Ключевые цифры

Если у вас нет данных, то вы наверняка сможете их создать

История BT – это отличный пример обработки всех имеющихся у вас данных о клиентах. Разумеется, у BT их было много. Но что произойдет, если у вас нет нужной информации? Представим, что вы работаете в автомобильной промышленности. Люди покупают автомобиль каждые несколько лет. Автопроизводитель может считать себя счастливчиком, если в промежутке между покупками машин клиент будет приезжать к местному дилеру за сервисом. Однако по мере того, как машины становятся более качественными, сроки технического обслуживания сдвигаются все дальше, делая общение с дилером крайне редким.

В подобных ситуациях вы можете положиться на внешних поставщиков как на отправную точку для сбора необходимой вам конкретной информации. Возьмем, например, производителей очень дорогих автомобилей. Каким образом они могли бы воспользоваться данными для увеличения количества перспективных потенциальных клиентов?

Покупатели роскошных автомобилей – люди особенные. Их привлекает богатое наследие бренда и его уникальный стиль (не говоря уже о высококачественной работе). Однако, принимая во внимание жесткую конкуренцию на рынке роскошных автомобилей, привлечение нужных новых клиентов представляет для бренда постоянную проблему.

Для ее решения в контексте маркетинга (за который отвечали мы) имелся целый ряд возможностей. Первая – компания могла купить списки клиентов других игроков на рынке предметов роскоши, предположив, что тех может заинтересовать бренд роскошного автомобиля. Однако эти списки обычно незначительны по размеру, а для выполнения плана по продажам требовалось больше имен. Все прочие списки, к которым у компании имелся доступ, имели слишком общий характер и не позволяли обеспечить должный уровень ответной реакции и долю конверсии (мы обсудим различные типы источников данных в четвертой главе). Разумеется, компания могла создать собственные списки. Но стоит ли заново изобретать колесо? Если у нас была бы возможность определить критерии участников, которые могли с достаточной вероятностью купить такие машины, то на следующем этапе мы применили бы их к общим спискам и получили бы в итоге только нужные имена.

Поэтому (в процессе работы для одного клиента) мы изучили характеристики имевшихся клиентов и обнаружили, что они чаще всего жили в богатых пригородах. В основном эти люди жили одни, без семьи, и их возраст приближался к шестидесяти годам. После этого (как и в случае с Cisco, описанном в первой главе) мы выстроили статистическую модель, позволявшую выявить в списках людей, которые теоретически могли бы стать ключевыми клиентами.

Этот подход имел двойное преимущество. Прежде всего он позволил автопроизводителю получить значительно больше имен для проведения рекламной рассылки, а кроме того (что более важно), позволял бренду обеспечить более высокую долю продаж в сравнении с прежним ограниченным и дорогостоящим подходом.

Этот случай наглядно демонстрирует, каким образом вы можете более эффективно приобретать новых клиентов с помощью анализа профиля существующих. Пожизненная ценность клиента – идеальный прогноз

Еще один показатель с огромным потенциалом – пожизненная ценность. Если вы можете рассчитать, чему будет равна ценность имеющихся (или потенциальных) клиентов для вашей организации в течение всего срока их «жизни», то вам не составит труда понять, какую сумму вы вправе инвестировать в приобретение клиентов и развитие отношений с ними.

И хотя концепция пожизненной ценности довольно прямолинейна – суть ее связана с расчетом того, сколько денег потратит на вас потенциальный потребитель, если вы превратите его в клиента уже сегодня и сможете удержать навсегда, – сам расчет представляется сравнительно непростым делом. Если выражаться языком финансистов, то пожизненная ценность представляет собой дисконтированный денежный поток будущих доходов от клиента. А если перейти на обычный язык, то вы вычисляете сумму, которую некий человек будет готов потратить на вас за весь период ваших отношений, а потом корректируете ее с учетом инфляции.

Таким образом, речь идет о функции трех параметров.

1. Текущая ценность. Сколько денег тратит на вас потребитель сейчас?

2. Рост или снижение ценности в будущем. Насколько больше или меньше денег он станет на вас тратить?

3. Продолжительность связи. Как долго клиент останется с вами?

Последний компонент – продолжительность связи – рассчитать сложнее всего. Вы знаете – или можете легко вычислить, – сколько денег тот или иной клиент платит вам сейчас. Со временем вы сможете понять, увеличивается или уменьшается эта сумма. Однако остается существенный вопрос: как долго клиент останется с вами. Как об этом узнать? Хотите верьте, хотите нет, но об этом вполне способна сказать уже имеющаяся у вас информация.

Позвольте мне показать это с помощью теоретического примера, разработанного мной для крупной европейской авиакомпании (назовем ее Continent Air). Компания попросила нас повысить степень лояльности клиентов. Значительная часть этого задания состояла в том, чтобы выявить клиентов, склонных уйти. Если нам удалось бы это сделать, то с помощью новой программы лояльности мы попытались бы убедить их остаться.

Как и у любой другой авиакомпании, у Continent Air имелась масса данных: когда именно садится в самолет каждый ее клиент; как часто он летает; каким классом он пользуется (эконом-класс, первый, бизнес-класс); куда он собирается лететь. Взяв выборку из общего массива, мы попытались рассчитать величину дохода от клиентов из группы риска (то есть сумму, которой может лишиться авиакомпания).

Мы разработали формулу, позволявшую рассчитывать эту величину в зависимости от:

• нынешней ценности клиентов из группы риска;

• вероятности того, что доход, связанный с ними, снизится;

• ориентировочной доли такого снижения.

Если вы перемножите между собой эти значения, то получите величину дохода от клиента из группы риска (revenue at risk, далее – RAR).

При правильном объяснении концепция RAR может быть невероятно мощной и важной. Поэтому мы решили найти способ объяснять ее быстро и четко, даже для аудитории, не владеющей вычислительными навыками. В частности, нам предстояло ответить на вопросы: «Каким образом статистические модели предсказывают, что кто-то потратит на нас меньше денег (а то и вообще перестанет с нами сотрудничать) в следующие пару месяцев?»; «А это не напоминает гадание на кофейной гуще или шаманство?»

Нет, не напоминает. Хотя алгоритмы часто воспринимаются как волшебные формулы, доступные для понимания одним только математикам, в своем большинстве они просто отражают то, как мы думаем самым естественным образом. Чтобы доказать справедливость этого утверждения, рассмотрим историю трех участников программы постоянных клиентов: Мэри, Сьюзен и Тома. По неизвестным нам причинам все они совершали в этом марте меньше полетов по сравнению с мартом прошлого года. В этом марте Мэри летала всего три раза, однако годом ранее она совершила десять перелетов. Для Сьюзен этот показатель составил один полет, а для Тома – два против девяти годом ранее.

Внимательно посмотрите, как часто они летали в течение двенадцати месяцев перед последним мартом. А теперь попытайтесь заполнить приведенную ниже таблицу.

Какова, на ваш взгляд, вероятность того, что доход компании от путешествий Мэри, Сьюзен и Тома снизится в следующем году соответственно на 80, 50 и 20 %?

Многие люди, которым мы задавали этот вопрос, довольно быстро с ним справлялись.

Ответы их были довольно похожими и все они указывали примерно на то же, что и мой собственный ответ, приведенный ниже.

В течение двенадцати месяцев перед мартом Мэри стабильно летала по восемь или двенадцать раз в месяц. В марте она летала всего три раза. Это довольно необычно для нее – видимо, в этом месяце произошло нечто особенное. Возможно, она взяла отпуск, начала работать дома или просто заболела. С учетом прежних тенденций ее поведения шансы на то, что в течение следующих двенадцати месяцев она будет тратить на полеты на 80 % меньше прежнего, довольно невелики. Куда больше шансы, что доходы от работы с ней снизятся на 20 %, поскольку далее мы заметим в ее поведении два или три месяца низкой активности.

Между предыдущим мартом и ноябрем поведение Сьюзен было похоже на поведение Мэри. Однако с ноября она начала значительно реже пользоваться услугами нашей авиакомпании.

Судя по всему, речь идет о каких-то системных изменениях. Именно поэтому я считаю, что у нее имеется куда бо́льшая вероятность снижения количества полетов в ближайшие двенадцать месяцев, чем у Мэри.

А поведение Тома кажется совсем иным – оно не носит системного характера. Он стал летать всего два раза в месяц, а в последующие месяцы практически совсем прекратил полеты. Вот почему я совершенно не уверен, что будет происходить с доходами от полетов Тома в следующие двенадцать месяцев.

Уверен, вы поставили Мэри, Сьюзен и Тому примерно такие же оценки, ведь мы все склонны интуитивно анализировать поведение людей примерно сходным образом. Мы посмотрели, насколько часто наши участники летали в среднем, насколько сильно могут колебаться данные от месяца к месяцу, насколько сильно просел показатель количества полетов в марте и приняло ли это характер тенденции.

Я могу создать статистический алгоритм, способный анализировать эту информацию так же, как мы это делаем в своем подсознании. Для этого мне нужно преобразовать наши интуитивно важные факторы в математические переменные. Вот как это могло бы работать.

В крайней правой колонке содержатся переменные нашей модели, буквально предсказывающей вероятность снижения доходов. Статистическая модель выявляет клиентов, доход от которых сократился на 20, 50 и 80 % за прошлый год, затем изучает значение предсказывающих переменных (чуть подробнее об этом ниже) за двенадцать месяцев до начала снижения доходов. Это позволит «научить» модель рассчитывать вероятность того, что расходы какого-то клиента могут снизиться на определенный процент. Безусловно, это довольно существенная информация. Если вы знаете, что один (или несколько) из ваших наиболее важных клиентов (приносящих вам доходы и прибыль) собирается уйти от вас, вы можете предпринять шаги по предотвращению этого. Как минимум вы выясните у них причины ухода и, возможно, предложите им стимулы (скидки, улучшение условий обслуживания и что-то еще), заставляющие их остаться.

Итак, мы с вами рассмотрели данные и практически интуитивно поняли, кто перестанет быть нашим клиентом. Однако в подобных ситуациях лучше воспользоваться статистическими моделями, что будет более эффективно, чем ваша интуиция. Модели могут не только принимать решение, подобное нашим, и делать это гораздо быстрее, но и повторять тот же алгоритм размышлений в отношении тысяч, а то и миллионов других мэри, сьюзен и томов. В дополнение к этому модель способна изучать сотни различных предсказывающих переменных. Переменные в таблице можно сопоставить со всеми остальными нашими знаниями о клиенте: возрасте, поле, национальности, почтовом индексе, использовании призовых баллов программы лояльности (для оплаты билетов, покупки товаров или какой-то комбинации обоих вариантов) – причем практически одновременно. Поэтому статистическое моделирование стало таким мощным инструментом.

Давайте еще раз посмотрим на Сьюзен. Если мы чуть сильнее углубимся в свои знания о ней, то поймем, что она не так давно сменила работу – об этом свидетельствовали изменения в ее профиле участника программы лояльности. Также мы знали, что она переехала на другую квартиру и использовала все накопленные призовые мили, чтобы купить большой телевизор у одного из партнеров авиакомпании. Мы не знаем причин произошедшего, но можем заметить, что и другие клиентки в возрасте Сьюзен (из ее профиля следует, что ей только что исполнилось тридцать шесть лет) совершали подобные вещи и переставали летать на самолетах компании с прежней частотой (это могло быть связано с такими простыми причинами, как снижение частоты путешествий или желание завести семью). Как бы то ни было, но согласно нашему алгоритму будет правильным предположить, что авиакомпания начнет получать меньше доходов от клиенток с таким профилем.

Эта история помогла мне сбросить покров таинственности с процесса статистического моделирования поведения людей. Я понял, что если мне удастся создать детальный список, описывающий клиентов, – не только их имен, но и другой информации (возраст, пол, профессия, уровень дохода, сумма их затрат), – то я смогу сделать вполне обоснованные предположения, сколько продуктов у компании они купят в сравнении с лучшими ее клиентами.

Чтобы лучше представлять ситуацию с будущими продажами, вам имеет смысл пригласить на работу статистика и поручить ему разработку моделей, сходных с той, которую я сделал для авиакомпании. Но в будущем – в течение трех или четырех лет – я ожидаю появления таких программ, которые позволят вам делать все это самостоятельно. Не исключено, что Google даже выпустит бесплатную версию.