«Динамическая модель управления клиентской базой компании на основе марковских цепей ...»

Федеральное государственное автономное учреждение высшего

профессионального образования «Национальный исследовательский

университет «Высшая школа экономики»

На правах рукописи

Андреева Анна Викторовна

Динамическая модель управления клиентской базой компании

на основе марковских цепей

08.00.13 - Математические и инструментальные методы экономики

Диссертация на соискание ученой степени кандидата экономических наук

Научный руководитель к.э.н., доцент Богданова Татьяна Кирилловна Москва – 2013

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ПОДХОДОВ И МЕТОДОВ К УПРАВЛЕНИЮ КЛИЕНТСКОЙ БАЗОЙ

КОМПАНИИ

1.1. Подходы к управлению клиентской базой компании на основе показателя лояльности клиента

1.2. Подходы к управлению клиентской базой компании на основе показателя долгосрочной стоимости клиента

1.3. Сравнительная характеристика подходов к управлению клиентской базой компании..... 1.4. Постановка проблемы управления клиентской базой компании

ГЛАВА 2. РАЗРАБОТКА КОМПЛЕКСНОЙ ДИНАМИЧЕСКОЙ МОДЕЛИ УПРАВЛЕНИЯ

КЛИЕНТСКОЙ БАЗОЙ КОМПАНИИ

2.1. Кластеризация клиентской базы компании

2.2. Моделирование численности клиентской базы компании

2.3. Инструменты управления клиентской базой компании

2.4. Методы определения характера влияния маркетинговых мероприятий на показатели покупательского поведения групп клиентов

2.5. Определение доходов и расходов по группам клиентов, оценка долгосрочной стоимости клиентской базы компании

2.6. Постановка задачи управления клиентской базой компании

ГЛАВА 3. УПРАВЛЕНИЕ КЛИЕНТСКОЙ БАЗОЙ КОМПАНИИ РОЗНИЧНОЙ ТОРГОВЛИ С

ИСПОЛЬЗОВАНИЕМ КОМПЛЕСКНОЙ ДИНАМИЧЕСКОЙ МОДЕЛИ

3.1. Характеристика информационной базы исследования

3.2. Предобработка и анализ входных переменных

3.4. Построение марковской цепи перемещения клиентов между кластерами

3.5. Характеристика маркетинговой деятельности компании

3.6. Анализ влияния факторов на ключевые характеристики клиентской базы компании.... 3.7. Решение задачи оптимального управления клиентской базой компании

ЗАКЛЮЧЕНИЕ

ПРИЛОЖЕНИЕ 1.

ПРИЛОЖЕНИЕ 2.

ПРИЛОЖЕНИЕ 3.

ПРИЛОЖЕНИЕ 4.

ПРИЛОЖЕНИЕ 5.

ПРИЛОЖЕНИЕ 6.

ВВЕДЕНИЕ

Современная экономическая ситуация характеризуется возрастающим уровнем конкуренции среди российских компаний и высокой волатильностью покупательских предпочтений. В этих условиях компании вынуждены искать новые способы эффективного управления.

Последний мировой кризис показал, что в условиях нестабильного финансового положения компании, имеющие значительный уровень лояльности клиентов, смогли удержать лидирующие позиции на рынке.

Это в очередной раз доказывает, что методы управления, основанные на массовом обезличенном производстве, снова уступают место клиентоориентированному ведению бизнеса или CRM - Customer Relationship Management, направленному на понимание потребностей своих клиентов и повышение эффективности работы с ними [66].

Важность качественного управления клиентской базой компании в процессе эффективного управления компании отмечают в своих работах и такие авторы, как Майер[43], Пепперс и Роджерс[48], Сьюэл [55].

Переход компаний к клиентоориентированному ведению бизнеса позволяет компании увеличить свою прибыль и эффективность, повысить свою доходность за счет увеличения выручки от существующей клиентской базы и оптимизации операционных затрат, в первую очередь, за счет двух ключевых факторов, что отмечает в своей книге Ф.Райчхелд [120]:

1. Влияние уровня лояльности на динамику численности потребителей.

Между уровнем лояльности и коэффициентом выбытия клиентской базы существует статистически показанная обратная зависимость – чем выше коэффициент лояльности, тем ниже коэффициент выбытия клиентов.

В качестве иллюстрации рассмотрим две компании – «А» и «В». У компании «А» уровень лояльности потребителей 95%, у компании «В» – 90%. Предположим, что обе компании привлекают ежегодно 10% новых клиентов. Это означает, что прирост клиентской базы компании «А»

составит 5% в год, в то время как у компании «В» останется неизменным.

Таким образом, через 14 лет компания «А» увеличит масштаб своей деятельности в 2 раза, в то время как компания В останется на прежнем уровне развития.

2. Рост прибыли в расчете на одного клиента.

Одно из преимуществ длительных отношений с потребителями состоит в том, что в большинстве отраслей объемы закупок имеют тенденцию со временем возрастать.

Рост прибыли от клиента с течением времени, для компании, занятой в секторе товаров повседневного спроса (или Fast-moving consumer goods, FMCG), объясняется следующими причинами:

Рост числа перекрестных продаж. С течением времени клиент лучше узнает ассортимент компании и, как правило, расширяет диапазон покупаемых товаров.

Рост потребностей клиента со временем. Например, изменение социального положения, появление детей и т.д. приводит к появлению новых потребностей, удовлетворение которых с большей долей вероятности будет происходить в компании, с которой клиент уже сотрудничает и относится к ней лояльно.

Помимо упомянутых выше ключевых факторов повышения прибыли компании от увеличения лояльности клиентов, коэффициент лояльности оказывает влияние и на другие параметры. Среди них можно выделить следующие:

1. Снижение издержек на привлечение клиентов.

К издержкам на привлечение клиентов относятся: реклама, ценовые скидки, процент комиссионных для торговых агентов и т.д.

Очевидно, что повышение индекса лояльности ведет к снижению темпов роста выбытия клиентов. Таким образом, для поддержания определенного уровня клиентской базы требуется привлекать меньше новых клиентов, что приводит к уменьшению величины расходов компании на привлечение потребителей.

2. Получение базовой прибыли.

Под базовой прибылью понимается прибыль, получаемая от продажи продуктов целевым потребителям и не зависящая ни от времени года, ни от лояльности потребителей, ни от других факторов. Чем теснее поддерживается контакт с клиентом, тем более длительное время компания будет получать базовую прибыль, что в свою очередь повышает отдачу от инвестиций в привлечение клиентов.

3. Снижение операционных издержек.

Как правило, величина операционных издержек на обслуживание клиента со временем сокращается. Персонал тратит меньше времени на обслуживание старых клиентов, так как они обладают достаточными знаниями об этой компании, и компания, в свою очередь, многое знает о привычках клиента.

Влияние уровня лояльности потребителей на операционные издержки особенно сильно в розничной торговле и дистрибьюторской деятельности.

Так магазин, имеющий клиентскую базу с высоким уровнем текучести, должен держать на складе более значительные запасы товаров, чем магазин, обслуживающий постоянных покупателей. Постоянная клиентская база помогает организовать управление запасами, минимизировать вынужденные скидки для уменьшения величины излишков продукции на складе и упростить прогнозирование спроса на товар в будущем.

4. Увеличение числа рекомендаций.

Потребители, появляющиеся после личных рекомендаций, обычно более привлекательны как клиенты, то есть обеспечивают большую доходность и остаются взаимодействовать с компанией дольше, чем клиенты, реагирующие на рекламу конкурентов, распродажи и ценовые продвижения.

При этом следует учитывать, что в тех отраслях, где клиенты могут попробовать продукт не неся при этом особых затрат и риска, значение рекомендаций относительно невелико. Поэтому для компании, занятой в секторе FMCG, данный фактор не оказывает значительного влияния на рост прибыли.

5. Возможность увеличения ценовой премии.

Потребители, взаимодействующие с компанией в течение длительного времени, генерируют больше прибыли, так как они часто платят дороже за те же самые товары и услуги, чем новые клиенты. Это может объясняться тем, что «свои» потребители не стремятся активно отыскивать специальные предложения, предлагаемые новичкам, или тем, что эти люди обычно менее чувствительны к цене. Они уже знакомы с процедурами, применяемыми в компании, ее сотрудниками и продуктовой линией и взаимоотношений.

Клиентоориентированное ведение бизнеса, в свою очередь, требует реорганизации существующих, основанных на продуктоориентированной стратегии, бизнес-процессов компании, изменения принципов планирования и разработку новых подходов к управлению организацией.

Новый подход к управлению бизнесом влечет за собой изменение методов расчета ключевых показателей эффективности ведения бизнеса. В частности, прибыль компании должна рассчитываться в зависимости от размера и качества клиентской базы, а не продукта. Затраты компании должны учитываться в расчете на клиента, а не единицу товара. Помимо модификации существующих показателей для эффективного управления клиентской базой требуется разработка новых показателей, отражающих качество клиентов компании и эффективность взаимодействия с ними.

позволяющих оценивать стоимость и качество имеющейся клиентской базы. Но все больше компаний, как российских, так и зарубежных, понимают важность комплексного подхода к управлению группами клиентов. Как следствие этого понимания, возникает необходимость разработки комплексной модели управления, позволяющей не только прогнозировать доходность групп клиентов в будущем, но также оценивать эффективность мероприятий, связанных с управлением клиентской базой, и гибко настраивать инструменты управления клиентами.

Так, в рамках CRM стратегии управления компанией, можно выделить два ключевых подхода к оценке эффективности управления клиентами и стоимости клиентской базы компании. Одно из направлений, которому отдают предпочтение западные компании, - подход на основе показателя лояльности клиентов. Второй подход - оценка долгосрочной стоимости клиента.

В настоящее время первое направление разработано наиболее широко как в западной, так и в российской литературе. Модели управления на основе показателя лояльности клиентов представлены в работах Ж.-Ж.

Ламбена [39], Ф. Рачхелда [120], Д. Аакера [74], Я. Хофмайера и Б.Райса [102]. Среди российских авторов данная проблематика рассматривается в А.П. Карасева [31].

В качестве основных показателей рассматриваются, в частности, коэффициент повторных покупок, доля кошелька клиента и уровень удовлетворенности.

Второй подход к оценке эффективности управления клиентской базой использует в качестве критерия управления показатель долгосрочной стоимости клиента. Данный подход рассматривается в работах П.Бергера и Н.Насра [76], Ф.Райчхелда [120], П.Фадера и Б.Харди [96], Э. Малтхауса и Р. Блатберга [106] и многих других. Этот поход позволяет соотнести доходы, полученные от клиентов, с расходами, которые компания несет на их привлечение и обслуживание. Также данный показатель позволяет оценить будущую стоимость клиента, пересчитанную в текущих ценах по ставке дисконтирования. К ограничениям, которые затрудняют использование данного подхода в организациях, относится сложный и многошаговый алгоритм расчета, требующий, в том числе, консолидации всех расходов компании в расчете на одного клиента, а также отсутствие однозначной интерпретации полученных значений.

Можно выделить три основных направления разработки данного вопроса:

Построение регрессионных моделей (более подробно см. работы Берри и Линоффа [77], Малтхауса и Блаттберга [105]).

Построение Pareto/NBD моделей (более подробно см. работы Шмитляйна, Моррисона и Коломбо [128], Фадера, Харди и Ли [95]).

Построение моделей марковских цепей - Markov chain models, MCM (более подробно см. работы Ф.Пфайера и Р.Карравей [117]).

Для решения задач управления клиентской базой компании, как правило, используют последний тип моделей – модели на основе марковских цепей (МС-модели). В отличие от вероятностных моделей они отличаются относительной простотой и требуют меньших затрат при расчете своих показателей. При этом степень точности прогнозирования MC-моделей сопоставима с Pareto-NBD моделями. Кроме того, MC-модели отличаются высокой гибкостью и легко адаптируются под специфику работы предприятия.

Существующие работы в части разработки МС-моделей обладают рядом ограничений:

концентрируются на управлении поведением отдельного клиента. К сожалению, данный подход требует значительных временных затрат в случае использования в компаниях с многомиллионной клиентской предполагается, что на покупательское поведение оказывает влияние величина маркетинговых расходов, не учитывается поведенческий профиль клиента: частота покупок, средний чек, категории покупаемых товаров.

В целом можно отметить, что на текущий момент накоплена значительная теоретическая база различных методов и подходов к оценке отдельных показателей качества и эффективности управления клиентской базой, но не представлено комплексной модели, позволяющей руководству компании на основе рассчитанных показателей разработать стратегию оптимального управления группами клиентов на долгосрочном интервале времени.

При этом стоит отметить, что о необходимости комплексного подхода к управлению клиентами заявляют все больше компаний, как российских, так и зарубежных. Существует потребность в моделях, позволяющих не только прогнозировать доходность своих клиентов в будущем, но также оценивать эффективность мероприятий, направленных на управление клиентской базой, и гибко настраивать инструменты управления клиентами.

В связи с этим данная область исследования открывает широкие перспективы для дальнейшей разработки и поиска более совершенных и эффективных моделей управления.

В качестве методов совершенствования моделей управления клиентской базой компании предлагается:

перейти от моделей управления поведением отдельного клиента к модели управления группами клиентов;

в качестве параметров кластеризации клиентов использовать полный комплекс характеристик покупательского поведения: срок взаимодействия с компанией, сумму и частоту совершения покупок, категории покупаемых товаров, социально демографические характеристики клиента;

рассмотреть динамическую модель управления клиентской базой компании, где динамика изменения численности клиентской базы описывается с помощью модифицированной модели движения кадров Староверова О.В. [54];

учесть характер влияния таких параметров, как категории товаров и проводимые маркетинговые коммуникации, такие как тип, способ коммуникации, характер рекламного предложения.

Объектом исследования в данной работе является клиентская база компании, предоставляющая услуги физическим лицам.

Предметом исследования является управление клиентской базой компании, предоставляющей услуги физическим лицам.

Цель проводимого исследования – построение динамической модели оптимизации управления клиентской базой компании с учетом поведенческих характеристик групп клиентов.

Для достижения цели исследования необходимо решить следующие задачи:

разработать подход к проведению кластеризации клиентской базы компании на основе поведенческих характеристик групп клиентов;

построить динамическую модель оценки долгосрочной стоимости клиентской базы компании;

характеристик групп клиентов;

сформулировать критерии и инструменты оптимального управления клиентской базой с точки зрения компании на основе покупательских характеристик групп клиентов;

провести апробацию разработанной модели;

разработать программный инструментарий, позволяющий определить клиентской базой компании.

Методологические и теоретические основы исследования Исследование базируется на методологических и теоретических положениях, содержащихся в трудах отечественных и зарубежных ученых в области лояльности клиента и маркетинга, теории марковских процессов, математической статистики и эконометрического моделирования.

Информационная база исследования транзакционные данные о клиентах компании, действующей на рынке салонов сотовой связи, региона Казань за период с ноября 2007 года по март 2012 года. База представляет собой 220 292 уникальных клиента из числа оформивших специальную карту лояльности в момент первой покупки и предъявивших ее в момент последующих покупок. Данные по покупкам клиентов были взяты в разрезе месяца.

В данной работе достигнуто несколько значимых теоретических и практических результатов.

Научная новизна диссертационного исследования заключается в следующем:

1. Предложен подход к оценке эффективности управления клиентской базой компании с учетом кластеризации клиентов на основе их покупательской активности и социально-демографических характеристик.

2. Предложена модель динамики формирования кластеров как стохастического процесса, в котором переходы клиентов из одного кластера в другой представлены марковской цепью.

3. Разработана комплексная динамическая модель управления клиентской базой компании, позволяющая прогнозировать численность кластеров и клиентской базы в целом.

4. Разработана информационно-логическая модель маркетинговой стратегии как рычага управления покупательским поведением клиентской базы.

Теоретическое значение представленных в работе результатов состоит в разработке концептуального подхода к оптимальному управлению клиентской базой компании, учитывающему воздействие маркетинговых коммуникаций на группы клиентов.

Практическая значимость исследования заключается в том, что предложен инструментарий, позволяющий оптимизировать процесс управления кластерами клиентов компании на основе максимизации долгосрочной стоимости клиентской базы с учетом влияния маркетинговых мероприятий на поведение клиентов.

Полученные результаты могут быть использованы менеджерами компаний для решения задач тактического и стратегического управления.

В частности, полученные модели могут быть применены для разработки маркетинговой стратегии организации и составления планов проведения маркетинговых мероприятий.

В связи с этим тема исследования имеет научную новизну и актуальна с точки зрения последующего использования в реальном секторе.

Структура диссертационного исследования Данное диссертационное исследование состоит из введения, трех глав, заключения, списка литературы и приложений.

В первой главе рассмотрены и систематизированы исследования российских и зарубежных авторов по проблеме управления клиентской базой компании по двум базовым направлениям – на основе показателей лояльности клиента и долгосрочной стоимости клиента. Рассмотрены основные подходы к оценке показателя лояльности и долгосрочной стоимости клиента. По каждому из представленных методов дана сравнительная характеристика по таким показателям, как точность получаемых результатов, устойчивость разработанной модели, возможность адаптации и применения для компании в зависимости от отраслевой принадлежности. В результате проведенного анализа выявлены ограничения рассмотренных подходов и моделей, и выделена область исследования, требующая дополнительного изучения.

Во второй главе предложен подход к оптимизации управления клиентской базой компании с учетом кластеризации клиентов на основе их покупательской активности и социально-демографических характеристик, и разработана комплексная динамическая модель управления клиентской базой компании. В данной главе рассмотрены типы покупательского поведения и возможные сценарии взаимоотношений клиента и компании, сформулированы ограничения на степень влияния прошлого опыта взаимодействия клиента с компанией на принятие клиентом решения о покупке. Представлено описание существующих маркетинговых инструментов для взаимодействия с клиентами и их влияние на различные группы клиентов. Сформулированы основные гипотезы и предположения для построения комплексной динамической модели, сформулирована задача и критерии оптимального управления клиентами компании.

В заключительной, третьей главе осуществлено практическое применение предложенной выше модели к управлению клиентской базой компании сектора розничной торговли по региону Казань. Представлен пошаговый план реализации модели, разработанной в данном диссертационном исследовании, и проверки полученных результатов.

В приложениях приведены расчеты, сделанные с использование специализированных программных продуктов IBM SPSS Statistics и Eviews.

ГЛАВА 1. АНАЛИЗ ПОДХОДОВ И МЕТОДОВ К УПРАВЛЕНИЮ

КЛИЕНТСКОЙ БАЗОЙ КОМПАНИИ

В западной научной литературе проблема управления клиентской базой широко рассматривалась различными специалистами, как в области маркетинга, так и в области управления бизнесом. Вопрос о методах управления клиентской базой был сформулирован с момента возникновения первых программ лояльности в 1980-х г.г., и с этих пор данная проблема активно разрабатывается специалистами и научными сотрудниками всего мира. В российской практике данное направление развития стратегии компаний получило свое развитие только в конце 90-х годов ХХ века, а популярность приобрело лишь в начале 2000-х годов [66].

В качестве основных показателей, на основании которых оценивается эффективность управления клиентской базой компании можно выделить следующие две основные категории:

основанные на показателе лояльности клиента;

основанные на показателе долгосрочной ценности клиента (Customer Lifetime Value - CLV).

1.1. Подходы к управлению клиентской базой компании на основе показателя лояльности клиента Как и многие понятия в экономике, понятие лояльность имеет различные толкования среди специалистов в области маркетинга. Обзор существующих подходов к трактовке термина лояльность приведен в работе Широченской [67] и Лопатинской [40]. Так, первое определение лояльности в части определения лояльности к бренду было дано в 1923г.

Согласно этому определению, «Потребитель, лояльный бренду, — это человек, который покупает ваш бренд в 100% случаев» [74].

Современная трактовка термина «лояльность» не столь категорична.

Так, согласно общепризнанному определению лояльными являются те потребители, которые положительно относятся к деятельности компании, предлагаемым ею продуктам и услугам, её персоналу и т.д. Это положительное отношение выражается предпочтением, отдаваемым продуктам данной компании в сравнении с конкурентами, причем это предпочтение устойчиво во времени и характеризуется совершением повторных покупок.

Потребитель следует схеме повторной покупки, потому что именно эта торговая марка хорошо удовлетворяет его потребности, или потому что у него формируется личная приверженность марке. По мнению Лиеззи [105] и Шлютера [129] «приверженность марке также может быть следствием ее эмоционального влияния на потребителя или ее влияния на самооценку потребителя».

Один из ведущих специалистов в области бренд - менеджмента профессор Д. Аакер определяет лояльность как «меру приверженности потребителя бренду» [74]. По его мнению, лояльность показывает, какова степень вероятности переключения потребителя на другой бренд, в особенности, когда он претерпевает изменения по ценовым или какимлибо другим показателям. При возрастании лояльности снижается склонность потребителей к восприятию действий конкурентов. Ключевым фактором лояльности, согласно Д Аакеру, является то, что марку невозможно переместить на другое имя или символ без больших затрат и значительного снижения объемов продаж и прибылей.

Вслед за ним некоторые маркетологи понимают лояльность как «степень нечувствительности поведения покупателей товара или услуги к действиям конкурентов — таким как изменения цен, товаров, услуг, сопровождаемая эмоциональной приверженностью к товару или услуге Х» [65].

Другие авторы (в том числе П. Гембл [17]) наряду с эмоциональной составляющей лояльности указывают на наличие также и рационального компонента. Схожего мнения придерживается и Е.Л.Шуремов, доктор экономических наук [70]. По их мнению, наличие или отсутствие рационального компонента и составляет разницу между поведенческой привязанностью).

Я.Хофмайер и Б.Райс [102], учитывая рациональный компонент в поведении клиентов, выделяют три типа лояльности:

1. Приверженность заинтересованность потребителя в покупке именно у данной компании, предполагает эмоциональную вовлеченность и привязанность потребителя организацией, взаимодействие с компанией в течение неограниченного времени.

эмоциональную привязанность, но не имеет возможности часто покупать в этой организации (экономические факторы или отсутствие компании на рынке). При появлении такой возможности он приобретает именно у нее.

2. Поведенческая лояльность Поведенческая лояльность проявляется при совершении покупок в данной компании на постоянной основе, но при отсутствии привязанности.

Потребитель либо не удовлетворен сотрудничеством с компанией, в который он покупает товар/услуги, либо относится к ней с безразличием.

Несмотря на это, потребитель вынужден взаимодействовать с данной компанией из-за отсутствия на рынке «любимого» бренда либо по причинам экономического характера. При первом удобном случае эмоциональную привязанность. Встречаются случаи, когда у потребителя вообще нет брендов, к которым он испытывает привязанность.

3. Смешанный тип Потребитель постоянно совершает покупки у данной организации и испытывает при этом эмоциональную привязанность и глубокую удовлетворенность. Таким образом, в данном случае можно говорить о сочетании приверженности и лояльности.

лояльность – это показатель, характеризующий отношение клиента к компании, к предоставляемым ею товарам/ услугам. Включает в себя как эмоциональный, так и рациональный компонент. Степень лояльности находит свое отражение в покупательском поведении клиента, его намерении продолжать свои взаимоотношения с компанией и готовность к сотрудничеству с ней.

Задача оценки показателя лояльности клиентов подробно рассмотрена в западной научной литературе. Можно выделить два основных направления в оценке уровня лояльности клиента в зависимости от типа лояльности.

количественные оценки, основанные на анализе покупательского поведения клиента:

1. Количество повторных покупок.

лояльности сходятся во мнении, что одним из основных показателей, характеризующих лояльность клиента к компании, является коэффициент повторных покупок. Подробный анализ использования данного показателя в качестве критерия степени лояльности клиента можно найти в книге Ф. Райчхелда [120], а также в работах Фадера, Харди и Ли [97].

Рассматриваемый показатель дает достаточно объективную оценку поведенческой лояльности клиента для компаний, характерными чертами которых является короткий потребительский цикл совершения покупок (меньше года). В этом случае показатель повторных покупок обладает достаточной динамикой и может использоваться для принятия оперативных решений (на интервале от месяца до года).

В случае если длительность потребительского цикла составляет от взаимоотношений клиента и компании, т.к. значительная часть прибыли поступает за счет дополнительных услуг. Поэтому в этом случае коэффициент повторных покупок рассматривается как дополнительная характеристика для комплексной оценки.

2. "Доля кошелька" клиента.

Д.Аакер [74], Я.Хофмайер и Б.Райс [102] в своих работах предлагают использовать "метод разделения потребностей", возникший в 50-х г.г. в США.

Согласно данному методу, доля исследуемой компании в бюджете потребителя (т.е. степень его лояльности к компании при покупке данного товара) рассчитывается как отношение количества покупок, которые клиент совершил в данной фирме, ко всем покупкам аналогичных товаров или услуг, совершенным клиентом.

Данный метод не требует сложных вычислений и прост в применении.

К сложностям, с которыми сталкиваются компании, использующие данный метод, можно отнести:

непрозрачность для фирмы объема средств, затрачиваемых клиентом в целом на данный вид продукции (по которой специализируется компания);

(территориальная удаленность, график работы и прочее) покупать продукцию (услуги) в данной компании.

Последнее замечание может исказить степень лояльности клиента к компании, так как при устранении факторов, не позволяющих ему обращаться именно в эту компанию (например, открытие дополнительного офиса, изменение условий работы и пр.) частота его покупок, а, следовательно, и "доля кошелька", может резко увеличится.

3. Индекс Enis-Paul.

Попытка учесть возможность выбора клиентом компании была сделана в 1970 году Б.Энис и Г.Паул [94]. Модель оценки лояльности потребителей получила название Enis-Paul Index и включает в себя такие параметры, как:

доля бюджета, отведённого на продукты данной категории (например, предметы личной гигиены), которую потребитель тратит в данном магазине;

количество "переключений" между данным магазином и другими магазинами за определённый период времени для потребителя i;

количество возможностей для "переключения" между магазинами;

количество магазинов, в которых потребитель i приобретал продукты данной категории во время проведения опроса;

количество магазинов, доступных потребителю для приобретения продукта данной категории за определённый период времени;

общее количество посещений всех магазинов за определённый период.

Данная модель завоевала определенную популярность в компаниях сектора FMCG для принятия тактических решений.

Для учета эмоциональной составляющей лояльности (или приверженности) используются балльные показатели, рассчитывающиеся на базе проведенных опросов клиентов. Так, к данным моделям принадлежат:

1. Конверсионная модель.

Данная модель для измерения степени лояльности клиента была предложена Я.Хофмайер и Б.Райс [102] и включает в себя четыре основных показателя:

Удовлетворенность торговой маркой.

взаимоотношений клиента и компании, но носит односторонний характер.

Низкая удовлетворенности клиента, как правило, говорит и о низкой удовлетворенности не обязательно приводит к высокой покупательской активности (более подробно см. книгу Ф.Райчхелда [120]). Тем не менее, лояльности.

Альтернативы.

Для оценки степени лояльности необходимо учитывать также такой показатель, как наличие альтернатив (конкурирующих компаний/ брендов). В ряде случаев высокая степень лояльности связана с отсутствием товаров – субститутов, и в случае появления более качественной продукции/услуги клиент может перейти к конкурирующей фирме.

Важность выбора бренда.

В случае, если выбор бренда для клиента не играет большого значения, то клиент потратит меньше времени на анализ имеющихся предложений и принятие решения о покупке. Как правило, покупательское переключений между фирмами, и как, следствие, низкой степенью лояльности.

Степень неуверенности или двойственности отношения.

По мнению Хофмайера и Райса, этот показатель является ключевым в модели приверженности. Чем больше неуверен клиент в выборе бренда, тем дольше период от осознания необходимости покупки до момента совершения покупки. Как правило, принятие решения о покупке совершается клиентом непосредственно в магазине под воздействием внешнего стимула (например, яркой рекламы или маркетинговой коммуникации). Поэтому данный фактор важен при определении маркетинговой стратегии и плана мероприятий.

Несмотря на продуманность выбранных показателей, количественный расчет по данной модели представляет сложность для компании. Особенно данный фактор проявляется при попытках количественно оценить такие показатели, как „важность выбора бренда“ или „степень неуверенности“.

2. Методика Ламбена.

В своей работе Ж.-Ж. Ламбен [39] приводит описание процедуры оценки степени удовлетворенности потребителей. В основу предлагаемой методики положена концепция мультиатрибутивной модели отношения.

Согласно данной концепции, практическая полезность товара для потребителя определяется набором атрибутов (существенных неотъемлемых свойств данного предмета).

По классификации Ламбена товар имеет следующие три группы атрибутов:

ядерные (характеризующие основную, функциональную полезность товара);

периферийные (дополнительные, но связанные с основной функцией товара: экономичность, условия обслуживания и др.);

добавленные услуги (не связанные с основной функцией, но расширяющие возможность удовлетворения потребителей, например, зачет стоимости сдаваемого подержанного изделия при покупке нового товара).

Процедура оценки степени удовлетворенности включает в себя три этапа:

Оценка общей (комплексной) удовлетворенности продуктом/ поставщиком.

Оценка удовлетворенности по каждой характеристики по 10-ти балльной шкале и степень важности данной характеристики для клиента.

Оценка намерения совершить повторную покупку.

По результатам полученных оценок рассчитываются показатели удовлетворенности товаром по наиболее важным характеристикам и степень разброса мнений респондентов, а также выявляются характеристики, оказывающие решающее влияние на выбор потребителя.

3. Методика SERVQUAL.

В 1985 г. Парасурман, Зейтхамл и Берри [116] в качестве инструмента для оценки качества обслуживания предложили использовать методику "SERVQUAL".

В основу данной методики положена анкета, включающая 22 пары вопросов со шкалой Лайкерта. Все вопросы, содержащиеся в анкете, разбиты на 5 групп, характеризующих один из 5 параметров качества товара/услуги:

надежность (reliability);

осязаемость (tangibles);

отзывчивость (responsiveness);

убедительность (assurance);

сочувствие (empathy).

Первые два блока позволяют выявить ожидания клиента в отношении определенной услуги. Оставшиеся вопросы предназначены для определения уровня качества услуг конкретной организации.

применения, так как может быть использована только в компаниях, работающих в сфере услуг. Для использования данной методики в других секторах экономики необходимо значительно адаптировать методику под конкретную организацию.

Можно отметить следующие недостатки данной методики:

не предусматривает ранжирование характеристик услуг по важности для клиента;

часть вопросов пересекаются (в частности, вопросы из блока "отзывчивость" и "сочувствие"), что вызывает негативное отношение со стороны респондентов, которым приходится отвечать на повторяющиеся вопросы;

методика не универсальна, требует значительной адаптации для компаний, работающих в специфичных отраслях.

Данные замечания в своих работах пытались устранить другие специалисты и научные сотрудники. В частности, Кронин и Тэйлор [84] предложили усовершенствование данной методики - методику SERVPERF.

Но, не смотря на значительные улучшения, идеального инструмента измерения качества услуг до сих пор не существует.

Подводя итог рассмотрения данного направления к разработке показателей эффективного управления клиентской базой компании, можно отметить, что в настоящее время нет единого мнения о возможности и объективности измеримости уровня лояльности клиентов. Так, согласно исследованию, проведенному Ф.Райхелдом в своей книге «Эффект лояльности» [120], от 60 до 80% покупателей, отказавшихся от услуг компании, во время недавно проводившегося опроса показали, что они удовлетворены или очень удовлетворены покупкой. Но при этом доля повторных покупок этих клиентов была не так высока.

Подходы к управлению клиентской базой компании на основе показателя лояльности можно отнести к двум категориям:

1. Стратегия поощрения наиболее лояльных клиентов компании.

В рамках данной модели происходит сегментация клиентской базы на группы в зависимости от значения показателя лояльности клиента и происходит перераспределение маркетинговых ресурсов на поощрение самых лояльных из них.

2. Стратегия повышения уровня лояльности клиентов компании.

Данная стратегия нацелена на долгосрочные эффекты от проводимых маркетинговых мероприятий. При реализации данной стратегии компании требуется выявить причины низкого уровня удовлетворенности своих клиентов и разработать методы по их устранению. В рамках данного подхода бюджет маркетинговых мероприятий расходуется, в первую очередь, на наименее лояльные группы клиентов с целью повысить их степень удовлетворенности работой компании.

Следует отметить, что модели управления клиентской базой на основе показателя лояльности достаточно просты и интуитивно понятны, но носят скорее экспертный, чем объективный характер. Исключение составляет модель повторных покупок, но данная модель рассчитывает результат только по прошлым данным (т.е. постфактный анализ), и не позволяет прогнозировать будущее покупательское поведение. Иными словами, область применения данных оценок – анализ текущего состояния клиентской базы. Данные показатели не позволяют прогнозировать состояние клиентской базы на будущем интервале времени, поэтому не могут быть использованы для разработки долгосрочной стратегии предприятия.

Кроме того, данные модели не учитывают затраты компании на привлечение и обслуживание клиентов, что ограничивает возможности компании при выборе оптимального распределения финансовых ресурсов на управление клиентами.

Поэтому компании, которые при разработке стратегии управления клиентами основываются только на повышении уровня лояльности и удовлетворенности потребителей, могут оказаться заложниками своей лояльности: с одной стороны, максимальный уровень удовлетворенности клиентов и высокие оценки по качеству обслуживания, с другой, низкие показатели прибыльности и рентабельности вложенных средств.

1.2. Подходы к управлению клиентской базой компании на основе показателя долгосрочной стоимости клиента Для преодоления ограничений моделей управления клиентской базой компании, основанных на показателе лояльности клиентов, рассмотренных выше, используется показатель долгосрочной стоимости клиентской базы (CLV – customer lifetime value).

Долгосрочная стоимость клиента – это совокупность чистого дохода, ожидаемого от клиента в будущем. В работе Бергера и Насра [76] приводится определение показателя CLV как чистой прибыли (убытка) фирмы, рассчитываемой по всем транзакциям клиента в данной компании.

Таким образом, показатель ценности клиента для фирмы представляет собой доход, полученный от клиента в течение всего периода взаимодействия клиента и компании, за вычетом стоимости привлечения, продажи и обслуживания этого клиента с учетом временной стоимости денег.

Для расчета показателя CLV используется следующая базовая формула:

где i – номер периода, в который производится расчет поступлений от клиентов;

Zi – общие расходы на получение дохода Di в период i;

T – общее число периодов в течение жизненного цикла клиента;

Также встречаются частые модификации приведенной выше формулы расчета, которые подробно изложены в работах Бергера и Насра [76].

В работах Блатберга и Дейтона[79], Двайера [91] приводится еще несколько способов оценки показателя CLV, но предложенные в этих работах модели разрабатывались с учетом специфики конкретных компаний различных секторов экономики и имеют узкую направленность, поэтому не рассматриваются в данной работе.

Преимущества использования метода расчета CLV для управления клиентской базой компании достаточно подробно освещены в западной научной и бизнес - литературе, в частности, часть преимуществ озвучены в книге Ф.Райчхелда [120], а также в работах Фадера и Харди [97].

Основными из них являются:

Расчет CLV позволяет компаниям создать систему ранжирования всех клиентов в зависимости от их ценности для компании. Это, в свою очередь, позволяет выделять больше маркетинговых средств и времени на обслуживание и сохранение самых ценных из них.

Например, если руководство намерено провести кампанию по удержанию клиентов, то ему необходимо иметь представление об их стоимости. Как правило, большую часть доходов той или иной организации обеспечивает относительно небольшое количество клиентов (около 20% всей клиентской базы). Они являются для компании самыми ценными, и, следовательно, именно на эту группу клиентов необходимо сделать акцент в предстоящей маркетинговой компании для получения максимальной эффективности.

Анализ показателя CLV позволяет соотнести прибыль, которую приносит клиент компании, и те силы и средства, которые были затрачены на поиск и удержание этого клиента. Иными словами, это позволяет соотнести характер «профиля» клиента и цели компании – «профиля» идеального для этой компании клиента, а также установить максимальную планку расходов по привлечению и удержанию этих клиентов.

Таким образом, показатель CLV позволяет предоставить объективную оценку эффективности управления клиентской базы компании, численно измеримую и сравнимую между собой во времени и в совокупности с другими компаниями, как того же сегмента экономики, так и различных отраслей.

Анализ существующих моделей управления клиентской базой компании на основе показателя CLV. Следует отметить, что в российской практике данный вопрос рассмотрен лишь в нескольких работах. Поэтому в качестве основы для анализа использовались преимущественно работы зарубежных специалистов. Так, достаточно обширный обзор существующих исследований приведен в работе Дипака и Сидтхарта [88], а также в работе Фадера и Харди [96]. Среди работ российских авторов необходимо выделить исследования Полежаева И.В.

[49, 50], Третьяк О.А. и Слоева И.А [58], Крюковой А.А [38].

Регрессионные модели Один из подходов к управлению клиентской базой компании состоит в построении регрессионных моделей для оценки будущих доходов от клиентов.

Обобщенная формула для оценки CLV выглядит следующим образом:

где g(yi) – функция стоимости клиентской базы компании;

yi – параметр для расчета CLV клиента;

f(xi) – регрессионная функция независимых показателей xi;

ei – параметр, определяющий ошибку отклонения реального наблюдения от оценки, полученной с помощью данной модели.

Данный подход был рассмотрен, в частности, в работах Берри и Линноффа [77], Малтхауса и Блаттберга [108], Малтхауса [109].

Так, в своей работе Малтхаус и Блаттберг [110] для оценки вида регрессионной функции использовали 3 метода:

наименьших квадратов (ordinary least squares – OLS);

модифицированного метода наименьших квадратов (iteratively reweighted least squares - IRLS);

метод нейронных цепей.

Апробация модели проводилась по данным компаний, работающих в 5-ти различных секторах экономики. В качестве критерия выбора оптимальной модели использовались вероятность ошибки непоощрения действительно ценного клиента и вероятность ошибки поощрения обычного (неценного) клиента. Задача управления клиентской базой сводится к задаче определения количества клиентов, обладающих максимальной CLV, с целью их последующего поощрения за лояльное поведение.

регрессионных моделей, они имеют ряд недостатков, что отмечается в обзорах Дипака и Сидтхатта [88], Фадера и Харди [97]:

модель требует адаптации и пересчета основных коэффициентов для каждой конкретной организации;

модель чувствительна к исходным данным и может выдавать ошибочные результаты при незначительных отклонениях в данных;

точность прогнозирования резко снижается с увеличением количества периодов прогнозирования, т.е. не пригодна для прогнозирования покупательского поведения на длительном горизонте времени.

Вероятностные модели (NBD модель и ее модификации) Следующая группа моделей управления клиентской базой, в первую активных/неактивных клиентов, т.е. в определении вероятности того, что клиент активен и совершит покупку в следующий период времени с учетом истории его транзакций в прошлом. В качестве критерия оптимального управления клиентской базой является распределение финансовых ресурсов компании в зависимости от вероятности совершения им покупки в следующий период времени. В случае если клиент неактивный, т.е. вероятность того, что он совершит покупку небольшая, то не имеет смысла тратить ограниченные финансовые ресурсы на взаимодействие с этим клиентом и/или его поощрение.

Первая вероятностная модель моделирования покупательского поведения клиентов компании была разработана в 1972г. Эренбергом [93].

Основные предположения NBD – модели (Negative Binomial Distribution) заключаются в следующем:

клиент совершает покупки в произвольный момент времени, т.е.

«случайно» в окрестности среднего частоты совершения транзакций (стационарного значения). Данный процесс может быть описан с помощью распределения Пуассона;

частота совершения транзакций у каждого клиента своя и может быть описана с помощью Гамма-распределения.

Таким образом, общий вид NBD-модели представлен следующим выражением:

где PrNBD – вероятность совершения клиентом заданного числа покупок x;

x – количество покупок;

r, – параметры распределения.

Пусть M и S2 – выборочное среднее и выборочная дисперсия соответственно, t – количество интервалов времени наблюдения. Тогда оценки параметров распределения r и имеют следующий вид:

модифицировали задачу управления клиентской базой и предприняли попытку выявить активных/неактивных клиентов. Т.е. клиентов, которые с высокой долей вероятности могут совершить покупку в следующий период времени, и тех, кто прекратил по тем или иным причинам свое сотрудничество с компанией.

Основное предположение модели: в случайный период времени клиент может перестать совершать покупки и становится неактивным.

Причин этому может быть сколь угодной много: от изменения вкусовых предпочтений, финансовой несостоятельности и смены географического расположения до физической смерти клиента. Т.е. отношения клиента с фирмой состоит из двух фаз: клиент активен («живой») в течение неопределенного времени, а затем переходит в состояние «постоянно неактивен».

Покупательское поведение клиента в активный период может быть описано с помощью NBD-модели. Период времени, после которого клиент переходит в неактивное состояние, характеризуется как случайная неоднородность моментов ухода различных клиентов характеризуется гамма-распределением.

"активный", определяется по следующей формуле:

где r, s,, – параметры модели;

t – момент времени последней транзакции клиента;

T - время, прошедшее с момента последней транзакции клиента;

F a1, b1, c1, z – функция гипергеометрического (гаусовского) распределения;

x – количество покупок клиента в период (0,T], при этом время последней покупки клиента tT.

В момент времени 0 клиент считается «активным». Формулы расчета вероятностей для случая и можно найти в работе Шмитляйна, Моррисона и Коломбо [128].

Т.к. смесь гамма распределения с экспоненциальным известно как Парето-распределение (2-го рода), данная модель получила название Парето/NBD – модели.

В своей следующей работе Шмитляйн и Моррисон [113] рассмотрели возможные модификации данной модели и сферы применения данной модели для задач анализа поведения своих клиентов.

К сожалению, предложенные вероятностные модели имеют ряд ограничений, признаваемых самими авторами:

ограничение на требования к исходным данным. В частности, модель может выдавать ошибочные результаты в случае использования в качестве исходных данных модели данные о транзакциях клиента на интервале более 2 лет. Поэтому в случае, если клиент имеет длительный интервал между совершаемыми покупками, то данная модель может потенциально прибыльного клиента оценить как неприбыльного (более подробно данный вопрос освещен в работе Дипак и Сидтхатта [88]);

модель может быть использована для расчета CLV только по отдельному клиенту, что затрудняет ее использование в компаниях с большим числом клиентов;

в сравнении с регрессионными моделями данная модель содержит гораздо более сложный расчет параметров модели, что препятствует ее широкому использованию для решения задач оперативного управления.

Таким образом, сфера применения этого класса моделей ограничена сектором компаний, имеющих незначительное число постоянных клиентов.

Фадер, Харди и Ли [95] в своей работе предложили модификацию Парето-NBD-модели, попытавшись снизить сложность оценки параметров модели. Частично данная задача была решена. Но сложности с чувствительностью к исходным данным и гибкость модели снижают область применения и частоту использования данной модели в реальном секторе экономики.

Модели марковских цепей Еще один класс моделей оценки CLV связан с использованием инструментария марковских цепей (MCM – markov chain model) для моделирования поведения клиента в компании и прогнозирования на основе данной модели вероятности совершения покупки клиентом.

Данный вопрос разрабатывался, в частности, в работах Ф. Пфайера и Р.Карравей [117].

В своей работе Пфайер и Карравей рассматривают поведение отдельного клиента в течение выделенного периода времени как марковский процесс. Исследователи выделили пять возможных состояний нахождения клиента в зависимости от вероятности совершения им покупки. Переход клиента из одного состояния в другое зависит от величины интервала времени с момента последней покупки (рис. 1).

Рисунок 1. Жизненный цикл клиента в компании (Пфайер и Карравей).

Матрица переходных вероятностей имеет вид:

Маркетинговые службы компании взаимодействуют с клиентом для стимулирования покупательской активности. При этом компания несет расходы на данные коммуникации в размере r.

Таким образом, модель оценки параметра CLV за время T имеет следующий вид:

где P – матрица, где pij - вероятность того, что давность покупки клиента в момент t равна j при условии, что в начале периода давность покупок равнялась i;

R – вектор, характеризующий величину маркетинговых расходов (ri) на клиента в зависимости от показателя давности покупок клиента;

T – интервал времени, за который рассчитывается показатель долгосрочной стоимости клиента;

d – коэффициент дисконтирования.

На бесконечном горизонте времени формула принимает вид:

В качестве предложенного инструмента оптимизации расходов в модели предполагается сократить расходы на маркетинг в случае вырабатывается оптимальная стратегия взаимодействия с клиентом в зависимости от текущего состояния клиента. Т.е. оптимизация расходов в расчете на одного клиента осуществляется за счет изменения вектора R.

Данная модель обладает несколькими хорошими качествами: простота использования, гибкость и управляемость.

Но в данной работе рассмотрена задача оптимизации маркетинговых расходов в расчете на одного клиента, а не группы клиентов. Кроме того, предложенная модель покупательского поведения зависит только от величины маркетинговых расходов, и не отражает влияние способа коммуникаций с клиентом, а также профиля клиента.

Частично данный вопрос был рассмотрен в работе Полежаева. Так, в своей статье [49] Полежаев предлагает осуществить сегментацию клиентской базы с использованием модифицированного метода RF-сегментации, рассматривает следующую марковскую цепь (рис. 2):

Рисунок 2. Марковская цепь покупательского поведения.

Соответствующая ей матрица вероятностей переходов (матрица TM) имеет вид:

Общий вид модели прогнозирования численности клиентской базы на m-шагов вперед:

где DN(t+m) – вектор-строка, описывающая состояние базы данных клиентов в момент времени t+m в базисе сегментации S;

DN(t) – вектор-строка, описывающая состояние базы данных клиентов в момент времени t в базисе сегментации S;

ТМ – матрица вероятностей переходов за 1 шаг.

В качестве инструмента управления рассматриваются директмаркетинговые воздействия, которые оказывают влияние на интенсивность переходов из одного кластера в другой.

Но в данной работе не учитываются затраты на маркетинговые мероприятия в зависимости от кластера клиентской базы. Эффект от персональных маркетинговых мероприятий считается некой известной величиной и передается в модель в качестве постоянного входного параметра.

Еще одна модель для управления клиентской базой компании на основе показателя долгосрочной стоимости клиентской базой представлена в работе Третьяк О.А. и Слоева И.А. [58].

Так, в данной модели рассматривается клиентский поток в зависимости от количества совершенных покупок клиентом в течение года (рис. 3).

Рисунок 3. Модель клиентского потока: оценка состояния и управление.

Всех клиентов компании можно разделить на следующие группы:

потребители, никогда не совершавшие покупки, — «потенциальные клиенты»;

совершившие покупок в предыдущий период t – 1 — «пассивные клиенты»;

потребители, совершившие покупку в период t — «активные клиенты».

В свою очередь активные клиенты разделяются на подгруппы:

совершившие первую покупку в период t — «новые клиенты»;

совершившие две покупки, в периоды t и t – 1;

совершившие три или более покупок в последние периоды — «постоянные клиенты».

В этом случае динамика клиентского потока представляется в виде:

где t – период времени, за который происходит расчет;

n1, n2, n3 – число клиентов в группах 1, 2 и 3 соответственно;

N1 – число новых клиентов в момент времени t;

r1, r2, r3 – показатель удержания клиентов в группах 1, 2 и соответственно.

сводится к выбору одной из предлагаемых на выбор стратегий распределения финансовых ресурсов на поощрение клиентов групп 1, 2 и в зависимости от прогнозируемого в построенной модели показателя долгосрочной стоимости клиентской базы компании.

маркетинговых расходов на управление клиентами представлен в работе Крюковой А.А. [38]. В данном исследовании предложена модель, объединяющая два подхода к управлению клиентами – подхода на основе оценки прибыльности клиентов и оценки уровня лояльности клиента.

Сегментация клиентской базы проведена по 2-м критериям – величины годовой прибыли и показателя лояльности клиента, определенного с помощью методики SERVQUAL. При этом при распределении бюджета маркетинговых расходов в качестве критерия оптимального распределения выступает только максимизация величины годовой прибыли от сегмента.

Показатель лояльности клиента используется в качестве критерия для принятия решения в стратегии управления клиентами.

К ограничениям данного исследования можно отнести:

1. предложенная автором задача выбора стратегии управления клиентами рассматривается выбор стратегии управления клиентами для долгосрочного интервала времени;

2. предполагается, что динамика изменения доходности кластеров клиентов зависит только от величины затрат на маркетинг и не зависит от типа маркетинговых мероприятий. При этом степень влияния маркетинговых мероприятий на доходность кластера клиентов считается статичной, т.е. не меняется во времени.

Подводя итоги проведенного анализа существующих моделей по долгосрочной стоимости клиентской базой можно отметить, что, несмотря на разнообразие представленных моделей, всем им присущи следующие ограничения:

задача управления в большинстве представленных моделей решается для каждого клиента в отдельности, а не для группы клиентов;

предполагается, что покупательское поведение зависит только от величины маркетинговых расходов. Не учитывается профиль клиента и влияние способа коммуникаций с клиентом;

как правило, для сегментации клиентской базы: учитываются только количество и давность покупок клиента, и не учитывается его время взаимодействия с компанией, категории покупаемых товаров и сумма большинство представленных моделей учитывают только общую сумму затрат на проводимые маркетинговые мероприятия. Такие параметры как тип проводимых маркетинговых мероприятий, способ коммуникации с клиентом и характер рекламного предложения, не рассматриваются, не анализируется характер их влияния на каждую группу клиентов.

1.3. Сравнительная характеристика подходов к управлению клиентской базой компании Для проведения сравнительного анализа рассмотренных в первых двух разделах моделей к управлению клиентской базой компании необходимо выявить сильные и слабые стороны каждой из моделей, в том числе, с точки зрения соответствия требованиям бизнеса к таким моделям.

Обобщенные результаты проведенного анализа существующих подходов к управлению клиентской базой компании и схема существующих направлений исследования задачи управления клиентской базой и подходов к ее решению приведены ниже (рис. 4).

Рисунок 4. Схема существующих направлений исследований задачи управления клиентской базой компании.

Результаты сравнительного анализа двух подходов по таким показателям, как эффективность использования, сложность расчета и практика применения в компаниях приведены в таблице ниже (Таблица 1).

Таблица 1. Сравнительная характеристика двух подходов к управлению Эффективность использования Сложность расчета Практика применения поставленных задач показатель лояльности клиента имеет более слабые показатели в сравнении с показателем CLV за счет того, что он не учитывает затраты компании на управление клиентской базой и не имеет единой методики оценки.

При этом по показателю сложности расчета показатель долгосрочной стоимости клиента требует более значительных вычислительных затрат, так как необходимо прогнозирование денежного потока от клиентов и лояльности основан на оценке прошлого поведения.

За счет последнего показателя – простота расчета, по частоте использования в компаниях модели управления клиентской базой на основе показателя лояльности опережают модели на основе показателя долгосрочной стоимости клиентской базой.

Но необходимо отметить, что без введения дополнительного параметра, характеризующего соотношение затрат на клиента и его реального дохода, может возникнуть ситуация, при которой затраты на удержание и последующее увеличение лояльности клиента превысят совокупный доход от этого клиента.

Таким образом, для решения задач компании в части максимизации прибыли от клиентской базы при сокращении затрат на маркетинговые мероприятия наиболее эффективными являются модели, использующие значение показателя CLV в качестве критерия оптимальности.

Модели на основе показателя лояльности смогут отразить только качественные характеристики клиентской базы, поэтому их целесообразно применять как дополнительный критерий для принятия управленческих решений.

Результаты сравнения моделей управления клиентской базой компании на основе показателя долгосрочной стоимости клиента по таким параметрам как сложность расчета, точность прогнозирования, чувствительность к исходным данным и гибкость настройки параметров модели приведены в таблице (Таблица 2). Для составления таблицы использовались обзоры и сравнение существующих моделей в работах Фадера и Харди [96], Дипак и Сидтхарта [88], Гупта и др. [99].

Таблица 2. Сравнительная характеристика подходов к управлению клиентской Сложность расчета Точность прогнозирования Чувствительность к данным Гибкость По параметру сложности расчета наименьшие вычислительные затраты имеют модели на основе марковских цепей, далее идут регрессионные модели и наибольшие затраты при расчете требуют вероятностные Парето/NBD-модели.

При этом наибольшей точностью прогнозирования обладают Парето/NBD-модели, сопоставимую точность прогноза имеют модели марковских цепей и менее точные показатели на долгосрочном интервале времени у регрессионных моделей.

Низкие показателя точности регрессионных моделей объясняются также высокой чувствительностью к исходным данным. Парето/NBD – модели также требовательны к качеству входной информации. При этом модели на основе марковских цепей дают более стабильные результаты по информационной базе исследования, что актуально для компаний с большим объемом транзакционных данных.

По параметру гибкости и времени адаптации для использования в компании наибольшее предпочтение авторы отдают марковским моделям, как наиболее понятного для руководства и топ-менеджмента организации математического инструментария. На второе место по гибкости и длительности по времени настройки относят регрессионные модели, а наименее гибкими и требовательными к внедрению считаются вероятностные Парето/NBD модели. Стоит отметить, что данный класс моделей активно развивается в работах Фадера и Харди [95], в частности, в пакете Excel был предложен инструментарий для автоматизации процесса поиска решения задачи управления клиентской базой с использованием данного метода.

1.4. Постановка проблемы управления клиентской базой компании Несмотря на довольно широкую линейку разработанных моделей для управления клиентской базой, практика внедрения полноценных моделей управления клиентской базой компании достаточно невелика. Это связано, в первую очередь, с трудоемкостью и высокими затратами на реализацию комплексной модели управления клиентской базой компании. Также проблема кроется и в ограничениях самих моделей.

Как правило, потребность в управлении своей клиентской базой компании возникает у компаний с размером клиентской базы от нескольких тысяч до миллионов клиентов. В этом случае внедрение методов и подходов, направленных на управление одним клиентом, не рационально, и требуются модели, адаптированные на работу с группами клиентов.

Среди рассмотренных выше моделей только два авторских коллектива разрабатывают модели управления группой клиентов (Третьяк и Слоев, Крюкова), при этом данные модели в качестве решения предлагают выбор оптимальной стратегии из числа предлагаемых на вход вариантов, но не предлагают оптимальный план управления клиентской базой.

Немаловажным ограничением в представленных исследованиях выступают и параметры кластеризации клиентской базы. Большинство авторов предлагает в качестве критерия разделения на группы клиентов рассматривать количество покупок и давность совершения последней покупки клиентом. При этом не учитываются такие параметры покупательского поведения клиентов, как сумма совершаемых покупок, категории покупаемых товаров и время взаимодействия клиента и компании.

Отдельно следует отметить ограниченность используемых инструментов для управления клиентами. В представленных работах для наглядности расчетов, как правило, рассматриваются маркетинговые коммуникации определенного типа, одинаковые для всех клиентов компании, или выявляется зависимость динамики численности клиентской базы компании от величины маркетинговых затрат. При этом многими авторами по маркетингу [47, 54, 63] отмечается необходимость адресных коммуникаций с клиентами или группами клиентов, что позволяет достичь большего отклика на рекламное предложение или повысить лояльность клиентов.

Еще одним важным моментом для компании является требование к входной информации для расчета основных показателей модели: объем требуемых данных, давность и чистота предоставляемой информации. С этой точки зрения модели, управляющие не отдельными клиентами, а группами клиентов, имеют преимущества, обусловленные работой с агрегированными данными. Это позволяет снизить чувствительность к отдельным некорректным значениям или неполноте информации. Как уже ориентированы на прогнозирование поведения отдельного клиента, а не вычислительных расчетов, а с другой стороны, снижает точность прогнозирования.

И последним, но далеко немаловажным критерием для компании при выборе модели управления кластерами клиентов, является возможность динамического управления клиентскими кластерами. В последнее время динамического прогнозирования численности клиентской базы (Третьяк, Слоев), но комплексного решения, учитывающего динамику изменения всех показателей расчета долгосрочной стоимости клиентской базы (доходы от клиентских сегментов, расходы на маркетинговые мероприятия и численности клиентской базы), так и не было представлено.

Таким образом, компании нуждаются в комплексной динамической модели управления группами клиентов, учитывающей различный характер влияния проводимых маркетинговых мероприятий на рассматриваемые группы клиентов. Данная модель должна позволять:

1. Проводить сегментацию клиентской базы компании по широкому диапазону критериев: частота покупок, средний чек, давность последней покупки, общее время взаимодействия клиента и компании, социально-демографические характеристики клиентов (пол, возраст, семейное положение).

2. Управлять группами клиентов, используя доступные для компании маркетинговые инструменты воздействия на клиентов и изменения их потребительского поведения.

3. Оптимизировать выделяемые в компании бюджеты на маркетинг при достижении максимальной стоимости клиентской базы компании на долгосрочном интервале времени.

В качестве методов совершенствования моделей управления клиентской базой компании предлагается:

Перейти от моделей управления поведением отдельного клиента к модели управления группами клиентов.

В качестве параметров кластеризации клиентов рассмотреть полный комплекс характеристик покупательского поведения: срок взаимодействия с компанией, сумму и частоту совершения покупок, категории покупаемых товаров, социально демографические характеристики клиента.

Рассмотреть динамическую модель управления клиентской базой компании, где динамика изменения численности клиентской базы будет описана с помощью модифицированной модели движения кадров Староверова О.В. [54].

маркетинговых коммуникаций, как тип, способ коммуникации, характер рекламного предложения, категории товаров.

ГЛАВА 2. РАЗРАБОТКА КОМПЛЕКСНОЙ ДИНАМИЧЕСКОЙ

МОДЕЛИ УПРАВЛЕНИЯ КЛИЕНТСКОЙ БАЗОЙ КОМПАНИИ

Для разработки комплексной модели управления клиентской базой компании необходимо последовательно рассмотреть решение следующих задач.

Основополагающим моментом для успешного решения задачи управления клиентами выступает проведение сегментации клиентской базы компании. От качества проведенной сегментации зависит разработка всех дальнейших моделей и полученных прогнозов. Критерии разделения клиентов на группы зависят от специфики деятельности компании и доступной для анализа информации о клиентах, но в качестве базовых характеристик необходимо учитывать покупательское поведение: частоту покупок, величину среднего чека, период неактивности клиента (так называемое «время сна») и общее время взаимодействия клиента и компании.

Для расчета показателя долгосрочной стоимости клиента необходимо использовать три ключевых параметра:

величину дохода от группы клиентов;

величину расходов по группе клиентов;

численность групп клиентов в каждый момент времени.

Третьим важным этапом разработки комплексной модели управления клиентами является анализ проводимых в компании маркетинговых мероприятий и оценка характера влияния проводимых мероприятий на группы клиентов.

Также при анализе динамики покупательского поведения необходимо учитывать возможное влияние факторов внешнего воздействия, таких как рыночные тенденции или появление новых технологий, а также естественные изменения покупательского поведения клиентов, связанные с изменением уровня жизни или социального статуса групп клиентов.

На основе проведенного анализа строятся регрессионные модели, отражающие характер покупательского поведения групп клиентов и степень влияния проводимых маркетинговых кампаний и внешних факторов на динамику его изменения.

По итогам разработки указанных выше моделей можно перейти к постановке задачи оптимального управления клиентской базой компании, а именно к формулировке критерия оптимального управления, описанию существующих ограничений и требованию к виду получаемого оптимального решения.

Полнота постановки задачи управления клиентской базой и списка ограничений является залогом получения корректного решения для оптимального управления клиентской базой компании.

В рамках задачи управления клиентской базой компании критерием оптимального управления является достижение максимального значения долгосрочной стоимости клиентской базой на горизонте планирования, а результатом решения - набор параметров и требований к проводимым маркетинговым мероприятиям, которые доставляют оптимальное значение показателю долгосрочной стоимости клиента. В качестве ограничений в компании выступает конечный бюджет на проведение маркетинговых мероприятий и технические возможности сотрудников на их организацию.

Информационно-логическая модель оптимизации управления клиентской базой компании отражает сформулированные выше основные этапы разработки модели (рис. 5).

Расчет ключевых показателей клиентской базы Анализ маркетинговой деятельности компании Постановка задачи оптимального управления Рисунок 5. Информационно-логическая модель оптимизации управления клиентской базой компании.

В рамках данной модели последовательно отображены основные этапы разработки модели оптимизации управления клиентской базой компании и указаны основные информационные потоки. Более подробно каждый из указанных этапов рассмотрен ниже.

2.1. Кластеризация клиентской базы компании Задача кластеризации клиентской базы является одним из ключевых шагов для успешного решения задачи управления группами клиентов.

В общем смысле кластеризация клиентской базы – это разделение потребителей по группам в соответствии с устойчивыми признаками, называемыми "признаками сегментирования" [33]. Выбор признаков сегментирования зависит от целей кластеризации. Как правило, в качестве признаков сегментирования используются:

географические характеристики (региональное деление);

психографические характеристики (типы личности, темперамент, социальная среда);

характеристики потребительского поведения (интенсивность потребления, категории покупаемых товаров и сумма покупки);

демографические признаки (пол, возраст, семейное положение, образование).

Для повышения эффективности проводимых маркетинговых мероприятий при сегментации клиентской базы, как правило, используют характеристики покупательского поведения: частоту покупок и величину среднего чека. Иногда в качестве дополнительных параметров учитывают общее время взаимодействия клиента и компании, и период времени, прошедший с последней покупки клиента (давность покупки).

В результате сегментации с использованием указанных выше параметров выделяют следующие группы клиентов:

случайные покупатели («делали хотя бы одну покупку, средний чек – минимальный по клиентской базе»);

покупатели (совершали несколько покупок в течение определенного периода времени);

постоянные клиенты («периодически покупают»);

приверженцы («очень активные клиенты, величина среднего чека выше среднего уровня, участвуют в большинстве маркетинговых мероприятий компании);

бесперспективными).

Каждая группа, в свою очередь, может быть разбита на несколько подгрупп в зависимости от социально-демографических показателей (пол, возраст, образование и т.д.).

клиентского куба (рис. 6).

Рисунок 6. Клиентский куб компании.

Отдельного внимания при сегментации клиентской базы занимает проблема определения группы "отказников". Основной проблемой при выделении данной группы клиентов является определение момента ухода клиента из компании. Данная проблема рассматривается, в частности, в работах Фадера и Харди [61, 96].

Так, Фадер и Харди выделяют два типа взаимоотношений с клиентами – контрактные и неконтрактные.

Контрактные взаимоотношения характеризуются тем, что момент прерывания клиентом взаимоотношений с компанией может быть однозначно определен.

Неконтрактные взаимоотношения характеризуются тем, что момент времени, в который клиент прекращает свои взаимодействия с компанией, не контролируется организацией. Данные отношения характерны для компаний, работающих в секторе FMCG. Так, в торговых фирмах клиент не предупреждает компанию о том, что он больше не будет совершать покупки в ее магазинах. Таким образом, компания не может с достоверностью сказать, что в случае, если клиент сделал покупку n месяцев назад, то он больше не вернется в компанию.

В рамках данного исследования в качестве периода времени, после которого считается, что клиент разорвал свои взаимоотношения с компанией, выбирается максимальный интервал времени между последовательными покупками, в течение которого 95% клиентов, попавших в выборку, неоднократно совершали покупки.

Для определения этого временного интервала для каждого клиента рассчитываются интервалы между покупками и выбирается максимальный из них:

Recencyi max rik (9) где Recencyi - максимальный интервал между покупками клиента (в месяцах);

rik - величина k-го интервала между последовательными покупками i-го клиента (в месяцах);

k – количество рассматриваемых интервалов, равное количеству месяцев (N), в которых клиентом были совершены покупки, за вычетом единицы (N – 1).

Далее на основе частотной таблицы распределения клиентов в зависимости от величины максимального интервала между покупками определяется граница значения максимального интервала между покупками, в рамках которой 95% клиентов совершали повторную покупку.

В качестве инструментария сегментации используются методы кластерного анализа [32]. Кластерный анализ предназначен для разбиения совокупности объектов на однородные группы (кластеры или классы) таким образом, чтобы элементы, входящие в одну группу были максимально "схожи" (по какому-то заранее определенному критерию), а элементы из разных групп были максимально "отличными" друг от друга.

При этом число групп может быть заранее неизвестно, также может не быть никакой информации о внутренней структуре этих групп. Наиболее известные и часто используемые методы кластерного анализа – иерархический кластерный анализ и кластеризация методом k-средних.

Цель иерархических методов кластерного анализа заключается в объединении (или разделении, в зависимости от конкретного метода) объектов в достаточно большие кластеры, используя некоторую меру используемыми мерами сходства и различия, (например, евклидово расстояние или метрика городских кварталов), но и алгоритмами классификации (например, методы ближайшего или дальнего соседа, метод межгруппового связывания, метод Варда). Типичным результатом такой кластеризации является иерархическое дерево.

Наиболее известным иерархическим методом кластеризации является метод ближайшего соседа. Перед началом работы алгоритма рассчитывается матрица расстояний между объектами. На каждом шаге в матрице расстояний ищется минимальное значение, соответствующее расстоянию между двумя наиболее близкими кластерами. Найденные повторяется до тех пор, пока не будут объединены все кластеры. При использовании метода ближайшего соседа особое внимание следует уделять выбору меры расстояния между объектами. На основе нее формируется начальная матрица расстояний, которая и определяет весь дальнейший процесс классификации. Выбор результирующего числа полученных кластеров осуществляется исследователем.

Метод кластеризации k-средних требует изначального задания числа кластеров, на которые должно быть поделено исследуемое множество наблюдений. Алгоритм кластеризации представляет собой последовательное перераспределение элементов кластеров между собой так, чтобы получить максимально удаленные друг от друга кластеры. В случае если дальнейшее перераспределение элементов не приводит к улучшению функции цели кластеризации, то процесс останавливается.

В рамках данного исследования используется метод кластеризации k-средних.

2.2. Моделирование численности клиентской базы компании Для моделирования численности клиентской базы, как правило, используются два подхода: традиционный и вероятностный.

Традиционный подход основан на показателе удержания клиентов. На основе существующих данных компании или анализа динамики численности аналогичных компаний данного сектора экономики определяется доля клиентов, которые продолжают совершать покупки по истечении выбранного периода времени [120]. Тогда численность клиентской базы компании через интервал времени t будет определяться как численность клиентской базы на начальный момент времени, умноженная на коэффициент удержания клиентов в степени t.

Вероятностный подход использует для прогнозирования численности клиентской базы оценку вероятности совершения клиентом покупки в следующий период времени и вероятность его выбытия [96].

В основе как традиционного, так и вероятностного подходов к прогнозированию численности клиентской базы лежит гипотеза о том, что групповые различия в поведении клиентов отсутствуют, и поведение клиентов не меняется с течением времени. Однако практика показывает следующее:

поведение клиентов имеет характерные групповые различия;

поведение клиента нестационарно в течение жизненного цикла.

клиентской базы.

В этом случае постановка задачи прогнозирования численности клиентской базы будет базироваться на следующих предпосылках.

непересекающихся кластеров.

Каждый кластер имеет свои характеристики по доходам клиентов, определяются на этапе кластеризации клиентской базы и могут варьироваться в зависимости от специфики работы компании.

Клиентская база компании динамически обновляется за счет зарегистрированных в базе ранее.

Каждый новый клиент в зависимости от его характеристик кластеризации кластеров.

В течение жизненного цикла происходит изменение покупательского поведения клиента, что обуславливает его перемещение из одного кластера в другой или прекращение взаимодействия клиента с компанией.

Тогда динамика формирования кластеров может быть описана стохастическим процессом, где перемещение клиентов внутри клиентской базы компании представляется в виде марковской цепи, состоящей из K+ состояний. Состояния с 1 по K характеризуют один из выделенных клиентских кластеров со своими покупательскими характеристиками:

частота покупок, средний чек, количество месяцев с первой покупки и количество месяцев с последней покупки, а состояние K+1 – внешний мир.

Переходы между состоянием К+1 и другими состояниями марковской цепи возможны в любых направлениях.

Тогда граф переходов для описанной выше марковской цепи представляется в следующем виде (рис.7).

Рисунок 7. Перемещения клиентов внутри клиентской базы компании.

Необходимо проверить выполнение следующих предположений в условиях задачи прогнозирования численности клиентской базы компании:

независимость случайных величин (событий);

однородность потока событий;

отсутствие последействия.

Независимость потоков между группами Доли выбывших из групп за интервал времени (t, t + h) пропорциональности ri), не зависят от численностей всех групп.

Данное предположение является корректным в случае перемещения клиентов внутри клиентской базы, поскольку перемещение клиента из одной группы в другую связано с изменением ключевых параметров покупательского поведения клиента, определяющих его принадлежность к той или иной группе (увеличение интенсивности или суммы покупок, изменение характера покупаемых товаров и т.д.). Вероятность данных изменений тем больше, чем больше рассматриваемый интервал времени. И так как изменение характера покупательского поведения происходит вне зависимости от поведения клиентов других групп, то данная вероятность не зависит и от численности групп.

Коэффициент интенсивности переходов между группами ri может зависеть от условий жизни в группах, которые могут изменяться во времени. Следовательно, ri = ri (t).

В рамках решения задачи моделирования перемещения клиентов внутри клиентской базы компании интенсивность перехода между группами изменяется с течением времени. Так, в модели движения кадров на интенсивность перехода оказывают влияние только внутренние факторы. В рамках рассматриваемой в работе проблемы влияющими факторами являются как внутренние, так и внешние с точки зрения клиента, среди которых выделяются следующие:

Изменение потребностей клиентов. Со временем клиент изменяет интенсивность своих покупок при изменении своих потребностей или финансового положения, что вызывает его перемещение в другой кластер.

Воздействие рынка. На характер покупательского поведения оказывают влияние и рыночные факторы – появление товаровсубститьютов, рост популярности или мода на определенную категорию товаров / услуг, изменение технологии производства, использования товара, и т.д.

Воздействие компании. Компании также влияют на характер покупательского поведения своих клиентов. Наиболее эффективный способ влияния – проведение целевой маркетинговой компании или персональные предложения для клиентов. Более трудоемкие, но обладающие долгосрочным эффектом мероприятия могут быть направлены на изменение ассортимента предлагаемых товаров / услуг, повышение качества обслуживания и т.д., что в свою очередь может привести к изменению покупательского поведения и переход клиентов из одной группы в другую.

Доля перешедших в группу j (j = {1, k}) среди всех выбывших из группы i (i = {1, k}) не зависит от числа переходов в других группах.

Данное предположение также объясняется независимостью покупательского поведения клиента от поведения клиентов в других кластерах.

Время перехода из группы i в группу j пренебрежимо мало. За время h происходит не только выход из исходной группы, но и попадание в ту группу, в которую переходит клиент.

Действительно, момент перехода клиента из группы i в группу j происходит при изменении ключевых параметров его покупательского поведения и переходе их через граничные значения. Можно считать, что данный переход происходит мгновенно.

Однородность потока событий.

Пропорциональность интенсивности переходов временному интервалу: вероятность двух и более переходов за малый промежуток времени h есть o(h).

Как уже было сказано выше, переход клиента из одного кластера в другой связано с изменением покупательского поведения клиента, которое может быть вызвано или изменением образа жизни человека, или управляющим воздействием компании. Таким образом, вероятность изменения покупательского поведения за малый промежуток времени бесконечно мала. Это связано, в первую очередь, с инертностью человеческого поведения и общества.

Отсутствие последействия.

непересекающихся интервалах времени 1, 2, …, n, представляют собой взаимно независимые случайные величины. Т.е. на непересекающихся интервалах времени переходы клиента независимы.

Зависимость характера влияния предыстории взаимоотношений клиента и компании на будущее поведение клиента определяет порядок полученной марковской цепи.

С точки зрения жизненного цикла клиента можно выделить три типа характера влияния предыстории взаимоотношений клиента и компании на будущее поведение клиента (рис. 8):

нивелируется текущим взаимодействием и принятие решения о покупке совершается на основании текущего опыта, а не прошлого.

Частично зависимое от опыта на ограниченном интервале времени.

Иными словами, предполагается, что при принятии решения клиент руководствуется своим опытом взаимодействия с компанией на полученный опыт может иметь как негативный, так и позитивный характер.

Так, зачастую на будущее взаимоотношение с клиентом оказывает влияние только негативный опыт – в случае, если клиент недоволен своими отношениями с компанией в прошлый период времени, он неудовлетворительном обслуживании происходит его уход из значительного влияния на будущие покупки (клиент воспринимает данный уровень взаимодействий как должный).

Также существуют модели взаимоотношения клиента с компанией, когда предыдущий положительный опыт работы с компанией приводит к еще большей удовлетворенности клиента и повышению его лояльности, выражающейся в частоте совершения покупок и/или сумме покупок. В то же время такой клиент более терпим к ошибкам и готов к дальнейшему сотрудничеству даже в случае наличия единичных отрицательных моментов.

Полностью зависимое от прошлого, т.е. клиент помнит всю историю взаимоотношения с компанией, и его будущее поведение учитывает весь этот опыт.

Рисунок 8. Влияние предыстории взаимоотношений клиента и компании на будущее поведение клиента.

взаимоотношений клиента и компании перемещение клиента внутри выделенных кластеров описывается с помощью марковской цепи 1-го порядка. В случае частичного влияния предыстории взаимоотношений клиента и компании используется модель прогнозирования численности клиентской базы компании, в основе которой лежат цепи Маркова n-го порядка. В ситуации полной зависимости покупательского поведения клиента от предыстории его взаимодействия с компанией задача прогнозирования сводится к построению модели, относящейся к классу моделей с последействием.

В данной работе рассматривается случай невыявленной зависимости влияния прошлой истории взаимодействия клиента и компании на будущие покупки клиента, т.е. процесс перемещения клиентов внутри выделенных клиентских кластеров описывается как цепь Маркова 1-го порядка.

Для аналитического представления динамики изменения численности клиентской базы компании может быть использована модель движения кадров Староверова О.В. [54]. В этом случае модель прогнозирования численности клиентской базы по кластерам имеет следующий вид:

где Nt – численность кластеров в момент времени t (вектор);

Nt-1 – численность кластеров в момент времени t-1 (вектор);

R = {ijri} - матрица интенсивностей выходов клиентов из кластера i, где ij – символ Кронекера;

PT = {pij} – транспонированная матрица вероятности нахождения индивида из кластера i в кластере j;

t – интервал времени, за который производится расчет численности кластеров;

с1 и с2 – вектора выбытия и прибытия клиентов соответственно.

На первом этапе предполагается, что интенсивность переходов R между группами не зависит от времени.

Если интенсивность переходов между группами R зависит от времени, т.е. R = R(t), то модель (10) примет следующий вид:

где Nt – численность кластеров в момент времени t (вектор);

Nt-1 – численность кластеров в момент времени t-1 (вектор);

Rt = {ijrti} - матрица интенсивностей выходов клиентов из кластера i в момент времени t, где ij – символ Кронекера;

(Pt)T = {ptij} – транспонированная матрица вероятности нахождения индивида из кластера i в кластере j в момент времени t;

t – интервал времени, за который производится расчет численности кластеров;

сt1 и сt2 – вектора выбытия и прибытия клиентов в момент времени t соответственно.

Оценить показатели R и P можно с помощью матрицы привлечения и потери клиентов (Таблица 3).

Также с помощью данной матрицы можно выявить недостатки в предлагаемом покупателям продукте и обслуживании и определить те продукты и особенности в обслуживании, которые покупатели находят более привлекательным.

Для составления матрицы необходима следующая информация:

доля новых клиентов, пришедших в компанию;

данные об изменении численности групп клиентской базы.

Кластер К+ (внешний мир) Элементы на диагонали показывают, сколько клиентов осталось в данной группе, по строкам указаны данные о количестве клиентов, перешедших из данной группы в другие группы, по столбцам – количество клиентов, пришедших в данную группу из других групп.

покупателей, впервые обратившиеся в компанию.

Так, по матрице видно, что из всех клиентов, находившихся в группе 1, x11 человек сохранили свою интенсивность покупок, x12 человека перешли в группу 2 и c11 человека ушли из компании. Из всех клиентов группы 3: x31 человек перешли в группу 1 (т.е. повысили свою интенсивность покупок), а x33 не изменили своим привычкам. Из вновь прибывших клиентов с21 человек попали в группу 1, с2k человек попали в группу К.

Обозначим aij - интенсивность перехода клиентов из группы i в группу j, равную отношению количества клиентов, перешедших из кластера i в кластер j к численности кластера на момент выхода клиентов из кластера, которая рассчитывается по формуле:

Тогда интенсивность выхода клиентов из кластера i (ri) представляет собой сумму всех переходов из кластера i в другие кластеры, т.е.

Вероятность нахождения индивида из группы i в группе j pij рассчитывается как Таким образом, используя матрицу привлечения и потери клиентов можно оценить значения показателей R и P в модели прогнозирования численности клиентской базы.

использованием aij, будет иметь вид:

где Nit – численность кластера i в момент времени t (вектор);

Nit-1 – численность кластера i в момент времени t-1 (вектор);

atij - интенсивность перехода из кластера i в кластер j в момент времени t;

t – интервал времени, за который производится расчет численности кластеров;

сt1 и сt2 – вектора выбытия и прибытия клиентов в момент времени t соответственно.

Таким образом, на основе статистических данных о перемещениях клиентов внутри клиентской базы, а также на основе информации о количестве новых и ушедших клиентов, предлагаемая модель позволяет определить интенсивности переходов клиентов между группами и оценить вероятность нахождения клиента после перехода в одной из групп. Это, в свою очередь, позволяет спрогнозировать численность групп клиентов на долгосрочном интервале времени.

2.3. Инструменты управления клиентской базой компании Перераспределение клиентов между группами связано с изменением их покупательского поведения, которое характеризуется следующими показателями: частота совершения покупок, величина среднего чека, изменение набора покупаемых товаров.

Можно выделить следующие ключевые группы факторов, влияющих на изменение покупательского поведения:

Изменение собственных потребностей клиентов вне зависимости от внешнего мира: изменение предпочтений или частоты покупок, изменение стоимости покупаемых товаров и/или категорий, что вызывает переход клиента в другую группу.

Внешнее воздействие: изменение покупательского поведения клиентов под влиянием рыночного воздействия, например, популяризация технологий, мода на определенную категорию товаров, появление товаровсубститьютов.

Внутреннее воздействие: изменение покупательского поведения клиентов, вызванное проведением маркетинговых мероприятий по стимулированию покупательской активности.

В данной модели предполагается, что изменение собственных потребностей клиентов вне зависимости от внешнего мира характеризуют постоянный тренд в динамике изменения интенсивностей переходов клиентов. Как правило, данный тренд имеет тенденцию к снижению, что объясняется постепенной зрелостью клиентской базы компании и стабилизацией категорий и предпочтений клиентов.

Внешнее воздействие рынка определяет качественные изменения динамики изменения интенсивностей перемещения клиентов. Для примера можно привести резкое увеличение пользователей мобильного интернета в связи с развертыванием сетей формата 3G и развитием пропускной способности каналов мобильного интернета.

Внутреннее воздействие маркетинговых мероприятий компании приводит к локальному (краткосрочному) изменению интенсивности переходов между группами. Эффективность маркетинговых мероприятий зависит, в первую очередь, от характера предложения, сделанного компанией своим клиентам, а также от затрат компании на данную акцию.

Характер предложения включает в себя такие параметры как тип предложения (например, скидка или подарок) и канал коммуникации (например, SMS или e-mail – сообщение, звонок).

Ниже более подробно рассмотрено влияние маркетинговых коммуникаций компании на покупательское поведение клиентов.

В применении к маркетинговой деятельности под коммуникацией понимается передача информации от источника (предприятие) к получателю (потенциальный потребитель), с целью формирования реакции потребителя, заранее запланированной источником сообщения.

Так, Дж. Бернетта и С. Мориарти определяют маркетинговые коммуникации как «процесс передачи информации о товаре целевой аудитории, с целью создания, поддержания или изменения позиций и/или поведения целевых аудиторий по отношению к конкретному продукту (товару), услугам, организациям и т. д.» [12]. В свою очередь Ф. Котлер считает, что маркетинговые коммуникации это "управление процессом продвижения товаров и услуг на всех этапах: перед продажей, в момент покупки, во время и по завершении процесса потребления" [34].

Иными словами можно определить маркетинговые коммуникации как совокупность маркетинговых инструментов, обеспечивающих доведение информации до потребителя, а также поддержание или изменение поведения конечного потребителя, с целью продвижения товаров и услуг на всех этапах процесса принятия решения о покупке [73].

Маркетинговая коммуникация включает в себя два основных компонента:

- способ коммуникации;

- тип предложения.

По способу доведения информации до клиента маркетинговые коммуникации можно поделить на: