Анализ воздействия рекламы

Для привлечения новых клиентов торговые организации активно используют рекламу в средствах массовой информации. Однако не во всех источниках реклама создает одинаковое воздействие на людей. Кроме того, стоимость рекламы может очень сильно отличаться. Поэтому важно знать, какую пользу какая реклама приносит и на какие категории клиентов воздействует.

В данных о сделках содержится информация об источнике рекламы, который способствовал совершению сделки. С помощью OLAP-куба можно получать отчеты с объемами сделок в разрезе различных источников. Не менее интересна информация в разрезе источника и каких-либо характеристик клиента. На рисунке 5 приведен пример отчета, из которого видно, что сильное воздействие оказывают семинары, а также видно как это воздействие распределяется по регионам.

Рисунок 5. Воздействие рекламы в регионах.

Для того, чтобы понять, какими же характеристиками обладают клиенты, совершающие сделки по тому или иному источнику рекламы, удобно воспользоваться самоорганизующимися картами Кохонена. Для их обучения необходимо использовать в качестве входных поля со всевозможными характеристиками клиентов и источник рекламы. После обучения нейросети будут построены карты по одной на каждое поле. Выделив на карте с источником, интересующую рекламу, можно будет посмотреть на других картах, какие же клиенты попали в эту область.

Сегментация клиентов

Наиболее активные фирмы, занимающиеся торговлей, используют как пассивную рекламу для привлечения новых клиентов, то есть, например, рекламу на телевидении, на радио, в прессе, так и рассылку с прямыми коммерческими предложениями. Для повышения эффективности подобных мероприятий необходимо учитывать интересы клиентов, объектов воздействия. То есть предлагать клиентам именно тот товар, который они предпочитают. Но нельзя учесть предпочтения каждого клиента. Необходимо выделять некоторые группы – сегменты – клиентов и уже этим группам предлагать конкретную категорию товаров.

Выделять сегменты клиентов можно по нескольким группам признаков. Это могут быть сегменты по сфере деятельности, по географическому расположению. Для чего это нужно? После сегментирования можно узнать, какие именно сегменты являются наиболее активными, какие приносят наибольшую прибыль и где находятся наиболее лояльные клиенты, выделить характерные для них признаки. Для решения этой задачи воспользуемся мощным механизмом кластеризации – самоорганизующимися картами Кохонена.

На рисунке 6 представлены карты Кохонена, полученные после кластеризации клиентов по характеристикам: вид (KIND), удаленность региона (DISTANCE), сфера деятельности (BRANCH), среднегодовые суммы сделок (SUMM) и частота сделок – количество сделок в неделю (DEAL_STATE). Поле BRANCH является строковым и использовалось как выходное, поэтому в процессе обучения нейросети оно не участвовало. Но после группировки по остальным полям, значения поля BRANCH также могли быть сгруппированы на карте.

Рисунок 6. Сегментация клиентов.

Видно достаточно четкое разделение на 4 сегмента. Воспользуемся теперь деревом решений для получения правил отнесения клиентов к этим сегментам. Входными для дерева решений будут те же характеристики, а выходным – номер кластера. Результат представлен на рисунке 7.

Рисунок 7. Правила отнесения к сегменту.

Полученные сегменты можно интерпретировать следующим образом. Сегмент 0 – физические лица, расположенные ближе 600 км – клиенты, совершающие сделки на небольшую сумму и не очень часто. Сегмент 1 – клиенты, приносящие большую прибыль и часто совершающие сделки – это юридические лица в сфере связи, расположенные от 175 до 600 км. Клиенты сегмента 3 редко совершают сделки и приносят маленькие прибыли. Эти клиенты расположены дальше 600 км. Сегмент 2 обладает средними показателями.