Проектирование идеального клиента

We use cookies. Read the Privacy and Cookie Policy

Проектирование идеального клиента

Прогнозирование потребительского поведения требует использования передовых достижений прогностической аналитики. Моделированию предшествует анализ информации потребительских профилей с целью выявить наиболее важные характеристики данного потребительского сегмента. Процесс происходит следующим образом.

Открываем. Просмотрите существующую на данный момент базу данных клиентов вашей компании, чтобы выявить возможности продвижения перекрестных продаж. Используйте простую систему оценки для составления списка ваших самых прибыльных клиентов.

Сравниваем и проверяем. Сравните полученный список с внешними базами данных перспективных клиентов. Насколько совпадают эти списки? Почти не совпадающие списки могут сулить печальные результаты.

Сегментируем, исходя из ценности. Составляйте важные маркетинговые сегменты, принимая во внимание такие факторы, говорящие о ценности клиентов, как модели оттока и миграции, и т. д. Они могут меняться в зависимости от сферы индустрии. Например, в сфере беспроводных коммуникаций отток клиентов в среднем составляет около 30 % в год. Для отрасли, теряющей почти треть своих потребителей ежегодно, при том, что затраты на привлечение каждого нового клиента достигают 400 долл., самое минимальное усовершенствование в области удержания клиентов представляет немалую ценность. В области потребительских товаров, где этот показатель может быть намного ниже, возможно, целесообразнее оценивать склонность клиента мигрировать под влиянием более привлекательных ценовых предложений конкурентов.

Предвидим. Изучите клиентов каждого сегмента – тех, которые покидают компанию, мигрируют и т. д. – и попытайтесь определить других потребителей, имеющих сходные характеристики и особенности, которые могут переместиться в эти сегменты в ближайшем будущем. Кто из клиентов, на ваш взгляд, может отказаться от сотрудничества с компанией в ближайшие три-четыре месяца? Кого сейчас можно отнести к числу потенциальных клиентов компании? Определив риски и возможности, компания может принять предупредительные меры, снизив вероятность того, что клиенты действительно покинут ее, и увеличить возможности перекрестных продаж.

Как же выглядит успех, когда все расставлено по полочкам? По-разному. Например, предположим, что страховая компания хочет знать: «Каковы общие черты клиентов, приобретающих полисы страхования жизни?» Общие черты таких клиентов, определяемые с помощью статистической выборки, дают возможность составить модель клиента, который, вероятнее всего, станет покупателем страхового полиса в будущем. Определяя эти черты на основе геодемографических, психографических и ситуационных параметров, компания может в дальнейшем оценивать клиентов, исходя из того, насколько их информационные профили соответствуют шаблону, в данном случае модели покупателя страхового полиса. Клиентов, попавших в разряд «потенциальных генераторов прибыли», можно смело привлекать с помощью специально продуманных маркетинговых предложений. При этом клиенты, имеющие высокую ценность для компании, могут получать одни предложения, а клиенты, ценность которых не столь высока, – совершенно другие.

Обычно профиль клиента для кампании по увеличению количества единиц покупаемой им продукции составляется исключительно на основе данных о его покупках – показателя, на самом деле слишком узкого для определения ценности клиента для компании. Ценность клиента для компании тесно связана с тем, как часто потребитель покупает продукцию компании, когда он покупал ее последний раз и какую прибыль в денежном выражении он приносит компании. Но, как было отмечено выше, данные о покупках клиента отражают только его сегодняшнюю ценность. Чтобы определить ценность клиента в перспективе и в соответствии с этим правильно распределить ресурсы, компании должны принимать в расчет особенности ценности жизненного цикла клиента.

Для определения ценности клиента частота и денежное выражение его покупок, безусловно, первоочередные факторы. Для того чтобы определить клиентов, обеспечивающих компании основную массу доходов, First Union, шестой по размеру национальный банк США, использует программное обеспечение, анализирующее хранилище данных о взаимоотношениях с клиентами, содержащее 27 терабайтов информации о покупках 16 миллионов клиентов компании и других данных о них. Или возьмем крупнейший канадский финансовый институт – Bank of Montreal (BMO), активы которого составляют 155 млрд. долл. США. В 2002 году BMO твердо решил покончить с разобщенностью собранных многочисленных данных и сделать информацию о клиентах банка доступной всем организационным подразделениям. Было решено также оценивать прибыльность клиентов банка в режиме реального времени с помощью инструментов сегментирования и ранжирования клиентов в соответствии с такими критериями, как их склонность к покупкам, их покупательские предпочтения и даже вероятность ухода к конкурентам. Анализируя информацию, поступающую с 18 миллионов счетов в 32 подразделениях компании, эта оценка позволяет BMO создавать очень точные модели и предвидеть, каких клиентов заинтересует приобретение тех или иных финансовых продуктов, предлагаемых банком, и какими специальными маркетинговыми инструментами можно привлечь этих клиентов.

Неудивительно, что взаимосвязь между способностью прогнозировать и увеличением прибыли наиболее очевидна в сфере финансовых услуг. В целом, эта сфера далеко продвинулась в вопросах потребительской аналитики по сравнению с прочими рыночными секторами. Как демонстрирует наш пример, банки особенно склонны анализировать потребительские данные с целью распознать общие черты «идеальных клиентов», которые, возможно, сводятся к элементарному: внушительным суммам на кредитных картах и регулярности взносов. Установив это, банк вполне может принять решение снизить размер ежегодных взносов для этих клиентов и предложить им привлекательные и прибыльные программы, не прекращая при этом поиска новых клиентов, соответствующих составленному профилю «идеального клиента».

Не так давно Chase Manhattan Bank провел исследование, целью которого было определить, действительно ли клиенты, выражающие недовольство необходимостью не превышать минимальный баланс на карточном счету, приносят банку прибыль или, наоборот, заставляют его терпеть убытки. Следует ли банку просто избавиться от таких клиентов, если затраты на их удовлетворение превышают приносимую ими прибыль, позволив беспрепятственно переметнуться к конкуренту, предлагающему не такой высокий баланс счета? Ответ на этот вопрос не так прост, как может показаться на первый взгляд. Например, важно учесть тот факт, что удовлетворенный клиент приводит в компанию новых клиентов, существенно увеличивая ее клиентскую базу и снижая при этом затраты на привлечение новых потребителей.

Кроме того, как уже было сказано, компаниям не следует оценивать клиентов, полагаясь исключительно на их сегодняшнюю ценность. Дело в том, что сегодняшние самые прибыльные клиенты компании могут вовсе не быть лучшими. Вполне возможно, что лучшим клиентом компании окажется тот, кто сегодня приносит ей меньше всего прибыли. Обращаться с клиентом, основываясь на представляемой им на сегодняшний день ценности без учета возможностей завтрашнего дня, нелогично. Наоборот, компании должны стремиться собрать и проанализировать данные о клиенте, способные помочь определить, кто из потребителей, скажем так, «бронзового уровня» способен в будущем перейти на «золотой уровень», судя по их потенциалу. Опять-таки, прогнозирование этого потенциала предполагает использование техник прогнозирующего моделирования, чтобы предвидеть вероятность того, что клиент в будущем – не важно, через пять месяцев или через год – может рассчитывать на более высокий уровень обслуживания с вашей стороны. В этом случае, возможно, имеет смысл выделять больше средств на его обслуживание уже сегодня.

Таким образом, чтобы максимально повысить ценность собственной клиентской базы, компания должна постоянно придерживаться определенного набора действий. Во-первых, она должна определять тех клиентов, которые в наибольшей мере реализуют собственный потенциал потребления товаров или услуг компании, а затем подбирать соответствующий уровень продаж и обслуживания, способствующий поддержанию или дальнейшему укреплению взаимоотношений с ними. Вторая задача, более сложная, заключается в определении тех клиентов, которые на данный момент приносят среднюю прибыль компании, но которые потенциально будут приносить ее гораздо больше в будущем, и в соответствии с этим действовать. Чтобы рассчитать вероятность того, произойдут или не произойдут определенные события (в нашем случае, станут или не станут клиенты более прибыльными), компания должна максимально использовать возможности прогнозирующего моделирования.

Опять-таки, эти модели способны составить гораздо более четкую картину того, в каких клиентов следует вкладывать деньги, вопреки традиционному подходу слепого инвестирования в тех, которые непременно приносят прибыль сегодня. В конце концов, как известно любому любителю ресторанов, хороший ресторан может испортиться, а плохой – покинуть бизнес. То же можно сказать и о клиентах.

Подумайте над таким вопросом. Если бы вы были компанией, предлагающей финансовые услуги, владеющей информационными профилями миллионов клиентов, ограничились бы вы сферой исключительно финансовых услуг? Столкнувшись с тем, что данные о клиентах и сделках, в одних случаях кажущиеся абсолютно бесполезными, при дальнейшем размышлении оказываются вполне подходящей основой для более глубокого анализа, ряд банков пришел к тому, что их бизнес связан не только с финансовыми услугами, но и с информацией. Все чаще они используют финансовые услуги как рычаг, помогающий продвигать дополнительные продукты и услуги – от подписки на журналы до мобильных телефонов.

Пересматривая все собранные данные о клиентах и разбивая их на элементарные составляющие, компании, работающие в любых отраслях, могут открыть много ценного и полезного. Могут ли данные использоваться творчески для создания новых предложений, способствуя продвижению компании на смежные деловые арены? Могут ли они служить своеобразным вектором роста, трамплином, способным катапультировать компанию на новый уровень развития? Спросите у H&R Block. Несколько лет назад эта компания сумела использовать собранные данные о клиентах, чтобы выйти за рамки традиционно предоставляемых ею услуг в сфере налогообложения и расширить свою деятельность ипотечными и инвестиционными услугами, а также пенсионным планированием. Не иначе как Марк Эрнст, исполнительный директор компании, использовал тот самый Magic 8 Ball! В 2002 году, в разгар спада, компания объявила о повышении прибыли на 55 % по сравнению с предыдущим годом и назвала сумму в 3,3 млрд. долл. В следующем году уровень прибыли достиг 3,78 млрд. долл., а в 2004 году доходы должны были вырасти еще на 18 %, в основном за счет ипотечных операций. Для H&R Block управление потребительскими данными было очень умным шагом.

Мы начали эту главу словами Кена Кизи, автора знаменитой книги Полет над гнездом кукушки. Он писал: «Можно сосчитать семена в яблоке, но не сосчитать яблок, которые из семени вырастут». Слова Кизи как нигде уместны в контексте аналитики потребительских данных. Перефразируя их, можно сказать, что компания может определить сегодняшнюю ценность своей базы данных, но не будущую ценность отдельного клиента. Еще недавно это утверждение было вполне справедливым. Сегодня же способность «сосчитать яблоки, которые из семени вырастут» становится реальностью. И так же реально сегодня привлечь те самые «семена» – клиентов, которые принесут компании самый большой урожай.

Данный текст является ознакомительным фрагментом.