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