Одной из задач, с которой я столкнулся в должности директора по развитию в компании, занимающейся оптовой торговлей запчастями, был поиск «серебряной пули» в организации продаж. После первых контактов с ключевыми клиентами я чувствовал, что они ожидают от компании предвидения их потребностей. А для этого необходимо комплексное видение факторов, влияющих на отношения с клиентами. Наличие под рукой полной понятной информации о клиенте и его сегменте может привести к более результативным кросс-продажам.
Первые же рабочие дни позволили мне увидеть, что принятие решений основывалось в компании на “интуитивных” чувствах, а не проверенных фактах, т.к. оперативно представить информацию с разных сторон не представлялось возможным. На краткосрочные решения влияли эмоциональные ощущения и интуиция.
Мне предстояло найти ответы на два вопроса:
О клиентах. Почему клиенты уходят, что влияет на их прибыльность, как они принимают решения о закупках того или иного товара/бренда, чем их привлечь?
О товарах. Как оптимизировать продуктовую линейку, какие товары стоит предлагать конкретному покупателю, как потребители реагируют на определенный товар/бренд?
Вот что было сделано в такой ситуации.
На момент моего выхода на работу в качестве исходных данных для принятия решений я располагал лишь стандартными отчетами 1C и экспертными мнениями моих сотрудников. Поэтому мне необходим был механизм сбора, обработки и визуализации первичной информации.
В качестве инструментов для обработки данных изначально я рассматривал 1С и Excel. Однако мне пришлось отказаться от этой идеи. Для приведения отчетов из 1C в удобоваримый вид приходилось делать много телодвижений в Excel.
Мне необходимы были инструменты слияния таблиц и возможность поэтапной обработки данных. Настройка отчетов в самой 1C была нетривиальной задачей, поскольку используемая версия была сильно переработанной 1С 8.1 «Управление продажами». Для подготовки прототипа аналитического отчета 1С мне пришлось бы тратить слишком много времени.
В качестве инструмента для бизнес-анализа я выбрал Deductor.
Эта программа позволяет гибко работать с данными. У меня уже имелся удачный опыт работы в данной программе, оставивший о продукте самое позитивное впечатление.
Что касается качества анализа — мне необходим был конструктор. Нужно было получить минимально жизнеспособный продукт с возможностью его быстрой доработки. Сам по себе анализ не представлял для меня ценности.
При оценке качества модели отправной̆ точкой̆ для меня являлись данные, которыми я располагал, ее я «подстраивал» под действительность. Для настройки адекватной модели я предполагал необходимость приличного числа итераций.
Самый трудоемкий этап в анализе данных продаж — их подготовка и консолидация. У меня были структурированные данные для анализа (данные о продажах за последние 4 года) и категориальные, такие как: отраслевая принадлежность клиента, данные из его портрета и т.д. Необходимо было также обогатить категориальные данные о клиентах клиентов дополнительной информацией.
Очистка данных представляла некоторую проблему, поскольку предстояло избавиться от дубликатов записей (например, один и тот же клиент мог фигурировать под разными ЮЛ).
Для анализа категориальных данных был создан «рейтинг клиента». Характеристики клиентов были проранжированы следующим образом:
На этом этапе сотрудникам были поставлены задачи по сбору недостающей информации.
Данные продаж клиентам я обработал, используя:
Начал я с abc-анализа, причем провел его как за всю историю продаж, так и в разрезе месяцев. С его помощью я разделил клиентов компании на три категории, согласно выручке каждой из них:
Целесообразно было также рассмотреть динамику abc категорий, поскольку за 4 года число клиентов увеличилось и соответственно доли клиентов размылись. ABC-анализ очень грубый инструмент. Но он мне позволил выделить клиентов с среднемесячной закупкой, не окупающей затраты на обслуживание. Волевым решением было принято установить для таких клиентов заградительный уровень цен. По крупным клиентам ясности этот анализ не дал. После проведения помесячного abc-анализа и усреднения значений за предшествующий год, было принято решение экспертным путем распределить клиентов по группам среднемесячной закупки.
XYZ-анализ делит клиентов компании на три категории, согласно стабильности закупок каждого из них.
Описание категорий xyz:
XYZ-анализ не позволил прийти к каким либо выводам — это было ожидаемо, т.к. этот вид анализа применим скорее для анализа ассортимента.
Наиболее интересным оказался rfm-анализ.
RFM — сегментация клиентов по трем параметрам:
Для rfm-анализа я использовал данные по костяку клиентской базы (со сроком жизни более 3 месяцев, поскольку в противном случае они могли попасть в категории новых или случайных клиентов, частотой закупок более 6, суммой закупок превышающей верхнюю границу из с диапазона).
Вся выборка клиентов по каждому признаку делилась на 5 равномерных интервалов, где лучшее значение признака имело значение 5, худшее соответственно 1.
Для последующего анализа я организовал хранилище данных (rfm-анализ формирует картину накопительным итогом, для оценки тенденций имеет смысл сравнивать результаты на текущий момент с результатами прошлых периодов).
Также были выявлены ушедшие клиенты, меня интересовали 155-345 категории. Было важно обнаружить среди ушедших «крупную рыбу» и разобраться в причинах отказа от сотрудничества.
После добавления в таблицу признаков клиента данных клиентов я произвел сегментацию. В качестве инструмента были использованы карты Кохонена.
Выборка клиентов была разбита на 4 группы по типам клиентов (магазин, оптовая компания, конечный пользователь, СТО):
После сегментации клиентов были составлены профили ассортиментной линейки для шести сегментов. Ассортиментная линейка была сгруппирована по принципу применимости изделия (например, данные о амортизаторах для ВАЗ-2108 брендов Kraft и Hola сгруппировались в «Амортизаторы ВАЗ-2108»). После этого была сформирована таблица отклонений типовой ассортиментной линейки от линейки для каждого покупателя. В выявленных отклонениях обнаружились тенденции — и соответственно повод для целевых презентаций. Такие же шаги были проделаны относительно брендов.
На основе принятой информации были приняты решения о целевых коммуникациях с клиентами. Соответствующие задачи были поставлены в CRM.
Задача формирования плана продаж была отчасти решена на основе прогноза продаж по постоянным клиентам. Однако необходимо было учесть объем продаж приходящийся на остальную часть клиентской базы. Для этого была построена модель сезонности продаж. Затем — пул моделей продаж (регрессионные модели, скользящее среднее, нейронные сети). Но их качество меня не устроило — слишком велика была ошибка моделей. По сегментам были поставлены планы продаж, исходя из его профиля ассортиментной линейки. Идея состояла в том, чтобы организовать не «толкающие», а «тянущие» продажи для повышения оборачиваемости. При построении плана продаж я исходил из предпосылки, что вся необходимая продукция будет либо находится на складе компании, либо поставлена «с колес». Затем были агрегированы суммы продаж и сопоставлены с историей закупок клиентов. По мелким клиентам был построен совокупный прогноз. В таком полуручном режиме был сформирован коридор плановых значений. Итоговая сумма плана продаж утверждалась путем торга с собственниками. После этого планы продаж распределялись по менеджерам.
Надо сказать, что на первом этапе много времени пришлось потратить, убеждая сотрудников в реальности цифр. Затем споры плавно превратились в мозговые штурмы из серии «как мы это будем делать». Эти действия сторицей окупились — сотрудники от реакции «это он никогда не будет брать» перешли к устойчивой работе с возражениями клиента. Они стали заметно уверенней. Среднее отклонение от профиля линейки к концу года уменьшилось и естественно увеличилась сумма среднемесячной закупки.
К сожалению полностью автоматизировать процесс планирования/прогнозирования у меня не получилось — слишком много было не формализуемых факторов. Точность плановых значений была удовлетворительна, и она позволила задать направление работы.
Некоторые мысли спустя год после проделанной работы:
Первые же рабочие дни позволили мне увидеть, что принятие решений основывалось в компании на “интуитивных” чувствах, а не проверенных фактах, т.к. оперативно представить информацию с разных сторон не представлялось возможным. На краткосрочные решения влияли эмоциональные ощущения и интуиция.
Мне предстояло найти ответы на два вопроса:
О клиентах. Почему клиенты уходят, что влияет на их прибыльность, как они принимают решения о закупках того или иного товара/бренда, чем их привлечь?
О товарах. Как оптимизировать продуктовую линейку, какие товары стоит предлагать конкретному покупателю, как потребители реагируют на определенный товар/бренд?
Вот что было сделано в такой ситуации.
1. Определение цели
На момент моего выхода на работу в качестве исходных данных для принятия решений я располагал лишь стандартными отчетами 1C и экспертными мнениями моих сотрудников. Поэтому мне необходим был механизм сбора, обработки и визуализации первичной информации.
2. Выбор инструмента
В качестве инструментов для обработки данных изначально я рассматривал 1С и Excel. Однако мне пришлось отказаться от этой идеи. Для приведения отчетов из 1C в удобоваримый вид приходилось делать много телодвижений в Excel.
Мне необходимы были инструменты слияния таблиц и возможность поэтапной обработки данных. Настройка отчетов в самой 1C была нетривиальной задачей, поскольку используемая версия была сильно переработанной 1С 8.1 «Управление продажами». Для подготовки прототипа аналитического отчета 1С мне пришлось бы тратить слишком много времени.
В качестве инструмента для бизнес-анализа я выбрал Deductor.
Поскольку на Хабре не было публикаций про данный продукт, я спрятал под спойлер описание с официального сайта:
«Платформа Deductor является основой для создания прикладных аналитических решений. Реализованные в ней технологии позволяют пройти все этапы построения аналитической системы от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов, используя одну систему. Deductor — полноценная аналитическая платформа, поддерживающая технологии: Data Warehouse, ETL, OLAP, Knowledge Discovery in Databases и Data Mining."
Эта программа позволяет гибко работать с данными. У меня уже имелся удачный опыт работы в данной программе, оставивший о продукте самое позитивное впечатление.
Что касается качества анализа — мне необходим был конструктор. Нужно было получить минимально жизнеспособный продукт с возможностью его быстрой доработки. Сам по себе анализ не представлял для меня ценности.
При оценке качества модели отправной̆ точкой̆ для меня являлись данные, которыми я располагал, ее я «подстраивал» под действительность. Для настройки адекватной модели я предполагал необходимость приличного числа итераций.
3. Подготовка данных
Самый трудоемкий этап в анализе данных продаж — их подготовка и консолидация. У меня были структурированные данные для анализа (данные о продажах за последние 4 года) и категориальные, такие как: отраслевая принадлежность клиента, данные из его портрета и т.д. Необходимо было также обогатить категориальные данные о клиентах клиентов дополнительной информацией.
Очистка данных представляла некоторую проблему, поскольку предстояло избавиться от дубликатов записей (например, один и тот же клиент мог фигурировать под разными ЮЛ).
Для анализа категориальных данных был создан «рейтинг клиента». Характеристики клиентов были проранжированы следующим образом:
- тип клиента;
- площадь выкладки;
- проходимость;
- широта ассортимента;
- полнота товарных групп;
- количество брендов.
На этом этапе сотрудникам были поставлены задачи по сбору недостающей информации.
4. Анализ данных
Данные продаж клиентам я обработал, используя:
- abc-анализ;
- xyz-анализ;
- rfm-анализ.
Начал я с abc-анализа, причем провел его как за всю историю продаж, так и в разрезе месяцев. С его помощью я разделил клиентов компании на три категории, согласно выручке каждой из них:
- а — клиенты которые приносят около 80 % выручки;
- b — клиенты которые приносят около 15 % выручки;
- c — клиенты которые приносят около 5 % выручки.
Целесообразно было также рассмотреть динамику abc категорий, поскольку за 4 года число клиентов увеличилось и соответственно доли клиентов размылись. ABC-анализ очень грубый инструмент. Но он мне позволил выделить клиентов с среднемесячной закупкой, не окупающей затраты на обслуживание. Волевым решением было принято установить для таких клиентов заградительный уровень цен. По крупным клиентам ясности этот анализ не дал. После проведения помесячного abc-анализа и усреднения значений за предшествующий год, было принято решение экспертным путем распределить клиентов по группам среднемесячной закупки.
XYZ-анализ делит клиентов компании на три категории, согласно стабильности закупок каждого из них.
Описание категорий xyz:
- x — стабильные клиенты, незначительные колебания частоты закупок, погрешность от 0 до 10%;
- y — известны тенденции закупок, незначительные колебания, погрешность от 10 до 25%;
- z — закупки нерегулярны, какие-либо тенденции отсутствуют, погрешность выше 25%.
XYZ-анализ не позволил прийти к каким либо выводам — это было ожидаемо, т.к. этот вид анализа применим скорее для анализа ассортимента.
Наиболее интересным оказался rfm-анализ.
RFM — сегментация клиентов по трем параметрам:
- recency — давность продажи (чем меньше времени прошло с момента последней закупки клиента, тем вероятней, что произойдет новая);
- frequency — частота закупок, чем больше закупок совершит клиент, тем больше вероятность того, что он повторит ее в будущем;
- monetary — сумма продаж за всю историю, чем больше денег было потрачено, тем больше вероятность того, что он не переключится на другого поставщика.
Для rfm-анализа я использовал данные по костяку клиентской базы (со сроком жизни более 3 месяцев, поскольку в противном случае они могли попасть в категории новых или случайных клиентов, частотой закупок более 6, суммой закупок превышающей верхнюю границу из с диапазона).
Вся выборка клиентов по каждому признаку делилась на 5 равномерных интервалов, где лучшее значение признака имело значение 5, худшее соответственно 1.
Для последующего анализа я организовал хранилище данных (rfm-анализ формирует картину накопительным итогом, для оценки тенденций имеет смысл сравнивать результаты на текущий момент с результатами прошлых периодов).
Также были выявлены ушедшие клиенты, меня интересовали 155-345 категории. Было важно обнаружить среди ушедших «крупную рыбу» и разобраться в причинах отказа от сотрудничества.
5. Сегментация клиентов
После добавления в таблицу признаков клиента данных клиентов я произвел сегментацию. В качестве инструмента были использованы карты Кохонена.
Выборка клиентов была разбита на 4 группы по типам клиентов (магазин, оптовая компания, конечный пользователь, СТО):
- для группы магазины было выделено 3 сегмента;
- для группы оптовая компания было выделено 2 сегмента;
- для группы СТО был выделен 1 сегмент;
- для группы конечный пользователь было принято решение сегмента не выделять (границы кластера получились очень нечеткими).
6. Планирование продаж
После сегментации клиентов были составлены профили ассортиментной линейки для шести сегментов. Ассортиментная линейка была сгруппирована по принципу применимости изделия (например, данные о амортизаторах для ВАЗ-2108 брендов Kraft и Hola сгруппировались в «Амортизаторы ВАЗ-2108»). После этого была сформирована таблица отклонений типовой ассортиментной линейки от линейки для каждого покупателя. В выявленных отклонениях обнаружились тенденции — и соответственно повод для целевых презентаций. Такие же шаги были проделаны относительно брендов.
На основе принятой информации были приняты решения о целевых коммуникациях с клиентами. Соответствующие задачи были поставлены в CRM.
Задача формирования плана продаж была отчасти решена на основе прогноза продаж по постоянным клиентам. Однако необходимо было учесть объем продаж приходящийся на остальную часть клиентской базы. Для этого была построена модель сезонности продаж. Затем — пул моделей продаж (регрессионные модели, скользящее среднее, нейронные сети). Но их качество меня не устроило — слишком велика была ошибка моделей. По сегментам были поставлены планы продаж, исходя из его профиля ассортиментной линейки. Идея состояла в том, чтобы организовать не «толкающие», а «тянущие» продажи для повышения оборачиваемости. При построении плана продаж я исходил из предпосылки, что вся необходимая продукция будет либо находится на складе компании, либо поставлена «с колес». Затем были агрегированы суммы продаж и сопоставлены с историей закупок клиентов. По мелким клиентам был построен совокупный прогноз. В таком полуручном режиме был сформирован коридор плановых значений. Итоговая сумма плана продаж утверждалась путем торга с собственниками. После этого планы продаж распределялись по менеджерам.
Надо сказать, что на первом этапе много времени пришлось потратить, убеждая сотрудников в реальности цифр. Затем споры плавно превратились в мозговые штурмы из серии «как мы это будем делать». Эти действия сторицей окупились — сотрудники от реакции «это он никогда не будет брать» перешли к устойчивой работе с возражениями клиента. Они стали заметно уверенней. Среднее отклонение от профиля линейки к концу года уменьшилось и естественно увеличилась сумма среднемесячной закупки.
К сожалению полностью автоматизировать процесс планирования/прогнозирования у меня не получилось — слишком много было не формализуемых факторов. Точность плановых значений была удовлетворительна, и она позволила задать направление работы.
Некоторые мысли спустя год после проделанной работы:
- Подход планирования продаж, исходя только из общей оценки закупок клиентов мало приближен к реальности.
- Для формирования реального плана необходимо понимать структуру продаж клиентов и распределение закупок среди поставщиков.
- Выборка данных у компаний оптовиков не позволяет ее назвать «BigData», однако стыкуя жесткие данные с маркетинговой информацией можно получить «пищу для размышления».
- Процесс построения моделей штука увлекательная, но при построении бизнес-аналитики необходимо понимать, что это должен быть «бинокль», а не «вещь в себе».
- Сейчас для компаний среднего бизнеса, коммерческим директорам необходимы хотя бы начальные компетенции работы в области бизнес-аналитики.
- При построении аналитики отлично работает принцип кайдзен или MVP.
