Книга: Маркетинг, основанный на данных. 15 показателей, которые должен знать каждый

Третий основной прием аналитического маркетинга: дерево решений

Третий основной прием аналитического маркетинга: дерево решений

Как же использовать события при принятии маркетинговых решений? Главное – правильно применять аналитические данные. Они помогают определить, какие события или покупки взаимосвязаны. Затем на основании данных можно определить таргетированные маркетинговые действия, активирующиеся триггером события для определенных потребителей. Иными словами, нужны модели прогнозирования, позволяющие понять поведение и характеристики потребителя, а также план маркетинговых действий, основанных на данных прогнозов. Благодаря моделям вы можете оценить маркетинговый эффект с помощью таких показателей, как коэффициент отклика, прибыль и/или коэффициент оттока. Ниже приведен подробный пример, показывающий, как проводить такого рода анализ.

Компания EarthLink, расположенная в Атланте, – интернет-провайдер среднего размера. Ее оборот за 2008 год составил 956 миллионов долларов. Компания обеспечивает интернет-соединение миллионам частных потребителей и ряду мелких и средних компаний. Примерно четверти клиентов EarthLink предоставляет высокоскоростной доступ в интернет (с участием компаний Time Warner Cable и Comcast Cable) и предлагает такие услуги, как веб-хостинг и онлайн-реклама. DSL-соединение обеспечивают операторы BellSouth, Covad, AT&T и др.

EarthLink активно использует данные, аналитические инструменты и маркетинг, основанный на событиях. Но ей пришлось пройти сложный путь. Стюарт Роузел, директор по исследованиям клиентов, аналитике и стратегии компании EarthLink, рассказал мне:

Сэм Макфол, старший менеджер EarthLink по вопросам бизнес-аналитики, добавил:

Дерево решений – один из трех основных методов анализа данных. Два других – кластерный анализ и нейронные сети{49}. Детали этих алгоритмов интересны «ботаникам» вроде меня, но большинству маркетеров они покажутся очень скучными. Однако для использования самих моделей все подробности не нужны.

Что же такое дерево решений с точки зрения анализа данных? Суть его в том, чтобы последовательно разделять набор данных на более «чистые» подгруппы, имеющие четко определенные характеристики. По сути, мы хотим просеять данные сквозь сито; в результате образуются две группы{50} – прошедшие и не прошедшие отбор.

Представьте себе кучу зеленых и синих шариков. Если ваш фильтр разделяет эти два цвета, то в итоге вы получите две кучки шариков – синие отдельно, зеленые отдельно. Каждая из них будет более «чистой» с точки зрения цвета, чем изначальный набор. Затем мы можем повторить тот же процесс с использованием других переменных и т. д. В итоге набор данных превратится в своеобразное дерево с «листьями» (синими и зелеными), соединенными ветвями (связями).

Поясню на примере. На рис. 9.3 показано, как компания EarthLink произвела первое разделение данных при создании дерева решений в программе SAS Enterprise Miner{51}. Общее множество – клиенты, пользующиеся DSL, и для начала компания разделила их на группы позвонивших в колл-центр и задавших вопрос «Можете ли вы подключить мне широкополосный доступ?» (левая ветвь) и не сделавших этого (правая ветвь). Обратите внимание, что триггером события выступает звонок в сервисный центр с вопросом «Можете ли вы подключить мне услугу?».

В верхней части дерева решений приведены данные о двух группах клиентов: 5,2 % клиентов, пользующихся коммутируемым доступом, отказываются от услуг в течение 60 дней, а 94,9 % остаются. Однако среди тех, кто звонил в компанию (первое разветвление в левой части дерева), заметна большая разница в показателе оттока: 12,8 % (по сравнению с 42 % не звонивших, см. второй набор ячеек на рис. 9.3). Иными словами, клиенты, звонящие в компанию и узнающие, могут ли они пользоваться широкополосным доступом, имеют в 2,5 раза больше шансов отказаться от услуг компании, чем вся совокупность клиентов (для расчета этого показателя достаточно разделить 12,8 % на 5,2 %) – это ветвь с «высоким коэффициентом оттока». Правая ветвь – ветвь с «низким коэффициентом оттока»: клиенты, которые не обращались с запросом о предоставлении услуг широкополосного доступа, на 20 % (4,2 % / 5,2 %) реже склонны расставаться с компанией (по сравнению со всей клиентской базой).

Дерево решений можно рассматривать и как способ подробной сегментации клиентов, основанной на широком наборе переменных, включая события. Самый важный вопрос для маркетинга в данном случае – «Почему коэффициент оттока для этих двух групп так различается?». Иными словами, почему коэффициент оттока в левой части дерева настолько выше, чем в правой? Ответ прост: клиенты, интересующиеся возможностью широкополосного доступа, активно ищут возможность получить более продвинутые услуги.

На третьем уровне клиенты подразделяются на еще более мелкие группы: правая (не обращавшиеся с запросом) делится на подгруппы в зависимости от использования сервиса WebMail, а именно количества почтовых ящиков на WebMail. Группа, расположенная слева (клиенты, обращавшиеся с запросом, в том числе и несколько раз), делится в зависимости от переменной, связанной с частотой использования услуг: количеством сеансов связи за месяц. Алгоритм создания дерева показал, что именно количество ящиков WebMail – лучший критерий для разделения на группы клиентов, относительно удовлетворенных коммутируемым доступом, а количество сессий лучше всего подходит для разделения на подгруппы клиентов, планирующих переход на широкополосный доступ.

Вторая развилка позволяет нам лучше понять причины оттока. Слева – клиенты, обращавшиеся с запросом, но редко пользующиеся услугами (менее 9,5 сеансов связи в месяц), на 338 % (17,6 % / 5,2 %) чаще склонны расстаться с компанией, чем основная масса клиентов. Они прицениваются к разным предложениям на рынке и не удовлетворены услугами коммутируемого доступа; именно на них надо нацеливать кампании маркетинга вовлеченности и лояльности. Для клиентов в той же ветви (обратившиеся с запросом), пользующихся услугами чаще (более 9,5 сеансов связи в месяц), вероятность расставания только на 160 % (8,3 % / 5,2 %) выше, чем в среднем по выборке.

_{Рис. 9.3. Дерево решений SAS Enterprise Miner для компании EarthLink}

_{В каждой ячейке приведена доля клиентов, которые остаются с компанией (0) и расстаются с ней (1) в течение 60 дней, а N – количество клиентов в каждой группе}

Источник: Сэм Макфол, EarthLink

Для клиентов, не обращавшихся с запросом о предоставлении услуг широкополосного доступа (правое ответвление на рис. 9.3), самая важная переменная – количество почтовых ящиков на WebMail. Клиенты, у которых нет ящиков (один ящик на двоих или более пользователей не считается), больше склонны к уходу по сравнению с общей базой (5,7 % против 5,2 %). Низкая вовлеченность приводит к высокому оттоку. Для клиентов с одним или несколькими ящиками на WebMail вероятность ухода практически наполовину ниже показателя для клиентской базы в целом (2,8 % в сравнении с 5,2 %). Они не ищут услуги широкополосного доступа на рынке и «привязаны» к электронной почте.

Дерево позволяет понять, на чем стоит сосредоточить маркетинговые усилия по удержанию клиентов: клиенты, которые обращаются с запросом и при этом редко пользуются услугами компании (мало сеансов связи в месяц), имеют самый высокий показатель оттока. По словам Стюарта Роузела: «Не стоит ждать, что клиенты перестанут размышлять о переходе на широкополосный доступ, однако вы можете снизить отток за счет нацеленных маркетинговых усилий, побуждающих их чаще пользоваться EarthLink и электронной почтой».

Каждые несколько недель EarthLink создает подобное дерево и выявляет конкретные группы клиентов с высоким риском ухода (модель подсказывает конкретные характеристики таких клиентов). Им EarthLink предлагает приятные и неожиданные решения: карты особо ценных клиентов, позволяющие получать скидки (например в Starbucks), приоритетный доступ к службе поддержки или даже предложение широкополосного доступа со скидкой. На рис. 9.4 показано влияние этих маркетинговых инициатив на уровень оттока для одной программы, направленной на клиентов, которые пользовались коммутируемым доступом. Отток за 30 дней сократился на 44 %, а за 120 дней – почти на 20 % в сравнении с контрольной группой, не получавшей маркетинговых предложений.

EarthLink также количественно оценивает влияние снижения оттока на финансы компании, в основном на текущую прибыль и пожизненную ценность клиента. В краткосрочной перспективе влияние от снижения оттока примерно на 30 % невелико, однако со временем и с учетом всех сегментов удержание клиентов приведет к 20-кратному повышению прибыльности. Иными словами, влияние маркетинга со временем станет еще более важным, будет приносить компании миллионы долларов чистой прибыли каждый месяц (и куда больше с точки зрения репутации как основы лояльности).

_{Рис. 9.4. Данные об оттоке за 30 и 120 дней в EarthLink для маркетинговой кампании по удержанию клиентов, пользовавшихся коммутируемым доступом}

Источник: EarthLink

Затратная по времени регрессионная модель была заменена в EarthLink интуитивно более понятным методом дерева решений. Теперь создание десятков новых моделей занимает не недели, а считаные дни. Иными словами, у компании есть больше времени на анализ и интерпретацию данных, создание инноваций в области целевого маркетинга, разработку и реализацию стратегий в составе универсальных команд.

Однако кое-что в этом процессе заслуживает пристального внимания. Вот что рассказал мне Роузел:

С чего начала EarthLink? «Четыре года назад у нас уже была система показателей, однако измерения проводились для малой доли маркетинговых программ. Очевидно, что у нас отсутствовала культура маркетинга, основанного на данных. Вместо того чтобы проводить анализ и вникать в ситуацию, мы создавали кучу отчетов, на которые маркетеры не обращали внимания. Поэтому мы запустили процесс с нуля и применили более комплексный подход», – сказал Роузел. В EarthLink новая инициатива получила название TIAD: Today Is Another Day («Сегодня – новый день»). Суть ее была разъяснена сотрудникам всех подразделений. Программа позволила понять, каковы реальные потребности клиентов. Компания наняла талантливых аналитиков, чтобы решить проблему недостаточной квалификации, а кроме того, создала инструменты и инфраструктуру для поддержки аналитического маркетинга.

С помощью новых инструментов, позволявших изучать информационные массивы, аналитическая команда EarthLink смогла достичь хороших результатов. Маркетинг, направленный на удержание клиентов, позволил снизить отток более чем на 30 % по сравнению с контрольной группой. Анализ прибыльности показал, что использовавшиеся компанией каналы телемаркетинга до?роги и низкоэффективны, поэтому EarthLink переключилась на общение по электронной почте, что привело к значительному снижению затрат. Более того, значительно выросла доля отклика на предложения, поскольку компания направляла нужные предложения нужным клиентам в нужный момент. В совокупности операционные расходы на маркетинг снизились на 60 %, а его эффективность, соответственно, повысилась.

Эти победы привели к серьезным изменениям в организации маркетинга. В результате компания смогла от вопросов, основанных на данных («Какая доля потребителей от нас ушла?»), перейти к вопросам, связанным с сутью бизнеса: «Почему ушли клиенты этого типа?»; «Что мы можем сделать для снижения оттока?» и «Каким будет финансовый эффект от маркетинговых усилий?».

Крайне важным моментом для развития в EarthLink культуры маркетинга, основанного на данных, стало создание Совета по потребительскому опыту. Им управляет исполнительный комитет, состоящий из Роузела и других ведущих маркетеров и менеджеров по продукту, а также рабочей группы из 40 маркетеров компании. Совет устраивает ежемесячные совещания для обсуждения результатов предыдущих мероприятий, успешных примеров и новых моделей. «Работа Совета помогает нам регулярно проводить пилотные тесты, запускать кампании, измерять результаты и постоянно учиться чему-то новому», – сообщил Роузел.

Подводя итог, можно сказать, что дерево решений – отличный способ сегментировать клиентов и определять план дальнейших действий. Оно позволяет вам отвечать на массу вопросов, например: «Какие еще продукты и услуги покупают клиенты, приобретающие у нас данный продукт или услугу?»; «Какие события могут послужить для нас индикатором того, что потребитель купит новые продукты или услуги?»; «Какие события или действия клиента показывают, что он может уйти?». Затем начинаются расчеты. На основании данных, полученных от аналитиков, можно создать маркетинговые программы, нацеленные на конкретные группы клиентов с определенными характеристиками, или планы действий при наступлении определенных событий. Расчет моделей может производиться ежедневно, еженедельно, ежемесячно или в режиме реального времени при каждом взаимодействии клиента с вашей компанией (об этом я подробнее расскажу в следующем разделе).

Однако у большинства маркетеров нет навыков, необходимых для того, чтобы заниматься сбором данных и создавать запросы в программе типа SAS. Поэтому, скорее всего, придется нанять специалиста. Важно понять, в чем главные преимущества того или иного аналитического инструмента, как нужно интерпретировать данные и какие действия предпринимать. Сам процесс кажется сложным, но результаты просты и понятны. Я считаю, что экономический кризис – лучшее время для найма аналитика!

Оглавление книги