Прогностическая аналитика и взаимоотношения с клиентами

Прогностическая аналитика и взаимоотношения с клиентами

Большая часть маркетинговых посланий, сообщаемых потребителям с помощью средств массовой информации, не приносит пользы. Столь же бесполезной оказывается масса информации о клиентах, собираемой с использованием техник прямого маркетинга. В действительности подавляющее большинство информации о потребителях, собранной во всем мире, мертвым грузом осело на жестких дисках – или, что еще печальнее, в огромнейших картотеках. Она не организована. Не очищена. Она переполнена ненужными данными и несоответствиями форматов. Она частично устарела. Она испещрена пробелами недостающих сведений. Но, тем не менее, она есть. Не хватает лишь возможности – и, пожалуй, желания – укомплектовать, обработать и проанализировать эти тонны данных, превратив их в глубокие знания, способные неслыханно увеличить доходы и прибыль компании.

Идея превращения гор данных о клиентах компании в знания лежит в основе концепции, известной как прогностическая аналитика. В области конкурентных стратегий этой концепции нет равных, поскольку она может стать решающим фактором роста финансовой эффективности и рыночной стоимости компании. Этот факт был неоднократно продемонстрирован во многих отраслях, и, пожалуй, наиболее наглядно – в области финансовых услуг. Пионер прогностической аналитики, компания Fair Isaac использовала эту концепцию для оценки кредитных рисков («оценки кредитоспособности») еще в 1950-х годах. Сегодня ее разработки лежат в основе всех кредитных операций. Fair Isaac разработала тысячи моделей – для прогнозирования удержания, банкротства, предрасположенности к покупке, сокрытия реальных доходов, страховых потерь, авансовой выплаты ссуды и т. д.

Составление прогнозов предполагает ознакомление с многочисленными историческими данными с помощью инструментов прогонки данных, отыскивающих поддающиеся интерпретации модели, и затем создание математических уравнений, отражающих взаимоотношения, лежащие в их основе. Эти математические уравнения разрабатываются для прогнозирования будущего поведения потребителей. Построенная для составления прогнозов модель дает возможность немедленно осуществить комплексный анализ, скажем, данных о сделках, взаимодействиях с потребителями или бухгалтерских данных. Она может обеспечить эмпирический, объективный или последовательный метод оценки массива данных и извлечение из него смысла, способного указать путь к принятию правильных бизнес-решений.

Прогностические модели часто называют поведенческими моделями, поскольку они могут быть использованы при прогнозировании будущего поведения клиента для определения вероятности того, например, что он не погасит в срок ссуды. Позволяя компаниям мгновенно разделять желанных, менее желанных и нежеланных клиентов – более того, применять разные маркетинговые подходы к разным потребительским сегментам, а также к индивидуальным потребителям на основе их предрасположенности к определенному типу поведения, прогностические модели дают возможность контролировать степень допустимого риска и принимать меры для увеличения прибыли.

Прогностические модели могут выражать взаимосвязанные отношения между десятками, сотнями и даже тысячами наборов данных в виде единой оценки. Эта оценка отражает вероятность определенной модели поведения или события в будущем. Например, прогностическая модель, построенная для анализа кредитных рисков, предлагает оценку, показывающую, какие клиенты, вероятнее всего, будут вовремя вносить кредитные взносы. Более высокие оценки зачастую указывают на более предпочтительное поведение.

У некоторых людей прогностическая аналитика ассоциируется с действиями любопытного ребенка, играющего в старую версию американской игры Magic 8 Ball. Абсолютно невыразительный по нынешним меркам пластмассовый шарик с окошком – эта игрушка более полувека развлекала детей тем, что якобы «умела заглядывать в будущее и находить ответы на их вопросы». И как порой были весьма загадочны эти ответы – например «Поживем – увидим» или «Спроси чуть позже», так не менее загадочными, честно говоря, бывают время от времени и ответы, получаемые с помощью действительно сложных техник прогнозирования будущего.

Конечно, прогностическая аналитика – феномен далеко не новый. Он давно использовался под видом статистического прогнозирования. А что такое статистика, как не процесс, с помощью которого люди стремятся изменить собственные ожидания или поведение, оценив реальное положение вещей? Приведем простой пример. Исходя из исторических климатических моделей, количество осадков, выпадающих в период с сентября по декабрь в городе Энтеббе, превышало средний уровень каждые четыре из десяти периодов дождей. Исходя из этого, предполагаемая вероятность того, что количество осадков, выпадающих в период с сентября по декабрь в Энтеббе, будет выше среднего, составляет 40 %. Рассматриваемые события могут носить естественный характер, как в случае с г. Энтеббе, или предумышленный, известный также как экспериментальный. Статистики дают людям знать, какие действия следует предпринимать для оптимизации определенных процессов в соответствии с некоторым целесообразным набором критериев. Прогнозирующие модели систематизируют такую оптимизацию.

Действительно, развитие прогностической аналитики во многом отражает переход от маркетинговой автоматизации к маркетинговой оптимизации. В этом контексте оптимизация означает способность анализировать большие объемы данных, исследовать многочисленные комбинации переменных, раскрывать ранее скрытые взаимоотношения – и, в конечном счете, приходить к пониманию и прогнозировать потребительское поведение на самом узком уровне. Настоящий же фокус в том, что все это можно осуществить в мгновение ока.

Аналитика следующего поколения стала возможной благодаря приложениям нового рода, характеризующимся более высокими скоростями процессов и более сложными алгоритмами выполнения трех основных функций. Первая из них относится к автоматическому открытию неизвестных прежде или считавшихся нелогичными моделей. Вторая функция относится к идентификационному анализу», используемому главным образом системами контроля качества и обслуживания кредитных карт. И третья функция, непосредственно связанная с темой нашей книги, относится к автоматизированному прогнозированию тенденций и поведения. Это основа любой программы удержания клиентов, направленной на сегментирование потребительской базы с целью определить наиболее прибыльные категории покупателей и спрогнозировать способность удерживать этих покупателей и управлять отношениями с ними посредством специально разработанной для них маркетинговой программы.

ИСПОЛЬЗОВАНИЕ ПРОГНОСТИЧЕСКОЙ АНАЛИТИКИ

Богатая данными потребительская база необходима компании для того, чтобы знать, кто они – ее клиенты, что они покупают, что им нравится, а что – нет, и т. д. Однако любая база данных бесполезна, если компания не использует содержащуюся в ней информацию для прогнозирования будущего поведения потребителей. Прогностическая аналитика – ключ к этой задаче. Прогнозирующие модели заставляют вечно экспериментирующие и приспосабливающиеся компании продуманно и эффективно тратить свои маркетинговые средства на возможности, гарантирующие надежный результат. В прицельном маркетинге прогностическая аналитика используется главным образом в трех сферах:

• сегментация;

• тестирование кампании;

• оптимизация работы call-центра.

Сегментация. Сегментация – это не представленный в виде перекрестных таблиц отчет, но и не разделение совокупности на группы по демографическим признакам. Сегментационные модели рассчитывают сложные взаимодействия многочисленных переменных, таких как данные о покупках, информация о поведенческих особенностях, демографические сведения, склонность к отклику и пр. Статистическое моделирование использует целый набор техник прогонки данных для определения сегментов людей, имеющих одинаковые модели поведения. Понимание этих сегментов позволяет компаниям определять профили очень прибыльных клиентов, а затем тестировать на них разные маркетинговые кампании.

Тестирование кампании. Выслать потребителю, покупающему товары только вашей марки, купон на получение 15 %-ной скидки – напрасно потратить деньги. Этот потребитель и так никогда не купит товары конкурентных марок, поэтому высланный купон всего-навсего лишит компанию 15 % продажной стоимости этого товара. С другой стороны, выслать такой купон потребителю, легко меняющему торговые марки и производителей, более целесообразно. Прогностическая аналитика помогает компаниям определить, какие потребители склонны менять вкусы и привязанности, и затем использовать индивидуальные методы продвижения, специальные пакеты товаров или услуг и ценовые стратегии, чтобы увеличить прибыль, получаемую компанией от таких клиентов. Аналогично тестирование маркетинговой кампании может определить, какие потребители обеспечивают большую часть прибыли компании, а какие никогда не реагируют на ее акции по продвижению продукции. Прогнозирующие модели, выявляющие «лучших» и «худших» клиентов, помогают компаниям перестать понапрасну тратить деньги на последних, экономя миллионы долларов маркетинговых бюджетов.

Оптимизация работы call-центра. Испытания и прогностическая аналитика не менее успешно использовались call-центрами для повышения эффективности перекрестных продаж, увеличения прибыли и снижения оттока клиентов. Приведем простой пример. Ежегодно задолженность практически миллиона клиентов, прекративших платежи крупной компании-эмитенту кредитных карт, составляет 1 млрд. долл., причем половину задолженности в конце концов удается погасить. Было проведено специальное исследование с целью определить, как изменить стандартное первое предупредительное обращение компании к клиенту-неплательщику, чтобы повлиять на эффективность сбора неуплаченных средств. В результате правильно подобранный сценарий предупредительного диалога с неплательщиком (правильное сообщение) позволил на 11 % повысить сбор непогашенных взносов. А выбранный из четырех вариантов сценарий правильного сообщения, рассчитанного еще и на правильного клиента, позволил еще на 2 % повысить сборы. Разница в 500 млн. долл. в размере сборов позволила увеличивать годовую прибыль компании более чем на 50 млн. долл. ежегодно.