Книга: Сервис, который приносит прибыль. Практическое руководство по созданию системы NPS

Регрессионный анализ

Регрессионный анализ

Регрессионный анализ основан на тех же принципах, что и корреляционный. Однако в отличие от корреляции между двумя переменными (например, качеством продукта и лояльностью или обучением работе с продуктом и лояльностью) регрессионный анализ описывает взаимосвязь между несколькими прогностическими переменными (такими как качество продукта, обучение работе с продуктом и поддержка по телефону) и результирующей переменной – например, вероятностью рекомендаций. Регрессия показывает как силу, так и направление взаимосвязей между переменными в виде математического уравнения. Собственно говоря, такой подход позволяет прогнозировать, как изменение одной переменной скажется на другой – например, в какой степени улучшение работы службы поддержки клиентов по телефону повысит общий показатель NPS.

Благодаря этому свойству регрессионное моделирование часто выбирают в качестве инструмента для построения моделей доходности инвестиций и связи между ними и ожидаемыми выгодами в плане повышения лояльности и связанных с ней аспектов поведения клиентов. Имея в своем распоряжении такую информацию, компании могут принимать более взвешенные решения, куда вкладывать деньги и какие инвестиции обеспечат самый высокий доход.

В компании GE Real Estate, помимо анализа комментариев клиентов, применяют регрессионный анализ. Бернхард Вассинк отмечает: «Регрессионный анализ позволил нам определить пять вещей, необходимых нашим клиентам: широкий ассортимент продуктов, приемлемая цена и структура сделки, непрерывное управление взаимоотношениями с клиентами, выполнение заранее оговоренных условий сделки и простой процесс ее заключения. На основании этих факторов мы можем принимать решения, приносящие значительные результаты».

На рисунке 6.5 представлен простой графический пример регрессионного анализа. Уравнение отображает взаимосвязь между общим индексом удовлетворенности продуктом и показателем лояльности. Эта связь достаточно сильна: в случае повышения качества продукта на одну отметку шкалы компания может рассчитывать на повышение общей вероятности рекомендаций примерно на три четверти одной отметки. После этого остается только определить, какие аспекты обеспечивают удовлетворенность клиентов качеством продукта и какой объем инвестиций требуется для значимого повышения индекса удовлетворенности.


Рис. 6.5. Регрессионный анализ и его результаты

Компании, которые пользуются методом «шесть сигм» и другими программами совершенствования бизнес-процессов такого рода, обычно включают регрессионный анализ в свой подход к определению индекса искренней лояльности. Аспекты клиентского опыта (такие как поддержка потребителей и качество продуктов), имеющие высокую корреляцию с NPS, служат прогностическими переменными (на рис. 6.5 это индекс удовлетворенности качеством продукта, отложенный на оси x), на основании которых методом регрессионного анализа оценивается результирующая переменная (на рис. 6.5 это индекс лояльности, отложенный на оси у). Как правило, переменная Y отображает баллы, выставленные клиентами в ответ на вопрос о вероятности рекомендаций, что считают в компании важным показателем эффективности ведения бизнеса.

Преимущество регрессионного моделирования заключается в возможности его применения для создания предиктивных моделей. Однако в сфере клиентского опыта и лояльности это же становится и самой сложной задачей. В отличие от приведенного выше примера клиентский опыт представляет собой сложную совокупность различных аспектов взаимодействия с компанией, а связь между смоделированными переменными и результирующей может быть относительно слабой.

Кроме того, регрессионное моделирование подразумевает возможность присвоения разного веса (разной степени влияния) одной и той же прогностической переменной в общем уравнении в зависимости от того, в каком порядке переменные включаются в модель. В таком случае необходима особая осторожность и компетентность при анализе и интерпретации полученных результатов. Кроме того, когда две или более переменные помогают объяснить итог, но между ними есть корреляция, регрессионная модель может дать ошибочное представление о силе связи между одним прогностическим фактором и результатом.

Рассмотрим пример переменных, между которыми может быть высокая корреляция. Возможно, у вас есть данные об уровне удовлетворенности клиентов продуктом и службой поддержки или об удовлетворенности организацией продаж и управлением работой с корпоративными клиентами. Большинство потребителей не воспринимают впечатления о продукте и поддержке как нечто обособленное: они дополняют друг друга. Что касается продаж и управления работой с клиентами, различия между ними носят в основном организационный характер и основаны на внутренней структуре компании; при этом потребитель не видит почти никакой разницы между основными аспектами опыта (контакты с продавцами, оценка продукта, ведение переговоров и покупка). Картина мира, сложившаяся у клиента, не содержит четких разграничений, соответствующих внутренней структуре организации, поэтому его ответы на вопросы об удовлетворенности чаще всего отображают определенный фрагмент общего опыта и приводят к получению показателей с высоким уровнем корреляции. Преимущества регрессионного подхода (в частности, возможность создания точной модели для определения приоритетных задач и инвестиций) имеют свою цену: применение этого подхода требует высокого уровня квалификации и больших трудозатрат при анализе.

В связи с этим многие компании используют только подходы, основанные на корреляционном анализе, что позволяет руководителям составить первоначальное представление о факторах, определяющих NPS. В действительности два-три основных драйвера лояльности, выявленные с помощью каждого из перечисленных выше методов, во многих случаях остаются неизменными. Как уже было сказано, доверие к полученным результатам можно повысить благодаря получению подтверждающих данных из дополнительных источников.

Оглавление книги


Генерация: 1.244. Запросов К БД/Cache: 3 / 1
поделиться
Вверх Вниз