набору вот таких данных:
- Склонности продолжать пользоваться услугами компании или уйти в другую на основе среднего срока обслуживания клиента группы и прошедшего времени.
- Соцстатуса на базе биллинга, программ лояльности и социального графа.
- По текущему портфелю услуг (истории заказов).
- На базе предиктивной модели — по списку услуг или товаров, который будет с высокой вероятностью использоваться клиентом в будущем.
- Лояльности (на основе истории событий из CRM).
- Плюс по ещё десяткам параметров, зависящих от конкретного бизнеса.
Дальше можно выделить группы, с которыми стоит работать в первую очередь. Определяется это на основании текущей стратегии компании (захват доли рынка, удержание клиентской базы, повышение рентабельности и так далее) и тактической ситуации (степени удовлетворенности абонентов, качества услуг и далее).
Для каждого отдельного клиента может быть сформировано индивидуальное послание, учитывающее его профиль.
Пример про удержание и возвраты
Ниже — характерный график ухода клиента и новый график ситуации, при которой тенденция была вовремя обнаружена и клиент вернулся.
В моей практике был кейс, где одна только программа поиска нужного времени обращения к клиенту (и поиск оптимального предложения) позволили поднять прибыль от программы лояльности в 4 раза. Ранее программа лояльности работала, но работала не очень точно. Здесь речь идёт более точном фокусировании акции (раннем обнаружении тенденции, понимании, сколько клиент может принести прибыли плюс составления оптимального предложения, повышающего вероятность удержания или возврата).
В более широком смысле, то что мы делаем – это ищем клиентов, которым можно что-то предложить за сутки до того, как они пойдут искать это сами. Второй вариант — находим области рынка, где у компании есть явное преимущество и быстро охватываем всех возможных клиентов.
Интеграция и практическое использование
Интеграция этого кусочка с CRM позволяет доставить аналитику точно по месту для операционных решений: например, это реально работает для провайдеров связи при выборе тарифа, в банке при выборе вариантов счёта, в ритейле – по товарным предложениям и так далее.
Вот пример кусочка расчётов тогда, когда клиенту нужно предложить один из двух продуктов (например, тарифных планов):
Есть сочетание с маркетинговым движком. Например, можно стимулировать клиента к новым покупкам на основе профилей клиентов, похожих по поведению (что бы вы купили завтра, если бы вели себя как вся группа?). Есть и response engine, куда можно подать данные типа условий маркетинговых акций, и на выходе получить выборку клиентов, для которых каждая акция будет оптимальна. Результат – меньшие затраты на проведение, высокая отдача.
Ещё одна интересная вещь – проверка гипотез о стратегических решениях. Например, нужно рассчитать стоимость внедрения очень дорогой программы лояльности: можно получить прогноз доходности. Более широко — можно оценить всю существующую клиентскую базу и понять капитализацию компании. Ещё интересный пример: при продаже бизнеса можно учесть весь потенциальный доход от клиентской базы.
Контроль результатов
С одной стороны, чем больше источников данных, тем с большей точностью можно сегментировать базу и подобрать предложения для каждого сегмента. Первый сценарий – количество данных ограничено, и обработка происходит в оффлайне (поскольку процесс сбора данных со всех источников постепенный), это уже прошлый век и слабая интеграция. Второй сценарий – работа со всеми источниками данных в «естественном окружении» и в реальном времени — именно с этими предиктивными решениями я сейчас работаю.
Итак, что это даёт?
- Можно заглядывать в будущее в плане тактических, операционных и стратегических решений.
- Система позволяет опираться на точные данные, а не на интуитивные.
- Можно прорабатывать базу очень глубоко и точно, фактически, выстраивать оптимальную модель для каждого клиента.
- Бизнес-аналитики радуются, потому что на выходе – понятные даже старшекласснику данные.
- Всё это работает в реалтайме на базе имеющихся данных.
- Делается относительно простая интеграция с любой ИТ-средой.
- Расчёты позволяют прикрыть зад: лучше посчитать и сделать, чем не посчитать и сидеть на месте.
Как правило, такие системы внедряют в инфраструктуру компании, у которых 1 и больше млн. клиентов, но зачастую они успешно работают и начиная от 100 тыс. клиентов.
Есть ли такая практика в нашей стране? Да, определённо. Я лично занимался интеграцией для операторов связи, компаний банковской сферы, и ритейла и знаю о многих подобных проектах своих коллег, поэтому можете быть уверены – не только Google использует ваши данные, чтобы предложить вам что-то.
Можно ли построить такую систему самому для малого бизнеса? Да, можно: основные принципы вы уже знаете, глубокая интеграция не нужна, инфраструктура, в отличие от гигантов рынка поднимается «на коленке». В общем, если использовать самые очевидные вещи, есть шанс быстро повысить эффективность.
