Понимание своих клиентов, структуры их множества, закономерностей поведения и мотивации превращается в сложную задачу без внедрения интеллектуальных систем анализа данных. Внедрение CRM-системы обеспечивает только сбор и систематизацию данных. Использован

Рост числа внедрений CRM-систем обусловил во многих компаниях интерес к обнаружению закономерностей в базах данных, содержащих сведения о клиентах. Решению данной задачи способствует внедрение системы, реализующей методы Data Mining, которые предназначены для обработки и содержательной интерпретации данных с целью выявления актуальных трендов и выработки оптимальных стратегий.

Анализируя затраты на маркетинговую деятельность, компании все больше внимания уделяют их оптимизации. Актуальными становятся такие вопросы: как можно больше узнать о своих клиентах? как правильно использовать имеющуюся информацию для формирования пакета наиболее интересных предложений определенным клиентам? как понять, какое из предложений оказалось наиболее успешным?

Ответить на подобные вопросы поможет система сбора всех доступных данных из различных источников (ERP, CRM, почта, excel-файлы и т.д.) по всей компании, включая все ее филиалы. Эти данные должны проходить проверки на полноту, непротиворечивость, приводиться к единому удобному для конечного пользователя формату и быть достаточно детализированными. Собранные данные сохраняются в многомерном аналитическом хранилище (OLAP-хранилище), что позволяет на лету формировать аналитические отчеты в различных разрезах и с произвольной глубиной детализации. Средства OLAP также идеально подходят для проверок заранее сформулированных аналитиком гипотез.

Внедрение полноценной аналитической системы осуществляется с помощью методов Data Mining, обнаруживающих ранее неизвестные и нетривиальные закономерности для собранных в компании данных. Такие знания призваны обеспечить конкурентные преимущества за счет более глубокого взгляда на процессы, тенденции и риски в бизнесе компании. Методы интеллектуального анализа данных — это многоступенчатый и порой весьма сложный процесс, но выгода может в десятки раз окупить затраты.

Успех процесса управления взаимоотношений с клиентами зависит от анализа данных, который может выявить новые направления, коммерческие возможности, а также своевременно предупредить о неблагоприятных тенденциях.

Использование Data Mining в CRM призвано помочь определить способы выхода на новых клиентов, а также сохранить и улучшить взаимоотношения с существующими клиентами. Методы анализа данных могут варьироваться от весьма простых (определения, с кем, когда и где необходимо вступить в контакт) до сложных (алгоритмов прогнозирования клиентского поведения и определения оптимальных маркетинговых стратегий).

Ниже мы приведем две обширные категории анализа данных и рассмотрим, как они могут быть использованы в приоритизации инициатив по управлению взаимоотношениями с клиентами.

Модели Data Mining

Описательный анализ

Сегментация и кластеризация широко используются для группировки клиентов со сходными характеристиками, чтобы выявить шаблоны, которые можно использовать при формировании маркетинговых инициатив.

Базовая сегментация часто используется для группировки клиентов по легко различаемым и независимым признакам, таким как демографические данные, возраст, пол, доход и т.д. Сегментация должна формировать группировку, ведущую к лучшему пониманию структуры клиентской базы и, соответственно, характеру маркетинговых инициатив.

Кластеризация часто используется для описания независимых подсегментов на основании набора предварительно выбранных характеристик, к которым относятся ключевые индикаторы потребительского поведения. Большие компании часто используют географические, демографические, социальные, экономические характеристики, наложенные на потребительские показатели для продвижения брэнда. Некоторые компании используют понятие «ценность кластера» при построении маркетинговой деятельности на основании текущей или потенциальной ценности соответствующей группы клиентов.

Пересекающиеся сегменты требуют более сложных аналитических методов и предполагают учет особенностей характера поведения клиентов. Например, какой-либо клиент может тратить много средств на какую-либо услугу, но не тратить ничего на сопутствующие услуги и товары. Эти закономерности потребления должны служить факторами дальнейшего разделения клиентов на различные группы.

Другим примером описательного анализа может служить так называемый анализ рыночных корзин, который связывает вместе продукты на основании их совместного покупательского потребления.

Анализ последовательностей действий — также пример описательного анализа. В этом случае выявляются паттерны во временной последовательности выполняемых клиентом действий, будь то заказы или клики на сайте.

Модели прогноза

Прогнозирование — мощное аналитическое средство, использующее статистические методы для предсказания поведения клиентов на основании большого количества различных факторов. Модели прогноза определяют факторы, в наибольшей степени влияющие на какой-либо целевой показатель, определяют степень и характер такого влияния. Результатом моделирования является количественное описание зависимости, на основании которого можно построить прогноз значения целевого показателя в зависимости от значений входных факторов.

Существуют множество методов прогнозирования. Большое распространение получили методы, оценивающие силу влияния тех или иных факторов на изменчивость целевого показателя. Скажем, нас могут интересовать факторы, определяющие потребительский выбор и выделение наиболее значимых из их числа, например, демографические, личные и транзакционные данные о клиенте.

Модели CHAID или CART создают деревья решений по наиболее информативным атрибутам. Деревья решений популярны из-за высокой точности прогноза на большинстве видов бизнес-данных, а также благодаря легкости понимания результата, формулируемого в виде последовательностей условий и результата прогноза. Примером может служить ветка дерева решений, сформулированная так: «Если возраст клиента между 25 и 40 годами, у него имеется автомобиль и профессия клиента — финансовый аналитик, то ему можно выдавать кредит с риском невозврата 0,004%».

Считается, что нейронные сети имитируют в определенной степени работу человеческого мозга в части интуитивного обучения на опыте. В процессе обучения определяются характеристики связей между нейронами сети для минимизации ошибок классификации обучающих данных. Достоинствами нейронной сети является высокая точность прогнозирования, а недостатками —
сложная настройка, длительное обучение, а также невозможность вербальной интерпретации полученных результатов, поскольку система функционирует как «черный ящик».

Для прогнозирования, кроме деревьев решений и нейронных сетей, используются также байесовские сети, логистическая и линейная регрессия, дискриминантный анализ, метод опорных векторов, генетические алгоритмы и др.

Применение методов Data Mining в CRM

Модели прогнозирования могут использоваться для предсказания реакции на целевое направленное предложение. Для индивидуальных клиентов или предприятий можно оценить вероятности отклика на то или иное предложение. Эти оценки далее будут использоваться для реализации сценариев «что — если» при выработке маркетинговых программ.

Модели оценки рисков могут использоваться для определения вероятности отказа от обязательств, неуплаты. Эти модели чаще всего основываются на данных кредитного отдела. Для статистически обоснованных выводов требуются большие объемы данных и длительный исторический период. В последнее время распространение получил анализ характеристик поведения представителей клиента, являющихся индикатором серьезных проблем в бизнесе. Эти модели призваны своевременно выявить риск разорения или ликвидации клиента.

Рассмотрим применение методов Data Mining в управлении взаимоотношениями с клиентами.

Сегментации клиентов по ценности

Сегментация клиентов по ценности может предоставить данные для эффективного построения описательных и предсказательных моделей. Компания может сформировать описание своих клиентов в виде матрицы 2x2 и поместить их в соответствующий квадрант на основании их текущей и потенциальной ценности. Инициативы по управлению взаимоотношениями с клиентами могут быть начаты в каждом из четырех квадрантов.

Квадрант 1: «Высокая текущая ценность/высокая потенциальная ценность». Основа политики взаимоотношений — удержание. В зависимости от вида коммерческой деятельности 10% наиболее прибыльных клиентов могут представлять от 50 до 80% прибыли компании, таким образом потеря клиента из этого квадранта может быть очень чувствительна для бизнеса в целом. Следовательно, компания должна выполнять действия по удержанию клиентов из первого квадранта.

Квадрант 2: «Низкая текущая ценность/высокая потенциальная ценность». Основа политики — улучшение взаимоотношений. Ценность этих клиентов для компании может быть увеличена посредством прямой работы с ними, а также за счет кросс-продаж. Возможно, эти клиенты не получили интересных предложений в прошлом или столкнулись с неадекватным сервисом со стороны ваших менеджеров. Должны быть предприняты попытки по расширению и углублению коммерческих взаимоотношений с клиентами второго квадранта.

Квадрант 3: «Высокая текущая ценность/низкая потенциальная ценность». Основа политики — изучение ситуации. Некоторые авторы призывают «доить» клиентов из третьего квадранта для получения текущей прибыли. Мы рекомендуем изучать таких клиентов, чтобы
определить тех, с которыми мы можем найти больше точек соприкосновения в будущем, а также выявить рыночные сегменты, в которых будущее сотрудничество наиболее вероятно.

Квадрант 4: «Низкая текущая ценность/низкая потенциальная ценность». Основа политики — завершение контактов. Так как нельзя сконцентрироваться на всех сегментах клиентов, мы предлагаем не предпринимать активных действий с клиентами четвертого квадранта и сконцентрироваться на работе с клиентами других квадрантов.

Комбинация системы сбора информации о клиентах, системы построения аналитической отчетности и системы выявления закономерностей в данных позволит компаниям лучше понять свою клиентскую базу и построить более эффективные и результативные взаимоотношения со своими клиентами. Как только компания начинает полноценно использовать информацию о своих клиентах, улучшаются финансовые показатели, а также уменьшаются критические риски отказа от обязательств, отказа от услуг и потери важных клиентов. Все большее число компаний приходят к выводу о том, что необходимо автоматизировать добычу знаний о своих клиентах и доводить эти знания до отделов продаж, маркетинга, кредитного отдела и топ-менеджеров.

Анализ жизненного цикла отношений с клиентами

Под жизненным циклом отношений с клиентами понимается процесс прохождения различных стадий взаимоотношений между ними и бизнесом.

Основными стадиями жизненного цикла отношений с клиентами являются:

  • возможные клиенты — люди или компании, которые не являются еще клиентами бизнеса, но входят в целевую рыночную группу.
  • респонденты — возможные клиенты, проявляющие интерес к продуктам или услугам компании.
  • активные клиенты — люди или компании, в данный момент использующие продукты или услуги.
  • бывшие клиенты — клиенты, с которыми сотрудничество закончилось по тем или иным причинам.

Ценность клиента, помимо прочего, зависит от стадии жизненного цикла его взаимоотношений с бизнесом, а также от возможности его перемещения на другую стадию. Эту информацию можно использовать для выработки оптимальной стратегии по обслуживанию различных групп клиентов (например, формируя специальные предложения, предлагая скидки).

Действия отдела маркетинга по работе с клиентами на различных стадиях должны заключаться в привлечении клиента, увеличении ценности клиента, удержании хорошего клиента. Чтобы успешно пройти эти стадии, следует выработать маркетинговые программы. Необходимо в первую очередь правильно выбирать целевую аудиторию своих кампаний, в том числе рекламных. Обязательным условием успеха таких кампаний является использование всех знаний о своих клиентах.

Стоимость получения нового клиента, по оценкам некоторых компаний, в пять-десять раз превышает стоимость удержания уже существующего клиента. Методы Data Mining позволяют выделить именно тех потенциальных клиентов, на которых нужно сконцентрировать свои усилия, чтобы сделать их активными клиентами, то есть перевести отношения с ними на другой этап жизненного цикла.

Представляют также большой интерес те клиенты, которые вероятно откажутся от услуг компании. Стоимость действий по возврату ушедшего клиента, по оценкам экспертов, в сотни раз превышает стоимость действий по удержанию. Поэтому предотвратить уход хорошего клиента — одна из важнейших задач любого успешного бизнеса. Data Mining позволит своевременно определить намеревающихся уходить прибыльных клиентов.

Обычно одной из задач Data Mining на первой стадии внедрения является построение профилей клиентов. Профиль — это некие общие характеристики, присущие определенной группе клиентов. Например, при помощи технологии Data Mining можно построить профиль высокодоходных клиентов, то есть узнать их общие характеристики и особенности потребительского поведения. Затем эти знания можно использовать для проведения кампаний, ориентированных на высокодоходных клиентов.

Вот две технологии проведения маркетинговых кампаний, направленных на повышение прибыли от существующих клиентов — up-sell и cross-sell.

Up-sell — продажа дополнительных товаров или услуг. Существующим клиентам предлагаются товары и услуги, находящиеся в более высокой ценовой категории и обладающие улучшенными характеристиками по сравнению с обычными покупками того же клиента. Предложение up-sell чаще всего представляет собой улучшенную версию уже потребляемой клиентом услуги или товара, более персонифицированный подход к его обслуживанию и т.д.

Cross-sell — продажа сопутствующих товаров и услуг. Существующим клиентам предлагаются товары и услуги, дополняющие те товары и услуги, которые он обычно потребляет. Для формирования подобных предложений служат модели ассоциативных правил (рыночные корзины). Подобные модели выявляют частые совместно приобретаемые наборы товаров и услуг, а также правила, прогнозирующие приобретение сопутствующих товаров или услуг.

Методы Data Mining могут помочь оценить текущую стадию жизненного цикла отношения с клиентом и прогнозировать его перемещение на другую стадию на основании анализа сопутствующих событий. С этой целью необходимо построить классификационные и прогнозирующие модели, решающие следующие задачи:

  • классификация характеристик клиентов, находящихся в каждом из состояний;
  • выявление клиентов, находящихся на тех же стадиях жизненного цикла и определение клиентов с похожими особенностями поведения;
  • характеристика событий, ведущих к переходу на другие стадии жизненного цикла взаимоотношений с клиентами;
  • выявление клиентов, для которых вероятен переход в другое состояние; прогнозирование такого перехода для различных клиентов.

Таким образом, для анализа и оптимизации жизненного цикла взаимоотношений с клиентами было бы недостаточно внедрить CRM-систему, так как она сама по себе не может дать знаний о клиентах и не предоставляет возможность лучше их понять. Но именно знание и понимание текущей ситуации в бизнесе своих клиентов, а также появляющихся тенденций в нем является необходимым фактором увеличения прибыльности своего бизнеса в высококонкурентной среде.

Ранжирование клиентов

Ранжирование клиентов происходит в зависимости от вероятности продемонстрировать определенное поведение на заданном горизонте прогнозирования. Таким поведением может быть заинтересованность и последующая покупка сопутствующих товаров или услуг, переход на другой вид поставки или оплаты и т.д.

Ранжирование осуществляется посредством построения классификационной модели, учитывающей характеристики клиента и его покупательского поведения в качестве входных параметров и наличия той или иной особенности поведения в качестве выходного (предсказываемого) показателя. Обучение модели производится на основании исторических данных. Методы и алгоритмы обучения, а также их эффективность могут быть различными и зависят от качества, полноты и объема данных. Часто применяются алгоритмы нейронных сетей, деревья решений, сети Байеса и т.д. В процессе обучения исходные данные часто разделяются на две группы — обучающая и тестовая выборка. Обучающие данные используются для автоматического подбора параметров алгоритма, а тестовые — для проверки адекватности полученных параметров в процессе прогнозирования результатов, не участвующих в построении модели. Такое разбиение нужно, чтобы избежать «переобучения» модели, то есть ситуации, когда полученный алгоритм хорошо «подгоняется» под известные результаты, но плохо прогнозирует новые данные. Затем, на основании обученной модели для каждого клиента, поведение которого мы хотим спрогнозировать, вычисляется вероятность проявления в ближайшем будущем всех интересующих нас особенностей поведения. Например, если модель прогнозирует отказ клиента от услуг компании, его ранг, соответствующий этой характеристике поведения, будет высок.

Ранжирование клиентов используется для выделения в качестве объектов тех из них, которые в ходе маркетинговой компании с наибольшей вероятностью на нее откликнутся.

Например, банковские клиенты — физические лица, получающие в конце года значительные зачисления на свой счет в качестве годовых бонусов, могут переводить эти суммы в инвестиционные или паевые фонды в качестве личных инвестиций. Обнаружение этой закономерности эквивалентно обнаружению высокой вероятности вывода средств со счета банка. Этот факт должен подсказать аналитику ввести правило, согласно которому клиенту при значительном повышении суммы на банковском счете в конце года предлагаются дополнительные банковские услуги, чтобы деньги этого клиента остались внутри банка.

* * *

Data Mining представляет собой логическое дополнение CRM-систем, позволяющее управлять построением эффективных взаимоотношений с клиентами и, как следствие, повысить прибыльность бизнеса. А именно это и является основной целью при внедрении CRM-систем. Дополнение CRM-системы технологиями интеллектуального анализа данных способно дать синергетический эффект и на порядок увеличить рентабельность системы управления взаимоотношениями с клиентами.

Максим Гончаров — генеральный директор, ООО «Спэл Лабс», maxim.goncharov@spellabs.ru


10 секретов успешной стратегии бизнес-аналитики

Дайанн Дэниэл

После стольких слияний и поглощений в области бизнес-аналитики легко забыть, что за ней стоит нечто большее, чем технологии

Как говорит Борис Эвелсон, аналитик агентства Forrester Research и главный автор готовящегося исследования «Пора заново изобрести свою стратегию бизнес-аналитики» (Boris Evelson. «It’s Time to Reinvent Your BI Strategy»), прежде чем заводить речь о технологиях, нужно определиться с видением стратегии бизнес-аналитики. Ниже рассказывается, как это сделать.

1. Выберите ответственное лицо на уровне директоров (но не ИТ-директора). По словам Эвелсона, внедрением бизнес-аналитики никоим образом не должен управлять кто-то из ИТ-службы. Поручить это следует руководителю, чья деятельность имеет прямое отношение к размеру прибыли. Он должен быть хорошо знаком со стратегией, краткосрочными и долгосрочными целями компании и уметь выявлять ключевые показатели производительности, которые влияют на выполнение поставленной задачи. Таким руководителем часто является финансовый директор. Это ответственное лицо должно направлять работы по внедрению в соответствии с документированным экономическим обоснованием и нести ответственность за изменения в масштабе проекта.

2. Введите единую терминологию. Без единых определений внедрение бизнес-аналитики не может пройти успешно. А отсутствие договоренности — широко распространенная проблема в современных компаниях. Например, финансовый отдел и отдел продаж могут по-разному определять «валовую прибыль», а это значит, что цифры не будут совпадать. Проведите опрос разноранговых сотрудников всех направлений бизнеса. На этом этапе участие ИТ-отдела должно ограничиваться ведением проекта, установлением стандартов и правил и обеспечением их выполнения. Начните с малого, выбрав всего 10—20 ключевых показателей производительности. Затем создайте на их основе стандарты и организуйте работу.

3. Оцените текущее положение дел. Вам следует проанализировать текущий стек бизнес-аналитики, а также процессы и организационные структуры, связанные с нынешними системами бизнес-аналитики. Участвовать в работе должны люди как из ИТ-отдела, так и из бизнеса. Эвелсон предупреждает: нельзя недооценивать этот этап. Он обращает внимание на то, что полная «диагностика бизнес-аналитики», предлагаемая компанией Accenture, содержит полторы тысячи вопросов, относящихся к 325-ти видам деятельности и 75-ти предметным темам.

4. Создайте план хранения данных. Многие организации начинают с отдельного киоска данных, поскольку это быстро и дешево, но такая тактика повлечет за собой необходимость построения дополнительных хранилищ данных, когда появятся новые потребности в памяти и через несколько лет все может выйти из-под контроля. Еще один вопрос, над которым нужно поразмыслить: строить ли и поддерживать физическое хранилище данных или связывать операционные системы виртуальными, так называемыми «семантическими» слоями. Традиционное ведение хранилищ данных означает дублирование данных, поэтому установка операционных систем в реальном времени будет практически невозможна. Вы можете сэкономить память благодаря слою абстрактного определения, но его сложно спроектировать, как и любой репозиторий метаданных. Прежде чем задумываться о том, каких выбрать поставщиков, необходимо решить этот вопрос.

5. Поймите, чего хотят пользователи. Три основные категории пользователей бизнес-аналитики — это стратег, тактик и операционист. Пользователи-стратеги принимают мало решений, но каждое из них может иметь огромные последствия — например, следует ли прекратить деятельность в Европе и начать ее в Китае. Пользователи-тактики принимают много решений в неделю, используя как обобщающую, так и детальную информацию, и им наверняка понадобится ежедневное обновление данных. Операционисты — это сотрудники, непосредственно работающие с клиентами, например персонал центров обработки вызовов. Им нужны данные в их собственном наборе приложений, чтобы производить огромное число транзакций. Поняв, кто и с какими целями будет использовать бизнес-аналитику, вы определите, какого рода информация требуется и как часто, и тогда вам легче будет принимать решения.

6. Определитесь, покупать или создавать аналитическую модель данных. Не бывает универсальных решений. Как правило, вам выгодна готовая отраслевая модель данных, если у вас достаточно гомогенная среда ИТ — например, единая ERP- или CRM-система. Но обязательно предусмотрите масштабируемость и иерархическую гибкость. Более сложным организациям, вероятно, подойдет кастомизация, но для начала, возможно, следует взять за образец стандартную отраслевую модель или позаимствовать из нее некоторые ориентиры (например, типичные факты, измерения и т.д.).

7. Учтите все составные части бизнес-аналитики. К компонентам, влияющим на успех внедрения бизнес-аналитики, относятся метаданные, интеграция данных, качество данных, моделирование данных, аналитика, централизованное управление метриками, презентации (отчеты и инструментальные панели), порталы, сотрудничество, управление знаниями и управление основными данными. Обязательно определите архитектуру для всех слоев стека бизнес-аналитики — они повлияют на успех внедрения, хотя, возможно, сами по себе не будут частью стратегии.

8. Выберите системного интегратора. Для внедрения бизнес-аналитики требуется руководство со стороны партнера, обладающего обширным опытом. Как говорит Эвелсон, нужно быть готовым, что к каждому доллару, потраченному на ПО, добавится от 5 до 7 долл. на услуги. Он предупреждает: не отдавайте на аутсорсинг окончательную настройку бизнес-аналитики. Этот процесс требует серьезного взаимодействия между конечными пользователями, аналитиками и разработчиками.

9. Стремитесь к выполнимому, двигайтесь мелкими шажками. Возьмите конечного пользователя, бизнес-аналитика и разработчика и в течение нескольких дней опробуйте концепцию. Выберите несколько ключевых показателей производительности, чтобы составить отчеты, затем раз в несколько недель выпускайте их обновления.

10. Начните с плода, висящего низко. Эвелсон рекомендует начинать с наиболее ценных и простых компонентов. Например, из киоска аналитических данных о продажах можно потенциально извлечь большую ценность, и для этого уже есть множество моделей и образцов для подражания.

Diann Daniel. 10 Keys to a Successful Business Intelligence Strategy. CIO Magazine. October 22, 2007