Димитри Маекс - Ключевые цифры. Как заработать больше, используя данные, которые у вас уже есть Страница 12

Расчет расходов, приходящихся на долю других поставщиков, был крайне важен, так как он позволял нам выявить имеющиеся у компании возможности для роста. Мы создали детальный, более сложный вариант модели ценностного спектра. Нам удалось обнаружить значительную корреляцию между общими расходами клиентов и расходами, приходившимися на долю BT. Иными словами, если вы тратили много денег на телефонию, то скорее всего тратили их на BT. В этом не было ничего удивительного. Монополия BT исчезла совсем недавно, и мало кто успел переключиться на других поставщиков. Возможно, вы помните, что нечто подобное происходило в США в начале 1980-х годов, сразу после разделения компании AT&T.

После того как мы рассчитали величины четырех ценностных компонентов для каждого текущего и потенциального клиента, пришло время совместить их в общий рейтинг, позволявший с первого взгляда оценить ценность клиента. Это всегда хорошо. Чем более простым способом вы можете получить данные, тем лучше.

В итоге мы выявили шесть ценностных сегментов, приведенных в следующей таблице. (Помните, категория «интенсивности» связана со степенью лояльности клиентов к бренду BT.)

Понимание новой сегментации дало BT совершенно иное ви́дение своего места на рынке. К примеру, мы выявили 6 миллиардов долларов потенциального дохода в третьем сегменте. BT прежде не концентрировала внимание на этом сегменте, так как никогда не принимала во внимание суммы, которые их клиенты тратят на работу с конкурентами. Как вы видите, компания также смогла выявить восемь тысяч клиентов с крайне высокой степенью ценности, расходы которых в десять и более раз превышали величину расходов следующего за ним второго сегмента. Это позволяло BT сосредоточить усилия на удержании этих крайне важных клиентов в первом сегменте.

Как видно из таблицы, в нижней части шкалы имелось несколько больших сегментов с очень ограниченным доходом. Для BT стало ясно, что для обслуживания столь большого количества клиентов необходимо разработать новые, финансово эффективные методы работы.

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.