![](https://habrastorage.org/getpro/habr/upload_files/8b4/83a/a32/8b483aa32887ab0e5b691f6ca7c15b3e.jpg)
Привет, Хабр!
В последние годы понятие клиентского опыта стало чуть ли не мантрой в бизнесе, и ведь не зря. Пользовательский интерфейс частенько становится причиной успеха того или иного продукта, поэтому анализ клиентского опыта становится не просто nice to have, а must have для каждой компании, считающей себя современными.
Основные метрики
CSAT
CSAT позволяет измерить уровень удовлетворённости клиентов после взаимодействия с компанией, товаром или услугой. Этот индикатор показывает, насколько хорошо или плохо компания отвечает ожиданиям своих клиентов на основе их обратной связи.
Расчёт CSAT основывается на ответах клиентов на вопрос типа "Насколько вы удовлетворены обслуживанием/продуктом?". Ответы могут быть представлены в форме шкалы (например, от 1 до 5 или от 1 до 10), где высшие значения соответствуют большей степени удовлетворённости. Для подсчёта индекса CSAT берутся только положительные ответы, суммируются и делятся на общее количество ответов, после чего результат умножается на 100%, чтобы получить процентное значение.
Виды опросов для сбора данных CSAT
Опрос с заранее подготовленными ответами: у клиентов есть выбор из нескольких вариантов ответа, отражающих степень их удовлетворённости.
Опрос с балльной оценкой: клиенты выставляют оценку в пределах определённой шкалы, например от 1 до 5 или от 1 до 10.
Опрос с короткими вариантами ответов: простая форма с вариантами ответов типа "Хорошо", "Нормально", "Плохо", позволяющая клиентам легко выразить своё мнение.
Это измерение позволяет понять, насколько хорошо компания удовлетворяет потребности своих клиентов и выявить области, требующие улучшения. По данным некоторых исследований, только 40% клиентов останутся с компанией после негативного опыта, тогда как при положительном опыте этот показатель достигает 75%.
NPS
Net Promoter Score отражает степень лояльности клиентов к компании, продукту или услуге. Этот показатель основан на одном простом вопросе: "На сколько вероятно, что вы порекомендуете нашу компанию/продукт/услугу другу или коллеге?" Ответы оцениваются по шкале от 0 до 10, где высшие баллы указывают на высокую вероятность рекомендации.
Ответивших на вопрос делят на три категории:
Промоутеры (оценки 9-10): лояльные клиенты, которые могут активно рекомендовать ваш продукт или услугу.
Нейтралы (оценки 7-8): довольные клиенты, но их лояльность недостаточно высока для активных рекомендаций.
Детракторы (оценки 0-6): недовольные клиенты, которые могут нанести вред репутации вашей компании через негативные отзывы.
Формула расчета NPS выглядит так: NPS = % промоутеров – % детракторов. Нейтралы при расчете не учитываются. Можно рассчитать процентное соотношение промоутеров и детракторов напрямую из первичных данных, не преобразуя их заранее в проценты. Результат будет варьироваться от -100 (все клиенты — детракторы) до 100 (все клиенты — промоутеры).
Хороший показатель NPS зависит от индустрии, но в общем случае значения выше 0 уже считаются хорошими, а показатель выше 30% — отличным. Важно не только фиксировать абсолютное значение NPS, но и следить за его динамикой, а также сравнивать с показателями в отрасли.
Старайтесь превратить детракторов в промоутеров, предлагая решения их проблем и бонусы за лояльность. Также не забывайте о награждении промоутеров, чтобы поддерживать их интерес и лояльность к бренду.
CES
CES позволяет оценить, сколько усилий клиенту пришлось приложить для взаимодействия с компанией, продуктом или услугой. Основная идея заключается в том, что чем меньше усилий клиент прилагает, тем выше его удовлетворённость и лояльность к бренду.
Обычно CES измеряется путём опроса клиентов с просьбой оценить, насколько легко или сложно было взаимодействовать с компанией. Ответы могут быть представлены в форме шкалы (например, от "очень легко" до "очень сложно") или через прямой вопрос с выбором ответа по шкале от 1 до 10 или от 1 до 5, где низкие значения указывают на меньшее количество усилий и, соответственно, более высокую удовлетворенность клиента.
Например, если клиенты указывают, что для них было сложно найти необходимую информацию на сайте или слишком долго ждать ответа от службы поддержки, можно взять это на заметку и работать над упрощением этих процессов.
LTV
LTV представляет собой показатель, который отражает общую сумму дохода, которую компания может получить от одного клиента на протяжении всего времени взаимодействия с ним.
Зная LTV, компании могут решить, сколько они могут себе позволить потратить на привлечение новых клиентов, не неся при этом убытков. LTV позволяет предположить, когда затраты на маркетинг окупятся. С LTV также можно выявлять наиболее прибыльные сегменты аудитории.
Простая формула для расчёта LTV выглядит следующим образом: LTV = ACV × ACL, где:
ACV - средняя потребительская ценность клиента, или сумма денег, приносимая клиентом за определенный период (за месяц или год). Рассчитывается как общий доход за период, деленный на количество клиентов за этот период.
ACL- средний срок жизни клиента, то есть, время, в течение которого клиент продолжает совершать покупки. Для расчета нужно знать средний период, в течение которого клиент остается активным.
Например, если компания заработала миллион рублей от 250 клиентов в прошлом месяце, ACV составит 4000 рублей. Если средний срок удержания клиента составляет 3 месяца, LTV будет равен 12 000 рублей (4000 рублей × 3 месяца).
Чтобы повысить LTV можно пробовать многое:
Предоставление подарков и сюрпризов для увеличения лояльности клиентов.
Проведение опросов для повышения привлеченности клиентов и их удовлетворенности.
Email-маркетинг с сегментированным и полезным контентом.
Разработка программы лояльности, направленной на увеличение частоты и суммы покупок.
Ретаргетинг для повторного привлечения посетителей сайта.
Скорость оттока
Скорость оттока показывает % клиентов, которые прекратили использовать продукт или услугу за определённый период. Для расчёта оттока в самом базовом виде, вычитается количество клиентов в конце периода из количества клиентов в начале периода, учитывая новых клиентов, и разделяется на кол-во клиентов в начале периода.
Как реализовать сбор всех этих метрик
Для начала определяем все нужные метрики, которые нам могли бы быть полезными. Например, после посещения филиала бизнеса, через несколько часов или на следующий день, можно отправить СМС с просьбой оценить услугу. Для длительных метрик, вроде LTV, важен сбор данных о повторных посещениях и расходах клиента.
Можно использовать СМС-опросы, используя краткие и чёткие формулировки. Например, "Насколько вы довольны услугой? Оцените от 1 до 10". Предложите клиенту простую инструкцию, как ответить на вопрос. Для NPS можно отправить сообщение с текстом: "Порекомендуете ли вы нас друзьям? Ответьте Да или Нет". СМС должны содержать ссылку на более подробный опрос на сайте для сбора детальной обратной связи.
На сайте должна быть возможность оставить подробный отзыв. Можно использовать всплывающие окна или специальные разделы для сбора отзывов. Здесь уже можно задавать более детализированные вопросы, касающиеся каждой метрики. Процесс заполнения опроса должен быть максимально удобен.
Как использовать аналитические данные
Сегментация и персонализация клиентского опыта
71% потребителей ожидают от брендов персонализированных взаимодействий, а 76% раздражаются, если этого не происходит, неудивительно, что компании все активнее используют данные о поведении клиентов для настройки контента и предложений.
Персонализация представляет собой стратегию, направленную на создание уникальных и релевантных взаимодействий с клиентами на основе их предпочтений, поведения и демографических характеристик. Это позволяет адаптировать маркетинговые сообщения, предложения и контент под индивидуальные потребности каждого клиента, отходя от универсальных подходов к аудитории.
Существуют различные инструменты и технологии для реализации стратегии персонализации, включая использование платформ клиентских данных (CDP).
Примеры CDP:
eSputnik - система автоматизации маркетинга с функциями CDP, позволяющая собирать данные в реальном времени из разных источников для создания персонализированных кампаний.
Segment - предлагает удобное управление данными клиентов и их интеграцию, подходит для создания персонализированной рекламы и уникального пути клиента.
MuleSoft - решает задачи, связанные с данными, от создания портрета клиента до развития API-экосистем.
Персонализация важна не только в B2C, но и в B2B сегменте. В последнем случае особое внимание уделяется устаревшим, некачественным или разрозненным данным, которые могут затруднить анализ предпочтений ЦА и персонализацию предложений для ключевых клиентов.
Для достижения идеальных результатов в персонализации нужно юзать данные о клиентах на уровне района, обогащая их географическими атрибутами с помощью ГИС.
Текстовый анализ
Можно выявить общие темы жалоб или похвалы, а также понять, какие конкретные моменты вызывают у клиентов наибольшее удовлетворение или недовольство.
Воспользуемся библиотекой Natural Language Toolkit
для обработки естественного языка и pandas
для работы с данными.
Загрузить данные из выдуманного CSV-файла с двумя столбцами: Review
(текст отзыва) и Score
(оценка удовлетворенности в виде NPS).
import pandas as pd
df = pd.read_csv('reviews.csv')
Перед анализом текста его необходимо очистить и предобработать: привести к нижнему регистру, удалить знаки пунктуации и стоп-слова, провести лемматизацию:
import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
from nltk.stem import WordNetLemmatizer
import string
# скачивание ресурсов NLTK
nltk.download('punkt')
nltk.download('stopwords')
nltk.download('wordnet')
# функция для очистки и предобработки текста
def clean_text(text):
text = text.lower()
text = ''.join([char for char in text if char not in string.punctuation])
tokens = word_tokenize(text)
stop_words = set(stopwords.words('english'))
tokens = [word for word in tokens if word not in stop_words]
lemmatizer = WordNetLemmatizer()
tokens = [lemmatizer.lemmatize(word) for word in tokens]
return ' '.join(tokens)
# применяем к каждому отзыву
df['Cleaned_Review'] = df['Review'].apply(clean_text)
Когда есть очищенные данные, можно анализировать наиболее часто встречающиеся слова, чтобы выявить общие темы:
from collections import Counter
# объединение всех отзывов в один текстовый блок
all_reviews = ' '.join(df['Cleaned_Review'])
# токенизация
tokens = word_tokenize(all_reviews)
# подсчет частоты встречаемости каждого слова
word_counts = Counter(tokens)
# вывод 10 наиболее часто встречающихся слов
print(word_counts.most_common(10))
Для наглядности можно использовать облако слов.
from wordcloud import WordCloud
import matplotlib.pyplot as plt
# создание облака слов
wordcloud = WordCloud(width = 800, height = 400, background_color ='white').generate(all_reviews)
# облако слов
plt.figure(figsize = (8, 8), facecolor = None)
plt.imshow(wordcloud)
plt.axis("off")
plt.tight_layout(pad = 0)
plt.show()
Определение корреляций и причинно-следственных связей
Можно проверить, как изменение CES влияет на NPS, или как улучшение определенных аспектов влияет на LTV клиентов.
К примеру для анализа корреляций и причинно-следственных связей между CES, NPS и LTV, мы можно использовать статистические методы и ML в Питоне.
Реализуем простой пример с помощью pandas
и scipy
для вычисления корреляций, а также statsmodels
для построения регрессионных моделей, которые помогут определить причинно-следственные связи.
Загрузим данные:
import pandas as pd
import numpy as np
from scipy.stats import pearsonr
import statsmodels.api as sm
# предположим, у нас есть DataFrame с данными
data = {'CES': np.random.rand(100),
'NPS': np.random.rand(100) * 10,
'LTV': np.random.rand(100) * 1000}
df = pd.DataFrame(data)
Анализ корреляции:
# вычисление коэффициента корреляции Пирсона
ces_nps_corr, _ = pearsonr(df['CES'], df['NPS'])
ces_ltv_corr, _ = pearsonr(df['CES'], df['LTV'])
print(f"Корреляция CES и NPS: {ces_nps_corr}")
print(f"Корреляция CES и LTV: {ces_ltv_corr}")
Коэффициент корреляции Пирсона варьируется от -1 до 1. Значение близкое к 1 означает сильную положительную корреляцию, значение близкое к -1 означает сильную отрицательную корреляцию, а значение около 0 указывает на отсутствие линейной корреляции.
Регрессионный анализ:
# добавляем константу для интерцепта
X = sm.add_constant(df['CES']) # Независимая переменная
Y = df['NPS'] # Зависимая переменная
# строим модель ординарной наименьших квадратов (OLS)
model = sm.OLS(Y, X).fit()
# выводим сводку по модели
print(model.summary())
Если мы обнаружим значительную корреляцию между CES и NPS, это может указывать на то, что усилия, затраченные клиентами на взаимодействие с вашим сервисом, напрямую влияют на их готовность рекомендовать ваш бизнес. Аналогично, сильная корреляция между CES и LTV подчеркивает важность уменьшения усилий клиента для повышения их жизненной ценности.
В случае значительного p-value
для коэффициента перед CES, можно утверждать, что существует статистически значимая связь между усилиями клиента и их NPS оценками. Это подтверждает предположение о причинно-следственной связи между уменьшением усилий клиента и улучшением их восприятия сервиса.
В завершение хочу порекомендовать бесплатный вебинар курса BI-аналитика.