Клиентская аналитика способы анализа

Клиентская аналитика: с чего начать

Клиентская аналитика (также можно встретить термин «аналитика клиентских данных») представляет собой систематический анализ данных о клиентах и их поведении. Основные цели аналитики – идентификация ЦА, привлечение и удержание покупателей. В зависимости от потребностей и зрелости бизнеса у вас могут быть look-alike модели, модели оттока, поведенческая сегментация, склонность к реакции на воздействие и модели LTV, которые регулярно оценивают статус клиентов и приносимую ими прибыль.

Почему клиентская аналитика важна

Клиенты принимают решения о выборе товара и покупке на основе определенной информации. Где купить, что купить, сколько заплатить и так далее – все эти данные в дальнейшем сохраняются у компании. Поэтому важность аналитики этих данных становится очевидной – аналитика позволяет использовать накопленные сведения для прогнозирования поведения клиентов при взаимодействии с брендом.

Основная цель клиентской аналитики – формирование точного портрета клиента

Основная цель клиентской аналитики – формирование точного портрета клиента, что в свою очередь позволяет понять, как привлекать и удерживать покупателей, сегментировать аудиторию; выявлять клиентов, готовых платить больше, и активно работать с ними. Чем лучше компания понимает привычки и предпочтения своих покупателей, тем точнее сможет спрогнозировать их поведение, и тем эффективнее будет выстраиваться карта пути клиента (customerjourney). Но такое понимание невозможно без анализа больших объёмов исторических данных.

Как использовать клиентскую аналитику

Чаще всего клиентской аналитикой занимаются разрозненные команды, состоящие из менеджеров высшего и среднего звена, – руководителей отделов продаж, маркетинга, клиентского сервиса, IT и бизнес-аналитики.

Работа с данными будет максимально эффективной только в том случае, если все члены такой команды выработают соглашение относительно того, какие именно бизнес-показатели являются ключевыми для оценки потребительского опыта. Использование различных CRM- и ERP-систем и недостаточная интеграция всех получаемых данных могут повлечь за собой фрагментарное представление о клиенте, результатом чего станет формирование неверного портрета клиента и выбор некорректной стратегии работы с ним.

Бенчмарки клиентской аналитики

Накопление и анализ данных с использованием специфических метрик позволяет бизнесу успешно выстраивать отношения с клиентами. Далее перечислены лишь некоторые из методов аналитики, работающие на принятие более эффективных управленческих решений:

Метрики и KPI, которые характеризуют клиентов, например, новые, лучшие (приносящие высокую прибыль), постоянные (совершающие покупки с определенной регулярностью), в зоне риска по оттоку. Эти показатели отслеживаются и сравниваются между собой.

• Определение отношения к бренду и уровня удовлетворенности клиентов.
• Сегментация аудитории и персонализация рекламных предложений на основе данных о предпочтениях клиентов.
• Привлечение покупателей с использованием эффективных каналов взаимодействия.
• Прогнозирование снижений спроса и принятие мер по увеличению жизненного цикла клиента.
• Выявление текущих трендов при помощи анализа больших данных и выстраивание новых моделей поведения с клиентами в целях роста продаж.
• Идентификация клиентов

Очевидным кажется факт, что клиентской аналитикой можно заниматься только в случае возможности идентифицировать каждого клиента. Для этого ритейл, HORECA и другие операторы услуг вводят карты лояльности. В e-commerce с этим легче – не требуется специальных усилий, так как текущего клиента можно идентифицировать по номеру телефона или электронной почте.

Можно ли заниматься клиентской аналитикой, если карт или других способов привязать конкретных людей к покупкам нет?

Можно ли заниматься клиентской аналитикой, если карт или других способов привязать конкретных людей к покупкам нет? Даже существующие системы лояльности не всегда отрабатывают корректно – например, в магазинах, предлагающих редкие и дорогие товары, карта может передаваться разным людям, или продавцы могут предлагать использовать их карту, чтобы получить скидку. Отсутствие четкой идентификации не позволит разработать дифференцируемые портреты клиентов по сегментам, и таргетированные предложения тоже будут не доступны, но можно улучшить работу в других направлениях.

Например, в продажах можно провести поиск закономерностей сочетаний товаров в чеке – определить лидеров и аутсайдеров, понять особенности структуры покупок по городам, дням/ неделям, продавцам. Немаловажным является изучение активности промо по брендам, категориям или подкатегориям: выручка, маржа, количество заказов, доля продаж по промо, проникновение в чеки. В результате можно понять, какие бренды и подкатегории являются доходообразующими и прибылеобразующими.

Дополнительно результаты такого исследования можно предложить производителям – многие готовы покупать информацию, чтобы больше узнать о том, как продается их продукт.

Инструменты клиентской аналитики

Инструменты клиентской аналитики – это специальные приложения, которые позволяют на основе собранных данных понять предпочтения и поведение покупателей и в дальнейшем адаптировать маркетинговые кампании под конкретные сегменты аудитории. Эти приложения могут быть частью CRM-системы или реализовываться как самостоятельные инструменты, позволяющие решать полный спектр задач – от сбора данных о клиентах из различных источников до анализа и визуализации результатов. Профессиональные решения для аналитики, как правило, включают в себя возможности Data Mining– интеллектуальные алгоритмы для глубинного анализа, например, кластеризацию и ассоциативные правила.

Выбор решения зависит от зрелости и размера компании

Выбор решения зависит от зрелости и размера компании – для полноценного анализа пути клиента недостаточно использовать данные только CRM: требуется объединение данных из разных источников и поиск стыков – по какому параметру данные из разных баз можно «привязать» к конкретному клиенту.

И в завершении хочется обсудить такой вопрос – кто является пользователем систем клиентской аналитики? Аналитик, data scientist или представитель бизнеса? В идеале все три должны иметь доступ: data scientist работает с моделями оттока, прогнозирования, аналитик в ежедневном режиме анализирует текущие и исторические данные для поиска прорывных идей и бизнес-пользователь – человек, обладающий знаниями и опытом в предметной области тоже вовлечен в хантинг инсайтов – продвинутые инструменты практически в режиме реального времени позволяют проверять свои гипотезы. И глупо соглашаться на что-то меньшее. Подробнее про лайфхаки для ваших big data читайте в блоге Polymatica или Telegram (@polymaticarus).

Источник

Погружаемся в динамику клиентской базы: когортный анализ и анализ потоков

Продолжаю цикл статей по анализу продукта (начало)

В прошлой статье я погрузился в анализ выручки и разбил ее на 2 компоненты — MRPU и кол-во клиентов. Сегодня рассмотрим дальнейшие шаги в анализе и разложим на составляющие кол-во клиентов и их динамику.

Теперь общая схема анализа выглядит так:

Когортный анализ позволяет объяснить тенденции, протекающие в клиентской базе и пробрасывает прямой мост в воронку продаж и действия по удержанию и возвращению клиентов.

Что такое когортный анализ? Это разложение клиентов по датам их «прихода». Для разных продуктов это может быть различные события, например:

1. Первая покупка
2. Подписанный контракт на абонентское обслуживание
3. Оформленная платная услуга в скачанном приложении.
4. Первое зачисление денег на лицевой счет

Все зависит в итоге от вашего определения, когда вы считаете, что у вас появился клиент. Логичнее всего привязываться к моменту получения дохода или появления у клиента обязательств что-то заплатить. Хотя у каждого продукта могут быть свои особенности и клиентом можно уже считать и того, кто подписал какой-то договор, еще без внесения денег.

Если мы разобьем всех клиентов по датам «прихода», сгруппируем по месяцам (или неделям, дням зависит от типичных циклов жизни клиентов) и посчитаем кол-во клиентов, кто все еще продолжает быть клиентом (все еще платит, не расторгнул контракт) мы получим примерно такую картину:

Для простоты анализа часто близкие по датам начала когорты объединяют, чтобы диаграмма не выглядела как лапша.

В моем примере с привлечением клиентов все хорошо и клиентская база прирастает за счет привлечения новых клиентов. При этом в какой-то момент удается вернуть старых клиентов (мы видим, что самая старая когорта увеличивается к концу периода).

В анализе когорт у нас есть ряд важных производных характеристик, на которые стоит обратить внимание:

1. Размеры новых когорт — это прямая характеристика ваших усилий по привлечению клиентов. Новые когорты формируются из новых клиентов
2. Скорость распада когорт — это средняя величина, с которой во времени убывают ваши новые клиенты по мере возрастания их срока жизни. Обычно это процент, на который убывает когорта за период жизни.
3. Размеры «старых» когорт. В «старую» когорту обычно помещают клиентов, которых вы уже не считаете новыми. Это люди, кто должны в теории быть вашими постоянными клиентами. Чаще всего эта когорта формирует основной объем выручки и самая большая по численности. Динамика размера «старой когорты» определяет ваши перспективы как продукта. Сокращение «старой когорты» или ее стагнация — звоночек, что у вас проблемы с продуктом, с продажами или лояльностью.

Хочу отметить, что обычно не существует «срока жизни» клиента, т.к. чаще всего когорты дляться и дляться, просто в них становится все меньше и меньше клиентов. В этом смысле бытовое значение слова «срок жизни» оказывается неверной интерпретацией распада когорт. Если мы говорим о 3 месяцах «среднего срока жизни», то не верно это понимать, что у вас не остается клиентов через 3 месяца. Употребление термина «средний срок жизни» становится некоторым математическим трюком. Дело в том, что распад когорты характеризует именно темп убывания клиентов. И вы можете перевести этот темп в термины: я теряю 50% когорты за 3 месяца. Или еще более жесткий — я теряю 95% когорты за 12 месяцев. Но возможно, что типичный срок потери всей когорты растянется на года. Поэтому хорошо прояснять в своей аналитике, какую метрику вы хотите использовать.

Использования метрики «Х% за Y периодов» хороший количественный способ для сравнения качества когорт между собой. Дело в том, что любая когорта — это небольшой «эксперимент». Люди в каждой когорте проходят встречу и ознакомление с вашим продуктом с нуля. И историческая ретроспектива когорт показывает ваши успехи и неудачи в отношении onboarding, а затем и в отношении retention\churn. Если вы методически добиваетесь повышения характеристики Y, то это означает, что вы хорошо развиваете продукт и взаимоотношения с клиентами. В целом это дело вкуса, вы можете как оперировать «средним сроком жизни» в том смысле в котором я его обозначил выше, либо же использовать оценку распада когорты в процентах.

Еще одним хорошим методом «взгляда» на когорты является анализ потоков клиентской базы. Это более наглядная свертка данных в когортах. Мы соединяем наши когорты и их динамику следующим образом:

1. Сколько пришло новых клиентов в отчетном периоде (просто новые когорты)
2. Сколько вернулось старых клиентов в отчетном периоде (клиенты из старых когорт, то возобновил отношения)
3. Сколько клиентов в действующей базе (были и остались)
4. Сколько клиентов ушло из старых когорт

Такая картинка наглядно показывает баланс притоков и оттока клиентской базы. И если ваш отток выше притока, ты вы сразу понимаете, что у вас проблемы.
В этом примере баланс потоков клиентов сильно в сторону притоков и поэтому клиентская база растет быстрыми темпами.

Что дает нам разложение клиентов на когорты:

1. Мы можем увидеть, насколько быстро наша клиентская база обновляется, какую часть в ней составляют «новички», а в какую «старички»
2. Если основа клиентской базы это старички и ваши новые клиенты дают 1% к базе в месяц, то как-то странно ожидать прироста клиентов в 50% к концу года. Вы или должны увеличивать входящий поток клиентов (что обычно проще) или вернуть значительную часть ранее потерянных клиентов (что обычно сложнее).
3. Если же срок жизни ваших клиентов короткий и у вас почти не накапливаются «старички», то это наоборот означает, что ваши усилия в отношении старичков должны быть на втором плане. И вам нужно работать над увеличением срока жизни клиента, onboaring или продолжать увеличивать входящий поток.
4. Анализ когорт дает вам возможность прогнозировать будущее состояние вашей экономики и ответить на вопрос «Сможете ли выполнить план, если при тех же показателях распада, вы увеличите в 2 раза привлечение клиентов»?
5. Мы можем оценить количественно успешность наших усилий по привлечению и удержанию клиентов через сравнение скорости распада когорт.
6. По итогам анализа вы можете понять где проблема в продукте в отношении клиентской базы (привлечение, удержание, «срок жизни» и т.п.)

Я уже замечал, что пока мы находимся на анализе всех средних. Но ваша клиентская база может иметь различные сегменты и кластеры. Ваш анализ по когортам станет еще продуктивнее, если вы проведете сегментацию и кластеризацию клиентской базы.

В следующих паре статей я напишу по подготовку данных для когортного анализа и про прогнозирование когорт в будущее для прогноза динамики клиентской базы.

Источник

Клиентская аналитика: Большой Брат знает, что ты купишь завтра и когда сменишь провайдера

Если вы знаете, что один из ваших клиентов завтра проснётся с мыслью о покупке нового планшета — можно уже сегодня прислать ему письмо с кодом на скидку. Если вы понимаете, что по всем признакам клиент собирается перейти к другому провайдеру, можно повысить ему скорость, снизить цену или предложить что-то ещё. Это клиентская аналитика.

Если вы не знаете, какой тарифный план из трёх предложенных стоит запустить по всей стране, надо воспользоваться клиентской аналитикой, которая возьмёт каждого отдельного человека из базы, оценит эмоциональные и практические мотивы перехода – и позволит понять, сколько людей будут пользоваться этим тарифом.

Именно так выглядит Data Mining в клиентской аналитике. И именно так это уже работает на практике в сотнях крупных компаний по всему миру и в нашей стране.

В прошлом топике я уже писал о том, насколько сильно клиентская аналитика может преобразить call-центр, когда вы знаете всё про звонящего. Это — кусочек большого паззла про клиентскую аналитику.

Начнем с азов: работа с сегментами

Не все абоненты равноценны с точки зрения маркетинга: они различаются по доходности, перечню потребляемых услуг, лояльности или склонности к уходу. Нужно иметь возможность разделять аудитории и работать с каждым сегментом отдельно.

Почему? Потому что чем точнее мы сфокусированы на клиенте, тем больше будет отдача. Например, можно предлагать ту или иную услугу или товар не всем подряд, а тем, кто по сегментации наиболее вероятно примет предложение.

Работает ли это на практике? Да. Последние годы я занимаюсь внедрением инструментария для анализа клиентских обращений и могу сказать, что это, определённо, очень мощный инструмент для крупного бизнеса.

Что можно использовать в качестве исходных данных?

Базовый параметр — ценность абонентов – может определяется по набору вот таких данных:

• Склонности продолжать пользоваться услугами компании или уйти в другую на основе среднего срока обслуживания клиента группы и прошедшего времени.
• Соцстатуса на базе биллинга, программ лояльности и социального графа.
• По текущему портфелю услуг (истории заказов).
• На базе предиктивной модели — по списку услуг или товаров, который будет с высокой вероятностью использоваться клиентом в будущем.
• Лояльности (на основе истории событий из CRM).
• Плюс по ещё десяткам параметров, зависящих от конкретного бизнеса.

Дальше можно выделить группы, с которыми стоит работать в первую очередь. Определяется это на основании текущей стратегии компании (захват доли рынка, удержание клиентской базы, повышение рентабельности и так далее) и тактической ситуации (степени удовлетворенности абонентов, качества услуг и далее).

Для каждого отдельного клиента может быть сформировано индивидуальное послание, учитывающее его профиль.

Пример про удержание и возвраты

Ниже — характерный график ухода клиента и новый график ситуации, при которой тенденция была вовремя обнаружена и клиент вернулся.

В моей практике был кейс, где одна только программа поиска нужного времени обращения к клиенту (и поиск оптимального предложения) позволили поднять прибыль от программы лояльности в 4 раза. Ранее программа лояльности работала, но работала не очень точно. Здесь речь идёт более точном фокусировании акции (раннем обнаружении тенденции, понимании, сколько клиент может принести прибыли плюс составления оптимального предложения, повышающего вероятность удержания или возврата).

В более широком смысле, то что мы делаем – это ищем клиентов, которым можно что-то предложить за сутки до того, как они пойдут искать это сами. Второй вариант — находим области рынка, где у компании есть явное преимущество и быстро охватываем всех возможных клиентов.

Интеграция и практическое использование

Интеграция этого кусочка с CRM позволяет доставить аналитику точно по месту для операционных решений: например, это реально работает для провайдеров связи при выборе тарифа, в банке при выборе вариантов счёта, в ритейле – по товарным предложениям и так далее.

Вот пример кусочка расчётов тогда, когда клиенту нужно предложить один из двух продуктов (например, тарифных планов):

Есть сочетание с маркетинговым движком. Например, можно стимулировать клиента к новым покупкам на основе профилей клиентов, похожих по поведению (что бы вы купили завтра, если бы вели себя как вся группа?). Есть и response engine, куда можно подать данные типа условий маркетинговых акций, и на выходе получить выборку клиентов, для которых каждая акция будет оптимальна. Результат – меньшие затраты на проведение, высокая отдача.

Ещё одна интересная вещь – проверка гипотез о стратегических решениях. Например, нужно рассчитать стоимость внедрения очень дорогой программы лояльности: можно получить прогноз доходности. Более широко — можно оценить всю существующую клиентскую базу и понять капитализацию компании. Ещё интересный пример: при продаже бизнеса можно учесть весь потенциальный доход от клиентской базы.

Контроль результатов

С одной стороны, чем больше источников данных, тем с большей точностью можно сегментировать базу и подобрать предложения для каждого сегмента. Первый сценарий – количество данных ограничено, и обработка происходит в оффлайне (поскольку процесс сбора данных со всех источников постепенный), это уже прошлый век и слабая интеграция. Второй сценарий – работа со всеми источниками данных в «естественном окружении» и в реальном времени — именно с этими предиктивными решениями я сейчас работаю.

Итак, что это даёт?

• Можно заглядывать в будущее в плане тактических, операционных и стратегических решений.
• Система позволяет опираться на точные данные, а не на интуитивные.
• Можно прорабатывать базу очень глубоко и точно, фактически, выстраивать оптимальную модель для каждого клиента.
• Бизнес-аналитики радуются, потому что на выходе – понятные даже старшекласснику данные.
• Всё это работает в реалтайме на базе имеющихся данных.
• Делается относительно простая интеграция с любой ИТ-средой.
• Расчёты позволяют прикрыть зад: лучше посчитать и сделать, чем не посчитать и сидеть на месте.

Как правило, такие системы внедряют в инфраструктуру компании, у которых 1 и больше млн. клиентов, но зачастую они успешно работают и начиная от 100 тыс. клиентов.

Есть ли такая практика в нашей стране? Да, определённо. Я лично занимался интеграцией для операторов связи, компаний банковской сферы, и ритейла и знаю о многих подобных проектах своих коллег, поэтому можете быть уверены – не только Google использует ваши данные, чтобы предложить вам что-то.

Можно ли построить такую систему самому для малого бизнеса? Да, можно: основные принципы вы уже знаете, глубокая интеграция не нужна, инфраструктура, в отличие от гигантов рынка поднимается «на коленке». В общем, если использовать самые очевидные вещи, есть шанс быстро повысить эффективность.

Источник