Книга: Стратегический маркетинг

Получаем данные

Получаем данные

Итак, какая мера может быть полезной для измерения потребительской лояльности? Чтобы это выяснить, мне понадобилось сделать нечто нестандартное для подобных опросов: соотнести ответы отдельных покупателей с их реальным поведением – повторными покупками, рекомендациями, – в течение определенного периода времени. Я обратился за помощью к компании Satmetrix, с советом директоров которой я работаю. Эта компания разработала программное обеспечение, помогающее собирать и анализировать отклики клиентов в режиме реального времени. Также мне помогли с проектом команды Bain.

Мы начали примерно с 20 вопросов теста проверки на лояльность – опроса, который я составил четыре года назад с коллегами из Bain. Он неплохо справляется с определением состояния отношений между компанией и ее покупателями. (Полностью тест можно найти на веб-странице http://www.loyaltyrules.com/loyaltyrules/acid_test_ customer.html.) Мы предложили пройти этот тест тысячам покупателей, которых нашли в публичных списках шести отраслей: финансовые услуги, телеграфия и телефония, персональные компьютеры, электронная коммерция, автомобильное страхование и предоставление интернет-услуг.

Задайте правильный вопрос

В рамках нашего исследования потребительской лояльности и роста мы с коллегами взглянули на связь между ответами на опрос и реальным поведением покупателей – повторными покупками или рекомендациями товара друзьям и коллегам, то, что в итоге может привести к прибыльному росту. Основываясь на информации, полученной от 4000 потребителей, мы ранжировали ряд разных вопросов в соответствии с их способностью предсказать подобное желаемое поведение. (Любопытно, что создание объемного каталога – основанного на ответах на многочисленные вопросы, с учетом относительной эффективности этих вопросов, – дало незначительное преимущество в плане прогнозирования.)

Список наиболее эффективных для прогнозирования вопросов в разных отраслях:

• Насколько вероятно, что вы порекомендуете [компанию X] другу или коллеге?

Два следующих вопроса были эффективны в плане прогнозов в определенных отраслях:

• Насколько вы согласны с тем, что [компания X] заслуживает вашей лояльности?

• Насколько вероятно, что вы продолжите покупать продукты/услуги у [компании X]?

Другие вопросы, полезные в определенных отраслях, но в целом мало применимые:

• Насколько вы согласны с тем, что [компания X] устанавливает стандарты совершенства в своей отрасли?

• Насколько вы согласны с тем, что [с компанией X] вам легко заключать сделки?

• Если бы вы выбирали аналогичного поставщика в следующий раз, насколько велика вероятность, что вы выбрали бы [компанию X]?

• Насколько вы согласны с тем, что [компания X] создает новаторские решения, которые делают вашу жизнь проще?

• Насколько вы удовлетворены качеством работы [компании X] в целом?

Затем мы получили историю покупок каждого опрашиваемого человека и попросили этих людей назвать случаи, когда они рекомендовали кому-то компанию, о которой шла речь. Если эта информация была недоступна, мы собирали информацию о покупках и рекомендациях этих лиц за последующие 6–12 месяцев. Получив информацию от четырех с лишним тысяч покупателей, мы смогли составить 14 тематических исследований, то есть изучили случаи, где у нас было достаточно примеров, чтобы измерить связь между ответами в опросе и покупательским поведением, а также реальными рекомендациями.

Данные позволили нам определить, какие вопросы анкеты имели самую сильную статистическую корреляцию с повторными покупками или рекомендациями. Мы надеялись найти для каждой отрасли как минимум один вопрос, который может эффективно предсказывать подобное поведение и служить стимулом к росту. Результат превзошел наши ожидания: один вопрос был лучшим в отношении всех отраслей. Вопрос «Насколько велика вероятность, что вы порекомендуете [компанию X] другу или коллеге?» стоял первым или вторым в 11 из 14 тематических исследований. И еще в двух случаях вариант «порекомендовал бы» располагался так близко к двум другим лучшим средствам прогнозирования, что опросы были бы примерно столь же точны, если бы они опирались на результаты лишь одного этого вопроса (ранжирование лучших прогнозирующих вопросов см. во врезке «Задайте правильный вопрос»).

Это открытие меня удивило. Лично я ставил на вопрос (возможно, отражающий акцент моего исследования лояльности сотрудников, проведенного в последние годы) «Насколько вы согласны с тем, что [компания X] заслуживает вашей лояльности?». Впрочем, ясно, что абстрактное понятие лояльности было менее веским для покупателей, чем могло быть действие, совершенное из лояльности, – рекомендация другу. Также я ожидал вопроса «Насколько вы согласны с тем, что [компания X] устанавливает стандарты совершенства в своей отрасли?» – подразумевающего предложение покупателям как экономических преимуществ, так и первоклассного обслуживания, – но он оказался менее прогнозирующим, чем казался. Один результат и вовсе меня изумил. Вопрос «Насколько вы удовлетворены работой [компании X] в целом?», хотя и был актуальным в отдельных отраслях, в целом оказался относительно слабым в плане прогноза роста.

Итак, мои коллеги и я получили правильный вопрос: «Насколько вероятно, что вы порекомендуете [компанию X] другу или коллеге?» – и теперь нам нужно было разработать шкалу для оценки ответов. Дело может показаться тривиальным, но, как известно специалистам по статистике, это не так. Чтобы сделать лояльность покупателей стратегической целью, над которой могут работать менеджеры, требуется столь же простая и недвусмысленная шкала, как и сам вопрос. Правильная шкала сможет эффективно разделить покупателей на практические группы, которые заслуживают разного внимания и организационных ресурсов. Она должна быть интуитивно понятной для покупателей, ставящих оценки, и для сотрудников и партнеров, отвечающих за интерпретацию результатов и за предпринятые действия. В идеале шкала должна быть настолько простой для понимания, что даже люди, находящиеся вне бизнеса, – инвесторы, законодатели и журналисты – могли бы понять основной посыл, не нуждаясь в руководстве и аналитическом отчете.

По этим причинам мы создали шкалу, где десять означает «предельную вероятность» рекомендации, пять означает нейтральное отношение, а ноль – «нулевую вероятность» рекомендации. Изучив рекомендации и покупательское поведение клиентов по этой шкале, мы обнаружили три логических кластера. «Промоутеры» – покупатели с самым высоким количеством повторных покупок и рекомендаций, с рейтингом от девяти до десяти при ответе на вопрос. «Пассивно удовлетворенные» имели рейтинг семь или восемь, а «недоброжелатели» – от нуля до шести.

Ограничивая определение «промоутер» только самыми рьяными энтузиастами среди покупателей, мы избежали «оценочной инфляции», которая часто встречается в традиционных оценках потребительской удовлетворенности, где каждый, на микрон более чем «нейтральный», уже считается «удовлетворенным». (Такова была опасность, которой смогла избежать компания Enterprise Rent-A-Car, решив уделить больше всего внимания самым большим энтузиастам их услуг.) Разделение покупателей на три категории – промоутеры, пассивно удовлетворенные и недоброжелатели – не только предоставило самый простой, интуитивно понятный и наиболее верно предсказывающий покупательское поведение способ; это разделение также позволило вывести на передний край менеджеров, которые гораздо охотнее займутся увеличением числа промоутеров и уменьшением числа недоброжелателей, чем увеличением среднеарифметического показателя удовлетворенности по одному стандартному отклонению.

Оглавление книги


Генерация: 1.129. Запросов К БД/Cache: 3 / 0
поделиться
Вверх Вниз