CC BY
160
РОССИЙСКОЕ ПРЕДПРИНИМАТЕЛЬСТВО
Том 18 • Номер 21 • ноябрь 2017 ISSN 1994-6937
>
издательство
Креативная экономика
Russian Journal of Entrepreneurship
построение сегментации
на основе модифицированного RFM-анализа
для повышения лояльности потребителей
Цой М.Е. 1, Щеколдин В.Ю. 1, Лежнина М.Н. 1
1 Новосибирский государственный технический университет, Новосибирск, Россия АННОТАЦИЯ:
В статье рассматривается метод сегментации потребителей при помощи модифицированного RFM-анализа с применением кластерного подхода. Проанализирована клиентская база компании, работающей на рынке транспортно-логистических услуг. Полученные результаты были подтверждены применением матрицы выбора стратегии лояльности В. Рейнарца и В. Кумара, что позволило разработать адресные программы лояльности для каждого выделенного сегмента потребителей.
КЛЮЧЕВЫЕ СЛОВА: сегментация, потребительская лояльность, программы лояльности, RFM-анализ, модифицированный RFM-анализ, кластерный подход, матрица выбора стратегии лояльности.
Building segmentation on the basis of modified RFM analysis to increase customer loyalty
TsoyM.E.1, Shchekoldin V.Yu.1, Lezhnina M.N. 1
1 Novosibirsk State Technical University, Russia
введение
В сегодняшних реалиях для успешной деятельности предприятия на рынке недостаточно иметь просто хороший и качественный продукт. Стабильность развития бизнеса во многом зависит от лояльности аудитории, которая влияет на объемы продаж, дистрибьюцию и уровень прибыли. Поэтому компаниям важно знать своих клиентов, выстраивать с ними долгосрочные отношения, учитывать их потребности, выгоды и приоритеты. Также необходимо повышать конкурентоспособность продукции и услуг, что возможно с помощью формирования и управления клиентской лояльностью, так как именно приверженность клиентов является одним из основных факторов конкурентоспособности предприятия. Об этом говорят следующие статистические данные: низкий уровень лояльности снижает прибыль предприятия на 25-50%, а иногда и более, а прирост постоянных потребителей на 5% приводит к росту прибыли на 25-100%. В большинстве
отраслей прибыль от каждого клиента растет по мере увеличения степени его сотрудничества с компанией [4] (Dzhindzhodiya O.A., 2011).
Для того чтобы создавать длительные и эффективные рабочие отношения с клиентами, компании рекомендуется обращать внимание на повышение лояльности клиентов. Любые программы лояльности относятся к разряду маркетинговой активности, которая используется для того, чтобы завоевать доверие клиента, повысить его привязанность к продукту, поощрить желание клиента приобретать продукты/услуги и др. Важно, чтобы при разработке программы лояльности были проанализированы типы покупательского поведения клиентов, что позволит предлагать последним именно те программы лояльности, которые наилучшим образом удовлетворяют их потребности.
Стремление компаний к повышению лояльности потребителей связано с тем, что издержки на удержание постоянного клиента гораздо ниже, чем на привлечение нового [7] (Kotler F., 2003). Следует заметить, что лояльные потребители становятся нечувствительными к предложениям конкурентов, обеспечивая предприятию надежный и постоянный доход. Также лояльные потребители готовы советовать компанию своим друзьям, благодаря чему расширяется клиентская база.
Существует ряд подходов к определению лояльности. Согласно определению Д.А. Шевченко [11], лояльность - это приверженность покупателей к данной торговой марке, мотивированная прочно укоренившейся привычкой покупать одно и то же изделие, товар или пользоваться одной и той же услугой.
В свою очередь, покупательскую лояльность можно определить как положительное отношение покупателя к тому или иному продукту, марке, магазину, услуге и т.д.,
ABSTRACT:_
The article considers the method of consumer segmentation through modified RFM-analysis and cluster approach. We analyze customer base of a company operating in the market of transport and logistics services. The obtained results have been confirmed by the application of the matrix "choosing a loyalty strategy" by V. Reinarz and V. Kumar That allowed to develop targeted loyalty programs for each selected segment of consumers.
KEYWORDS: segmentation, consumer loyalty, loyalty programs, RFM analysis, modified RFM analysis, cluster approach, matrix "choosing a loyalty strategy".
JEL Classification: M30, M31, M37 Received: 13.11.2017 / Published: 16.11.2017
© Author(s) / Publication: CREATIVE ECONOMY Publishers For correspondence: Tsoy M.E. (mtsoi0mail.ru)
CITATION:_
Tsoy M.E., Shchekoldin V.Yu., Lezhnina M.N. (2017) Postroenie segmentatsii na osnove modifitsirovannogo RFM-analiza dlya povysheniya loyalnosti potrebiteley [Building segmentation on the basis of modified RFM analysis to increase customer loyalty]. Rossiyskoe predprinimatelstvo. 18. (21). - 3113-3134. doi: 10.18334/rp.18.21.38506
которое хотя и является следствием значимых для покупателя факторов, лежит скорее в эмоциональной сфере [12] (Sysoeva S., Neyman A., 2004).
Российский маркетолог М. Дымшиц утверждает, что «в основе потребительской лояльности лежат непосредственные потребительские характеристики товара или услуги, которые формируют предпочтение этого бренда при покупке в товарной группе, а также отношение к нему» [5] (Dymshits M.H., 2007). Таким образом, именно накопленный опыт потребления формирует отношение к товару.
На практике отношение покупателя к товару может быть положительным, безразличным, отрицательным или даже враждебным. Именно на основании уже сложившегося отношения такого рода к товару формируется поведение потребителя. Ряд авторов (Ф. Котлер, Ж.-Ж. Ламбен и др.) определяют маркетинг взаимоотношений как совокупность практических приемов удержания потребителей. Ф. Котлер указывает, что «маркетинг взаимоотношений - практика построения долгосрочных взаимовыгодных отношений с ключевыми партнерами, взаимодействующими на рынке: потребителями, поставщиками, дистрибьюторами в целях установления длительных привилегированных отношений» [6] (Kotler F., 2006). В целях построения долгосрочных отношений компания может влиять на поведение потребителей, но для этого ей необходимо знать, как эффективно строить работу с каждым из них. Именно для этого необходимо правильно сегментировать клиентов компании.
Под сегментацией потребителей понимается разделение рынка на отдельные сегменты - группы потребителей со сходными потребностями в определенных товарах или услугах [1] (Baryshev A.F., 2002).
Проведение сегментации рынка преследует следующие цели:
• выделить ту часть рынка, на которой компании выгодно сконцентрировать свои усилия для привлечения потребителей;
• определить потенциально привлекательные сегменты рынка (незанятые ниши рынка), с целью выхода на них;
• разработать маркетинговые стратегии для каждого из выделенных сегментов рынка, предлагая самую подходящую именно его потребителям адресную модель товара.
ОБ АВТОРАХ:_
Цой Марина Евгеньевна, заведующий кафедрой маркетинга и сервиса, кандидат экономических наук, доцент (mtsoißmail.ru)
Щеколдин Владислав Юрьевич, доцент кафедры маркетинга и сервиса, кандидат технических наук (raix0mai1.ru)
Лежнина Мария Николаевна, студент, магистрант (Maria19O6m0gmai1.com)
ЦИТИРОВАТЬ СТАТЬЮ:_
Цой М.Е., Щеколдин В.Ю., Лежнина М.Н. Построение сегментации на основе модифицированного RFM-анализа для повышения лояльности потребителей // Российское предпринимательство. - 2017. - Том 18. - № 21. - С. 3113-3134. doi: 10.18334/rp.18.21.38506
Важно понимать, что универсального метода сегментирования не существует, поскольку сегментация, разработанная для определенного рынка, может не подойти для другого. Поэтому она может осуществляться при помощи различных подходов, использующих географические, демографические (пол, возраст, уровень доходов, образование, национальность), психографические (принадлежность к определенному общественному классу, образ жизни, тип личности) и поведенческие признаки.
При проведении сегментации потребителей особое внимание уделяется анализу личностных характеристик клиентов компании. На практике социально-психологические характеристики клиентов оказываются не так важны для прогнозирования клиентского поведения, как экономические. Исходя из этого, делаем вывод, что для прогнозирования поведения клиентов желательно анализировать историю их покупок. Современный маркетинг предоставляет множество инструментов, помогающих спрогнозировать поведение клиентов.
RFM-анализ как метод сегментации потребителей
Одной из наиболее часто использующихся методик проведения сегментирования является сегментация рынка по поведенческому признаку, так как при делении потребителей на группы она позволяет учитывать поводы для совершения покупки, реакцию на товар, степень приверженности к товару/услуги, характер использования товара, интенсивность потребления и др.
Среди инструментов, помогающих проанализировать поведение клиента, особое место занимает RFM-анализ [15] (Khyuz A. M., 2008). Он применяется только для анализа существующих клиентов, которые совершали хотя бы одну покупку в течение определенного периода. При проведении RFM-анализа учитываются следующие показатели [15] (Khyuz A. M., 2008):
Recency (давность) - время, прошедшее с момента последней покупки клиента. Для сегментации важно эмпирическое свойство этого показателя - чем меньше времени прошло с момента последней активности клиента, тем более вероятно, что он повторит свое действие. Для классификации по этому признаку необходимо отсортировать список клиентов по дате последней покупки, разделить их на пять частей, присвоить коды («5», «4», «3», «2» или «1») и оценить отклик каждой группы после проведения очередного маркетингового мероприятия.
Frequency (частота покупок) - общее число действий, совершенных клиентом за исследуемый период времени. Как правило, тот клиент, который проделал больше всего действий в прошлом и настоящем, с большей вероятностью повторит эти действия в будущем. В качестве такого показателя могут использоваться общее число покупок, число звонков/обращений клиента, количество специальных предложений, на которые откликнулся клиент за определенный период времени и т.д.
Monetary (потраченные деньги) - сумма денег, которую истратил клиент за определенный временной период. Согласно теории RFM-анализа, чем большую сумму потратил клиент, тем выше вероятность того, что он сделает повторный заказ.
Анализируя данные о трех совокупностях R, F, M, маркетолог может сделать вывод о том, насколько компания является значимой для клиента.
Стандартный подход RFM-анализа состоит в том, что необходимо разделить клиентов на пять равных групп по каждому из трех показателей [10, 15] (Khyuz A. M., 2008). При построении оценки R необходимо отсортировать клиентов в порядке возрастания по дате последней покупки, а затем разбить на пять равных групп. Код «1» будет присвоен тем, кто совершил последнюю покупку давно, а «5» - тем, кто покупал недавно. При построении оценок показателей F и M необходимо отсортировать клиентов в порядке убывания, затем аналогично разделить на пять равных групп и присвоить «5» тем, кто совершает покупки с наибольшей частотой/на большие суммы, «1» - тем, кто совершает покупки крайне редко или же на минимальные суммы.
В результате построения такой трехмерной классификации каждый клиент получает трехзначный номер от «111» до «555», при этом для продавца наиболее привлекательными являются клиенты с кодом «555», а противоположные к ним (с кодом «111») считаются одноразовыми или утерянными клиентами. Согласно Дж. Миглауцу [21] (Miglautsch J. R., 2002), такая категория потребителей может быть названа как «бездействующие», в них заключен определенный потенциал, требующий дополнительного исследования. Если компания располагает достаточными ресурсами и временем, то эту категорию тоже следует изучать, но абсолютно другими методами по сравнению с остальными категориями.
Основным недостатком стандартного подхода является вероятность «случайного» отнесения клиента к определенной группе. Это связано с тем, что при разбиении на пять групп равных по количеству элементов, клиентам с одинаковыми показателями могут быть присвоены разные значения R, F или M. Соответственно, разрабатываемые маркетинговые мероприятия для этих групп могут оказаться неэффективными.
Для того чтобы избежать подобной ситуации, в работах [17, 20] (Tsoy M.E., Shchekoldin V.Yu., 2016; Shchekoldin V.Yu., Dolgikh I.V., 2016) была предложена методика модифицированного RFM-анализа (далее - MRFM-анализ), основанная на использовании аппарата кумулятивных кривых. Согласно этой методике классификация клиентов по каждому показателю проводится по одинаковой схеме, которая изложена в [13, 17, 20] (Titova N.A., Shchekoldin V.Yu., 2015; Tsoy M.E., Shchekoldin V.Yu., 2016; Shchekoldin V.Yu., Dolgikh I.V., 2016).
Заметим, что для корректного применения подхода, основанного на использовании кумулятивных кривых, значения показателя R, характеризующие давность последней покупки, необходимо преобразовать в обратные величины для того, чтобы меньшей давности соответствовало наилучшее значение показателя. В случае с разбиением на классы по F и M необходимости в таком преобразовании нет, поскольку наилучшие клиенты будут обладать наивысшими значениями этих показателей.
применение MRFM-анализа на практике
Для проведения МЯБМ-анализа была рассмотрена транспортно-логистическая компания, которая работает на рынке грузоперевозок уже более 20 лет. Компания занимается железнодорожными, авто-, авиа- и морскими перевозками по всей России и за рубежом, оказывает услуги как сборных перевозок, так и доставки проектных и негабаритных грузов, экспедирования и хранения на складе.
Изучаемая компания работает как с Б2Б-, так и с В2С-рынком, следовательно, при проведении анализа необходимо разграничивать эти две составляющие и находить индивидуальный подход к представителям каждой группы потребителей.
Как показано на рисунке 1, большую часть клиентов компании (43%) составляют индивидуальные предприниматели, которые приносят компании около 30% прибыли; 50% прибыли приносят крупные компании, доля которых составляет 27%, а оставшиеся 20% приносят частные лица, чья доля равна 30%. В целом можно отметить, что работа компании ориентирована в основном на крупных клиентов и индивидуальных предпринимателей.
Только на территории Новосибирской области в портфеле клиентов компании находятся более 4000 фирм, что говорит о широкой востребованности компании и предоставляемых ею услуг.
Компания входит в топ ведущих транспортно-логистических компаний страны по ежегодному грузообороту, а так же в рейтинг лучших транспортных компаний России [9].
На момент начала исследований в компании не было действующей программы лояльности для каждой из групп клиентов. С целью создания благоприятных отношений с клиентами компания дарила им подарки, которые выполнены в виде сувенирной продукции с фирменным логотипом (ручки, блокноты, календари, кружки и т.д.). Также постоянных клиентов компания поздравляла с днем рождения. Предполагалось, что благодаря этим действиям клиент всегда знает, что компания о нем помнит и ценит.
Частные лица
Крупные компании
Индивидуальные предприниматели
Рисунок 1. Клиенты транспортно-логистической компании Источник: составлено авторами по данным компании за 2017 год.
Однако разовые акции не учитывают индивидуальности клиента, быстро проходят и не привлекают должного внимания всех сегментов. Для проведения эффективной работы со всеми клиентами необходимо разрабатывать адресные предложения для каждой группы, учитывая покупательское поведение и интересы клиента.
С этой целью была проанализированы истории покупательского поведения 300 клиентов компании за период с ноября 2016 года по апрель 2017 года. Следуя методике MRFM-анализа, было проведено исследование клиентской базы по каждому из трех показателей (R, F, M).
Для выделения пяти групп клиентов была построена оценка кумулятивных кривых для всех показателей в виде радикальной модели [18]:
C (x) = (ax + (1 -a) x2/, (1)
где х - значение доли числа клиентов, включенных в рассмотрение; a и b -параметры модели, подлежащие оцениванию.
В первую очередь необходимо было оценить параметры кумулятивной кривой (1). Для этого, согласно [19] (Shchekoldin V.Yu., 2013), воспользовались методом наименьших квадратов, а именно, вычислили значение остаточной суммы квадратов ESS между координатами точек кумулятивной кривой и соответствующими опорными точками, рассчитанными как нормированные значения накопленных сумм, и минимизировали его путем выбора «наилучших» значений неизвестных параметров. Процесс оптимизации величины ESS ввиду нелинейности зависимости (1) проводился при помощи специальных программных средств, таких как, например, MathCad, MatLab, Maple и др.
Для получения необходимых результатов были проведены следующие расчеты:
рассчитаны значения ординат кумулятивной кривой:
y = (ax + (1 -a) Х2)в, (2)
где a и в - оценки параметров, найденные по имеющимся данным;
- вычислены площади фигур, образованных под кумулятивной кривой, по формуле:
S = (xn + xn-)(yn -уи-)/2, (3)
где xn, n = 0, 1, ... , 5 - точки по оси абсцисс, являющиеся границами выделяемых пяти классов.
Поскольку никаких предварительных предположений относительно структуры выделяемых групп клиентов нет, логичным представляется в качестве начальных значений этих границ выбирать те, которые соответствуют равноточному разбиению, а именно: x0 = 0, xj = 0.2, x2 = 0.4, x3 = 0.6, x4 = 0.8, x5 = 1;
- просуммированы площади фигур (3), а результирующая площадь, зависящая от внутренних точек разбиения, была максимизирована, т.е. решена вторая оптимизационная задача:
^ = 1^
п=1
^ тах
, Х2, Х3, Х4
(4)
Далее были определены значения исходного показателя, соответствующие попаданию того или иного клиента в класс с кодами «5»-«1» (самый левый класс соответствует коду «5», самый правый - «1»).
Путем аналогичных действий проводится оценивание каждого показателя (Я, Б и М), после чего строится сводная ЯБМ-оценка, состоящая из трехзначного кода. Для удобства восприятия представим полученные результаты в виде проекций трехмерного показателя ЯБМ на двумерные подпространства ЯБ, ЯМ и БМ [17] (Tsoy М.Е., БкскекоЫт У.Уы., 2016) (рис. 2-4).
Рисунок 2 демонстрирует, что весомая часть клиентов компании (12%) обращалась к ее услугам достаточно давно и не так часто за анализируемый период (частота обращений - 1; давность обращений - 1). Но есть и те клиенты, которые не только недавно обращались за услугами компании, но и регулярно с ней сотрудничают (частота - 5; давность -5). Постоянных клиентов в анализируемый период у компании не так много (2%), большую часть из них составляют крупные компании (53%). В «средний» класс попали в основном индивидуальные предприниматели, а частные лица относятся к тем, кто обращался к услугам компании не более восьми раз за анализируемый период.
Из рисунка 3 наглядно видно, что те клиенты, которые обращались к услугам компании давно (от 28 до 122 дней назад), как правило, принесли компании небольшую
Рисунок 2. Распределение клиентов по показателям Я-Б Источник: составлено авторами по результатам МЯБМ-анализа.
Рисунок 3. Распределение клиентов по показателям Я-М Источник: составлено авторами по результатам МЯБМ-анализа.
Стоимость покупок,М
■ М=1
■ М=2 М=3
■ М=4
■ М=5
1 2 3 4 5
Частота покупок, Р Рисунок 4. Распределение клиентов по показателям Б-М Источник: составлено авторами по результатам МЯБМ-анализа.
прибыль (от 10 тыс. руб. до 30 тыс. руб.). Та часть клиентов, что приносила наибольшую (от 120 тыс. руб.) прибыль, достаточно мала (12%), но эти клиенты являются очень значимыми для компании, особенно те, которые обращались к услугам компании недавно.
Рисунок 4 показывает, что те клиенты, которые редко обращались к услугам компании, приносят наименьшую прибыль (до 30 тыс. руб.). Таких клиентов около 40%
от всей выборки. Но среди тех, кто обращался достаточно часто к услугам компании, практически все приносят наибольшую прибыль (более 120 тыс. руб.).
Частные покупатели чаще всего являются случайными клиентами, потому что для разовой отправки груза они выбирают компанию наиболее близкую к дому. При этом цена особого значения для них не имеет, так как стоимость перевозки негабаритного груза практически не отличается в разных компаниях. С точки зрения компании они не являются привлекательными клиентами и практически не приносят прибыль.
Применение кластерного анализа
для сокращения числа сегментов потребителей
Согласно теории RFM-анализа, максимальное количество различных групп клиентов может быть равно 125. Однако из-за специфики изучаемых данных оно может существенно отличаться, в частности, в рассматриваемом случае было выявлено 64 различные группы. Тем не менее, это количество явно неудовлетворительно с точки зрения маркетинга компании, поскольку очевидно, что для такого числа групп невозможно разработать качественные адресные предложения. Поэтому с целью объединения и уменьшения количества групп клиентов было решено воспользоваться методами кластерного анализа, подробно изложенного, например, в [8].
Кластерный анализ может быть проведен автоматизированным образом при помощи специализированных программных средств обработки статистической информации таких, например, как SPSS. SPSS - это многофункциональный программный комплекс для статистической обработки данных, один из лидеров рынка в области коммерческих статистических продуктов, предназначенных для проведения прикладных исследований в социальных науках [3, 16] (Golubkov E.P., 2005; Tsoy M.E., Shchekoldin V.Yu., 2013).
Благодаря проведению кластерного анализа появляется возможность объединить мелкие группы потребителей, имеющие схожие признаки покупательского поведения, в более или менее крупные сегменты во избежание избыточной сегментации [16] (Tsoy M.E., Shchekoldin V.Yu., 2013). Дальнейшее исследование было направлено на изучение структуры выделенных сегментов и разработки для них адресных предложений.
Таблица 1
Средние значения показателей R-F-M в выделенных сегментах
^—^^^ Сегмент Показатель —■—______ 1 2 3 4 5
R 4 2 4 1-2 2
F 4 3 1-2 1-2 4
M 3-4 2-3 1 1 4-5
Источник: составлено авторами по результатам кластерного анализа.
Одна из базовых проблем кластерного анализа - определение оптимального числа кластеров - решалась путем определения возможности интерпретации клиентов, образующих каждый выделенный сегмент. В результате кластерного анализа таким образом было получено пять сегментов. В таблице 1 отображены средние значения каждого показателя после объединения клиентов в сегменты.
Дальнейший анализ состоял в более детальном рассмотрении клиентов, которые попали в тот или иной сегмент.
Анализ структуры выделенных сегментов потребителей
Рассмотрим клиентов каждого сегмента с позиций значений изучаемых показателей.
Сегмент 1
В него входит 39 компаний, что составляет 13% от всей клиентской базы. Его образуют клиенты, совершившие покупку услуги от 1 до 14 дней назад. Они обращались к услугам компании не менее 7 раз за анализируемый период. У двух компаний, входящих в этот сегмент, сумма оказанных услуг составила от 30 до 70 тыс. руб., а остальные 37 компаний воспользовались услугами на сумму не менее 120 тыс. руб. Среди клиентов этого кластера не оказалось ни одного частного, и потому, как указывалось выше, это наиболее привлекательная и прибыльная группа компаний. Они обращаются к услугам компании достаточно часто, приносят большую часть прибыли, но среди них есть и те компании, которые обращаются со средней периодичностью или достаточно давно (в градациях давности обращений клиентов этой группы). Поэтому необходимо прикладывать усилия как для удержания клиентов этой группы, так и для привлечения в нее еще большего числа компаний из всей клиентской базы.
Сегмент 2
Его составляют 60 компаний (20% от всей клиентской базы). Из них 23 компании совершали покупки услуг от 27 дней до 5 месяцев назад, 37 остальных - не более 27 дней назад. За анализируемый период эти компании обращались к услугам не менее 4 раз, стоимость оказанных услуг составила минимум 30 тыс. руб. Данный сегмент включает в себя 59 крупных и мелких компаний, которые совершают покупки с гораздо меньшей периодичностью, чем представители Сегмента 1, но 31 компания из 60 принесла не менее 130 тыс. руб. выручки. Это достаточно важные клиенты для компании, которых необходимо удерживать, возможно, напоминать о себе, увеличивать частоту их обращений [14] (Faskhiev ХИЛ., 2012).
Сегмент 3
В него входит 17% компаний, что составляет 52 клиента рассматриваемой транс-портно-логистической компании. Они обращались к услугам компании от 1 до 14 дней назад, не более 13 раз за анализируемый период, на минимальные суммы. 34 из них -частные лица, 18 - вероятнее всего, индивидуальные предприятия, поскольку в рамках этого кластера они характеризуются небольшой периодичностью обращений к услу-
гам компании. Для частных лиц, как правило, нет разницы, какая компания выступит в роли перевозчика, необходимо только, чтобы они видели конкретные и четкие плюсы перевозок компании. Возможно, в эту группу входят также и новые клиенты компании, поэтому нужно уделять дополнительное внимание данному сегменту и сделать так, чтобы росла частота их обращений, чтобы эти 52 клиента не стали «упущенными».
Сегмент 4
Включает в себя 110 клиентов, что составляет 37% от общей клиентской базы. Самый большой сегмент, к которому относятся те клиенты, которые обращались к услугам компании минимум 27 дней назад, максимум 7 раз за весь анализируемый период. 75 из них составляют частные лица, которые, как правило, пользуются услугами перевозок всего несколько раз за всю жизнь. Частные лица, обращаясь к услугам перевозчиков, подходят к выбору не так тщательно, так как не планируют долгосрочного сотрудничества. Это менее приоритетные клиенты для крупной транспортной компании, и если работа компании нацелена также на частных лиц, то для них необходима собственная программа лояльности.
Сегмент 5
В него входит 39 компаний, что составляет 13% от клиентской базы, они обращались к услугам компании от 5 дней до 5 месяцев назад, не менее 7 раз за период, на сумму от 120 тыс. руб. Лишь 7 компаний из них обращались к услугам компании до 5 дней назад, а 21 клиент - до 15 дней назад, остальные - более 27 дней назад. Данный сегмент обращается к услугам компании не часто, но на большие суммы, поэтому, вероятно, большая часть представителей - крупные компании. Для стимулирования клиентов данной группы необходима адресная программа лояльности.
В результате кластерного анализа были получены структурированные данные по клиентской базе. Исходя из описания каждого из пяти сегментов, были разработаны адресные программы лояльности. Кластерный анализ оказался также полезен и для оптимизации работы с новыми клиентами компании, так как при входящей заявке, опираясь на результаты МЯБМ-анализа и кластерного анализа, менеджер может быстро понять, какой подход лучше использовать при работе с таким клиентом.
При практическом внедрении программ лояльности, разработанных на основе результатов одного исследования, могут возникать ситуации, при которых будет очевидно, что полученные результаты некорректно отображают реальную ситуацию. Следовательно, в таких случаях адресные предложения будут совершенно неэффективными, а компания понесет как операционные издержки, так и стратегические убытки. Основываясь на этом, при проведении исследований в области сегментации клиентов необходимо подтверждать корректность выводов путем применения других подходов и последующего сопоставления получаемых результатов.
Выбор стратегии лояльности на основе подхода Рейнарца-Кумара
Для разработки эффективных программ лояльности необходимо убедиться, что выделенные с помощью MRFM-анализа сегменты соответствуют реальным группам потребителей. В качестве альтернативного подхода к построению сегментации клиентов рассмотрим метод, предложенный в работах известных специалистов в области исследования поведения потребителей В. Рейнарца и В. Кумара, которые установили следующие взаимосвязи [22].
Чем дольше клиент взаимодействует с компанией, тем большую прибыль он приносит компании.
Прибыль от клиента возрастает прямо пропорционально сроку его сотрудничества с компанией.
Затраты на обслуживание повторных клиентов ниже, чем на новых.
Постоянные клиенты готовы приобретать товары по более высокой цене.
В работе В. Рейнарца и В. Кумара [22] предложен метод разработки адресных предложений и сегментации клиентов с помощью матрицы выбора стратегии лояльности. Благодаря данному подходу могут быть исследованы два ключевых аспекта: клиентская надежность и взаимоотношения с клиентами. Клиентская надежность зависит от частоты и качества их покупки, а также коммерческих расходов компании на клиентов. Долгосрочными считаются те клиенты, которые совершают частые покупки в течение одного-двух лет.
В. Рейнарц и В. Кумар предложили использовать матрицу выбора стратегии, представленную на рисунке 5, для идентификации четырех типов клиентов на основе анализа их затрат на приобретение товаров/услуг и продолжительности работы с компанией. Они дали этим типам следующие наименования: «Бабочки» («Butterflies»), «Незнакомцы» («Strangers»), «Старые моряки» («Barnacles») и «Настоящие друзья» («True Friends»).
Бабочки (Butterflies)
настоящие Друзья
(True Friends)
5
Незнакомцы (Strangers)
Старые моряки (Barnacles)
* Взаимоотношения с клиентами
Краткосрочные Долговременные
Рисунок 5. Матрица выбора стратегии лояльности Источник: составлено авторами по данным В. Рейнарца и В. Кумара (перевод) [22].
Рассмотрим подробнее описание клиентов каждой из четырех групп.
Бабочки (Butterflies) - это постоянные, но нелояльные клиенты. Как правило, предприятия гораздо охотнее будут посвящать время выгодным для бизнеса клиентам, нежели тем, которые будут приносить неоправданные затраты.
Незнакомцы (Strangers) - это те клиенты, которые появляются однажды и уходят безвозвратно. С точки зрения управления взаимоотношениями с ними лучше всего инвестировать в них как можно меньше.
Старые моряки (Barnacles) - клиенты, которые покупают в основном потому, что привыкли взаимодействовать с этой компанией. Чаще всего эти клиенты требуют много внимания, но покупают на небольшие суммы. Задача компании при работе со «Старыми моряками» заключается в том, чтобы заставить покупать их больше и чаще.
Настоящие друзья (True Friends) - клиенты, которые покупают много и являются постоянными и лояльными. Как правило, такие клиенты оставляют хорошие отзывы о компании, рекомендуют ее своим друзьям, положительно оценивают компанию при изучении обратной связи. Согласно исследованиям, к данной группе клиентов нельзя применять методы жестких продаж, т.е. необходимо искать менее агрессивный подход.
В. Рейнарц и В. Кумар разработали методику, основанную на моделировании истории событий, которая учитывает период времени, в течение которого клиент совершал покупки, и частоту этих покупок. Упрощенная версия этого метода дает представление о том, как его можно использовать:
Шаг 1: Определение доходности. Для этого необходимо выбрать методы измерения отслеживания прибыли.
Шаг 2: Оценка лояльности. Необходимо построить матрицу для определения, какие клиенты относятся к каждой из групп. Для построения матрицы необходимы дата последней покупки, совершенной клиентом и сумма его покупок.
Шаг 3: Минимизация расходов. Для того чтобы минимизировать расходы, необходимо определить, сколько тратит компания на ненужные услуги для каждого из квадрантов, например, когда компания отправляет подарки для «Незнакомцев», которые никогда не вернутся. Следует создать некий список расходов и оценить их целесообразность.
Шаг 4: Приоритезация сегментов потребителей. Следует выбрать группы клиентов, работа с которыми является наиболее привлекательной для компании. Далее необходимо разработать адресные предложения для этих групп и постараться удержать клиентов, которые приносят постоянную прибыль.
Благодаря полученным результатам появилась возможность определить, сколько денег тратит компания на управление отношениями с клиентами, которые не стоят инвестиций. Исходя из результатов распределения клиентов по квадрантам, можно разрабатывать адресные программы, а принадлежность клиента к определенной группе позволяет эффективно управлять клиентами.
С целью подтверждения правильности сегментации клиентов и выбора стратегий лояльности для адресных групп было произведено совмещение результатов М-ЯБМ-анализа и матрицы выбора стратегии лояльности Рейнарца-Кумара.
Результаты проведенных расчетов по методике Рейнарца-Кумара и сопоставление их с результатами МЯБМ-анализа представлены на рисунке 6. Отметим, что применение логарифмической шкалы (на рисунке 6) позволяет добиться более наглядного представления полученных результатов, в отличие от обычной шкалы, которая была бы неудобной ввиду большого разброса значений изучаемых показателей.
Как представлено на рисунке 6, клиенты, входящие в первый сегмент, преимущественно относятся к группе «Настоящие друзья». Следовательно, они являются постоянными и лояльными, что говорит о том, что как по результатам МЯБМ-анализа и кластерного анализа, так и по результатам применения методики Рейнарца-Кумара, это наиболее привлекательная и прибыльная группа клиентов для компании. Представители этой группы являются постоянными и лояльными клиентами, которые сотрудничают с компанией в течение длительного периода.
Клиенты, входящие в третий сегмент, относятся к группе «Старые моряки», т.е. являются постоянными клиентами, требующими к себе повышенного внимания, но при этом приобретают на небольшие суммы. Это подтверждается результатами МЯБМ-анализа. Следовательно, необходимо приложить усилия для увеличения частоты обращений таких клиентов и роста сумм их заказов.
Рисунок 6. Распределение клиентов по методике Рейнарца-Кумара и МЯБМ-анализа Источник: составлено авторами по результатам анализа матрицы выбора стратегии лояльности [22].
Представители пятого сегмента относятся к группе «Бабочки». Они являются постоянными, но нелояльными клиентами. Возможно, компания несет неоправданные расходы по их обслуживанию. Но, обратившись к клиентской базе, было установлено, что большая часть из них является крупными компаниями, которые сотрудничают с анализируемой компанией в течение длительного периода времени. Их заказы являются постоянными и на крупные суммы, но с меньшей периодичностью, чем у мелких компаний. Исходя из этого, делаем вывод, что высокие затраты на обслуживание данной группы клиентов, как правило, оправданы. Но компании следует приложить усилия для того, чтобы из категории «Бабочки» эти клиенты перешли в категорию «Настоящие друзья».
Группу «Незнакомцы» представляют клиенты, входящие в четвертый сегмент. Как и по результатам МЯБМ-анализа и кластерного анализа это те клиенты, которые совершали покупку один раз и в дальнейшем не обращались к услугам компании. Было установлено, что это преимущественно частные лица, что является причиной краткосрочного сотрудничества с транспортно-логистической компанией. Эти клиенты являются наименее привлекательными, следовательно, нет необходимости в проведении специальных мероприятий по удержанию клиентов данного сегмента.
Представители второго кластера распределились между «Бабочками» и «Незнакомцами», что говорит о том, что таких клиентов можно назвать «Неопределенными». Возможно, это уже практически утерянные клиенты для компании. Некоторым из них стоит напомнить о сотрудничестве с компанией и, вероятно, сотрудничество будет возобновлено, о них не стоит полностью забывать, так как еще месяц назад они приносили компании не менее 120 тыс. руб. в месяц.
Поскольку целью исследования было подтверждение результатов МЯБМ-анализа, проведем сравнение наполнения сегментов по двум методикам.
Сопоставив результаты, полученные по методам МЯБМ-анализа и Рейнарца-Кумара, на рисунке 7 видно, что среди клиентов компании больше всего входящих в группу
■ Настоящие друзья
■ Бабочки
- Старые моряки
■ Незнакомцы
- Неопределенные
Рисунок 7. Сравнение сегментов клиентов, выделенных по двум методикам Источник: составлено авторами по результатам матрицы выбора стратегии лояльности [22] и
МЯБМ-анализа.
«Незнакомцы», а именно 37% от анализируемой базы, в свою очередь 17% составили представители группы «Старые моряки», а 20% - те клиенты, которые расположились между группами «Бабочки» и «Незнакомцы». Наименьшее количество клиентов транс-портно-логистической компании в группах «Настоящие друзья» и «Бабочки», по 13%. Следует отметить, что два совершенно разных подхода дали хорошо интерпретируемый в терминах задачи результат, что позволяет четко и вполне однозначно сегментировать клиентов и предлагать им адресные программы лояльности.
Рекомендации по разработке адресных программ лояльности для клиентов транспортно-логистической компании
На основе проведенного МЯБМ-анализа были предложены следующие рекомендации по разработке программ лояльности.
Запуск программы лояльности для клиентов, входящих в Сегмент 1, так как это самый привлекательный для компании, хоть и немногочисленный сегмент. Для таких клиентов подходит многоярусная программа лояльности, так как эти клиенты сотрудничают с компанией на протяжении долгого времени. Многоярусная программа лояльности работает на долгосрочную перспективу. Такая программа может включать следующие условия:
• в месяц перевозки на сумму более 38 тыс. руб. - 3% скидка на следующий месяц (так называемый «Бронзовый статус»);
• сумма более 115 тыс. руб. - 5% скидка + бесплатное хранение на складе до недели («Серебряный статус»);
• сумма более 210 тыс. руб. - 7% скидка + бесплатное хранение на складе + дополнительная услуга в подарок («Золотой статус»).
Благодаря введению данной программы лояльности, вероятнее всего, будут расти суммы заказов клиентов, принадлежащих к первому сегменту, так как эти клиенты сотрудничают с компанией давно, делают заказы на средние суммы и часто пользуются дополнительными услугами.
Сегмент 5 является также очень прибыльным для компании, он включает в себя несколько самых крупных и доходных клиентов. В ходе анализа клиентской базы было выявлено, что многие из них перевозят исключительно по одному и тому же маршруту. Следовательно, достаточно рациональным решением в отношении данного типа клиентов является введение программы лояльности «Выделенный маршрут». Суть ее заключается в том, что если компания перевозит в один и тот же город от 2 до 5 раз в месяц, то получает скидку на перевозки по этому маршруту 7%, если более 5 раз в месяц, то скидка возрастает до 11%.
После введения этой программы лояльности было замечено увеличение количества обращений к услугам транспортно-логистической компании со стороны предприятий, входящих в этот сегмент. Также возможен рост числа клиентов, представляющих другие крупные компании, которые часто осуществляют перевозки по одному
и тому же маршруту, так как условия программы очень привлекательны для тех, кто часто отправляет грузы.
Сегмент 2 представляет собой тех клиентов, которые обращались к услугам компании достаточно давно на средние и небольшие суммы. Таким клиентам необходимо напоминать о существующих и новых услугах, предоставляемых транспортно-логи-стической компанией. Например, следует поздравлять постоянных клиентов с днем рождения и Новым годом, это может быть поздравление по электронной почте или размещение в личном кабинете. А с теми клиентами, которые раньше достаточно часто пользовались услугами компании, а потом перестали, следует связаться и уточнить причину [2] (Geriya I.A., 2015). Возможно, им стоит лишь напомнить о сотрудничестве, и взаимодействие будет возобновлено, или же стоит обсудить более выгодные условия сотрудничества.
Повышение внимания к клиентам может способствовать возобновлению сотрудничества с некоторыми из уже практически упущенных клиентов. Представителям компании клиентов необходимо видеть, что их партнер проводит работу над ошибками и стремится быть внимательным к каждой претензии клиентов [23].
Весомую долю клиентов транспортно-логистической компании составляют представители третьего сегмента. Они обращались к услугам компании не так давно, за анализируемый период достаточно часто и на средние суммы. Среди них много частных лиц и индивидуальных предпринимателей, именно представители этого сегмента чаще всего обращаются к дополнительной услуге «доставка до двери» или «забор груза от двери». Следует предоставить скидку на эти услуги для привлечения индивидуальных предпринимателей к сотрудничеству с компанией, а так как среди представителей этой группы нет таких, которые перевозят тяжеловесные грузы, возможно поднятие цен на небольшие перевозки на несколько процентов, что будет не особо заметно потребителю, но окупит скидку, предоставленную на услуги.
Представители четвертого сегмента являются самыми непривлекательными для компании. Они приносят компании минимальную прибыль, следовательно, программа лояльности для данного кластера является экономически неэффективным решением для транспортно-логистической компании.
Из проведенного исследования можно заметить, что некоторые маркетинговые действия, рекомендуемые для разных сегментов потребителей, в ряде случаях совпадают. Это означает, что определенные маркетинговые действия могут быть эффективно использованы сразу для ряда сегментов. Соответствия между маркетинговыми действиями и выделенными сегментами представлены в таблице 2.
Результаты, представленные в таблице 2, наглядно демонстрируют тот факт, что каждый из шести рекомендованных методов подходит сразу для нескольких групп клиентов. Благодаря чему разработанные рекомендации можно считать эффективными для внедрения в исследуемой транспортно-логистической компании, позволяющими повысить ее конкурентные преимущества.
Таблица 2
Элементы программ лояльности для каждого кластера
———^^^^^ кластер действие ——— 1 2 3 4 5
1 телефонный опрос клиентов с целью выяснения причины долговременного отсутствия заказов; + +
2 интернет рассылка оповещения о текущей акции + + + + +
3 введение программы лояльности «Выделенный маршрут»; + +
4 введение скидок на дополнительные услуги; + + + +
5 введение многоярусной программы лояльности; + +
6 SMS-рассылка поздравлений на день рождения и Новый год, вручение небольших подарков при заказе в день рождения клиента и в день рождения компании. + + + + +
Источник: составлено авторами по разработанным ими рекомендациям.
заключение
В работе была построена сегментация клиентов на основе МБ.БМ-анализа с применением кластерного подхода. Полученные результаты были сопоставлены с классификацией, приведенной в работах В. Рейнарца и В. Кумара, и представлены в виде матрицы выбора стратегии лояльности. На основе данного исследования разработаны адресные программы лояльности для каждого сегмента клиентов, учитывающие типы покупательского поведения и уровень лояльности. Среди потребителей услуг анализируемой транспортно-логистической компании было выделено пять клиентских групп, для каждой из которых были даны рекомендации. Внедрение разработанных программ лояльности позволило повысить доходы компании и улучшить отношение клиентов. Благодаря программе «Выделенный маршрут» в компании увеличилось количество обращений крупных предприятий, работающих с одними и теми же городами на протяжении длительного периода. Разработанная методика анализа является универсальной, но в дальнейшем может быть проверена на других компаниях, рынках и отраслях.
ИСТОЧНИКИ:
1. Барышев А.Ф. Маркетинг. / Учебник. - 2 изд., стер. - М.: ИЦ «Академия», 2002. - 208 с.
2. Герия И.А. Программы лояльности и оценка их эффективности // Управление и
экономика в XXI веке. - 2015. - № 1. - с. 47-52.
3. Голубков Е.П. Маркетинговые исследования: теория, методология и практика. - М.:
Финпресс, 2005. - 464 с.
4. Джинджодия О.А. Программа лояльности как метод обеспечения финансовой устойчивости малого предпринимательства // ФЭС: Финансы. Экономика. Стратегия. - 2011. - № 3. - с. 67-70.
5. Дымшиц M.H. Потребительская лояльность: механизмы повторной покупки. - М.:
Вершина, 2007. - 289 с.
6. Котлер Ф. Маркетинг менеджмент. - СПб: Питер, 2006. - 464 с.
7. Котлер Ф. Маркетинг от А до Я. / Пер. с англ. под ред. Т. Р. Тэор. - СПб: ИД «Нева»,
2003. - 224 с.
8. Факторный, дискриминантный и кластерный анализ / Ч.У. Мьюллер, У.Р. Клекка,
Дж.О. Ким [и др.]; пер. с англ. А.М. Хотинский, С.Б. Королева. - М.: Финансы и статистика, 1989. - 216 с
9. Рейтинг транспортных компаний РоссТрансЭкспедиция [Электронный ресурс] //
Rosstrans.ru. - URL: http://rosstrans.ru/rejting-transportnyh-kompanij/ (дата обращения: 09.09.2017)
10. Сегментация клиентов при помощи RFM-анализа [Электронный ресурс] // Crosssellguide.com. - URL: https://crosssellguide.com/rfm-segmentatsiya-poshagovaya-instruktsiya-how-to/ (дата обращения: 11.10.2017)
11. Словарь основных маркетинговых терминов [Электронный ресурс]. - URL: http:// glossostav.ru/ (дата обращения: 10.09.2017)
12. Сысоева С., Нейман А. Насильно мил не будешь, или что такое лояльность покупателей // Маркетолог. - 2004. - № 2. - с. 32-35.
13. Титова Н.А., Щеколдин В.Ю. Разработка адресных маркетинговых стратегий на основе модифицированного RFM-анализа // Практический маркетинг. - 2015. -№ 4. - с. 8-16.
14. Фасхиев Х.А. Удовлетворенность потребителей и ее оценка // Маркетинг в России и за рубежом. - 2012. - № 2. - с. 28-37.
15. Хьюз А. М. Маркетинг на основе баз данных. / Пер. с англ. В. Баранова. - М.: Гребенников, 2008. - 448 с.
16. Цой М.Е., Щеколдин В.Ю. Применение кластерного анализа для сегментации детской и подростковой аудитории при посещении торгового центра // Российско-корейская научная конференция: Сборник материалов нуачной конференции. Новосибирск, 2013. - с. 136-140.
17. Цой М.Е., Щеколдин В.Ю. RFM-analysis as a tool for high-te^ produis' œnsumers' segmentation // Актуальные проблемы электронного приборостроения (АПЭП–2016): Сборник трудов 13 международной научно-технической конференции. В 12 т. Т. 11. Новосибирск, 2016. - с. 177-181.
18. Щеколдин В.Ю. Выявление потребителей услуг интернет-магазинов на основе АВС-модификации факторного анализа. Ч. 2. - Красноярск: Издательство КГАУ, 2011. - С. 186-192
19. Щеколдин В.Ю. Логистика. - Новосибирск: Издательство НГТУ, 2013. - 54 с.
20. Щеколдин В.Ю., Долгих И.В. Применение концепции ABC при использовании факторного анализа в задаче оценки персонификации бренда // Логистика – евразийский мост: Сборник материалов 11 международной научно-практической конференции. Ч. 1. Красноярск , 2016. - с. 373-377.
21. Miglautsch J. R. Application of RFM principles: What to do with 1-1-1 customers? // The Journal of Database Marketing. - 2002. - № 4. - p. 319-324.
22. Reinartz W., Kumar V. The Mismanaging of Customer Loyalty // Harvard Business Review. - 2002. - P. 88
23. The Loyalty Guide. Volume II. - Wise Research Ltd, 2005
REFERENCES:
Baryshev A.F. (2002). Marketing [Marketing] Moscow: ITs «Akademiya». (in Russian). Dymshits M.H. (2007). Potrebitelskaya loyalnost: mekhanizmy povtornoy pokupki [Consumer loyalty: repurchase mechanisms] Moscow: Vershina. (in Russian).
Dzhindzhodiya O.A. (2011). Programma loyalnosti kak metod obespecheniya finansovoy ustoychivosti malogo predprinimatelstva [Loyalty program as a method for ensuring financial sustainability of small business].FES: Finansy. Ekonomika. Strategiya. (3). 67-70. (in Russian). Faskhiev Kh.A. (2012). Udovletvorennost potrebiteley i ee otsenka [Customer satisfaction and its assessment].Journal of Marketing in Russia and Abroad. (2). 28-37. (in Russian).
Geriya I.A. (2015). Programmy loyalnosti i otsenka ikh effektivnosti [Loyalty programs and assessment of their effectiveness]. Upravlenie i ekonomika v XXI veke. (1). 4752. (in Russian).
Golubkov E.P. (2005). Marketingovye issledovaniya: teoriya, metodologiya i praktika [Marketing research: theory, methodology and practice] Moscow: Finpress. (in Russian).
Khyuz A. M. (2008). Marketing na osnove baz dannyh [Database marketing] Moscow:
Grebennikov. (in Russian). Kotler F. (2003). Marketing ot A do Ya [Marketing Insights from A to Z: 80 Concepts
Every Manager Needs to Know] Saint Petersburg: ID «Neva». (in Russian). Kotler F. (2006). Marketing menedzhment [Marketing management] Saint Petersburg: Piter. (in Russian).
Miglautsch J. R. (2002). Application of RFM principles: What to do with 1-1-1
customers? The Journal of Database Marketing. 9 (4). 319-324. Shchekoldin V.Yu. (2013). Logistika [Logistics] Novosibirsk: Izdatelstvo NGTU. (in Russian).
Shchekoldin V.Yu., Dolgikh I.V. (2016). Primenenie kontseptsii ABC pri ispolzovanii faktornogo analiza v zadache otsenki personifikatsii brenda [Application of the ABC concept during application of factor analysis in assessment of brand personification] Logistics - the Eurasian bridge. 373-377. (in Russian).
Sysoeva S., Neyman A. (2004). Nasilno mil ne budesh, ili chto takoe loyalnost pokupateley [You can't force someone to love,or what is customer loyalty]. Marketolog. (2). 32-35. (in Russian).
Titova N.A., Shchekoldin V.Yu. (2015). Razrabotka adresnyh marketingovyh strategiy na osnove modifitsirovannogo RFM-analiza [Development of targeted marketing strategies on the basis of modified RFM-analysis]. Practical Marketing. (4). 8-16. (in Russian).
Tsoy M.E., Shchekoldin V.Yu. (2013). Primenenie klasternogo analiza dlya segmentatsii detskoy i podrostkovoy auditorii pri poseschenii torgovogo tsentra [Application of cluster analysis for the segmentation of children and teenager audience when visiting a shopping center] Russian-Korean Science Conference. 136-140. (in Russian).
Tsoy M.E., Shchekoldin V.Yu. (2016). RFM-analysis as a tool for high-tech products' consumers' segmentation[RFM-analysis as a tool for high-tech products' consumers' segmentation] "Actual Problems of Electronic Devices Engineering" (APEDE 2012). 177-181. (in Russian).
