Главное Свежее Вакансии   Проекты
Комментируемое:
😼
Выбор
редакции
325 0 В избр. Сохранено
Авторизуйтесь
Вход с паролем

Моделирование предрасположенности при сегментировании клиентов

В этой статье рассказываем о моделях предрасположенности, их видах и способах построения

Компании больше не могут разрабатывать планы на год на основе только традиционных подходов, таких как сегментирование, RFM — моделирование и кластеризация, так как этого недостаточно.

Сегодня предприятиям необходимо стремиться к максимальному использованию потенциала этих стратегий, определяя склонность каждого клиента к покупке — выявляя, какие клиенты с наибольшей вероятностью купят больше того же продукта или другого.

Поскольку продавать существующим клиентам всегда легче, имеет смысл сосредоточить начальную аналитику данных на построении моделей, которые помогут максимизировать вашу долю бизнеса в кошельках ваших клиентов (далее «долю кошелька»). Название, разумеется, условное, так как абсолютно точно вычислить долю в кошельке невозможно, но можно установить примерные параметры. Например, если вы работаете с эконом — сегментом физических лиц, то на основании их примерного годового дохода и суммы покупок в вашей компании можно выявить вашу долю кошелька.

Также и в секторе В2В. Если есть открытые данные по выручке (прибыли), ее величина сопоставляется с долей покупок ваших продуктов.

Сегментирование — это только первоначальный этап, за которым следует не только разработка персональных предложений, но и выявление предрасположенности к покупке. Построение модели предрасположенности — сложная аналитическая задача, но ее результаты гораздо выше, чем при обычном маркетинговом планировании.

Какие данные нужны для создания моделей предрасположенности


Модель — это способ организации данных и того, как элементы данных соотносятся друг с другом, чтобы помочь увидеть закономерность, понять и повлиять на что-то в «реальном» мире. Модель хороша ровно настолько, насколько хороши данные.

Чтобы решить вопрос о доле кошелька, организации необходимо знать следующее:

— какие клиенты с наибольшей вероятностью купят конкретный продукт (склонность к покупке);
— какой следующий продукт, скорее всего, купит клиент;
— какие клиенты, скорее всего, откажутся от услуг или сократят расходы (модели прогнозирования оттока клиентов).

Цель модели склонности — понять вероятность того, что покупатель будет предрасположен к покупке продукта на основе его предыдущих действий. Традиционные модели склонности к покупке оценивают клиентов на основе их сходства с прошлыми покупками. Эти модели требуют наличия исторических данных в отношении предложений и действий клиентов.

Для моделей склонности к покупке необходимы данные, связанные со следующими переменными: кто купил, что они купили, когда они это купили, в каком порядке они совершали покупки, и какая комбинация продуктов была куплена определенной группой клиентов. Все эти данные предоставляются CRM-системой.

Фирмографические (география, величина, отрасль) и макроэкономические данные также могут быть полезны для построения модели в сегменте В2В. Данные используются для создания модели, которая, по сути, оценивает каждого клиента. Оценка представляет собой вероятность того, что покупатель захочет совершить покупку.

Однако история не всегда является предсказателем будущего. Решение состоит в том, чтобы построить модели склонности к покупке, основанные на том, как покупатели ведут себя непосредственно перед покупкой продукта, а затем использовать анализ для прогнозирования результатов покупок потенциальных клиентов.

С помощью моделей предрасположенности вы действительно можете предвидеть будущее поведение клиентов с высокой долей вероятности.

Виды моделей предрасположенности


Модель 1: прогнозируемая продолжительность жизни клиента


Алгоритмы могут предсказать, сколько клиент потратит с вами, задолго до того, как сам клиент это поймет. В тот момент, когда клиент совершает свою первую покупку, вы можете знать гораздо больше, чем просто его первоначальную запись о транзакции: данные по веб-взаимодействию, а также демографические и географические данные (вам их предоставляет CRM). Сравнивая клиента со многими другими, которые были до него, вы можете с высокой степенью точности предсказать его будущую пожизненную ценность. Эта информация чрезвычайно важна, поскольку позволяет принимать маркетинговые решения, основанные на ценности. Например, имеет смысл вкладывать больше средств в те каналы привлечения и акции, которые приносят клиентов с наивысшей прогнозируемой пожизненной ценностью.

Модель 2: прогнозируемая доля кошелька


С помощью прогнозируемой доли кошельков вы можете оценить, какого процента расходов вы достигли в настоящее время. Например, клиент у вас покупает в год продукции на 20 тыс. рублей при его общем годовом доходе 327 тыс. руб., ваша доля кошелька — 6,2%. Знание этого позволяет вам увидеть, как увеличить эту долю, и разработать персонализированные предложения для получения дополнительного дохода.

Модель 3: склонность к вовлечению


Модель предрасположенности к взаимодействию предсказывает, насколько вероятно, что клиент нажмет на ваши ссылки в электронной почте. Вооружившись этой информацией, вы можете решить не отправлять электронное письмо (уведомление или иной контент) в сегмент с низкой вероятностью клика. Тем самым вы сосредотачиваетесь только на перспективных клиентах, сокращая расходы.

Модель 4: склонность отказаться от подписки


Модель склонности к отказу от подписки предсказывает, насколько вероятно, что клиент откажется от подписки на вашу рассылку в любой момент времени. Вооружившись этой информацией, вы сможете оптимизировать частоту электронных писем. Для сегментов с высокой вероятностью отказа от подписки следует уменьшить частоту отправки, а для сегментов с низкой вероятностью отказа от подписки вы можете увеличить частоту отправки электронной почты. Вы также можете использовать другие каналы, чтобы обратиться к клиентам с «высокой вероятностью отказа от подписки».

Модель 5: склонность к конверсии


Модель склонности к конверсии может предсказать вероятность того, что покупатель примет ваше предложение. Эту модель можно использовать для кампаний с прямой почтовой рассылкой или рассылкой в мессенджерах, где стоимость маркетинга высока. В этом случае вы будете отправлять предложения только клиентам с высокой склонностью к конверсии.

Модель 6: склонность к покупке


Модель склонности к покупке сообщает вам, какие клиенты готовы совершить покупку. Более того, если вы знаете, кто готов, а кто нет, это поможет вам обеспечить правильную подачу в своем предложении. Тем, кто, вероятно, купит, не потребуются большие скидки (вы можете перестать снижать свою маржу), в то время как клиентам, которые вряд ли купят, может потребоваться более агрессивное предложение, которое принесет вам дополнительный доход.

Модель 7: склонность к оттоку


Модель склонности к оттоку показывает, какие активные клиенты имеют риск ухода и почему. Для них нужно скорректировать предложения.

Модели склонности (предрасположенности) можно комбинировать для принятия решений. Например, вы можете захотеть провести агрессивную кампанию по привлечению клиентов для тех из них, которые имеют как высокую вероятность оттока, так и высокую прогнозируемую пожизненную ценность.

Как построить модель?


Самостоятельно вы ее построить не сможете, для этого есть специальные сервисы. Целый ряд аналитических инструментов может помочь в моделировании предрасположенности:

— Отечественные разработки SAS Customer Intelligence от КОРУС Консалтинг, OWOX BI Insights от разработчика.

— Иностранные аналитические инструменты: Infer, SAS Advanced Analytics с русифицированными отраслевыми решениями, RapidMiner.

Есть и другие продукты для построения моделей. Мы помогаем своим клиентам в настройке CRM-систем, выборе аналитического сервиса и построении стратегий CRM-маркетинга.

0
В избр. Сохранено
Авторизуйтесь
Вход с паролем
Комментарии
Первые Новые Популярные
Комментариев еще не оставлено
Выбрать файл
Блог проекта
Расскажите историю о создании или развитии проекта, поиске команды, проблемах и решениях
Написать
Личный блог
Продвигайте свои услуги или личный бренд через интересные кейсы и статьи
Написать

Spark использует cookie-файлы. С их помощью мы улучшаем работу нашего сайта и ваше взаимодействие с ним.