среда, 29 сентября 2010 г.

Возможности снижения оттока из розничной сети: теория и кейс


Лояльность или постоянство покупателя - задача не из простых. Завоевывают постоянство при помощи программ лояльности и других маркетинговых технологий. Однако завоевать - это половина дела, нужно еще удержать, а иногда вернуть покупателя.
Сегодня речь пойдет о тех возможностях, которые позволяют предусмотреть, предвидеть отток покупателей.Решается эта задача при помощи методов так называемого прогностического моделирования.
Прогностическое моделирование (Predictive modelling) направлено на решение задач, в которых необходимо спрогнозировать поведение объекта, например группы покупателей, при помощи некоторой модели.
В маркетинге  прогностическое моделирование  используется для повышения эффективности управления оттоком. Решается эта задача путем определения характеристик потенциального оттока и выявления покупателей, которые соответствуют этим характеристикам.

Методы прогностического моделирования для управления оттоком уже давно используют телекоммуникации и банки. Достаточно популярным методом, решающим классификационную задачу является метод дерева решений (decision tree).

Суть его достаточно проста. Расскажу на примере скоринговой модели для банка, решающей задачу выдавать или не выдавать кредит клиенту.

Все объекты (клиенты) из базы данных на основе ретроспективных данных разделяются на две группы - вернувших и не вернувших кредит. Далее строится модель, которая  ищет разницу в характеристиках этих двух групп. Выделяются наиболее значимые характеристики, определяющие группу клиентов, не вернувших кредит. 
Таким образом на основе ретроспективных данных определяется профиль заемщиков, которые не склонны к возврату кредита. Обычно клиентам с такими характеристиками кредиты не выдают. 
Подобный принцип положен в процесс определения покупателей, склонных к оттоку. 
Нужно сказать, что задача управления оттоком покупателей  в рлознице становится сейчас все более актуальной.  Классификационная модель определяет принадлежность  покупателя по ряду признаков его поведения к одному из классов (вероятный отток или не отток).
 

Из практики
Сегодня я расскажу о задаче,  которая недавно решались для одной из розничных сетей Украины как раз с использованием прогностического моделирования.

Проблема заключалась в снижении выручки сети. Руководство сети решило использовать аналитику для управления оттоком. Нам была поставлена в определения скрытых характеристик покупателей, которые с наибольшей вероятностью станут группой оттока.
Из брифа: в парфюмерной сети зафиксировано падение продаж в период с января по июнь 2010 года на 15% по сравнению с аналогичным периодом прошлого года. Необходимо определить уровень оттока в этом периоде и предложить способы повышения выручки (без задействования внешней рекламы и привлечения новых покупателей).
Способ решения задачи: уменьшение группы оттока из сети через инструменты удержания.

Постановка задачи: определить  характеристики группы, склонной к оттоку и список покупателей, которые с наибольшей вероятностью могут стать группой оттока в ближайший период. Предложить способы удержания покупателей
Решение
При определении группы покупателей, склонных к оттоку использовался метод Дерево решений (decision tree).

Данные для анализа: период с 01.01.2009 по 01.09.2010

В  результате построения классификационной модели на основе данных покупок владельцев карт были определены характеристики покупателей, склонных к оттоку.
Профиль покупателя склонного к оттоку: отсутствие покупок уцененных товаров, количество уникальных магазинов с покупками от 1 до 4, количество уникальных брендов до 30, количество люксовых товаров  в чеке - 1 или 2.
Обобщая, можно сказать что покупатель склонный к оттоку не сенсетивен к предложениям уценки, посещает относительно малое количество магазинов сети, корзина его "не широка" (относительно мало брендов и дорогих товаров).

Именно эти характеристики являются отличительными признаками группы оттока. Покупатели, не склонные к оттоку обычно посещают более 4 магазинов,покупают более 30 брендов в долгосрочном периоде, имеют в корзине более 2 люксовых товаров.

Традиционно, для того чтобы определить покупателей, склонных к оттоку строится несколько моделей, после чего определяется наиболее точная. 
В нашем случае было построено 5 моделей при помощи различных методов и разных вариантов поведенческих характеристик. Каждая из моделей описывала набор поведенческих характеристик склонных к оттоку покупателей.

Следующий этап после построения моделей - это оценка их точности. Проверка точности делается на контрольных выборках и по нескольким критериям. Оценка точности по коэффициенту Джини описана ниже.

Наибольшую точность показывает модель, которая описывает наибольшую площадь многоугольника построенного по параметрам коэффициента Джини. В данном случае наиболее точная модель - это модель 1.

Прикладная ценность данной работы заключается в возможность воздействовать на покупателей, склонных к оттоку. 

Для покупателей с выявленными характеристиками были разработаны специальные предложения, которые имеют индивидуальный характер и учитывают особенности предпочтений покупателей (любимые бренды и категории).
В частности, для покупателей, частота покупок которых достаточно высока, но перечень категорий невелик (соответственно, недостающие категории они приобретают в других магазинах) были разработаны предложения по расширению корзины.
Для покупателей с низкой частотой покупок была предложена механика, повышающая частоту с предложением покупок любимых брендов. 
Важно, что при формировании предложений учитывалась вся история взаимоотношений сети и покупателя, экономическая целесообразность удержания каждого отдельного покупателя.


Для получения обновлений блога не забудьте подписаться на рассылку RSS.

Прочитать другие статьи из этой же рубрики можно прочитать здесь

3 комментария:

  1. Добрый день, Ирина,
    интересный кейс, только вот решение его смущает. Либо Вы не полностью все освятили, либо что-то умолчали. На мой взгляд, точность модели очень низкая, уровни поддержки принятия решения очень уж низкие. Видно, что у заказчика внутренняя экспертиза отсутствует, если он доверился такой модели. Под это решение попадут, например, все новые клиенты заказчика, так как нет ветви, отвечающей за продолжительность жизненного цикла клиента. Интересен также результат, ведь результат Data mining-а, это не построение модели, а бизнес-результат. Например, снижение оттока, увеличение объема продаж. А то, что предложения разработаны с учетом экономической целесообразности, ведь очевидно, что это должно быть по умолчанию. Кроме этого, не понятны критерии сегментации потребителей, ведь если предложения не сегментированы, то результат будет много хуже, в том числе и в долгосрочной перспективе.
    С уважением, fsecrets.ru
    Секреты прогнозирования и анализа данных

    ОтветитьУдалить
  2. Алексей, спасибо за комментарий
    Описание кейса действительно несколько упрощено.
    На это есть две причины. Первая - сложность и часто неготовность восприятия подобных кейсов со стороны представителей розницы (а статья писалась именно для этой целевой аудитории). Вторая - необходимость "закрыть" некоторые элементы внутренних методик.
    Теперь по самому кейсу. Сегментация по ЖЦ обязательно проводилась. Это первый шаг в нашей работе всегда и в любом проекте. Это тема отдельной статьи. Поэтому все покупатели, которые не должны быть включены в модель, например некоторые новые покупатели (однако не все), исключаются.
    Относительно бизнес результатов - снова не могу с Вами не согласиться. Бизнес результат в измеримом показателе повышения выручки, повышении среднего чека и др. всегда должен присутствовать при решении подобных задач. А кроме повышения выручки хорошо бы еще рассчитывать MROI, поскольку именно этот показателя является значимым со стороны эффективности работы. Просто само по себе повышение продаж может быть вызвано целым рядом факторов, которые не имеют отношения к инициативе. Поэтому в нашей работе мы всегда ориентируемся как на сам бизнес-результат, так и на эффективность инициативы со стороны возврата финансового. Если со стабильными и лояльными покупателями рассчитать MROI в большинстве случаев не составляет труда, то при работе с оттоком эта работа усложняется. Вступает в действие эффект времени, долгосрочного возврата, поскольку «разовое возвращение покупателя» еще не говорит о его реальном возврате. В данный момент разрабатываем программный продукт, который автоматизирует процессы расчетов MROI, и является средством поддержки принятия решений в инициативах по удержанию, привлечению и сохранению ценности покупателей. Считаем именно этот момент является «узким местом» на пути к достижению бизнес результатов любой аналитики и последующей инициативы в рознице.
    Ниже ссылка на наше выступление осенью прошлого года на CRM конгрессе http://irina-chubukova.blogspot.com/2010/10/19-20-customer-strategy-management.html. Там есть (тоже немного, тезисно) и о сегментации, и о ЖЦ.

    ОтветитьУдалить
  3. Анонимный20 июля 2016 г., 3:48

    а почему decision tree а не random forest?

    ОтветитьУдалить

Related Posts Plugin for WordPress, Blogger...