- •Не торопятся
- •Спрос до предложения
- •Клиенты и пациенты
- •Издательский бизнес
- •Не клиент, но менеджер
- •Сложности при внедрении crm-системы
- •Хранилище данных по клиентам
- •Создание аналитической отчетности
- •Анализ воздействия рекламы
- •Сегментация клиентов
- •Поиск признаков прибыльных клиентов
- •Анализ предпочтений товаров
- •Прогнозирование успеха сделки
- •Прогнозирование объемов продаж
- •Заключение
- •Как лучше делить
- •Разбор клиентов
- •Работа с сегментированными группами
- •Великолепная семерка
- •Пять "нет"
- •Итоги деления
- •Комментарии специалистов
- •Концептуальная модель взаимодействия клиента и компании
- •Уровень каналов взаимодействия с клиентом
- •Уровень бизнес процессов компании
- •Аналитические возможности
- •Интеграция с третьими системами
- •Агрегированные требования к crm-системе
- •Не провалитсья в аквариум (Станислав Павлюк, директор департамента систем взаимодействия с клиентами компании АйТи, Москва)
Поиск признаков прибыльных клиентов
Какие же из выделенных выше сегментов являются наиболее прибыльными? Клиентов, приносящих большую прибыль удобно посмотреть с помощью OLAP-куба. На рисунке 8 показана кросс-таблица, на которой по горизонтальной оси отложены номера сегментов клиентов, полученных при помощи карт Кохонена, а по вертикальной – среднегодовые суммы сделок, приходящиеся на каждого клиента. Видно, что особое внимание нужно уделять клиентам первого сегмента.
Рисунок 8. Продажи по сегментам.
Анализ предпочтений товаров
Как уже говорилось выше, анализ предпочтений товаров нужен для успешного проведения маркетинговых кампаний по рекламной рассылке клиентам. Для этого выделяются сегменты клиентов, предпочитающих определенную группу товаров. При этом один и тот же клиент может попасть в разные сегменты.
Наиболее простой и наглядный способ определения какие клиенты предпочитают ту или иную группу товара – это применение карт Кохонена. Для анализа используется информация обо всех сделках с клиентами на приобретение товара. То есть, есть таблица с клиентами, их характеристиками и наименованием группы товара, который они приобретали. Эта таблица используется при обучении карт Кохонена. На вход нейросети подаются характеристики клиента, а на выход – группа товара. Надо отметить, что выходные поля при обучении нейросети не участвуют. После группировки клиентов в некоторые области, группы товаров также должны сгруппироваться в области, если, конечно, существует зависимость между характеристиками клиентов и покупаемым товаром. Если после обучения карт Кохонена группы товаров не разбросаны по карте, а сгруппированы в области, то зависимость есть и далее можно сделать группировку по сегменту клиентов, клиентам и группе товаров. Для такой группировки удобно воспользоваться OLAP-кубом, подсчитав количество клиентов в каждом сегменте, по каждой группе товара. Результат такой группировки представлен на рисунке 9.
Рисунок 9. Количество клиентов в каждом сегменте, по каждой группе товара.
На этом рисунке по горизонтали отложены номера сегментов клиентов, а по вертикали – количество клиентов в каждом сегменте, по каждой группе товара. Например, в нулевом сегменте 90 клиентов предпочитают третью группу товара, а 65 – вторую. Причем, один и тот же клиент мог внести вклад и в ту и в другую группу.
Видно, что в первом сегменте нет какого-то определенного предпочтения товаров, во втором сегменте явно пользуется спросом группа 1, в нулевом предпочитают группы 2 и 3, в третьем – 1 и 2. Теперь ясно, каким клиентам, какой товар предлагать.
В торговых организациях постоянно обновляется ассортимент товаров. Если ассортимент вовремя не обновится, организация вскоре может потерять часть клиентов. С другой стороны, чрезмерное пополнение ассортимента новинками может не соответствовать текущим требованиям рынка. Алгоритм поиска компромисса может быть следующим. В каждой сегментной группе клиентов ищутся те, которые в большей степени предпочитают данную группу товара, и именно им предлагается новинка из той товарной группы, которая наиболее предпочтительна для данного сегмента. В случае успешного предложения, этот товар можно будет предложит остальным представителям данного сегмента. В OLAP-кубе из предыдущего примера оставим только третий сегмент и с помощью селектора оставим только первые 10 наиболее активных клиентов. Ими оказались клиенты, представленные на рисунке 10.
Рисунок 10. Клиенты третьего сегмента, в большей степени предпочитающие товар групп 1 и 2.
В случае появления нового товара можно сначала предложить его этим клиентам, а в случае положительных откликов распространить предложение на остальных клиентов этой группы.