Прицельный маркетинг. Новые правила привлечения и удержания клиентов - Джефф Забин Страница 46

Прогнозирование потребительского поведения требует использования передовых достижений прогностической аналитики. Моделированию предшествует анализ информации потребительских профилей с целью выявить наиболее важные характеристики данного потребительского сегмента. Процесс происходит следующим образом.

Открываем. Просмотрите существующую на данный момент базу данных клиентов вашей компании, чтобы выявить возможности продвижения перекрестных продаж. Используйте простую систему оценки для составления списка ваших самых прибыльных клиентов.

Сравниваем и проверяем. Сравните полученный список с внешними базами данных перспективных клиентов. Насколько совпадают эти списки? Почти не совпадающие списки могут сулить печальные результаты.

Сегментируем, исходя из ценности. Составляйте важные маркетинговые сегменты, принимая во внимание такие факторы, говорящие о ценности клиентов, как модели оттока и миграции, и т. д. Они могут меняться в зависимости от сферы индустрии. Например, в сфере беспроводных коммуникаций отток клиентов в среднем составляет около 30 % в год. Для отрасли, теряющей почти треть своих потребителей ежегодно, при том, что затраты на привлечение каждого нового клиента достигают 400 долл., самое минимальное усовершенствование в области удержания клиентов представляет немалую ценность. В области потребительских товаров, где этот показатель может быть намного ниже, возможно, целесообразнее оценивать склонность клиента мигрировать под влиянием более привлекательных ценовых предложений конкурентов.

Предвидим. Изучите клиентов каждого сегмента – тех, которые покидают компанию, мигрируют и т. д. – и попытайтесь определить других потребителей, имеющих сходные характеристики и особенности, которые могут переместиться в эти сегменты в ближайшем будущем. Кто из клиентов, на ваш взгляд, может отказаться от сотрудничества с компанией в ближайшие три-четыре месяца? Кого сейчас можно отнести к числу потенциальных клиентов компании? Определив риски и возможности, компания может принять предупредительные меры, снизив вероятность того, что клиенты действительно покинут ее, и увеличить возможности перекрестных продаж.

Как же выглядит успех, когда все расставлено по полочкам? По-разному. Например, предположим, что страховая компания хочет знать: «Каковы общие черты клиентов, приобретающих полисы страхования жизни?» Общие черты таких клиентов, определяемые с помощью статистической выборки, дают возможность составить модель клиента, который, вероятнее всего, станет покупателем страхового полиса в будущем. Определяя эти черты на основе геодемографических, психографических и ситуационных параметров, компания может в дальнейшем оценивать клиентов, исходя из того, насколько их информационные профили соответствуют шаблону, в данном случае модели покупателя страхового полиса. Клиентов, попавших в разряд «потенциальных генераторов прибыли», можно смело привлекать с помощью специально продуманных маркетинговых предложений. При этом клиенты, имеющие высокую ценность для компании, могут получать одни предложения, а клиенты, ценность которых не столь высока, – совершенно другие.

Обычно профиль клиента для кампании по увеличению количества единиц покупаемой им продукции составляется исключительно на основе данных о его покупках – показателя, на самом деле слишком узкого для определения ценности клиента для компании. Ценность клиента для компании тесно связана с тем, как часто потребитель покупает продукцию компании, когда он покупал ее последний раз и какую прибыль в денежном выражении он приносит компании. Но, как было отмечено выше, данные о покупках клиента отражают только его сегодняшнюю ценность. Чтобы определить ценность клиента в перспективе и в соответствии с этим правильно распределить ресурсы, компании должны принимать в расчет особенности ценности жизненного цикла клиента.

Для определения ценности клиента частота и денежное выражение его покупок, безусловно, первоочередные факторы. Для того чтобы определить клиентов, обеспечивающих компании основную массу доходов, First Union, шестой по размеру национальный банк США, использует программное обеспечение, анализирующее хранилище данных о взаимоотношениях с клиентами, содержащее 27 терабайтов информации о покупках 16 миллионов клиентов компании и других данных о них. Или возьмем крупнейший канадский финансовый институт – Bank of Montreal (BMO), активы которого составляют 155 млрд. долл. США. В 2002 году BMO твердо решил покончить с разобщенностью собранных многочисленных данных и сделать информацию о клиентах банка доступной всем организационным подразделениям. Было решено также оценивать прибыльность клиентов банка в режиме реального времени с помощью инструментов сегментирования и ранжирования клиентов в соответствии с такими критериями, как их склонность к покупкам, их покупательские предпочтения и даже вероятность ухода к конкурентам. Анализируя информацию, поступающую с 18 миллионов счетов в 32 подразделениях компании, эта оценка позволяет BMO создавать очень точные модели и предвидеть, каких клиентов заинтересует приобретение тех или иных финансовых продуктов, предлагаемых банком, и какими специальными маркетинговыми инструментами можно привлечь этих клиентов.