Большие решения для малого бизнеса: как пережить кризис?

а затем вы узнаете стоит ли их использовать, даже при небольшом объеме данных, и ответите на вопрос: "при чем тут Макиавелли?"

Что можно построить на основе транзакционной базы:

RFM
Кластеризация
Дерево решений

Когда маркетолог рисует вам портреты ЦА, задумайтесь: "А не художник ли перед вами?",— ведь сначала нужно смотреть натуру.

первичные метрики продаж AMAZON в сегменте электроники

Данные метрики нужны нам для первичной оценки состояния продаж. При дальнейшей сегментации клиентов мы сможем сравнивать подгруппы целевой аудитории, анализируя метрики по каждой из них:

LTV (Life Time Value) — это то, сколько каждый клиент принес нам денег за весь рассматриваемый период.
Глубина чека — это среднее количество SKU (stock keeping unit), товарных наименований в чеке.
Ширина чека — среднее количество уникальных SKU в чеке.

на фото: краткая характеристика всех подгрупп аудитории и статистика по ним

RFM-анализ — это сегментация клиентов на основе их транзакционной активности. Анализ состоит из трех производных метрик, по первым буквам: Recency, Frequency, Monetary. Всего мы получаем 27 подгрупп аудитории, со своим уникальным поведением, выручкой и так далее. Каждая метрика получает оценку от 1 до 3, в зависимости от того, как "хорошо" ведет себя клиент. Оценки определяются через перцентиль, в общем ряду всех значений:

RECENCY (давность) — сколько дней прошло с момента последней покупки клиента.
FREQUENCY (частота) — сколько сделок было совершено за рассматриваемый период.
MONETARY (доходность) — сколько денег принес нам клиент.

RFM-анализ отлично подходит для настройки триггерных-коммуникаций, e-mail маркетинга, повторных обзвонов. Задача анализа: увеличить возвратность клиентов, их LTV. Для каждой подгруппы создается свое персонализированное сообщение, в зависимости от характеристик прошлых сделок:

333 — недавние (Recency 3), высокочастотные (Frequency 3), сверхдоходные (Monetary 3). Группа клиентов, которая является для нас целевой (горячие, сверхлояльные и т.д.). Взаимодействие с ними строится на новом уровне: привлечение к закрытым мероприятиям, предложения привести знакомых, персональные коммерческие предложения. Все исходя из специфики бизнеса, в каждом случае индивидуально. Однако, не стоит злоупотреблять скидками, чтобы не терять прибыль и не отпугивать низкими ценами.
222 — "засыпающие, остывающие и т.д.": R2, F2, M2. Группа клиентов, которая колеблется, либо теряет интерес. У них стоит повышать спрос, через напоминания и приуроченные персональные предложения. Также стоит отметить, что оптимальным количеством уведомлений для клиента является 2-3 в неделю. Большее число может вызывать раздражение. Например: "Вы добавили в корзину и не купили", "Давно не виделись. Собрали для вас подборку популярных товаров".
111 — "уснувшие, остывшие, отток": R1, F1, M1. Группа клиентов, самая многочисленная в нашем примере, однако с наименьшей выручкой. В разных случаях, имея на руках: ID- клиентов, социально-демографические, товарные предпочтения и прочие показатели, от них стоит вовсе отказаться, если цена лида превышает LTV сегмента.

Кластеризация в машинном обучении — еще один способ сегментации клиентов. На изображении можно увидеть распределение выручки по 5 кластерам. Самый доходный — 0 кластер. Также нам представлены социально-демографические показатели каждой группы и товарные предпочтения. Набор показателей может варьироваться.

На нашем примере видно, что большая часть выручки основана на продаже ноутбуков в данном сегменте.

Сразу отметим: Пол, Возраст, Программа Лояльности — далеко не весь набор показателей, которые можно рассматривать. К тому же, в данном примере распределение данных носит усредненный характер во всех кластерах. Коллеги из AMAZON, очевидно, уже поработали с целевой аудиторией, а мы просто посмотрим как это делается "под капотом"

Таргетированная реклама и ретаргетинг — основываясь на KVI (Key Value Indicators) — ключевых товарах, а также на социально-демографических данных самого рентабельного кластера, мы формируем образ компании в глазах Ключевой Целевой Аудитории бизнеса. Так, имея на руках ID клиентов существующей подгруппы мы можем настраивать ретаргетинг. А также создавать таргетированную рекламу для новой аудитории, по образу и подобию текущей.
Портрет ЦА и брендинг — очевидно, что достоверно зная, какая группа клиентов приносит нам больший доход, мы будем создавать контент, отвечающий их конкретным запросам. Упрощая: если у нас преобладают женщины из Москвы, с доходом выше среднего, мы не будем создавать очевидную рекламу для подростков мужчин. Это прописная истина, однако, в отличие от метода "проб и ошибок", с помощью машинного обучения мы повышаем точность прогнозов.
Снижение издержек — подытоживая вышеописанное, мы экономим деньги на: рекламе и маркетинге, выпуске и поставках малорентабельных товаров. При более расширенном объеме данных, чем в нашем примере, проведении глубинных интервью с клиентами и исследованиях не-клиентов, конкурентов и т.д., мы можем управлять самим продуктом: изменять его характеристики в соответствии с предпочтениями ключевой аудитории.

Статус Заказа (1 - выполнен, 0 -отменен)

В этом примере открылись интересные особенности клиентского пути.

Вообще, дерево решений используется для прогнозирования и анализа многофакторных переменных. Модель можно использовать и в машинном обучении, но в нашем случае подошел и обычный график распределения.

Здесь мы видим, какое влияние на CHURN (отток клиентов), оказывают статус клиента как участника программы лояльности, и количество отзывов на товар. В данном случае, меньше всего отказываются от покупки те клиенты, которые не участвуют в программе лояльности, а также, приобретающие товары, с рейтингом 3/5.

На самом деле, исходя из этого рано делать выводы, нужно смотреть другие данные. Но поскольку наш набор данных ограничен, оставим небольшую загадку.

Зато мы увидели, как можно использовать Деревья Решений для прогнозирования оттока клиентов.

RPR — Рейтинг Повторных Сделок. Здесь мы рассматриваем статистику по длительности жизни клиента и связь с выручкой.

ЛЕВЫЙ график. Мы четко видим консолидацию клиентов в районе от 0 до 200 дней между сделками, когда средний чек и количество чеков наиболее высоко. Иными словами, наша задача — активно привлекать клиентов к повторной покупке, удерживая их в заданном диапазоне перерыва между покупками.
ПРАВЫЙ график. 54,7% клиентов не доходят до второй сделки. А как мы выяснили выше, на примере Дерева Решений, большинство участников Программы Лояльности отказываются от сделки, уже добавив товары в корзину. Даже исходя из того, что AMAZON крупнейший ритейлер с высокой оборачиваемостью, расходы на привлечение новых клиентов, вместо ретаргетинга старых, могут оказывать значительное давление на прибыль.

У AMAZON и без меня все хорошо, это видно по распределению выведенных метрик. Однако, статья отлично подходит для обзора основных моделей и методик анализа клиентских транзакционных данных.

Вся суть, заключенная в подобном анализе — выявление скрытых потребностей ЦА, а также, взаимодействие только с перспективными и выгодными категориями клиентов, и отсечении "холодных".