Одним из подходов к совершенствованию управления клиентской базой компании является кластеризация клиентов, в основе которой лежат показатели транзакционного поведения и социально-демографических характеристик. В представленной статье рассмотрены возможные типы покупательской активности клиентов программы лояльности розничной сети АЗС.
Ключевые слова: кластерный анализ, клиентская база, программа лояльности, оценка эффективности, анализ, клиент, рынок, конкуренция, рекламная кампания, ремаркетинг.
Введение
В современном потребительском мире существует такое понятие, как конкуренция. Оно значительно влияет на выручку и устойчивое положение компании на рынке.
В данной работе я, являясь аналитиком данных, принимал участие в реализации повышения лояльности клиентов, за счет анализа их поведения и покупательских способностей. Это позволяет увеличить клиентоориентированность, повышение узнаваемости организации на рынке, вследствие чего увеличение выручки.
Основной раздел
Кластеризация базы проводилась по всем клиентам компании, которые были включены в программу лояльности. Для более точного результата анализ клиентов, входящих в Центральный регион России (Москва, Московская область, Ярославль, Юго-Запад, Нижний-Новгород), проводился отдельно от остальных.
Для кластеризации клиентской базы использовался следующий набор переменных:
1. Частота покупок клиента (за весь период);
2. Средний чек клиента (за весь период);
3. Период бездействия клиента (сколько месяцев прошло с момента совершения последней транзакции)
4. Период жизни клиента (сколько месяцев прошло с момента первой транзакции)
Наиболее значимыми переменными для кластеризации клиентской базы стали «частота покупок», «период жизни клиента» и «период бездействия клиента»
В результате анализа кластеризации было выбрано следующее разбиение:
Для анализа поведения клиентской базы был выбран период за последние 13 месяцев (январь 2020 г.-февраль 2021 г.) для сравнения текущих и прошлогодних показателей. За учет брали показатели на конец каждого расчетного месяца.
Каждый сегмент имеет свою особенность: частота покупок, количество уникальных клиентов, общий оборот клиентов и средний чек распределены равномерно, но видна зависимость увеличения/уменьшения показателей в зависимости от региона.
Алтайский регион, в сравнении с другими, имеет меньшие значения частоты покупок и суммы трат на клиента.
У клиентов, входящих в группу лояльности «Серебро», значительно выше показатели частоты покупок и суммы, чем у участников с другими уровнями. Это связано с тем, что основной поток клиентов находится в группе «Серебро», так как клиенты из него никогда не выходят, даже при отсутствии транзакций. Для перехода в следующую группу лояльности клиенту необходимо набрать определенное количество баллов.
Рассмотрим цепь Маркова по перемещению клиентов, принимающих участие в программе лояльности, между кластерами. Под воздействие некоторых факторов (изменение транзакционной активности, смена региона), клиенты могут перемещаться между кластерами.
Модель перемещений, представленная в виде марковской цепи, основывается на 4 кластерах клиентов, представленными ранее — новые, стабильные, отток, заблокированные, также дополнительный «Внешний мир», состоящим из потенциальных клиентов (Рисунок 1).
Рис. 1. Марковская цепь перемещения участников между кластерами
При использовании детализированных кластеров, модель будет иметь следующий вид: 9 вершин из ранее описанных подкластеров и «Внешний мир» (Рисунок 2). Каждая вершина — это состояние клиента, характеризующееся частотой покупок, суммой покупок, периодом жизни клиента и периодом бездействия клиента (время, прошедшее с последней покупки). Каждый показатель имеет свой интервал допустимых значений.
Рис. 2. Детализированная Марковская цепь перемещения участников между кластерами
Клиент, впервые совершивший транзакцию с использованием программы лояльности, становится участником и попадает в кластер «Новые». Затем, исходя из транзакционного поведения участника, кластер может измениться на «Новые: Условно-стабильные» или «Новые: Стабильные». Из блока «Новые», участник может перейти в другие группы кластеров.
Если участник имеет t показатель транзакционной активности на отчетный месяц T и показатель t находится в пределах допустимого кластера i , то клиент остается в данном кластере.
Интервал допустимых значений был подобран опытным путем так, что 95 % участников гарантированно выполнят условия в пределах нижних и верхних границ интервала, отнесенного к ним кластера.
Для качественного анализа кластеров был выбран дополнительный показатель m , который используется для отсечения «плохих» участников (у которых с момента последней транзакции прошло более 6 месяцев). Если участник не имеет активности за период m , то он исключается из программы лояльности и дальнейшего анализа.
Выводы
На выходе данной работы мы получили полезные знания о клиентах. Эти данные помогут компании выявить слабые стороны при формировании программы лояльности. Необходимость заключается в том, что сейчас потребитель становится все более финансово-грамотным, поэтому если его не удержать, то он уйдет к конкурентам. Все эти действия помогут снизить издержки на удержание и привлечение новых клиентов, что в дальнейшей перспективе играет важную роль в существовании организации.
Литература:
- Гупта С., Хансенс Д., Харди Б., Кан У., Ку-мар В., Лиин Н., Равишанкер Н., Шрирам С., «Моделирование ценности жизненного цикла клиента. Российский журнал менеджмента», 2011г.
- Третьяк О. А., Слоев Фредерик Райхельд, Томас Тил, «Эффект лояльности: движущие силы роста, прибыли и непреходящей ценности», 2005г.
- Третьяк О. А., Слоев И. А., «Оценка маркетинговой деятельности по состоянию клиентского потока. Российский журнал менеджмента», № 10, 2012г.
- «Состояния клиентской базы данных», Электронный научный журнал «Исследовано в России», 2006г.
- Андреева А. В. Оптимальное управление клиентской базой на основе показателя долгосрочной стоимости клиента// Бизнес-информатика, № 4(22), 2012г
- Sherrel D., Collier J., «Managing appreciating and depreciating customer assets», Marketing Management Journal 18 (1), 2008г.
