Модель ценностного спектра не единственная для определения ключевых клиентов. Существую и другие. Возможно, они больше подойдут для вашего бизнеса. Например, популярная модель пожизненной ценности клиента.
1.3 Пожизненная ценность клиентаИдея заключается в том, чтобы предсказать, как долго клиент будет с вами, и рассчитать его ценность на протяжении этого срока. Зная этот показатель, можно оценить размер инвестиций в приобретение нового клиента и развитие отношений с ним.
Пожизненная ценность это функция трех переменных, а именно: текущей ценности клиента, его ценности в будущем, а также продолжительности связи клиента с вами. Первую переменную оценить просто вы знаете, сколько клиент платит сейчас. Со временем он будет платить больше или меньше. Опираясь на исторические данные, вы можете оценить вторую переменную.
Но как долго клиент останется с компанией? Этот показатель вызывает больше всего неопределенности. Однако задача оказалась решаемой. На помощь пришли методы математической статистики и машинного обучения. Сегодня компании собирают огромное количество информации о действиях клиентов. Используя показатели активности потребителей, аналитик данных может построить прогнозную модель и рассчитать вероятность потери клиента компанией.
Итак, три переменные определены, осталось дело за функцией. Она будет разной, поскольку у каждого бизнеса есть своя специфика. Другими словами, единой формулы для подсчета пожизненной ценности нет. В книге рассмотрены два примера. В первом случае фигурирует крупная европейская авиакомпания с условным названием Content Air. Автор предлагает считать по формуле:
RAR = P(D) × D × CV, где
RAR величина дохода от клиента из группы риска (revenue-at-risk, RAR),
P(D) вероятность снижения дохода,
D ориентировочная доля снижения
CV ценность клиента.
В другом случае речь идет о вымышленной компании Retailco, крупной розничной сети. Здесь для расчета пожизненной ценности клиента автор оперирует понятием Цепей Маркова. Основы этой теории заложил российский математик Андрей Марков почти 100 лет назад. Сегодня она широко применяется в различных сферах, от распознавания речи до анализа ДНК и оптимизации службы доставки.
Прогнозной аналитикой в компаниях занимаются аналитики данных. Однако Димитри полагает, что в будущем данные расчеты будут автоматизированы, IT-гиганты создадут соответствующие сервисы, которые будут доступны людям, далеким от математики.
Итак, ценный клиент определен. Но о чем с ним говорить? Очевидно, о том, что его волнует. Но как это узнать? Собирайте и анализируйте данные, чтобы понять потребности клиентов.
2. Что хочет клиент?
Анализ данных может выявить потребности клиента, которые ранее были не очевидны. Зная их, можно разработать и предложить потребителю новые товары и сервисы. Это повысит лояльность клиентов к компании. Узнаем, как Ogilvy помогла British Telecom (BT) понять потребности клиентов.
2.1 Сегментация по потребностямПеред агентством стояла задача выявить потребности мелких и средних клиентов британского телекоммуникационного гиганта. Цель провести сегментацию, основанную на потребностях. Результатом станут маркетинговые сообщения. Они будут привлекательными для целевой аудитории, поскольку примут во внимание ее интересы. Подход должен учитывать данные, уже имеющиеся у компании. Было предложено следующее:
Создать список потенциальных потребностей клиентов, которые BT могла бы удовлетворить.
Выявить, какие из потребностей важны для клиентов.
Выяснить, как список потребностей зависит от бизнеса клиента. Например, две компании имеют близкий годовой оборот, но одна сервисная, а другая производственная. Их потребности в коммуникации одинаковые или нет?
По итогам работы был создан список из 17 потребностей. Чтобы выявить из него наиболее важные для клиентов, провели интервью. Выборка была достаточно крупной. Результаты количественного исследования учли при последующем кластерном анализе. Последний включает в себя набор различных алгоритмов, с помощью которых объекты распределяют по группам. О том, какой именно был использован алгоритм, автор книги на сообщает.
Димитри подчеркивает важность интерпретации групп клиентов, сформированных компьютером. Он пишет, что «кластеризация это наполовину наука, а наполовину искусство». Провести четкую границу между двумя группами не всегда представляется возможным. Тем не менее аналитикам удалось выявить различные сегменты клиентов, у которых были уникальные приоритеты с точки зрения потребностей.