Если вы знаете, что один из ваших клиентов завтра проснется с мыслью о покупке нового планшета, вы можете отправить ему электронное письмо с кодом скидки сегодня.
Если вы понимаете, что по всем признакам клиент собирается перейти к другому провайдеру, вы можете увеличить ему скорость, снизить цену или предложить что-то другое.
Этот аналитика клиентов .
Если вы не знаете, какой тарифный план из трех предложенных стоит запустить по всей стране, вам необходимо воспользоваться клиентской аналитикой, которая возьмет из базы данных каждого отдельного человека, оценит эмоциональные и практические мотивы перехода – и позволит вам чтобы понять, сколько человек будут пользоваться этим тарифом.
Именно так выглядит Data Mining в аналитике клиентов.
И именно так это уже работает на практике в сотнях крупных компаний по всему миру и в нашей стране.
В предыдущей теме я уже писал о том, насколько мощной может быть клиентская аналитика.
преобразить колл-центр когда ты знаешь все о звонящем.
Это часть большой головоломки, связанной с аналитикой клиентов.
Начнем с азов: работа с сегментами
Не все абоненты равны с точки зрения маркетинга: они различаются доходностью, списком потребляемых услуг, лояльностью или склонностью к уходу.Нужно уметь разделять аудитории и работать с каждым сегментом отдельно.
Почему? Потому что чем точнее мы сосредоточимся на клиенте, тем больший эффект будет. Например, вы можете предложить ту или иную услугу или товар не всем, а тем, кто, исходя из сегментации, с наибольшей вероятностью примет предложение.
Работает ли это на практике? Да.
Последние годы я внедряю инструменты для анализа клиентских запросов и могу сказать, что это определенно очень мощный инструмент для крупного бизнеса.
Что можно использовать в качестве исходных данных?
Базовый параметр — стоимость подписчиков — можно определить из такого набора данных:- Склонность продолжать пользоваться услугами компании или переходить к другой, исходя из среднего времени обслуживания клиентов в группе и затраченного времени.
- Социальный статус на основе выставления счетов, программ лояльности и социального графа.
- На основании текущего портфеля услуг (истории заказов).
- На основе прогнозной модели – на основе списка услуг или товаров, которые с высокой вероятностью будут использоваться клиентом в будущем.
- Лояльность (на основе истории событий из CRM).
- Плюс десятки других параметров в зависимости от конкретного бизнеса.
Далее вы можете определить группы, с которыми вам следует работать в первую очередь.
Это определяется исходя из текущей стратегии компании (захват доли рынка, удержание клиентской базы, повышение прибыльности и т. д.) и тактической ситуации (степень удовлетворенности абонентов, качество услуг и т. д.).
Для каждого отдельного клиента может быть сформировано индивидуальное сообщение с учетом его профиля.
Пример удержания и возврата
Ниже приведен типичный график ухода клиента и новый график ситуации, в которой тренд был вовремя обнаружен и клиент вернулся.
В моей практике был случай, когда только программа поиска подходящего момента для обращения к клиенту (и поиска оптимального предложения) позволила увеличить прибыль от программы лояльности в 4 раза.
Раньше программа лояльности работала, но работала не очень точно.
Здесь речь идет о более точной направленности продвижения (раннее выявление тенденций, понимание того, какую прибыль может принести клиент, плюс составление оптимального предложения, повышающего вероятность удержания или возврата).
В более широком смысле мы находим клиентов, которым мы можем что-то предложить, за 24 часа до того, как они сами начнут это искать.
Второй вариант — найти области рынка, где компания имеет явное преимущество, и быстро охватить всех возможных клиентов.
Интеграция и практическое использование
Интеграция этой штуки с CRM позволяет доставлять аналитику именно туда, где это необходимо для принятия оперативных решений: например, это действительно работает у операторов связи при выборе тарифа, в банке при выборе вариантов счета, в рознице — при товарных предложениях и так далее.
Вот пример фрагмента расчета, когда клиенту нужно предложить один из двух продуктов (например, тарифные планы): 
Есть комбинация с маркетинговым двигателем.
Например, вы можете побудить клиента совершать новые покупки на основе профилей клиентов со схожим поведением (что бы вы купили завтра, если бы вели себя так же, как остальная часть группы?).
Также есть механизм ответов, куда можно подать такие данные, как условия маркетинговых акций, и в результате получить подборку клиентов, для которых каждая акция будет оптимальной.
Результатом является снижение затрат на внедрение и высокая прибыль.
Еще одна интересная вещь — проверка гипотез о стратегических решениях.
Например, вам нужно посчитать стоимость реализации очень дорогой программы лояльности: вы можете получить прогноз доходности.
В более широком смысле вы можете оценить всю существующую клиентскую базу и понять капитализацию компании.
Еще один интересный пример: при продаже бизнеса можно учесть весь потенциальный доход от клиентской базы.
Контроль результатов
С одной стороны, чем больше источников данных, тем точнее можно сегментировать базу данных и подбирать предложения для каждого сегмента.Первый сценарий – объем данных ограничен, а обработка происходит офлайн (поскольку процесс сбора данных со всех источников происходит постепенно), это уже прошлый век и слабая интеграция.
Второй сценарий — работа со всеми источниками данных в «естественной среде» и в реальном времени — это те прогнозные решения, с которыми я сейчас работаю.
Так что же это делает?
- Вы можете заглянуть в будущее с точки зрения тактических, оперативных и стратегических решений.
- Система позволяет полагаться на точные данные, а не на интуитивные.
- Можно очень глубоко и точно проработать базу, по сути, построить оптимальную модель для каждого клиента.
- Бизнес-аналитики радуются, потому что на выходе получаются данные, понятные даже старшекласснику.
- Все это работает в режиме реального времени на основе имеющихся данных.
- Произведена относительно простая интеграция с любой ИТ-средой.
- Расчеты позволяют прикрыть попу: лучше посчитать и сделать, чем не посчитать и сидеть на месте.
Есть ли такая практика в нашей стране? Да, безусловно.
Я лично работал над интеграцией для операторы связи , банковских и розничных компаний и я знаю о многих подобных проектах моих коллег, поэтому можете быть уверены, что не только Google использует ваши данные, чтобы вам что-то предложить.
Можно ли построить такую систему самостоятельно для малого бизнеса? Да, можно: основные принципы вы уже знаете, глубокая интеграция не нужна, инфраструктура, в отличие от гигантов рынка, строится на коленях.
В общем, если использовать самые очевидные вещи, есть шанс быстро повысить эффективность.
Теги: #Интеллектуальный анализ данных #аналитика #Маркетинг #crm #клиенты #продажи #бизнес-процессы #эффективность #Интеллектуальный анализ данных
-
Пауки
19 Oct, 24 -
Ces: Бум Чтения? Больше Похоже На Бум
19 Oct, 24 -
Amazon Lambda С Голангом
19 Oct, 24 -
Машинное Обучение И Шоколадки
19 Oct, 24 -
Программный Синтезатор
19 Oct, 24
