Стратегия управления инновационными проектами

Сегментация и кластеризация  широко используются для группировки  клиентов со сходными характеристиками для выявления шаблонов, которые можно использовать при формировании маркетинговых инициатив.

Базовая сегментация  часто используется для группировки  клиентов по легко различаемым и независимым признакам, таким как демографические данные, возраст, пол, доход и т.д. Сегментация должна формировать группировку, ведущую к лучшему пониманию структуры клиентской базы и, соответственно, характеру маркетинговых инициатив.

Кластеризация часто  используется для описания независимых  под-сегментов на основании набора предварительно выбранных характеристик, к которым относятся ключевые индикаторы потребительского поведения. Большие компании часто используют географические, демографические, социальные, экономические характеристики, наложенные на потребительские показатели для оптимизации продвижения бренда. Некоторые компании используют понятие «ценность кластера» для построения маркетинговой активности на основании текущей или потенциальной ценности соответствующей группы клиентов.

Пересекающиеся сегменты требуют более сложных аналитических  методов и предполагают включение в анализ потребительских паттернов клиентов. Так, какой-либо клиент может тратить много средств на какую-либо услугу, но не тратить ничего на сопутствующие услуги и товары. Эти паттерны потребления должны служить факторами дальнейшего разделения клиентов на различные группы.

Другим примером описательного анализа может служить так называемый анализ рыночных корзин, который связывает вместе продукты на основании их совместного покупательского потребления.

Анализ последовательностей  действий - также пример описательного  анализа. В этом случае выявляются паттерны во временной последовательности выполняемых клиентом действий, будь то заказы или клики на сайте.

Модели прогноза

Прогнозирование - мощное аналитическое средство, использующее статистические методы для прогнозирования поведения клиентов на основании большого количества различных факторов. Модели прогноза определяют факторы, в наибольшей степени, влияющие на какой-либо целевой показатель, определяют степень и характер такого влияния. Результатом моделирования является количественное описание зависимости, по которой можно построить прогноз значения целевого показателя в зависимости от значений входных факторов.

Существуют множество  распространенных моделей прогноза. Большое распространение получили модели, выявляющие зависимость одного целевого фактора от набора входных параметров для выявления тех из них, которые влияют на целевой показатель в наибольшей степени. Например, нас могут интересовать факторы, определяющие покупку какого-либо товара и определение наиболее значимых из их числа, например, таких как возраст, доход, факт работы за компьютером, наличие домашних животных и других факторов.

Модели CHAID или CART создают  деревья решений по наиболее информативным атрибутам. Деревья решений популярны из-за высокой точности прогноза на большинстве видах бизнес-данных, а также благодаря легкости понимания результата, формулируемого в виде последовательностей условий и результата прогноза. Примером может служить ветка дерева решений, сформулированная как «если возраст между 25 и 40, наличие автомобиля, профессия финансовый аналитик, то можно выдавать кредит с риском невозврата 0,004%».

Нейронные сети имитируют  в определенной степени работу человеческого мозга в области интуитивного обучения на опыте. В процессе «обучения» определяются характеристики связей между нейронами сети для минимизации ошибок классификации обучающих данных. Достоинствами нейронной сети является высокая точность прогнозирования, а недостатками - сложность настройки и высокая длительность обучения, а также невозможность вербальной интерпретации полученных результатов, так как система функционирует как «черный ящик».

Для целей прогнозирования  кроме деревьев решений и нейронных  сетей используются также байесовские сети, логистическая и линейная регрессия, дискриминантный анализ, метод опорных векторов, генетические алгоритмы и другие методы.

Использование моделей прогнозирования

Модели прогнозирования  могут использоваться для предсказания реакции на целевое направленное предложение. Индивидуальные клиенты или предприятия могут оцениваться по вероятности своего отклика на предложение. Эти оценки можно использовать при выполнении сценариев «что-если» при выработке маркетинговых программ.

Модели оценки рисков могут использоваться для определения  вероятности отказа от обязательств, неуплаты. Эти модели в основном основываются на данных кредитного отдела. Эти модели требуют больших объемов данных и длительного исторического периода для статистически обоснованных выводов. В последнее время активное распространение получил анализ характеристик поведения представителей клиента, являющихся индикатором серьёзных проблем в бизнесе. Эти модели призваны своевременно выявить риск разорения или ликвидации клиента.

Сегментация клиентов по ценности может предоставить данные для эффективного построения описательных и предсказательных моделей. Компания может сформировать описание своих клиентов в виде матрицы 2x2 и поместить клиентов в соответствующий квадрант на основании их текущей и потенциальной ценности. Инициативы по управлению взаимоотношений с клиентами может быть начата в каждом из 4 квадрантов.

• Квадрант 1: Высокая текущая ценность/высокая потенциальная ценность - удержать. В зависимости от вида коммерческой деятельности 10% наиболее прибыльных клиентов могут представлять от 50% до 80% прибыли компании, таким образом, потеря клиента из этого квадранта может быть очень чувствительна для бизнеса целиком. Таким образом, компания должна выполнять действия по удержанию клиентов в первом квадранте.
• Квадрант 2: Низкая текущая ценность/высокая потенциальная ценность - улучшить. Эти клиенты могут увеличить свою ценность для компании посредством инициатив в кросс-продажах и прямой работе с клиентом. Возможно, эти клиенты не получили интересных предложений в прошлом или столкнулись с неадекватным сервисом со стороны ваших менеджеров. Должны быть предприняты попытки по расширению и углублению коммерческих взаимоотношений с клиентами второго квадранта.
• Квадрант 3: Высокая текущая ценность/низкая потенциальная ценность - изучать. В некоторых материалах призывается "доить" клиентов из третьего квадранта для получения текущей прибыли. Мы рекомендуем изучать таких клиентов для определения тех из них, с которыми мы можем найти больше точек соприкосновения в будущем, а также, для выявления рыночных сегментов в которых будущее сотрудничество наиболее вероятно.
• Квадрант 4: Низкая текущая ценность/низкая потенциальная ценность - завершить. Так как нельзя сконцентрироваться на всех сегментов клиентов, поэтому мы предлагаем не предпринимать активных действий с клиентами четвертого квадранта и сконцентрироваться на работе с клиентами других квадрантов.

Комбинация системы  сбора информации о клиентах, системы  построения аналитической отчетности и системы выявления закономерностей в данных позволит компаниям лучше понять свою клиентскую базу и построить более эффективные взаимоотношения со своими клиентами. Как только компания начинает активно использовать информацию о своих клиентах для принятия решения об оптимизации предложения и способах работы с разными группами клиентов, увеличивается показатели текущей финансовой эффективности компании, а также уменьшаются критические риски отказа от обязательств, отказа от услуг и потери важных клиентов. Возможности большей информационной прозрачности, деятельности по оптимизации и прогнозированию взаимоотношений с клиентами приводит все больше количество компаний к выводу о необходимости автоматизации процесса добычи знаний о своих клиентах и тиражирования их среди отделов продаж, кредитного отдела, маркетинга и топ-менеджеров.

Управление отношениями с клиентами содержит средства классификации клиентов по двум критериям:

- по привлекательности (ABC-классификация);

- по стадиям взаимоотношений с клиентами (XYZ-классификация).

Данные средства классификации предназначены для формирования стратегии взаимоотношений с клиентами. Рассмотрим их подробнее.

АBC- анализ — это исследование частоты определенных явлений и фактов. С помощью этого метода объекты анализа делятся на несколько категорий (как правило – три - А,В,С) по степени важности и в зависимости от их удельной стоимости.

ABC-классификация основана  на правиле Парето. Применительно  к проблеме отношений с клиентами это правило звучит так: 20% клиентов обеспечивают 80% выручки (и наоборот, 80% клиентов обеспечивают лишь 20% выручки). Следовательно, менеджеру по работе с клиентами имеет смысл направлять свои основные усилия на привлечение и удержание крупных клиентов. А предприятие должно предлагать крупным клиентам особо выгодные условия для сотрудничества.

ABC-классификация позволяет  разбить клиентов на три группы важности: высокая (класс «А»), средняя (класс «В»), низкая (класс «С») (рис. 2.6).

Группа «А» – это  ключевые клиенты компании, которые  приносят ей половину объема продаж, однако, согласно закону Парето, составляют, как правило, 5-20% от их общего количества. Понятно, что уход даже одного клиента из этой группы может значительно ухудшить финансовые показатели компании.

Группа «В» дает 25% объема продаж. Количество клиентов кратно превышает группу «А». Основные усилия здесь должны быть направлены на развитие отношений и перевод клиентов в более высокую группу «А».

Группа «C» – самая многочисленная группа клиентов, на долю которой приходится незначительная часть продаж (15%). Поскольку высока вероятность того, что работа с ними приносит фирме убытки, имеет смысл более подробно проанализировать оставшихся клиентов, разбив их на несколько групп.

В дополнение к ABC-классификации можно классифицировать контрагентов по стадиям взаимоотношений. Различаются следующие стадии взаимоотношений с клиентами:

- Потенциальный клиент;

- Разовый клиент;

- Постоянный клиент;

- Потерянный клиент.

 

Рисунок 2.6 –  Классификация клиентов по группам  важности

 

Переходы клиентов из одной стадии в другую можно  представить в виде следующей  схемы (рис. 2.7).

 

 

Рисунок 2.7 –  Схема перехода клиентов из одних стадий в другие

 

Для стадии «Постоянный клиент» можно ввести дополнительную классификацию по регулярности закупок (рис. 2.8):

- стабильные закупки (X-класс);

- нерегулярные закупки (Y-класс);

- эпизодические закупки (Z-класс).

 

Рисунок 2.8 –  Классификация стадии «Постоянный  клиент»

по регулярности закупок

 

Также для улучшения взаимоотношений с клиентами можно разработать внутрифирменные стандарты или бизнес-правила предоставления скидок.

Рассмотрим их подробнее.

В случае неблагополучного положения с погашением дебиторской  задолженности и, вообще, дефиците денежных поступлений в компании могут быть стандартизированы бизнес-правила предоставления скидок и льгот покупателям при досрочной оплате (относительно нормативной допустимой отсрочки).

Чтобы заинтересовать клиентов в предоплате или в своевременном  погашении задолженности за поставленные компанией товары, необходимо разработать достаточно привлекательные системы скидок и льгот. Последовательность действий может быть следующей:

Рассчитывается минимально допустимый процент прибыли, при  котором бизнес является все еще прибыльным. Минимально допустимый процент прибыли - это отношение годовой прибыли, при которой ваша компания все еще представляет экономический интерес, к годовому объему продаж. Он будет обозначать «нижнюю границу», за которую отступать нельзя. Например, в качестве нижней границы может выступать «точка безубыточности»!

Разница между текущим  процентом прибыли и расчетным минимально допустимым разбивается на сегменты.

Используя эти сегменты, создается дифференцированная система  скидок. Наибольшие скидки предоставляются тем клиентам, которые платят в форме, наиболее благоприятной для укрепления финансового положения компании.

В систему скидок может  входить:

• Самые высокие скидки за предоплату;
• Дифференцированные скидки за своевременные платежи и платежи, сделанные ранее установленного крайнего срока;
• Скидка за платежи наличными, поскольку платежи в другой форме сопряжены с издержками обращения, которые уменьшают выручку;
• Дифференцированные скидки в зависимости от объема закупок.

Приведем пример бизнес-правил стимулирования досрочной оплаты. В качестве исходных данных примем следующие: