25 января – ИА SM.News. Работа с оттоком клиентов – это одно из ключевых направлений, которое определяет успех бизнеса в современном мире. Поддержание лояльности клиентов имеет весомое преимущество перед привлечением новых. И чтобы лучше понять перспективы развития этого направления, мы обратимся к эксперту маркетингового направления retention — Наталье Петровой.
Наталья, расскажите о работе с оттоком клиентов в компаниях, где вы были задействованы, какое было отношение к ситуации изначально и каковым стало?
Многие руководители считали, что достаточно привлечь новых клиентов, и отток не стоит особенного внимания. Некоторые же хотя бы думали, что достаточно изредка брать всю базу оттока и делать массовую рассылку – кто-то всё равно реактивируется. Подобная ситуация до сих пор имеет место быть во многих российских компаниях.
Однако это восприятие начало меняться по мере того, как крупные компании столкнулись с реальными финансовыми потерями из-за оттока, особенно в те моменты, когда бизнес перешел в стадию “новых клиентов нет, уводим от конкурентов”. Например, в подобной ситуации не так давно оказались компании, предоставляющие сотовую связь и домашний интернет.
Постепенно, сознание того, что удержание существующих клиентов стоит дешевле, чем привлечение новых, стало проникать и в корпоративную культуру. Компании начали осознавать, что удерживать клиентов дешевле и эффективнее, чем постоянно тратить ресурсы на привлечение новых.
Для того, чтобы изменить отношение к оттоку, часто приходилось проводить образовательные программы и показывать руководству, какие потенциальные потери приносит отток клиентов. Как результат, многие начали уделять больше внимания работе с оттоком и внедрять стратегии ретеншна, чтобы удерживать своих клиентов долгосрочно, формируя лояльное отношение.
Мы знаем, что сейчас есть тренд на использование ИИ, на автоматизацию процессов. Что-то подобное переживает ли ретеншн?
Безусловно. Работа над уходом клиентов – это бесконечный процесс, требующий постоянного мониторинга и адаптации. Однако наиболее важным аспектом этой работы является понимание клиентов и их потребностей. В мире, где конкуренция растет с каждым днем, клиенты становятся более требовательными и легко уходят в другие компании.
Автоматизация играет ключевую роль, позволяя нам собирать и анализировать огромные объемы данных о клиентах, их предпочтениях и поведении. Эти данные помогают нам создавать персонализированные подходы к каждому клиенту и предлагать им релевантные услуги или товары.
Например, один из трендов — психографическая сегментация клиентской базы. У меня есть целое методическое пособие на эту тему — “Применение психографической сегментации для эффективной работы с клиентской базой”, оно уже используется многими крупными компаниями.
Психографическая сегментация — это процесс разделения аудитории на группы на основе их ценностей, убеждений, интересов, образа жизни и потребительских привычек. Этот метод сегментации исходит из предположения, что люди, разделяющие схожие психологические и культурные черты, склонны реагировать на маркетинговые воздействия схожим образом.
Сегодня машинное обучение позволяет глубже проанализировать огромные массивы имеющихся данных о клиентах, откорректировать коммуникацию с ними и, главное, делать прогнозы и находить склонных к оттоку клиентов.
Многие компании на первом этапе сегментации сталкиваются с недостаточностью данных о клиентах. Существует масса способов обогащения базы данных — прямые опросы клиентов и анкетирование или же сбор внутренней информации о поведении клиента (глубина просмотра страниц, источник трафика, поведение в мобильном приложении, отклик на рассылки и т.п.).
Полученный массив данных нужно проанализировать. Например, мы выбираем кластерный анализ. Прежде всего, требуется предварительная обработка данных: удаление выбросов, заполнение пропущенных значений, нормализацию данных и т.д. Далее, выбираем метод кластеризации: метод k-средних, иерархическая кластеризация, метод главных компонент и другие. Выбор метода зависит от характера имеющихся данных и целей анализа.
Применение метода K-средних приводит к группировке клиентов в разные кластеры, обеспечивая схожесть в покупательских предпочтениях внутри каждой группы. Иерархическая кластеризация выстраивает клиентов в структуру, похожую на дерево, начиная от более общих категорий на верхнем уровне до более детализированных подгрупп на нижнем, что идеально подходит для анализа данных с иерархическими отношениями (например, с учетом геопозиции клиентов).
Представим, что у нас есть разнообразные данные о клиентах, включая их доход, возраст, типы покупок и предпочтения. Наша цель — сократить количество измерений этих данных для упрощения визуализации и аналитической работы. В отличие от других, метод главных компонент позволяет сжать данные с множеством параметров в упрощенную форму с сохранением основной части изменчивости, что облегчает анализ влияния различных элементов на покупательское поведение.
DBSCAN — это популярный метод кластеризации данных, который основан на понятии плотности. Он эффективен для определения кластеров без необходимости задавать их количество заранее и способен выявлять аномалии, или точки, которые не принадлежат ни одному кластеру (шумы). Например, при анализе данных о движении автомобилей в городе, DBSCAN помогает определить зоны с высокой плотностью трафика.
Агломеративная кластеризация — это метод в машинном обучении и статистике, относящийся к иерархической кластеризации. Она создаёт древовидную структуру групп, или дендрограмму, начиная с того, что каждый объект считается отдельным кластером и постепенно объединяет ближайшие группы до формирования одного общего кластера.
В анализе социальных сетей агломеративная кластеризация может использоваться для выявления групп пользователей с похожими интересами или взаимодействиями, отражая иерархическую структуру сообществ в сети. В области компьютерного зрения агломеративная кластеризация применяется для разделения изображений на сегменты со схожими характеристиками.
Помимо кластеризации нужно также выбрать метрику подобия, чтобы определить, как будет измеряться сходство между объектами в кластеризации. Это может быть евклидово расстояние, косинусное сходство, корреляция и т.д. Далее, выбор числа кластеров — это важный шаг. Нужно решить, на сколько кластеров будем делить данные. Слишком много кластеров может привести к избыточной детализации, а слишком мало — к потере информации.
После запуска выбранного метода кластеризации с выбранным числом кластеров нужно оценить качество процесса с помощью, например, индекса силуэта, инерции кластеров и др. Это поможет вам понять, насколько хорошо данные были разделены на кластеры.
Можете рассказать подробнее об отличии кластеризации от уже известной классификации?
Методы кластеризации данных и методы классификации данных — это два разных типа алгоритмов машинного обучения, которые используются для анализа данных. Они имеют разные цели и применения.
Кластеризация используется для выявления скрытых структур в данных и группировки похожих объектов в кластеры.
Например, кластеризация пациентов на основе медицинских параметров для выявления групп схожих заболеваний или, если говорим о социологии, для выявления подгрупп населения с схожими интересами и взглядами.
Классификация же используется для прогнозирования класса или категории, к которой принадлежит объект, на основе его признаков. Определение тональности текста (положительная, негативная, нейтральная), классификация изображений на категории, такие как «кошка» или «собака», определение наличия болезни (например, онкология) на основе медицинских обследований.
Пример сравнения: Допустим, у вас есть данные о клиентах интернет-магазина, и вы хотите понять, какие группы клиентов совершают схожие покупки. Вы можете использовать метод кластеризации для создания групп (кластеров) клиентов с похожими покупками, даже если вы не знаете заранее, какие группы должны получиться.
С другой стороны, если у вас есть задача определить, принадлежит ли новый клиент к группе «постоянных клиентов» или «случайных покупателей», вы используете метод классификации. В этом случае у вас уже есть известные категории (классы), и задача — присвоить новому клиенту один из этих классов.
В моем методическом пособии гораздо более подробно и с различными примерами описан весь процесс психографической сегментации, с деталями по каждому шагу. Также у меня есть множество научных статей, связанных с важностью детализации клиентских данных. Например, в дополнение к информации из методички можно почитать статью из East European Science Journal про “ЗНАЧЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ФОРМИРОВАНИИ ДОХОДОВ ОРГАНИЗАЦИИ” или прочесть текст из моего выступления на международной научно-практической конференции под названием “ЦИФРОВИЗАЦИЯ ПРОЦЕССА СЕГМЕНТИРОВАНИЯ ПОТРЕБИТЕЛЬСКОГО РЫНКА”.
Тема коммуникации с клиентами всегда стояла остро, а с появлением машинного обучения появляются все новые и новые возможности. Автоматизация также позволяет быстрее реагировать на изменения в поведении клиентов и предотвращать отток еще до того, как он произойдет. Мы можем отправлять персонализированные реактивационные коммуникации, реагировать на запросы клиентов и создавать более тесные связи, что повышает вероятность их возвращения снова и снова.
Можете ли вы поделиться какими-то конкретными примерами, как автоматизация помогла увеличить уровень удержания клиентов в какой-либо компании?
Несколько лет назад я работала в крупной федеральной телекоммуникационной компании с красным логотипом. И вот однажды руководитель абонентского отдела мне заявляет, что в офис обслуживания пришел клиент и назвал внутренний промокод акции, которую мы ему должны дать, так как у предыдущей заканчивается срок.
В этот момент мы, конечно, поняли, что с нашей стратегией удержания что-то не так (конечно же поняли раньше, но как красиво тут было это сказать). Было очевидно, что безболезненно период начального этапа перехода для компании не пройдет.
Что мы решили делать? Провели сегментацию клиентов (был выбран метод K-средних, порядка 15 итераций растянулись где-то на 3 месяца), занялись прогнозированием оттока по полученным сегментам, переработали пакетные предложения и провели коммуникацию для перевода части клиентов на новые тарифы. Далее, запустили программу лояльности и сформировали пул клиентов, у кого скидки не забираем до полного запуска программы лояльности. Пересмотрели контент-план и запустили новые цепочки коммуникаций (внимание клиентов мы держали на себе плотнее обычного).
Результаты были впечатляющими не сразу, конечно же – мы просели в первые 2 месяца. Но в последующие полгода мы снизили отток клиентов на 20% после внедрения системы. Нарастили выручку (главное, прогнозируемую по сегментам), покрыли затраты на запуск программы лояльности и озвученную просадку. Кроме того, у нас был заметный рост среднего чека, так как клиенты реагировали на персонализированные предложения и совершали дополнительные покупки.
Какие еще советы вы могли бы дать тем, кто хочет улучшить работу с оттоком и внедрить автоматизацию?
Первое, что хочу сказать: знать, как сделать — не равно сделать. Я уже не говорю про “сделать эффективно”. Важно помнить, что автоматизация – это всего лишь инструмент, а не цель сама по себе. Прежде чем приступать к автоматизации процессов, необходимо тщательно изучить клиентскую базу, выявить ее особенности и потребности. Только на основе этих данных можно создать эффективные автоматизированные решения. Также не забывайте о постоянном мониторинге и анализе результатов. Автоматизация позволяет быстро реагировать, но только правильный анализ данных поможет вам улучшать и совершенствовать ваши стратегии удержания.
Аналитика может вам показать западающие зоны, машинное обучение поможет структурировать зависимости, сгруппировать клиентов и помочь с прогнозами, но эти инструменты никогда не скажут вам, что делать с этим дальше.
Изучайте клиентов, душевно любите клиентов и, конечно, подчиняйте тренды себе. Успехов!
