Клиентская аналитика: Большой Брат знает, что ты купишь завтра и когда сменишь провайдера

    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.

    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.
    КРОК
    408.82
    IT-компания
    Share post

    Comments 26

      +8
      Всё-таки не понял как мой провайдер может узнать, что я собираюсь уйти к другому? А я собираюсь летом после 7 лет использования :)
        +13
        Они читают ваши комментарии на Хабре, а также почту и мысли.
          +1
          Разве что комментарий отслеживают :)
            +2
            Они читают гневные комменты на своих форумах и им похуйоду наплевать.
            +5
            Конкретно про вас — никак не узнает, если вы не звонили в саппорт в последнее время особо часто, либо если в вашем районе не завелся другой провайдер, и другие клиенты с вашим профилем не побежали к нему. Основной отток случается заметно раньше, например, через 3-4 месяца (зависит от провайдера), тогда и надо делать бонусы. Вот более красивый пример: в недвижимости агенту надо звонить клиенту примерно через 3-4 месяца, когда он привыкнет к квартире и захочет перемен, либо через 10 месяцев — за месяц до конца договора. В зависимости от города и класса недвижимости есть четкие точки «нравится, но ищу новую», «хозяин пробует повысить цену» и так далее. Предложение нового варианта в этот момент воспринимается в разы лучше.
              +1
              Конкуренты вроде как раз и завелись. С год назад толком и уходить некуда было. Ушел бы зимой, когда появились, но акцию ввели «постоянный клиент» — на треть стоимость снизили. Летом акция кончается :) А в саппорт регулярно звоню, маки меняю.
                +3
                Значит, если у провайдера стоит одна из внедренных мной систем или аналогичная, это будет сразу заметно на уровне анализа маркетинговых предложений или на уровне анализа поведения групп клиентов, если кто-то отслеживает тенденции. Дальше — вопрос к маркетингу, менять ли условия всем, предлагать ли бонусы постоянным клиентам или оставить все как есть.
              0
              Вы на сайт другого провайдере захаживать начали? Думаете вашему прову об этом не узнать?
              0
              А ответьте на такой вопрос. Хотя бы для примера, который вы показали с выбором продукта, для того чтобы можно было так автоматически оценить вероятности и будущий доход с клиента нужны какие-то модели, сценарии, через которые программа должна прогнать информацию по клиентам и соотнести каждому клиенту циферку, на основании которой можно сделать вывод. И видится мне что у каждого клиента свои модели и сценарии. Вы для каждого клиента создаете свои модели для анализа, какие приемы используете для этого, может средства автоматизации есть?
                0
                Используются алгоритмы классификации для разбиения клиентов по группам склонности приобрести продукт. Делается это на основе истории других клиентов, уже пользующихся предлагаемым продуктом, и выявления значимых показателей, определяющих склонность каждого клиента к заказу конкретного продукта. Есть специальные аналитические движки, в которых такие алгоритмы реализованы, плюс другие инструменты Data Mining, выявляющие закономерности. Все это настраивается во время внедрения под бизнес и непосредственно в работе, например, отделом маркетинга, под конкретные условия. Например, оценивается уже имеющаяся база, выявляются самые прибыльные клиенты, ищется общая модель для них, и дальше используется для предсказания.
                +1
                Интересует пример с провайдером. Есть абонбаза на 200 000 договоров. Умеем бить на сегменты по тарифам, по периодичности платежей, по числу звонков в КЦ и так далее.

                Как вы считаете, что является приоритетным в определении готовности абонента перейти к другому провайдеру?
                  +2
                  Учащение обращений в техподдержку (два-три близких) или одно-два с низкой оценкой за сервис. Конкуренция, как в примере выше. Переезды и их предсказание (сезонность). Среднее «время жизни» клиента в обычных условиях, то есть до появления стимула что-то менять. Провайдер — это услуга незаметная, пока не сбоит — не вспоминается. Лучше клиенту мягко напоминать о себе, например, бонусами или предложениями — это в большинстве случаев продлевает срок контракта. Дальше — оценка, что конкретно можно сделать и насколько это выгодно именно в вашей ситуации.
                    0
                    ОК, все логично и складно, но тогда вопрос от конкурента — как переманить кусок от этих 200 кило в тех районах, где имеется охват сети? Как «подмочить почву» под клиентом, чтобы он «заметил» услугу и начал негодовать или искать «другие облака»?

                    Inception не предлагать =) Просто любопытно Ваше мнение.
                  0
                  Эмм… Крок?
                  У него теперь есть такие решения?
                    0
                    Привет коллегам! Да, точно, Крок. Огромный интегратор же: проблема не в том, что нет решения, а в том, что нужно понять, что оно для вас. Кстати, «теперь» — это последние пару лет точно, потому что внедрением занимаемся много где. Как я уже упоминал, банки, телекомы и крупный ритейл.
                      0
                      Ничего не напоминает?)

                    0
                    Теория понятна. А можете рассказать про конкретный софт, стоимость (лицензии, внедрения и т.д.)?
                      0
                      Софт, как правило, лицензируется по количеству ядер процессоров сервера, на котором этот софт будет стоять. Количество же ядер высчитывается в зависимости от требуемых к обработке данных, то есть от размера клиентской базы. Обычно стоимость лицензий софта для промышленной эксплуатации начинается от $100К. Внедрение занимает от 2 месяцев в зависимости от того сколько и каких задач мы решаем (удержание клиентов, стимулирование клиентов, прогнозирование доходности клиентов и т.д.), какова структура проекта (реализация аналитических моделей и их тестирование на исторических данных, либо проведение реальной пилотной маркетинговой кампании). Соответственно и стоимость внедрения может сильно варьироваться.
                        0
                        Получается, что все-таки речь не про малый бизнес, а про средний и крупный. И если цены начинаются от $100 k, то, наверняка, средние показатели не меньше $500 k
                          0
                          Да, про средний и крупный. Малый обходится без сложной интеграции такого уровня, потому что там объемы данных гораздо меньше и процессы проще.
                      +2
                      Это на самом деле серьезная статья, не так давно, может в прошлом году писалось, как одна ММО игра, делала такое же исследования и знала на каком уровне персонажа и на какой локации, пихать предложение об платных подписках или платных плюшках.

                      И даже знали когда у игрока пропадает интерес до самого момента, анализ был на 80-90 процентов успешен, ТО есть если вы поняли они предугадывали будущее. Тем самым оставляли своих клиентов в уздечке :)

                      Кто не понимает зачем это нужно :))) Для простых, как вы думаете компания Apple так хорошо себя позиционирует, да у них хорошие девайсы, но это не означает что теперь надо не чего не делать :)
                        0
                        Наверно вот эта статья, про которую вы говорите habrahabr.ru/post/134163/
                        Она меня тоже очень сильно зацепила, не то что эта
                          0
                          Да все верно :) спасибо за линк ) прочту еще разочек…
                          0
                          Та статья интересна тем, что автор раскрыл карты — на каких данных, по каким показателям строятся прогнозы.

                          Здесь же сферический софт в вакууме, на сферических данных, по сферическим критериями, рисует сферические графики. Т.е. это выглядит скорее как описание внешней привлекательности волшенбной кнопки «сделать все зашибись». Тоска.
                            0
                            :) то есть аналог ПаурПоин презентации… в любом случаи респект тому, что человек задумался об этом… вобщем чтобы хоть подойти к этому, должно быть много мотивации и усидчивости чтобы это все разобрать хотя на уровне анализа темы )

                            Соглашусь что совсем другой уровень, попробовать применить это на практике :) и вообще нужно иметь 80 уровень Mining, чтобы получить плоды на уровне хотя бы 80 процентов.
                              0
                              Это не тоска, это нормальная удочка. Перед вами не учебник «как мне поднять продажи», а витрина «смотрите как здорово, покупайте прямо сейчас».

                          Only users with full accounts can post comments. Log in, please.