Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ПЕРМСКИЙ ФИЛИАЛ ФЕДЕРАЛЬНОГО ГОСУДАРСТВЕННОГО АВТОНОМНОГО ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ ВЫСШЕГО ОБРАЗОВАНИЯ «НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет экономики, менеджмента и бизнес-информатики

МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ

Разработка кампании по удержанию клиентов в ритейле

студента образовательной программы магистратуры

«Smart-маркетинг: данные, аналитика, инсайты»

по направлению подготовки 38.04.02 Менеджмент

Бадина Валерия

Пермь 2019 год



Содержание

• Введение
• Глава 1. Теоретические подходы к развитию долгосрочных отношений с клиентами
• 1.1 Ключевые особенности маркетинга отношений
• 1.2 Модели прогнозирования оттока клиентов
• Глава 2. Характеристика объекта исследования
• 2.1 Описание клиентской базы
• 2.2 Сегментация клиентов с высокой вероятностью ухода в отток
• Глава 3. Разработка маркетинговой кампании
• 3.1 Дизайн маркетинговой кампании
• 3.2 Прогноз эффективности кампании
• Список литературы
• Приложение 1


Аннотация

Поддержание долгосрочных отношения с клиентом является необходимым условием для устойчивого развития фирмы. В условиях нестабильной экономики потребительское поведение меняется: клиенты переходят от бренда к бренду в целях получить большую выгоду от покупок, снизить свои затраты. Эта ситуация приводит к тому, что фирмам для поддержания конкурентоспособности необходимо создавать условия для удержания клиентов. Данная работа посвящена анализу данных о клиентах розничной сети и разработке маркетинговой кампании, направленной на удержание и развитие клиентов.

Среди всех клиентов рассматриваемой компании на основе результатов прогнозной модели были выбраны клиенты, которые с высокой долей вероятности не совершат покупку в следующем периоде. Далее с помощью кластерного и RMF анализа посетители были разделены на сегменты по поведенческим признакам. Маркетинговая кампании строилась на основе полученных данных о сегментах.

Maintaining a long-term relationship with the clients is a key factor to the company's sustainable development. Economy nowadays is unstable, therefore consumer behavior is changing. Customers are choosing different brands in order to get more benefits, and to reduce their costs. This leads to the fact that firms have to create the conditions for customer retention in order to maintain competitiveness. This paper is dedicated to customer data analysis and marketing campaign development for customer retention.

Customers who are not likely to make a purchase in the next period were selected among all the company's consumers by the forecast model. Then, clients were divided into segments with cluster and RMF analysis. Marketing campaign was developed based on the description of segment's data.



Введение

Изучение, анализ, прогнозирование поведения потребителей с каждым годом становится актуальной задачей в рамках операционной деятельности фирмы. Собранные данные позволяют правильно выстраивать маркетинговые коммуникации с потребителем, проводить в нужный момент маркетинговые кампании с целью минимизации оттока клиентов и повышения их лояльности [Gupta A., Gupta C., 2010, p. 93]. Удержание клиента и увеличение продолжительности взаимоотношений с ним существенным образом влияют на доходность фирмы, так как лояльные клиенты выступают в качестве нематериального актива, добавляющего ценность компании. маркетинговый клиент отток

Данные о количестве покупателей, частоте обращений в компанию, сумме каждой покупки, о том, сколько клиент совершит транзакций в ближайший период времени, или в какой момент он перестанет пользоваться продуктом или услугой используются для управления доходностью, которую приносит каждый клиент, с целью её максимизации [Bijmolt, 2010, p. 341]. Помимо взаимоотношений с клиентами на доходность компании, на ее устойчивое развитие влияют и другие факторы внешней среды, такие как: изменения в действующем законодательстве и в политической ситуации, поведение конкурентов, появление новых технологий [Печеркина, 2005, с. 90].

На сегодняшний день ситуация на рынке розничной торговли описывается следующим образом: с вероятностью 25% прогнозируется рецессия в экономике на период с 2020-2022 гг.; изменяется регулирование рынка - появляются новые требования к сертификации и легализации коммерческой деятельности; показатель концентрации 4 крупнейших фирм равен 26%, что говорит о низкой концентрации на рынке - 5 розничных сетей делят 29% российского рынка. Данные характеристики рынка вынуждают ритейл оптимизировать свои затраты, сохраняя позиции на рынке. При такой стратегии поведения ритейл заинтересован в развитии и удержании существующей базы клиентов, так как привлечение новых клиентов является более затратным процессом. Таким образом, актуальность данной темы заключается в том, что поддержание долгосрочных отношений с клиентом обеспечивает доходность фирмы, а также создает перспективы для устойчивого развития. В свою очередь, в целях обеспечения долгосрочных отношений с клиентом разрабатываются маркетинговые кампании, направленные на удержание и развитие посетителей.

Цель данной работы заключается в разработке маркетинговой кампании, направленной на удержание клиентов в ритейле.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Рассмотреть теоретические подходы к развитию долгосрочных отношений с клиентами;

2. Рассмотреть существующие модели прогнозирования потребительского поведения;

3. Рассмотреть основные тенденции поведения посетителей магазинов розничной сети;

4. Сегментировать клиентов, которые согласно результатам прогноза, попадут в отток;

5. Разработать комплекс механик, направленных на удержание различных сегментов потребителей;

6. Разработать оптимистичный и пессимистичный сценарии эффективности предложенных рекомендаций.

Объектом исследования являются клиенты, посещающие магазины розничной торговли федеральной сети, предметом - методы удержания клиентов.

Ограничения исследования:

1. Информация о названии рассматриваемой компании, о финансовых показателях, о существующей программе лояльности является конфиденциальной, поэтому не была использована в исследовании.

2. Данные для анализа были получены на конкретную дату, что не позволило оценить ситуацию в динамике.

В данном исследовании были использованы следующие методы анализа данных: RFM анализ, иерархический и k-средних кластерный анализ для сегментации клиентов.

Работа состоит из трех глав: в первой главе рассмотрены теоретические подходы к развитию долгосрочных отношений с клиентами, во второй главе представлено описание объекта исследования, анализ данных о посетителей розничной сети, в третьей главе предложен план реализации маркетинговой кампании и прогноз ее эффективности.



Глава 1. Теоретические подходы к развитию долгосрочных отношений с клиентами

1.1 Ключевые особенности маркетинга отношений

Многие компании внедряют различные инструменты, стратегии и технологии для эффективного управления взаимоотношениями с клиентами и создания сильных связей с ними. Концепция управления взаимоотношениями с клиентами (Customer Relationship Management) появилась сравнительно недавно, многие исследователи и практики дают ей различные определения. CRM рассматривают в качестве бизнес подхода, который направлен на создание, развитие и укрепление отношений с тщательно подобранными целевыми сегментами потребителей для повышения потребительской ценности и прибыльности бизнеса, что, в свою очередь, приводит к увеличению стоимости компании [Payne, 2005, p. 4]. Задача этого подхода заключается в создании стратегии удержания клиентов, приносящих наибольшую прибыль. Это обеспечивается путем создания стратегически целенаправленных отношений за счет возможностей, предоставляемых достижениями в области информационных технологий. Сегодня компаниям предлагается широкий спектр различных баз и хранилищ данных, а также CRM-приложений. Такие разработки позволяют собирать огромные объемы информации о клиентах, получать обратную связь, а также анализировать, интерпретировать и использовать данные для создания маркетинговых кампаний, программ лояльности и стратегических решений.

Внедрение CRM, или по-другому маркетинга отношений, обусловлено двумя причинами. Во-первых, новые технологии позволяют компаниям более точно выбирать целевые сегменты потребителей. Во-вторых, по сравнению с традиционным маркетингом маркетинг отношений признается более эффективным, так как является клиентоориентированной стратегией [Payne, 2005, p. 4]. Несмотря на то, что традиционный маркетинг содержит базовые принципы работы с клиентами, современные исследователи и практики отмечают недостатки в подходе. В качестве основного недостатка выделяют: фокусирование на максимизации объемов продаж вместо развития долгосрочных отношений с клиентами.

Маркетинг отношений, по мнению исследователей, обладает тремя отличительными характеристиками по сравнению с традиционным. Первое отличие заключается в том, что в маркетинге отношений делается упор на удержание клиентов и увеличение ценности их жизненного цикла с помощью стратегий, направленных на развитие отношений с целевыми потребителями. Вторая характеристика затрагивает вопрос о долгосрочном успехе компании на рынке путем развития отношений с группой заинтересованных сторон, к которым, например, относятся: акционеры, инвесторы, персонал (внутренние заинтересованные лица) [Edward Freeman, 2010, p. 12]; поставщики, посредники, конкуренты, государство, экологи, СМИ (внешние заинтересованные лица) [Edward Freeman, 2010, p. 22]. И последняя особенность заключается в том, что маркетинг рассматривается как подход совместной ответственности - pan-company marketing (PCM), который состоит в проектировании предпочтений клиентов не только внутри отдела маркетинга, но и на каждом уровне бизнес-процессов компании [Bennet, 1999, p. 57]. Среди всех трех направлений наибольший акцент делается на первое, так как оно напрямую влияет на доходность компании. Таким образом, можно сделать вывод, что CRM - это стратегический подход, направленный на увеличение стоимости компании путем развития долгосрочных отношений с целевыми клиентами.

CRM система состоит из следующих компонентов, которые используются для анализа данных:

1. База данных. Она содержит информацию о покупках клиентов (тип товара или услуги, частота и количество покупок, средний чек), а также демографические характеристики (возраст, пол, семейное положение, данные об уровне образования, количество членов семьи, доход), психологические характеристики покупателей (интересы, ценности, предпочтения), их контактные данные (имя, адрес, номер телефона) и другую релевантную информацию.

2. Технология. Данный компонент системы отвечает за: точку контакта с клиентом, программное обеспечение и способ сбора, хранения данных [Kumar et al, 2014, pp. 141-143].

Согласно CRM стратегии для оценки эффективности маркетинговых решений важно учитывать степень вовлеченности потребителя. Вовлеченный потребитель - показатель успешности компании, так как такой потребитель не только обеспечивает фирме высокий и стабильный уровень продаж, но положительно отзывается о компании, формируя её образ в глазах других покупателей.

Создание прибыльной CRM стратегии связано со следующими ключевыми направлениями деятельности: привлечение клиентов, их удержание, прогноз оттока клиентов и процесс восстановления клиентов, которые ушли. Привлечение клиентов - является основополагающим этапом CRM стратегии. Этот процесс сопровождается высокими маркетинговыми расходами, поэтому включает в себя следующие действия: определение целевых потребителей, прогноз реакции на рекламное сообщение, понимание долгосрочных маркетинговых эффектов после привлечения клиентов, а также использование показателей и моделей с целью максимизации эффективности привлечения [Kumar et al, 2014, p.150].

Процесс удержания клиентов связан с развитием долгосрочных отношений с клиентами. Программы лояльности, которые инициируются в рамках данного процесса, положительно влияют на количество клиентов и степень их удержания, а также на стоимость компании. Главный вопрос в данном процессе состоит в том, чтобы определить стоит ли клиент затрат и усилий на его удержание. Для ответа на этот вопрос используются такие метрики как: recency-frequency-monetary (RFM), share of wallet (SOW), past customer value (PCV) и CLV. Метрика RFM содержит в себе информацию о том, когда в последний раз была совершена покупка (recency), с какой частотой потребитель совершал покупки за период (frequency), а также размер среднего чека (monetary). Показатель SOW отражает данные о покупках клиента в разных магазинах. PCV - дисконтированная величина чистой прибыли, полученной от клиента за предыдущие периоды времени [Kumar et al, 2014, p.153].

Восстановление отношений с клиентами может принести высокий доход фирме. Исследователи посчитали, что показатель ROI от восстановленного клиента почти в 10 раз выше, чем такой же показатель от нового клиента. Также было выявлено, что увеличение доли удержанных клиентов на 5% может обеспечить рост прибыли от 25% до 95% для любой компании [Pitta et al, 2006, p. 423]. Главное, при восстановлении отношений необходимо понять, какого клиента нужно вернуть, что ему предложить и каковы будут затраты. [Kumar et al, 2014, p.156].

Не менее важным этапом поддержания долгосрочных отношений с клиентами является управление оттоком. Отток клиентов сопровождается высокими затратами, которые связаны не только с сокращением доли продаж, но с нанесением вреда имиджу компании. Как и любую проблему, отток необходимо предотвращать: на ранней стадии выявить клиентов с высокой вероятностью ухода в отток клиентов и предпринять действия для снижения возможного негативного эффекта [Kumar et al, 2014, p.155]. На сегодняшний день многие компании применяют модели для прогнозирования оттока. На основе транзакционных данных модели могут предсказать вероятность совершения покупки в будущем периоде. Следующий параграф содержит описание существующих моделей и принципы их работы.

1.2 Модели прогнозирования оттока клиентов

Для расчета и управления показателем оттока клиентов необходимо знать, какая существует вероятность того, что тот или иной клиент будет активен на рассматриваемом промежутке времени. В качестве решения этой задачи применяются модели прогнозирования поведения потребителей, причем, для получения точных результатов необходимо, чтобы процесс прогнозирования был непрерывным.

Существуют следующие проблемы при проведении прогнозов:

1. Необходимо наличие подходящих входных данных для анализа. Их отсутствие может привести к серьезным последствиям в виде ошибочных результатов. Важно подготовить, очистить, отформатировать данные для анализа перед их использованием.

2. Максимально правдивые результаты прогноза можно получить в том случае, если анализ проводится в обученной на исторических данных модели.

3. На полученные результаты могут оказывать влияние юрисдикция, культура, общественные нормы поведения, если рассматриваемая компания находится в другой стране.

4. Различия в оценке качества полученных результатов: для одного исследователя полученные результаты представляют ценность, а другой, наоборот, полагает, что в них нет пользы. Поэтому, крайне необходимо выстраивать коммуникации таким образом, чтобы презентуемая информация была понятна и обоснована [Ogunleye, 2014, pp. 91-92].

Как отмечается в исследованиях, наличие большого количества моделей прогнозирования поведения потребителей определяется следующими причинами:

1. Разнообразие индивидуальных характеристик и предпочтений потребителей. Это приводит к тому, что модель, подходящая для описания поведения одного потребителя, будет непригодна для описания поведения другого, даже при одинаковых внешних условиях.

2. Гетерогенность в принятии решения о покупке. Множество причин может повлиять на процесс принятия решения, таких как: привычки, готовность к риску, осведомленность о товаре или услуге, доверие к бренду и др.

3. Различия в условиях покупки. Потребители совершают покупку с разными целями (для семьи, себя, друга) и в различных ситуациях (в Интернете, по индивидуальному заказу или в магазине), что оказывает влияние на процесс принятия решения о покупке.

4. Разнообразие целей менеджмента. В зависимости от того какие результаты необходимо достичь, используется подходящая модель [Roberts, Lilien, 1993, p. 28].

Для решения проблемы прогнозирования поведения потребителей существуют модели, которые рассматривают клиента по трем характеристикам: количество покупок, длительность отношений с фирмой, расширение ассортимента приобретаемых товаров.

1. RFM модель. Эта модель используется для оценки поведения потребителей при прямом маркетинге. В рамках этого метода все клиенты делятся на кластеры по трем признакам: время последней покупки, частота покупок за период, стоимость покупки [Fader, Hardie, 2005, p. 136].

2. Вероятностные модели, например, такие как: Pareto/ NBD, BG/ NBD, цепь Маркова.

3. Эконометрические модели, например, такие как: непараметрическая, дискретного выбора, логит- и пробит-модели, иерархическая модель Байеса [Frances, Montgomery, 2002, p. 4]. Позволяют описать и предсказать поведение потребителя с помощью регрессий.

4. Модели временных рядов, такие как: авторегрессионные, нелинейные. Позволяют спрогнозировать в долгосрочной перспективе поведение потребителей через анализ различных переменных.

5. Компьютерные модели, например, такие как: модель нейронной сети, модель дерева решений, VAR.

Также выделяют модели прогнозирования поведения потребителей в зависимости от того, на какой стадии процесса покупки они находятся. Описание этих моделей представлено в Таблице №1 [Roberts, Lilien, 1993, p. 30].

Таблица 1

Модели прогнозирования поведения потребителей

Стадия	Изучаемая переменная	Модель
Осознание потребности	Категория товара; время покупки	Модель бинарного принятия решения
Поиск информации	Осведомленность о товаре/ бренде; наличие/ отсутствие целей; способ получения информации; время, когда была найдена информация	Информационно интеграционные модели
Оценка	Восприятие продукта; предпочтения	Многомерное шкалирование; модели позиционирования
Покупка	Выбор бренда; выбор магазина; размер покупки	Модели дискретного выбора; иерархические модели
Пользование	Степень удовлетворенности брендом; отзывы и рекомендации	Модели потребительской удовлетворенности

На сегодняшний день для получения более точных прогнозов поведения потребителей применяются методы машинного обучения, которые анализируют исторические данные о клиентах, учитывают результаты предыдущих прогнозов. Алгоритм Random Forest - «случайный лес» впервые был предложен Лео Брейманом. Данный метод предполагает наличие большого числа (ансамбля) деревьев решений, которые строятся на случайных выборках, получаемых из исходной обучаемой выборки. Такой метод считается простым в реализации, точным в составлении прогнозов, производительным в обработке большого количества входных переменных [Biau, 2012, p. 1063]. Деревья решений позволяют представить решение в иерархической, последовательной структуре, позволяющей получить на поставленный вопрос ответы типа «да» или «нет» [Чубукова, 2006, с. 97]. Отличие построения случайного леса от деревьев решений заключается в том, что на этапе расщепления вершин (разбиения множества) берется фиксированное значение признаков обучающей выборки, дерево строится без усечения, таким образом, каждый лист дерева содержит наблюдения одного класса. Точность классификации зависит от того, насколько коррелированы классификаторы: чем меньше корреляция, тем выше вероятность корректной классификации.

Метод «случайный лес» обладает следующими преимуществами, которые определили выбор в пользу данного метода:

1. Необходимо только два параметра для построения модели на основе обучающей выборки. Эти параметры требуют минимальной настройки;

2. Параметры обучающей выборки могут измеряться в разных шкалах: числовой, порядковый, номинальный, что является недопустимым для многих других классификаторов.

Алгоритм создания случайного леса может быть описаны следующим образом:

1. Для каждого из N создаваемого дерева решений выполняются следующие процедуры:

· Сформировать выборку с повторением S размера m по исходной обучающей выборке D = из некоторого распределения Р(x,y) = P(x)P(y|x), где i = 1, 2, …, m - векторы признаков;

· По выборке S построить без отсечения ветвей дерево решений R_i с n_min количеством наблюдений в вершинах, следуя следующему алгоритму:

а) случайным образом из исходного набора n признаков выбрать l признаков;

b) из l признаков выбрать признак, обеспечивающий наилучшее расщепление. Оптимальность расщепления вершины дерева обеспечивается максимальным снижением загрязненности вершины. Загрязненность - мера неоднородности, которая может быть максимальна в случае, если выборка содержит прецеденты разного класса;

c) после определения оптимального расщепления разбить выборку на две подвыборки;

2. После выполнения всех действий на первом этапе сформируется ансамбль деревьев решений [Чистяков, 2013, с. 125-126].

Таким образом можно сказать, что процесс прогнозирования поведения клиентов состоит из двух больших блоков: создание модели на обучающей выборке и предсказание значений зависимой переменной при реализации предложенной модели. В выборке должны содержатся атрибуты, которые позволят определить значение зависимой переменной. Например, если зависимая переменная «факт попадания в отток», то необходимы транзакционные данные о клиенте.

В данной главе были рассмотрены теоретические подходы к определению маркетинга отношений, определены условия для поддержания долгосрочных отношений с клиентами, доказана необходимость выявления посетителей, которые с высокой долей вероятности не совершат покупку, для дальнейшей работы с ними. Также были рассмотрены основные модели к прогнозированию поведения потребителей. В следующей главе представлены характеристики объекта исследования, методы сбора и анализа данных.



Глава 2. Характеристика объекта исследования

2.1 Описание клиентской базы

Цели посещения магазина, характеристики выбора товаров, частота посещения, средний чек, отклик на коммуникации, ценности потребителей - все это формирует представление о каждом клиенте. Знание портретов потребителей позволяет компаниям создавать индивидуально разработанные персонализированные предложения, которые поддерживают долгосрочные отношения с клиентами. Наряду с этим, принцип максимизации ценности жизненного цикла клиента предполагает, что не все потребители одинаково выгодны, и компания должна разрабатывать стратегии привлечения и удержания только для целевых сегментов потребителей. Для определения целевых сегментов проводится сегментация потребителей на основе ключевых характеристик. Сегментация - способ определения гетерогенности потребителей. Существует несколько способов сегментации:

1. Линейная модель сегментации потребителей на основе RFM или демографических характеристик [Rust, Verhoev, 2005, p. 481];

2. Кластерный анализ: иерархический и к-средних.

В данном исследовании рассматривается поведение посетителей федеральной розничной сети, входящей в топ 5 крупнейших российских ритейлеров. Анализ строится на основе данных из CRM системы компании. Все клиенты являются участниками программы лояльности.

Для того, чтобы увидеть направление для развития клиентов, получить информацию для создания маркетинговой кампании, необходимо понять структуру клиентской базы. С этой целью все клиенты компании были сегментированы с помощью RFM анализа по показателям: Recency (R) - количество дней с последней покупки, Frequency (F) - количество покупок за рассматриваемый период, Monetary (M) - сумма покупок за рассматриваемый период. Все значения по данным показателям сначала сортируются по убыванию, затем делятся на 10 частей, так что 1 соответствует наихудшее значение, а 10 - наилучшее, т.е. для показателя R 1 соответствует самое большое количество дней с прошлой транзакции, а для M и F 1 - наименьшее значение показателей. Таблице № 2 представлено разделение клиентов по показателям R, F, M, причем, max - показатели принимают значения от 7.5 до 10, middle - показатели принимают значения от 4.5 до 7.5, min - показатели принимают значения от 1 до 4.5.

Можно выделить следующие сегменты клиентов:

1. «Звезды» - это те клиенты, которые чаще всех посещают магазин, много тратят и были в магазине недавно. Это лояльные посетители магазина, для них важно качество предоставляемой продукции, они готовы тратить много и часто.

2. «Потенциальные звезды» - клиенты, которые достаточно часто посещают магазин, достаточно много тратят.

3. «Искатели комфорта» - клиенты, которые редко заходят, покупают дорогие товары, были в магазине недавно.

4. «Покупающие по чуть-чуть» - клиенты, которые достаточно часто посещают магазин, были в магазине недавно, тратят мало.

5. «Потенциальный отток» - клиенты, которые ходят редко, тратят мало, последний раз были не так давно.

6. «Проходящие мимо» - такие клиенты редко заходили в магазин, были в последний раз давно, совершали покупки на небольшой чек.

7. «Отток» - клиенты давно совершали транзакции, но ранее достаточно часто посещали магазин и достаточно много тратили.

Таблица 2

Результаты RFM анализа

Показатель	Сегмент	Показатель	Сегмент	Показатель	Сегмент
Max M Max R Min F	3	Max M Max R Middle F	1	Max M Max R Max F	1
Max M Middle R Min F	3	Max M Middle R Middle F	1	Max M Middle R Max F	1
Max M Min R Min F	7	Max M Min R Middle F	7	Max M Min R Max F	7
Middle M Max R Min F	4	Middle M Max R Middle F	2	Middle M Max R Max F	2
Middle M Middle R Min F	5	Middle M Middle R Middle F	2	Middle M Middle R Max F	2
Middle M Min R Min F	7	Middle M Min R Middle F	7	Middle M Min R Max F	7
Min M Max R Min F	4	Min M Max R Middle F	4	Min M Max R Max F	4
Min M Middle R Min F	5	Min M Middle R Middle F	5	Min M Middle R Max F	4
Min M Min R Min F	6	Min M Min R Middle F	6	Min M Min R Max F	4

В рамках концепции развития долгосрочных отношений с клиентами важно предупреждать проблему попадания клиента в отток. Для этой цели с помощью показателей R, F и M можно оценить вероятность совершения транзакции в следующем периоде. Для показателя R существует отрицательная зависимость значения R от вероятности прихода в магазин: чем больше дней прошло с предыдущей покупки, тем ниже вероятность того, что клиент придет в следующем периоде. У показателей F и M другая ситуация: чем выше значения, тем выше вероятность того, что клиент придет в следующем периоде [Полежаев, 2006, с. 1881 -1883]

С точки зрения дохода и вероятности совершения транзакции в следующем периоде наиболее интересные сегменты «Звезды» и «Потенциальные звезды». Для таких клиентов необходимо проводить поддерживающие мероприятия, им необходимо показать, насколько они важны для компании (показать их статус).

«Искатели комфорта» ходят достаточно редко, но тратят много, это может означать, что в силу занятости они не могут ходить часто, ценят своё время. Поэтому с целью сокращения количества дней между транзакциями можно предложить таким клиентам удобные условия доставки. Этот шаг повысит доход от клиента, а также вероятность прихода в магазин в следующем периоде.

«Покупающие по чуть-чуть» - противоположность предыдущего сегмента. Они ходят в магазин очень часто, каждый раз тратят немного. Высока вероятность того, что они и дальше будут ходить часто, но с точки зрения доходности, необходимо увеличивать их средний чек. Например, можно поставить цели для достижения определенной суммы покупок за период.

У клиентов из сегмента «Потенциальный отток» исходя из показателей R, F, M низкая вероятность посещения магазина в следующий период. Этих клиентов необходимо простимулировать совершить транзакцию в ближайшее время, чтобы исключить их попадание в сегмент «Отток». Для решения этой задачи можно предложить им баллы, которые сгорят через N дней.

«Проходящие мимо» когда-то совершили незначительное количество покупок на небольшую сумму. С точки зрения доходности и вероятности попадания в отток данный сегмент не представляет интерес компании. Из-за низкой вероятности отклика затраты на его развитие будут выше дохода от него.

Сегмент «Отток» характеризуется низкой вероятностью прихода в магазин, хотя ранее клиенты в данном сегменте достаточно много тратили и часто ходили в магазин. В этом случае необходимо привести клиентов в магазин в следующем периоде, а после успешного отклика, поддерживать отношения с ними. Если сохранить высокий уровень частоты посещения в магазин, то клиенты переместятся в сегменты «Звезды» и «Потенциальные звезды».

В рамках RFM анализа был проведен первичный анализ клиентской базы магазина розничной торговли, определены возможные направления развития каждого сегмента. В следующем параграфе представлены результаты сегментации клиентов на основе транзакционных данных.

2.2 Сегментация клиентов с высокой вероятностью ухода в отток

В рамках концепции поддержания долгосрочных отношений с клиентами и с учетом специфики розничного бизнеса наиболее эффективный способ обеспечения устойчивости развития компании - формирование индивидуального подхода в работе с клиентами [Иванова, 2016, с.39]. Реализация индивидуального подхода к каждому клиенту возможна после проведения следующих этапов: после сбора данных о клиенте (сколько клиент тратит, что покупает, как часто, в каком магазине сети, в какое время и т.д.), анализа полученных данных, сегментация клиентов.

На основе полученной информации о сегментах посетителей магазинов розничной сети было выяснено, что «Потенциальный отток» имеет самую высокую вероятность ухода в отток. По этой причине таких клиентов необходимо диагностировать с помощью прогнозной модели, проанализировать и с целью превентивных мер разработать маркетинговую кампанию, направленную на удержание клиентов.

Прогнозные значения факта попадания клиентов в отток были получены с помощью модели «Случайный лес». Модель была построена в среде SAS Miner компании SAS Institute. Данное ПО позволяет без написания кода, в режиме «drug-n-drop» применить к выборке модель, рассчитать все показатели качества, спрогнозировать значения исследуемой переменной, провести скоринг (т.е. спрогнозировать результат для всей базы).

Модель выявила среди активных на настоящий момент времени клиентов тех, у кого высокая доля вероятности не совершить транзакцию за прогнозный период. Данные были получены на текущий срез и содержали следующую информацию о клиентах:

1. F - количество покупок за рассматриваемы период;

2. M - сумма покупок за рассматриваемый период;

3. C - количество активных недель, в рамках которых совершались покупки за рассматриваемы период;

4. D - количество уникальный категорий товаров, по которым совершались покупки за рассматриваемый период;

5. T - средний период между транзакциями за рассматриваемый период;

6. HOLDTIME - максимальный период между транзакциями за рассматриваемый период;

7. R_CURR - количество дней с последней транзакции за рассматриваемый период;

8. C_SEX - пол клиента;

9. C_AGE - возраст клиента;

10. C_LIFETIME - количество полных недель с момента регистрации счета и датой «среза» данных;

11. C_CITY - название города, в рамках которого было совершено наибольшее количество покупок за рассматриваемый период;

12. COM_TRG_FLG - флаг отклика на коммуникацию (1 - если был хотя бы один отклик на коммуникацию; 0 - иначе);

13. ALKO_KREP_FLG - флаг покупателей крепкого алкоголя (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

14. ALKO_VINO_FLG - флаг покупателей вина (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

15. ALKO_PIVO_FLG - флаг покупателей пива (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

16. READY_FOOD_FLG - флаг покупателей готовой еды (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

17. DACHA_FLG - флаг покупателей товаров для сада и огорода (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

18. CATS_FLG - флаг покупателей товаров для кошек (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

19. DOGS_FLG - флаг покупателей товаров для собак (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

20. HEALTHY_FLG - флаг покупателей товаров для здорового питания (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

21. CIGARETTES_FLG - флаг покупателей сигарет (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

22. COOK_FANS_FLG - флаг покупателей товаров для приготовления еды дома (1 - если значение «процента активных недель», в которых клиент совершал хотя бы одну покупку из категории за рассматриваемый период равно 100%, 0 - иначе);

23. C_LIFETIME (недели) - количество дней с первой транзакции, деленное на 7.

24. GROUP_FLG - флаг целевой группы, принимает значения 1 или 2. На основе показателя вероятности ухода клиента в отток было рассчитано количество дней с последней транзакции, по которому можно оценить, ушел клиент в отток или нет. Было выявлено, что показатель оттока для клиентов, которые посещают магазин чаще одного раза в два дня, считается 20 дней без покупок с последней транзакции, а для клиентов, посещающих магазины реже одного раза в 2 дня, этот показатель равен 25. Таким образом, выборка клиентов была разделена на две части в зависимости от частоты посещения магазина. Значения 20 и 25 дней являются прогнозным периодом для каждой из выборок.

Также для проведения анализа были рассчитаны следующие показатели:

1. FMCD = F_BIN + M_BIN + C_BIN + D_BIN, где

BIN - показатель в разрезе Бина, каждый Бин составляет 10% от всех значений (все значения делятся на 10 частей от наименьшего (1) к наибольшему (10)), показатели F, M, C, D расшифрованы выше;

2. CITY_FLG - показатель города, принимает значения: 1, 2, 3, где

1 - города, численность которых превышает 1 млн. человек;

3 - деревни, села, поселки, станицы, сельские поселения;

2 - остальные города.

После подготовки полученных данных необходимо выявить различия клиентов в выборке и объединить схожих клиентов в однородные группы для дальнейшей работы с ними. Для этой цели была проведена сегментация на основе кластерного анализа [Govaerd, 2009, p. 215]. В данном исследовании кластерный анализ строился в программе SPSS.

Основная задача проведения кластерного анализа - определение количества кластеров. При выборе количества кластеров есть два пути: можно определить их самостоятельно или с помощью анализа. В целях исключения проблем с выбором правильного количества кластеров был проведен анализ, состоящий из двух этапов: сначала проводился иерархический анализ для определения количества кластеров с помощью дендрограммы, а затем кластерный анализ k-средних.

Для иерархического анализа был использован метод Варда, интервальная мера: квадрат расстояния Евклида, также для всех данных была применена стандартизация значений в диапазоне от 0 до 1 [Mayers et al, 2013, p. 625]. В качестве показателей, на основе которых проводился кластерный анализ, были выбраны: R_CURR и FMCD.

Как уже отмечалось ранее, потребители были разделены на тех, кто совершал покупку чаще одного раза в два дня, и, наоборот, тех, кто совершал покупки реже одного раза в 2 дня. Таким образом, кластерный анализ проводился отдельно для каждой выборки. В результате было получено следующее: для выборки клиентов, которые совершали покупки чаще одного раза в два дня, было выделено два кластера, для клиентов, совершавших покупку реже одного раза в 2 дня, было выделено три кластера (Рисунок №1, Рисунок №2).

Рис. 1. Дендрограмма для выборки №1

Рис. 2. Дендрограмма для выборки №2

Следующим этапом был проведен кластерный анализ k-средних. Количество кластеров для анализа было выбрано на основе построенных в предыдущем шаге дендрограмм. Далее представлено описание полученных сегментов.

1. Сегмент «Активные» для выборки №1.

Таблица 3

Описательные статистики

Переменная	Мода	Медиана	Арифметическое среднее
F	54	60	64.29
M	20572	20471.5	29307.52
C	12	11	10.77
D	52	56	56.62
T	1	1	0.98
HOLDTIME	5	6	7.71
R_CURR	6	7	8.19
FMCD	39	39	38.56
C_AGE	32	39	41.37
C_LIFETIME	89	61	55.46



Рис.3. Распределение по показателю CL_AGE

Клиенты в данном сегменте совершали покупки за рассматриваемый период в категориях: «готовая еда», «товары для сада и огорода», «товары для собак», «здоровое питание». Эти клиенты часто посещают магазин, в среднем за одну покупку мало тратят, совершают покупки в разных категориях товаров, последний раз посещали магазин неделю назад. В данном сегменте наибольшее число посетителей находится в возрасте от 28 до 43 лет. Доля мужчин 42,8%, доля женщин 57,2%. Распределение долей по городам: города-миллионники 29,6%, крупные и небольшие города 52,2%, села, деревни, станицы (маленькие населенные пункты) 18,2%.

2. Сегмент «Виски и Whiskas» для выборки №1.

Таблица 4

Описательные статистики

Переменная	Мода	Медиана	Арифметическое среднее
F	29	48	54.31
M	11508	17861	21168.49
C	6	6	6.79
D	39	51	52.89
T	1	1	0.84
HOLDTIME	4	6	11.05
R_CURR	1	4	3.79
FMCD	37	35	34.7
C_AGE	35	38	40.26
C_LIFETIME	4	40	43.56

Рис.4. Распределение по показателю CL_AGE

Клиенты в данном сегменте совершали покупки за рассматриваемый период в категориях: «крепкий алкоголь», «пиво», «товары для кошек», «любители готовить». Эти клиенты по сравнению с первым сегментом посещают магазин реже, в среднем за одну покупку тратят меньше, в их чеке меньше уникальных категорий, но они были последний раз в магазине меньше недели назад. В данном сегменте также наибольшее число посетителей находится в возрасте от 28 до 43 лет. Доля мужчин 55%, доля женщин 45%. Распределение долей по городам: города-миллионники 27,9%, крупные и небольшие города 48,5%, села, деревни, станицы (маленькие населенные пункты) 23,6%.

3. Сегмент «Садоводы» для выборки №2.

Таблица 5

Описательные статистики

Переменная	Мода	Медиана	Арифметическое среднее
F	3	3	3.54
M	1179	1756	3222.89
C	3	3	2.9
D	21	22	21.63
T	21	18	20.13
HOLDTIME	28	30	30.62
R_CURR	18	17	16.58
FMCD	21	20	20.05
C_AGE	46	45	45.95
C_LIFETIME	87	69	62.05



Рис.5. Распределение по показателю CL_AGE

Клиенты в данном сегменте совершали покупки за рассматриваемый период в категориях: «вино», «товары для сада и огорода». Эти клиенты редко посещают магазин за рассматриваемый период, совершают покупки на небольшой средний чек, средний период между транзакциями составляет три недели. В данном сегменте наибольшее число посетителей находится в возрасте от 28 до 59 лет. Доля мужчин 33,9%, доля женщин 66,1%. Распределение долей по городам: города-миллионники 29,7%, крупные и небольшие города 37,9%, села, деревни, станицы (маленькие населенные пункты) 32,4%.

4. Сегмент «Тусовщики» для выборки №2.

Таблица 6

Описательные статистики

Переменная	Мода	Медиана	Арифметическое среднее
F	5	7	7.48
M	5260	6771	7691.43
C	4	5	4.69
D	32	33	33.69
T	9	9	9.6
HOLDTIME	20	24	24.41
R_CURR	18	17	17.15
FMCD	26	26	26.54
C_AGE	34	40	42.97
C_LIFETIME	97	66	58.49

Рис.6. Распределение по показателю CL_AGE

Клиенты в данном сегменте совершали покупки за рассматриваемый период в категориях: «крепкий алкоголь», «готовая еда», «товары для собак», «сигареты». Эти клиенты по сравнению с первым сегментом также редко посещают магазин за рассматриваемый период, в среднем за одну покупку тратят больше, в их чеке больше уникальных категорий, средний период между транзакциями в два раза меньше и составляет 1.5 недели. В данном сегменте наибольшее число посетителей находится в возрасте от 28 до 43 лет. Доля мужчин 32,7%, доля женщин 67,3%. Распределение долей по городам: города-миллионники 30,7%, крупные и небольшие города 41,3%, села, деревни, станицы (маленькие населенные пункты) 28%.

5. Сегмент «Ценители ЗОЖ» для выборки №2.

Таблица 7

Описательные статистики

Переменная	Мода	Медиана	Арифметическое среднее
F	4	4	4.1
M	5193	6286	6889.54
C	3	3	3.33
D	28	29	29.02
T	21	18	19.05
HOLDTIME	28	31	31.21
R_CURR	14	15	14.4
FMCD	23	23	22.54
C_AGE	35	43	44.67
C_LIFETIME	97	69	61.72



Рис.7. Распределение по показателю CL_AGE

Клиенты в данном сегменте совершали покупки за рассматриваемый период в категориях: «товары для сада и огорода», «товары для кошек», «товары для собак», «здоровое питание». Эти клиенты по сравнению с первым и вторым сегментами также редко посещают магазин за рассматриваемый период, в среднем за одну покупку тратят больше, средний период между транзакциями составляет 3 недели. В данном сегменте наибольшее число посетителей находится в возрасте от 28 до 59 лет. Доля мужчин 30,8%, доля женщин 69,2%. Распределение долей по городам: города-миллионники 29%, крупные и небольшие города 38,6%, села, деревни, станицы (маленькие населенные пункты) 32,4%.

После описания сегментов с точки зрения транзакционных данных важно указать размер каждого сегмента, определить направления маркетинговой кампании. Эти данные представлены в Таблице № 8.

Таблица 8

Описание сегментов

Сегмент	Размер (доля от общего количества клиентов)	Цель кампании	Ожидаемый результат
«Активные»	0.88 %	Стимулировать совершить покупку с минимальным средним чеком в 500 руб. в течение 12 дней	Рост выручки на 1.22 %
«Виски и Whiskas»	0.21 %	Стимулировать совершить покупку с минимальным средним чеком в 400 руб. в течение 16 дней; повысить средний чек	Рост выручки на 0.39 %
«Садоводы»	2.12 %	Стимулировать совершить покупку с минимальным средним чеком в 400 руб. в течение 7 дней; повысить средний чек; повысить частоту посещения магазина	Рост выручки на 2.07 %
«Тусовщики»	4.41 %	Стимулировать совершить покупку с минимальным средним чеком в 650 руб. в течение 7 дней; повысить частоту посещения магазина	Рост выручки на 3.85 %
«Ценители ЗОЖ»	2.38 %	Стимулировать совершить покупку с минимальным средним чеком в 550 руб. в течение 11 дней; повысить частоту посещения магазина	Рост выручки на 1.97 %

Для всех сегментов цель разработки маркетинговой кампании заключается в привлечении клиента в магазин для совершения первой и последующих покупок. Для сегментов «Тусовщики», «Садоводы», «Ценители ЗОЖ» также важно увеличить средний чек. Полученные сегменты содержат в себе информацию о клиентах, которая была использована для создания маркетинговой кампании.

В данной главе были рассмотрены подходы к сегментации клиентов. С помощью RFM анализа была проведена сегментация всех клиентов розничной сети. Среди сегментов были выделены лояльные клиенты, которые часто посещают магазин, клиенты с более низкой частотой посещения, клиенты с высокой вероятностью ухода в отток, случайные клиенты и клиенты, находящиеся в глубоком оттоке. С точки зрения развития отношений с клиентами были определены основные направления развития сегментов для их удержания. Также был проведен кластерный анализ, состоящий из двух этапов, для клиентов, которые согласно прогнозным значениям с высокой долей вероятности не придут в магазин в следующем периоде. Каждый сегмент был описан для того, чтобы для каждого клиента разработать индивидуальное предложение. В следующей главе представлен дизайн маркетинговой кампании, сделан прогноз эффективности кампании.



Глава 3. Разработка маркетинговой кампании

3.1 Дизайн маркетинговой кампании

Для достижения целей по привлечению клиента в магазин, для повышения его среднего чека были предложены мероприятия в рамках маркетинговой кампании. Каждое мероприятие в первую очередь направлено на удержание клиентов, которые не придут в магазин в следующем периоде, при этом, разработанная кампания может быть использована для активных клиентов магазина с целью поддержания их текущего состояния и дальнейшего развития в сегмент «Звезды».

Проведенный анализ клиентов позволяет определить направления развития сегментов, создать маркетинговую кампанию, но стоит отметить, что для разработки кампании необходимо также учесть специфические особенности потребительского поведения посетителей розничных магазинов. На основе проведенных исследований можно выделить следующие тренды в потребительском поведении:

1. Потребители остаются чувствительными к цене (стремятся покупать больше промо-товаров, чаще проверяют цены онлайн, увеличивают время принятия решения о покупке в ожидании снижения цены на товар, чаще покупают в магазинах-дискаунтерах) [Magnit transformation strategy, 2018];

2. Потребители чаще используют гаджеты в процессе принятия решения о покупке (40% клиентов использует смартфон для проверки адреса магазина, 38% - для проверки времени работы магазина, 40% - для просмотра цен на заинтересовавший товар, 33% - для изучения отзывов других потребителей, 54% потребителей ожидают, что офлайн магазины выпустят мобильное приложение, 44% респондентов утверждает, что использование мобильного приложения повышает качество их потребительского опыта) [On the couch: understanding consumer shopping behavior];

3. Увеличивается возраст пользователей интернета. Как показывают исследования, среди всех пользователей интернета наибольшую долю составляют мужчины и женщины в возрасте от 35 до 64 лет - 49.8%, на втором месте женщины и мужчины в возрасте от 25 до 34 лет - 33.8% [Общая аудитория интернета, 2019].

После анализа трендов можно сделать следующие выводы. Для клиентов важна экономическая выгода от покупки, они стремятся сэкономить, любят покупать промо-товары. Около половины клиентов используют гаджеты при совершении покупок, ожидают, что компании выпустят мобильное приложение. Наибольшую долю активных пользователей интернета составляют мужчины и женщины в возрасте от 25 до 64 лет.

На основе выявленных тенденций поведения клиентов и с учетом данных о клиентах магазинов розничной сети на первом этапе маркетинговой кампании было предложено реализовать мероприятия, направленные на увеличение доли клиентов, использующих мобильное приложение. Мобильное приложение позволяет отправлять коммуникации клиентам в «режиме реального времени» через push-уведомления, зная местоположение клиента; приложение адаптивно ко всем мобильным устройствам по сравнению с сайтом - потребители чаще выбирают его. На сегодняшний день только 10% всех клиентов кампании установили мобильное приложение, поэтому данный этап работы предполагает коммуникацию со всеми клиентами сети, механики имеют массовый характер. Для данной цели необходимо провести следующие мероприятия:

1. Информирование клиентов в точке контакта с ним о наличии мобильного приложения, о плюсах его использования. Точки контакта: магазины сети (POS материалы, звуковая реклама), сайт (баннер на главной странице, обучающие видео, рассказывающие о возможностях использования приложения), социальные сети (баннеры, видео, отзывы). Главная цель - рассказать, показать и объяснить необходимость использования мобильного приложения.

Ценность от использования приложения:

- дисконтная карта, которая всегда с собой;

- баланс баллов в режиме «реального времени» - легко управлять;

- вся информация о текущих акциях, скидках - невозможно пропустить смс или e-mail с персонализированными предложениями;

- товары по акции - легко спланировать свой список покупок, зная заранее о скидке на любимый товар или товар-заменитель;

- одна карта и несколько мобильных приложений - легко делиться скидками с семьей, вместе копить баллы;

- вся история покупок в одном месте - доступ ко всей информации по карте;

- карта - легкий поиск магазина рядом;

- возможность оставить отзыв - повысить качество обслуживания в магазине рядом с домом, так как намного приятнее совершать ежедневные покупки в комфортном, удобном, чистом магазине.

2. Побуждение к установке приложения через денежное вознаграждение на первую покупку с привлечением в магазин. Выбрать клиентов, согласившихся получать информацию через каналы sms/ viber, e-mail, но не имеющих мобильное приложение. Отправить этим клиентам через вышеуказанные каналы сообщение: «Получите ...