Динамическая модель управления клиентской базой компании на основе марковских цепей тема диссертации по экономике, полный текст автореферата

Автореферат диссертации по теме "Динамическая модель управления клиентской базой компании на основе марковских цепей"

На правах рукописи

Андреева Анна Викторовна

Динамическая модель управления клиентской базой компании на основе марковских цепей

Специальность 08.00.13 - Математические и инструментальные методы

экономики

Автореферат диссертации на соискание ученой степени кандидата экономических наук

15 дег т

Москва-2013

с/'

005532070

Работа выполнена в федеральном государственном автономном учреждении высшего профессионального образования «Национальный исследовательский университет «Высшая школа экономики»

Научный руководитель: кандидат экономических наук, доцент

Богданова Татьяна Кирилловна

Официальные оппоненты: доктор экономических наук, профессор

заведующий кафедрой математики

Государственного университета управления

Лебедев Валерий Викторович

кандидат экономических наук

ведущий научный сотрудник лаборатории прогнозирования финансовых ресурсов Института народнохозяйственного прогнозирования

Российской академии наук

Моисеев Антон Кириллович

Ведущая организация: Центральный экономико-математический институт

Российской академии наук

Защита состоится «26» сентября 2013 года в 14.00 на заседании диссертационного совета Д 212.048.02 в Национальном исследовательском университете "Высшая школа экономики" по адресу: 101000, г. Москва, ул. Мясницкая, д.20, ауд. 309.

С диссертацией можно ознакомиться в библиотеке Национального исследовательского университета "Высшая школа экономики".

Автореферат разослан июля 2013 года

Ученый секретарь диссертационного совета,

д.эл., профессор ' Нестерова Дарья Владимировна

1. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования

В современной экономической ситуации, характеризующейся возрастающим уровнем конкуренции, как среди российских компаний, так и с зарубежными предприятиями, а также высокой волатильностью покупательских предпочтений, компании вынуждены искать новые способы эффективного управления. В последние годы наблюдается тенденция перехода компаний от массового обезличенного производства Форда к клиентоориентированному ведению бизнеса, направленному на понимание потребностей своих клиентов и повышение эффективности работы с ними.

Переход к клиентоориентированному ведению бизнеса позволяет компании повысить свою прибыльность за счет увеличения доходов от существующей клиентской базы, а также снижения операционных расходов на привлечение новых клиентов и оптимизации затрат на закупку и хранение товаров. В свою очередь, такой подход требует реорганизации бизнес-процессов компании с ориентацией на клиента, а не на продукт, и разработку новых показателей оценки эффективности деятельности.

Западные компании обратили внимание на лояльность своих клиентов и, начиная с 60-х годов XX века, предприняли шаги по разработке методик оценки эффективности работы с клиентами. В российской практике данное направление развития стратегии компаний получило только в конце 90-х годов XX века.

На текущий момент разработан ряд отдельных показателей, 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,

з

связанных с управлением клиентской базой, и гибко настраивать инструменты управления клиентами.

Степень научной проработанности проблемы

В настоящий момент 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.

Модели управления на основе показателя лояльности клиентов представлены в работах Ж.-Ж. Ламбена (1996), Д. Аакера (1991). Среди российских авторов данная проблематика рассматривается в исследованиях А.В. Цысарь (2002), М.А. Добровидовой (2003), А.П. Карасева (2008). Указанный подход успешно применяется во многих российских и зарубежных компаниях за счет простоты расчета и возможности быстрой интерпретации полученных результатов. Но, в свою очередь, это накладывает ряд ограничений. Во-первых, большинство подходов к оценке показателя лояльности клиентов носят качественный характер и получены в результате опросов клиента. Исключение составляют методы оценки лояльности через количество повторных покупок и доли покупаемых товаров/услуг в общем числе покупок клиента («доля кошелька» клиента). Во-вторых, показатель лояльности не учитывает затраты компании на привлечение и обслуживание клиентов, т.е. не определяет чистую доходность клиентской базы компании. В-третьих, показатель лояльности отражает текущее состояние клиентской базы и не позволяет прогнозировать будущее покупательское поведение.

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 (P.Berger, N. Nasr, 1998), Ф.Райчхелда (F. Reichheld, 1996), П.Фадера и Б.Харди (P.Fader., В. Hardi, 2009), Э. Малтхауса и Р. Блатберга (Е. Malthhouse, R. Blattberg, 2005), Д. Шмитляйна, Д Моррисона и Р. Коломбо (D. Shmittlein,

4

D. Morrisson, R. Colombo, 1987), Ф. Пфайера и P. Кэрравея (P.Pfeifer, R. Carraway, 2000). 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.

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

Теоретические основы моделей управления клиентской базой компании отражены в работах зарубежных и отечественных ученых. Среди многих следует назвать: O.A. Третьяк, К.Л.Ли (K.L.Lee), Я.Хофмайер (J.Hofmeyr), Б.Райс (B.Rice), Л.Берри (L.Berry), Дж.Дейтон (J.Deighton), ГЛинофф (G.Linoff), Р.Двайер (R.F. Dwyer), Дж.Дипак (J.Dipak), С.Сидтаарта (S. Siddhartha), Дж.Барнетт (J.Burnett), С.Мориарти (S.Moriarty), Ф.Котлер (Ph. Kotler), Х.Дриз (X. Dreze), А.Бонфре (A. Bonfrer), В.Кумар (V. Kumar) и др.

Объект исследования - клиентская база компании, предоставляющая услуги физическим лицам.

Предмет исследования - 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;

• выявить факторы, влияющие на динамику поведенческих 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 оптимальный план проведения мероприятий по управлению 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 статистике и эконометрического моделирования. Информационная база исследования

В качестве информационной базы исследования были взяты 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 клиентов из числа оформивших специальную карту лояльности в момент первой покупки и предъявивших ее в момент последующих покупок.

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 покупательское поведение групп 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.

Апробация результатов исследования

Результаты исследования были представлены и получили положительные отзывы на научных семинарах и конференциях:

1. Научный семинар «Информационная бизнес-аналитика», НИУ ВШЭ, Москва, 2011, 2012 и 2013 гт.

2. Научно-методический семинар факультета "Бизнес-информатика", НИУ ВШЭ, Москва, 2012 г.

3. Ежегодная студенческая научно-практическая конференция «Информационные технологии в экономике, бизнесе, управлении», НИУ ВШЭ, Москва, 2010 и 2011 гг. Доклад 2010 года отмечен грамотой за лучшее выступление в своей секции.

4. Конференция «Большие Данные и трансформация бизнеса» (Data Science Summit Russia 2012), секция «Как работают Большие Данные. Примеры из российской практики», НИУ ВШЭ, Москва, 2012г.

5. Двенадцатый всероссийский симпозиум "Стратегическое планирование и развитие предприятий", ЦЭМИ РАН, Москва, 2011г.

6. Четырнадцатый всероссийский симпозиум "Стратегическое планирование и развитие предприятий", ЦЭМИ РАН, Москва, 2013 г. Доклад отмечен дипломом победителя как лучший доклад в своей секции.

7. Второй Российский экономический конгресс, г. Суздаль, 2013г. Доклад отмечен дипломом победителя как лучший доклад в своей секции.

Структура диссертационного исследования

Диссертационное исследование составляют введение, три главы, заключение, список использованной литературы и приложения. 2. ОСНОВНЫЕ ПОЛОЖЕНИЯ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Основным результатом работы является разработка подхода к оптимизации управления клиентской базой компании на основе комплексной динамической модели с использованием марковских цепей и учитывающей влияние маркетинговых мероприятий на поведение кластеров клиентов.

Во введении обосновывается актуальность диссертационного исследования, сформулированы цель, задачи, объект и предмет исследования, раскрыта научная новизна и содержание основных результатов, а также их теоретическая и практическая значимость.

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.

В рамках первого направления на основе показателя лояльности клиента проанализированы ключевые подходы к определению лояльности и методам ее оценки.

Согласно общепризнанному определению лояльными являются те потребители, которые положительно относятся к деятельности компании, предлагаемым ею продуктам и услугам, её персоналу и т.д. Один из ведущих специалистов в области бренд - менеджмента профессор Д. Аакер определяет лояльность как «меру приверженности потребителя бренду». Я. Хомфри и Б. Райе, в свою очередь, выделяют три типа лояльности: приверженность, поведенческая лояльность и смешанный тип.

В зависимости от типа лояльности выделяют несколько подходов для оценки показателя лояльности каждого клиента. Поведенческая лояльность характеризуется количеством повторных покупок (Ф. Райчхелд, П.Фадер, Б.Харди и К.Л. Ли) и долей кошелька клиента (Д. Аакер, Я.Хофмейр и Б.Райс).

Приверженность оценивается расчетом балльного показателя лояльности клиента к компании на основе проведенных опросов клиентов. К таким моделям относятся конверсионная модель (Я.Хофмейр и Б.Райс), методика Ламбена для оценки степени удовлетворенности клиента (Ж.-Ж. Ламбен) и методика вЕЯУриАЬ для оценки степени удовлетворенности качеством обслуживания (А.Парасураман, В.Зайтхамл, Л.Берри). Область применения данных оценок - анализ текущего состояния клиентской базы. Однако данные показатели не позволяют прогнозировать состояние клиентской базы на

9

будущем интервале времени, поэтому не могут быть использованы для разработки долгосрочной стратегии предприятия.

Таким образом, анализ моделей управления клиентской базой, построенных на основе показателя лояльности, выявил следующие ограничения по их применению:

1. Расчет на основе ретроспективных данных не позволяет строить прогнозы на долгосрочном интервале времени.

2. Не учитываются затраты компании на привлечение и обслуживание клиентов.

Для преодоления ограничений моделей, базирующихся на основе показателя лояльности клиентов, рассмотренных выше, используется показатель долгосрочной стоимости клиента (CLV - customer lifetime value).

Долгосрочная стоимость клиентов определяется как совокупность чистого дохода, ожидаемого от клиента в будущем (П.Бергер, Н.Наср).

Выделяют несколько групп моделей управления клиентской базой на основе показателя CLV:

1. Регрессионные модели (М.Берри и Г.Линофф, Э.Малтхаус и Р.Блатберг), в которых задача управления клиентской базой сводится к задаче определения клиентов, обладающих максимальной CLV, с целью их последующего поощрения за лояльное поведение. К ограничениям данной модели относят, в первую очередь, высокую чувствительность к исходным данным и отсутствие инструментов управления со стороны компании, т.е. не рассматривается зависимость CLV от маркетинговой активности предприятия.

2. Вероятностные модели: NBD - модель (Negative Binomial Distribution - отрицательное биномиальное распределение) (А. Эхренберг, Д.Шмитляйн, Д.Моррисон и Р.Коломбо), Парето/ЫВБ-модель (П.Фадер, Б.Харди и К.Л.Ли). Основная задача управления заключается в определении вероятности совершения клиентом покупки в следующий период времени с учетом истории его транзакций в прошлом. Ограничениями использования

вероятностных моделей являются сложность оценки параметров модели и чувствительность к исходным данным.

3. Модели марковских цепей (Ф. Пфайер, Р.Карравей)

В своей работе Ф. Пфайер и Р.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

Маркетинговые службы компании взаимодействуют с клиентом для стимулирования покупательской активности. При этом компания несет расходы на данные коммуникации в размере г. Таким образом, модель оценки параметра (XV за время Т имеет следующий вид:

где Р — матрица ру вероятностей того, что давность покупки клиента в момент I равна 3 при условии, что в начале периода давность покупок равнялась Я -вектор, характеризующий величину маркетинговых расходов (т{) на клиента в зависимости от показателя давности покупок клиента; Т - величина интервала времени, за который рассчитывается показатель долгосрочной стоимости клиента; <1 - коэффициент дисконтирования.

В качестве предложенного инструмента оптимизации расходов в модели предполагается сократить расходы на маркетинг в случае нахождения клиента в

г

(1)

определенном состоянии. Тем самым, вырабатывается оптимальная стратегия взаимодействия с клиентом в зависимости от текущего состояния клиента. Т.е. оптимизация расходов на клиента осуществляется за счет изменения вектора К.

Таким образом, анализ моделей управления клиентской базой, построенных на основе показателя долгосрочной стоимости клиента, выявил следующие ограничения по их применению:

1. Задача управления решается для каждого клиента в отдельности, а не для группы клиентов.

2. Модель покупательского поведения зависит только от величины маркетинговых расходов. Не учитывается профиль клиента и влияние способа коммуникаций с клиентом.

Во второй главе рассмотрен 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.

Разработка комплексной динамической модели управления группами клиентами состоит из следующих этапов.

Этап 1. Кластеризация клиентской базы. Клиентская база компании не является однородной и представляет собой непересекающиеся между собой кластеры. Каждый кластер характеризуется рядом показателей: доходами, получаемыми от клиентов, расходами на привлечение и удержание клиентов, временем взаимодействия клиента с компанией, показателем давности покупок, категорией покупаемых товаров.

Этап 2. Моделирование потока перемещения клиентов внутри клиентской базы как марковской цепи. Для моделирования процессов перемещения клиентов внутри клиентской базы были введены следующие предположения: • клиентская база компании динамически обновляется за счет постоянного

притока новых клиентов и выбытия клиентов, зарегистрированных в базе

ранее;

• каждый новый клиент в зависимости от его характеристик автоматически попадает в один из выделенных на этапе 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 К+1-го состояния. Состояния с 1 по К 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 К+1 характеризует 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. 2).

Рисунок 2. Перемещения клиентов внутри клиентской базы

Порядок полученной марковской цепи определяется в зависимости от характера влияния предыстории взаимоотношений клиента и компании на будущее поведение клиента (рис. 3), которое может быть:

Внешний мир

• Невыявленное, т.е. прошлый опыт общения с компанией 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 некотором ограниченном временном интервале. При этом полученный опыт может иметь как негативный, так и позитивный характер.

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

Возможные варианты показаны на рис. 3 а; б; с.

Рисунок 3. Влияние предыстории взаимоотношений клиента и компании на будущее поведение клиента

В случае невыявленного характера влияния предыстории 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 я-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 только 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.

Этап 3. Разработка модели прогнозирования численности клиентской базы компании по кластерам. Для аналитического представления динамики изменения численности клиентской базы компании может быть использована модель движения кадров Староверова О.В.. В этом случае модель прогнозирования численности кластеров клиентской базы имеет следующий вид:

= И'-' - К ■ ЛГ7 + Рт ■ К ■ + (с2 - с,) (2)

где: 7/ - численность кластеров в момент времени / (вектор); .— численность кластеров в момент времени 1-1 (вектор); Я = матрица интенсивностей выходов клиентов из кластера г, где 5у - символ Кронекера; Рт = {р„} -транспонированная матрица вероятности нахождения индивида из кластера г в кластере У; / - интервал времени, за который производится расчет численности кластеров; с, и с2 - вектора выбытия и прибытия клиентов соответственно.

Для оценки параметров модели используется матрица привлечения и потери клиентов (таблица 1), где на пересечении указано количество клиентов, перешедших из кластера 1 в кластер

Таблица 1. Матрица привлечения и потери клиентов

Кластер 1 Кластер 2 Кластер 3 Кластер К Кластер К+1

Кластер 1 Х]| Х|2 Хц Х.1 Си

Кластер 2 хм Хя Хзк С.2

Кластер 3 Хз| *32 XI) Хэк Си

Кластер К Хц Хи хи хкк С|к

Кластер К+1 (внешний мир) С21 Си Сн С!к '

Интенсивность перехода клиентов из кластера 1 в кластер j () определяется как отношение количества клиентов, перешедших из кластера I в кластер ] к численности кластера на момент выхода клиентов, и рассчитывается

по формуле ау ~ Ху / (3). Тогда интенсивность выхода клиентов из

/ /=1

кластера /' (г^ представляет собой сумму всех переходов из кластера 1 в другие к

кластеры, т.е. / / ,н а (4). Вероятность нахождения индивида из

м

_аи

кластера / в кластере _/ рассчитывается как Рд " (5). Таким образом,

Г1

используя матрицу привлечения и потери клиентов, можно оценить значения показателей К и Р в модели прогнозирования численности клиентской базы.

Этап 4. Моделирование доходов от кластеров клиентов. Доходы, полученные компанией от клиента за период времени можно рассчитать как произведение частоты совершения покупок на размер среднего чека и количество клиентов в кластере, дисконтированные на начальный момент

времени. Формула для расчета доходов имеет вид:

(6)>

/=1 у1 и

где: Вт - сумма дисконтированного дохода от клиентской базы компании за период Т; Л^'- численность кластера; в момент времени V, -^' — средняя частота

покупок для кластера » в момент времени V, М',— величина среднего чека в кластере г в момент времени К - количество кластеров, полученных в результате кластеризации клиентской базы; V, - множитель дисконтирования в момент времени Л

Этап 5. Моделирование расходов от кластеров клиентов. Расходы, понесенные компанией на управление клиентской базой, можно отнести к двум категориям: расходы на привлечение новых клиентов и расходы на удержание

16

существующих клиентов и увеличение их лояльности. Можно выделить Ь факторов в момент времени 1, каждый из которых будет характеризовать набор

маркетинговых мероприятий с определенными параметрами - Ад ¡') где

/ е[1,Ь]. Фактор имеет свою стоимость 2{Ас1\). Тогда сумма расходов компании на управление клиентской базой равна совокупной стоимости факторов, характеризующих маркетинговые мероприятия компании, дисконтированные на начальный момент времени, имеет вид:

(7),

<=1 ^' V /=1

где: г{Ас1'1) - стоимость фактора Ас1'1г характеризующего набор маркетинговых мероприятий с определенными параметрами: тип маркетингового мероприятия, категория товара, регион проведения маркетингового мероприятия, размер скидки/бонусных баллов в момент времени 1; Ь - количество факторов, характеризующих набор маркетинговых мероприятий с определенными характеристиками; V, - множитель дисконтирования в момент времени 1:.

С учетом уравнений (4) и (5) долгосрочную стоимость клиентской базы (СЬУкб) можно рассчитать по формуле:

СЬ7а=±М±ЩР1М\ -¿ФЦ<)] (8)

1=1V '=/ ы )

Перераспределение клиентов между кластерами 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:

1. внешнее воздействие рынка;

2. внутреннее воздействие маркетинговых мероприятий компании;

3. изменение собственных потребностей клиентов вне зависимости от внешнего мира.

Модель, отражающая влияние рассмотренных выше факторов на интенсивность перехода из кластера 1 в кластер j (<%), имеет вид:

где: 1п11{А<Л[',...',А<1'1) — функция, отражающая зависимость интенсивности переходов из кластера 1 в кластер 3 от маркетинговых мероприятий компании;

— факторы, характеризующие набор маркетинговых мероприятий с определенными параметрами: тип маркетингового мероприятия, категория товара, регион проведения маркетингового мероприятия, размер

скидки/бонусных баллов в момент времени I; Ех'д - функция, отражающая влияние рынка на переход клиентов из кластера 1 в кластер ] в момент времени I; ^ - функция, характеризующая межкластерные перемещения из кластера 1 в кластер ] в момент времени I, обусловленные только изменением собственных потребностей клиентов вне зависимости от внешнего мира.

Влияние проводимых маркетинговых мероприятий на частоту покупок Р,' и величину среднего чека Л/,' можно представить следующим образом:

$=/¿М.-'-.-АОт М\^т,{А<1[;...;М,д{ 11)

где: у; - функция, характеризующая зависимость частоты покупок кластера 1 от маркетинговых инициатив компании; т, - функция, характеризующая зависимость среднего чека кластера I от маркетинговых мероприятий

компании; Ас1\ _ фактор, характеризующий набор маркетинговых

мероприятий с определенными параметрами в момент времени I.

Этап б. Модель оптимального управления клиентской базой компании.

Критерий оптимального управления клиентской базой - максимизация

показателя долгосрочной стоимости (СЬУ) клиентской базы компании за

18

интервал времени Т при наличии бюджетного ограничения на совокупные затраты на маркетинговые мероприятия компании.

Математически задача управления клиентской базой может бьггь представлена следующей системой уравнений: г г / к л

•4 I X * •» т/ V11 1 , , 1 К

—» тах

(12)

ь

Х- хад-Е^')

.м

где: Лг,'- численность кластера I в момент времени I; Р/ - средняя частота

покупок для кластера 1 в момент времени I; М\ - средний чек в кластере 1 в

момент времени 1; АА\ . фактор, характеризующий набор маркетинговых мероприятий с определенными параметрами в момент времени I, имеющий

стоимость ¿(Ас!',); В1 - размер бюджета на маркетинговые мероприятия в момент времени I.

Величина параметров N1, Г/ г М\ зависит от проводимых

маркетинговых мероприятий М\ согласно формулам (2), (10) и (11) соответственно.

Решением данной задачи оптимального управления будет являться такой набор факторов, определяемых маркетинговыми мероприятиями,

Ас!1;...;АЫ1 в каждый момент времени I е [1,7], при котором будет достигаться максимум долгосрочной стоимости клиентской базы.

В третьей главе рассматривается практическое применение предложенной выше модели на примере управления клиентской базой компании сектора розничной торговли по региону Казань. Из имеющейся на начало исследования базы, состоящей из 220 292 уникальных клиентов, после проведения валидации исходных данных и удаления аномальных и некорректных значений для исследования была использована выборка

19

в 181 927 клиентов. В результате кластеризации клиентской базы было

выделено 6 кластеров (рис. 4).

Характеристика выявленных кластеров.

• «Рядовые покупатели» (кластер 1): число наблюдений 59 518, или 32,7% от всей клиентской базы. Клиенты, которые приобретают в компании профильные товары и услуги - покупка сотовых телефонов недорогих (бюджетных) моделей, аксессуаров к ним.

• «Плательщики» (кластер 2): число наблюдений 11 198, или 6,2% от всей клиентской базы. Клиенты, имеющие высокую частоту пользования услугами по приему платежей в адрес различных поставщиков услуг.

• «Средний класс» (кластер 3): число наблюдений 2 382, или 1,3% от всей клиентской базы. Клиенты, приобретающие дорогие модели сотовых телефонов, а также активно пользующиеся финансовыми услугами компании: денежные переводы, погашение кредитов, страхование.

• «Приверженцы» (кластер 4): число наблюдений 1 384, или 0,8% от всей клиентской базы. Клиенты, которые пользуются двумя услугами компании: покупка телефонов и финансовые услуги (погашение кредита, денежные переводы).

• «Спящие» (кластер 5): число наблюдений 36 686, или 38,9% от всей клиентской базы. Клиенты, обращающиеся в компанию преимущественно за финансовыми услугами - денежный перевод, погашение кредита, страховые услуги.

• «Случайные прохожие» (кластер 6, без повторных покупок): число наблюдений 70 759, или 39% от всей клиентской базы. Клиенты, совершившие за рассматриваемый период только 1 покупку. Поэтому при анализе динамики перемещения клиентов между кластерами этот кластер нецелесообразно рассматривать как отдельное состояние марковской цепи.

Плательщики 6,2%

Рисунок 4. Кластеризация клиентской базы компании

Каждый новый клиент в соответствии с величиной суммы совершенной покупки попадает в один из 5 сформированных ранее кластеров. Если в течение 23 месяцев он не совершил повторной покупки, фиксируется его автоматическое выбытие из данного кластера.

Для анализа динамики изменения численности клиентских кластеров на интервале с 11.2007 по 03.2012 (53 месяца) были определены параметры покупательского поведения клиентов в каждый рассматриваемый период времени, составлены матрицы переходов клиентов между кластерами и получены временные ряды интенсивностей переходов между кластерами (53 наблюдения), скорректирована схема потоков внутри клиентской базы (рис. 5).

Поток клиентов из кластера 1 в кластер j

Поток клиентов из кластера 1 в кластер) (менее 1%)

Поток новых клиентов Выбытие клиентов

Рисунок 5. Скорректированная схема потоков между кластерами

Маркетинговые мероприятия компании, использующиеся для управления клиентской базой, характеризуются 25 параметрами (таблица 2), отражающими типы проводимых маркетинговых мероприятий, размер начисления бонусных баллов, регион проведения маркетинговых мероприятий и категории товаров. В

21

результате факторного анализа методом главных компонент и последующим ортогональным вращением варимакс данных параметров с использованием пакета IBM SPSS Statistics было выделено 9 факторов (таблица 2).

Таблица 2. Матрица повернутых компонент

N Название параметра, о. а. п. а. о. а а. си а

характеризующего маркетинговые мероприятия я е м © « е В* « © 5 >л я © й 43 я © я © Ё 00 я © £ о\ а ©

1 Регион проведения = РФ -.245 -.074 -.052 -.041 .620 -.066 .307 .531 -.190

2 Регион проведения = Казань .443 .422 .230 .445 -.016 .492 -.043 .045 .294

3 Регион проведения = интернет - магазин .902 .118 -.118 .036 -.050 -.178 .038 -.151 -.035

4 Тип = аддитивный .112 .625 .125 .300 .578 -.051 -.087 .237 .260

5 Тип = мультипликативный .118 .391 .109 .807 .034 -.016 .393 .008 .015

6 Тип = скидка .900 .143 .066 .030 -.235 .169 -.059 .106 -.038

7 Тип = специальная .247 .009 -.031 -.078 -.087 .881 -.029 -.054 .092

S Тип = подарок .485 -.267 .078 .047 .290 .394 .022 -.195 .493

9 Товарная категория = 1 (телефоны) .001 .158 .873 -.072 -.097 -.044 .155 -.166 -.067

10 Товарная категория = 2 (фото и видео) .078 -.160 .761 .255 .357 -.145 -.079 .164 .105

11 Товарная категория - 3 (ноутбуки) .439 .456 .005 .009 -.229 -.185 .516 .030 .337

12 Товарная категория = 4 (аксессуары) -.096 -.036 .820 .095 -.185 .215 -.009 .149 .229

13 Товарная категория = 5 (платежи) -.288 .299 .321 .321 -.043 .203 -.136 -.100 .683

14 Товарная категория = 6 (фин.услуги) -.014 .154 .031 -.001 .227 -.055 .071 .895 .004

15 Товарная категория = 7 (прочие товары) .612 -.149 -.486 .172 .106 .413 -.032 -.240 -.185

16 Товарная категория = все товары .691 .198 -.325 .352 .122 .373 -.088 -.010 .025

17 Начисление от 1000 до 10000 баллов .130 .818 -.068 .301 -.215 -.040 -.05! .195 .274

18 Начисление от 10000 до 25000 баллов -.036 .028 .594 .173 S19 -.059 -.158 -.125 .043

19 Начисление свыше 25000 баллов .025 -.140 -.093 -.044 .845 .012 .032 .193 .011

20 Коэффициент начисления баллов от 2 до 5 .189 .054 .071 .935 .025 -.022 -.150 -.045 .145

21 Коэффициент начисления баллов от 5 до 10 -.069 .039 .021 .039 .068 -.002 .937 .103 -.051

22 Коэффициент начисления баллов свыше 10 -.044 .841 .097 -.098 -.051 .011 .241 .001 -.233

23 Численность рассылки до ЗОООО -.275 -.352 .189 .477 .057 -.001 .222 .313 .498

24 Численность рассылки от 30001 до 60000 .809 .054 .160 .056 .167 .370 .025 .023 -.043

25 Численность рассылки свыше 60000 S11 .733 -.068 .219 .000 .142 -.068 -.056 .004

Полученные факторы содержательно можно отнести к трем группам:

• факторы, характеризующие специальные маркетинговые мероприятия по продвижению определенной категории товаров (номера 3, 6,7, 8 и 9);

• факторы, характеризующие маркетинговые мероприятия на продвижение покупок в выбранном канале продаж - интернет магазин или конкретный регион (номер 1 и 2 соответственно);

• факторы, характеризующие маркетинговые мероприятия по типу механики, не относящиеся к конкретной категории товаров - массовые мероприятия с небольшими бонусными начислениями и премиальные мероприятия с начислением 25000 бонусных баллов и выше (номера 4 и 5 соответственно).

С использованием пакета Е\,!еуге был проведен анализ зависимости интенсивности переходов, величины среднего чека и частоты покупок от выявленных факторов: построены диаграммы рассеяния, матрицы корреляции и кросс-коррелограммы для выявления временных лагов. В результате проведенного анализа было выявлено влияние внешних и внутренних факторов на интенсивность межкластерных перемещений клиентов и внутрикластерные показатели покупательского поведения (частота покупок, средний чек). Также определен характер межкластерных перемещений, не зависящих от проводимых маркетинговых мероприятий и влияния рынка. Внешнее воздействие рынка:

1. Изменение численности кластеров клиентов происходит за счет притока новых клиентов, а не межкластерных переходов.

2. С течением времени интенсивность притока новых клиентов в каждый кластер снижается.

3. Выявлены причины отрицательной динамики притока новых клиентов в период с 07.2008 по 10.2008г. (мировой финансовый кризис).

Внутреннее воздействие маркетинговых мероприятий компании:

1. Выявлено влияние проводимых компанией маркетинговых мероприятий на интенсивности перехода клиентов между кластерами, приток новых клиентов и выбытие существующих, а также на показатели покупательского поведения группы клиентов: средний чек и частота покупок.

2. Существует отложенное влияние проводимых маркетинговых мероприятий на исследуемые показатели (до 3 месяцев).

Межкластерные перемещения клиентов, обусловленные изменением собственных потребностей клиентов вне зависимости от внешнего мира:

1. На этапе формирования клиентской базы интенсивность переходов клиентов между кластерами высока.

2. С течением времени межкластерные перемещения клиентов, вызванные только изменением собственных потребностей клиентов, снижаются и стабилизируются на постоянном уровне.

На основе полученных данных построены линейные регрессионные модели зависимости частоты покупок, среднего чека и интенсивности межкластерных переходов клиентов от факторов, характеризующих маркетинговые мероприятия, с отложенным влиянием маркетинговых мероприятий на зависимые переменные. Было построено 23 модели: 5 моделей для прогнозирования частоты покупок внутри кластеров, 5 моделей для прогнозирования среднего чека клиентов внутри кластеров и 13 моделей для прогнозирования интенсивности межкластерных переходов клиентов.

Общий вид полученных ре1рессионных моделей для внутрикластерных показателей покупательского поведения, а также потока прихода новых и

9 з

выбытия старых клиентов имеет вид: К = Const + У^.У.С/ -Fac'^j (13), где Y,

/=1 J-о

— значение зависимой переменной в момент времени t, Cj - значение коэффициента регрессии для фактора i (максимум равен 9), взятого с лагом j

(максимум равен 3), Рас'^ - значение фактора /, смещенное от / на величину лага равного у.

Все коэффициенты полученных 23 моделей в большинстве своем высоко значимы (уровень значимости от 0,0001 до 0,0933). Показатели качества моделей: Я2 принимает значения от 0,39 до 0,96, при этом 18 моделей из 23 имеют показатель Я2 более 0,7, показатель Дарбина - Уотсона от 1,11 до 2,54.

Проведена проверка точности прогнозирования построенных моделей для расчета частоты покупок, среднего чека и численности клиентов по кластерам (15 моделей) на интервале с 03.2011 по 03.2012 (12 месяцев). Точность прогнозирования для величины среднего чека по кластерам находится в пределах от 72% до 95%, для частоты покупок по кластерам - от 68% до 99%, для численности кластеров клиентов - от 73% до 94%. При этом точность 10 из 15 моделей составляет более 85%.

Для ряда показателей полученные модели недооценивают динамику изменения параметра по сравнению с фактическими значениями, что может быть связано с появлением новых внешних факторов, которые ранее не оказывали влияния на интервале оценки параметров модели. Для устранения данного недостатка рекомендуется проводить регулярный анализ влияния внешних факторов на покупательское поведение кластеров клиентов и учет их при моделировании покупательского поведения.

На основе полученных моделей сформулирована следующая стратегия управления численностью выделенных клиентских кластеров:

• для привлечения новых клиентов наиболее эффективны маркетинговые мероприятия, направленные на продвижение наиболее популярных категорий товаров и услуг, предлагаемых компанией;

• для удержания клиентов необходимо осуществлять кросс-продажи

непрофильных товаров, финансовых услуг и покупок в интернет-магазине.

Информационно-логическая модель оптимального управления клиентской

базой компании на основе покупательского поведения групп клиентов

25

формализует предложенный подход для управления клиентской базой компании и последовательность решаемых задач и методов, используемых для их решения (рис.6).

Расчет ключевых показателей клиентской базы

Средний Частота Время Время

чек покупок "жизни" "сна"

У V ^ ^

¿-[^Х^/ -2г(А<Ц)1 тах

г-1 V, ы }

.1-1

_±_

Нахождение оптимального решения задачи управления клиентской базой

Рисунок 6. Информационно-логическая модель управления- клиентской базой компании на основе покупательского поведения групп клиентов

Для решения оптимизационной задачи разработана надстройка в пакете Microsoft Excel. Для поиска оптимального решения необходимо указать начальное значение количества клиентов в кластерах, интервал прогнозирования, величину ставки дисконтирования и бюджетного ограничения для каждого периода времени на интервале планирования.

С использованием данной надстройки было найдено оптимальное решение рассматриваемой задачи управления клиентской базой компании. Данное решение позволило увеличить расчетное значение долгосрочной стоимости клиентской базы на интервале прогнозирования с 03.2011 по 03.2012 (12 месяцев) с 5,28 до 6,35 млрд рублей, т.е. на 1,07 млрд рублей или на 20,3%.

Стратегия оптимального управления клиентской базой, согласно найденному решению, заключается в следующем:

1. Концентрация на проведении маркетинговых мероприятий по рассматриваемому региону - Казань (фактор 2).

2. Продвижение дополнительных товаров и услуг: ноутбуки, планшеты (фактор 7) и финансовые услуги (фактор 8).

3. Привлечение новых клиентов за счет проведения маркетинговых мероприятий на профильные товары компании (фактор 3).

4. Постепенное увеличение интенсивности проведения маркетинговых мероприятий с увеличенным начислением баллов (фактор 5).

3. РЕЗУЛЬТАТЫ И ВЫВОДЫ ИССЛЕДОВАНИЯ

В ходе проведённого исследования были получены следующие результаты:

1. Предложен подход к кластеризации клиентской базы компании на основе покупательского поведения групп клиентов, характеризующегося частотой покупок, средним чеком, общим временем взаимодействия клиента с компанией, давностью последней покупки.

2. Разработан комплекс динамических моделей для прогнозирования:

a. численности клиентской базы компании с использованием марковских цепей на основе адаптации модели движения кадров Староверова О.В.;

b. доходов компании и ее расходов на привлечение и удержание клиентов в разрезе кластеров клиентской базы.

3. Выявлены факторы, характеризующие эффективность маркетинговых мероприятий на изменение покупательской активности в разрезе кластеров клиентской базы.

4. Разработана модель зависимости характера внутрикластерного покупательского поведения и интенсивности перехода групп клиентов из одного кластера в другой от факторов, характеризующих эффективность маркетинговых мероприятий.

5. Решена задача оптимального управления клиентской базой компании на заданном интервале времени с учетом бюджетного ограничения на проведение маркетинговых мероприятий.

6. Апробирована динамическая модель управления клиентской базой компании розничной торговли на выборке из 181 927 клиентов за период с 10.2007 по 03.2012. Модель оценки динамики изменения показателей покупательского поведения показала высокую точность прогнозирования. Полученное решение задачи оптимизации управления клиентской базой компании позволило значительно увеличить долгосрочную стоимость клиентской базы компании на интервале 12 месяцев (на 20,3%).

4. СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

Работы, опубликованные автором в ведущих рецензируемых научных изданиях и журналах, рекомендованных ВАК Министерства образования и науки РФ:

1. Андреева A.B. Разработка модели прогнозирования численности клиентской базы компании// Аудит и финансовый анализ, 2011. - №6. - С.104-108. (0,6 п.л.)

2. Андреева A.B. Оптимальное управление клиентской базой на основе показателя долгосрочной стоимости клиента// Бизнес-информатика, 2012.-№4(22). - С.61-68. (0,58 п.л.)

Другие работы, опубликованные автором по теме диссертации:

3. Андреева A.B. Модель управления клиентской базой — новый шаг в развитии CRM?// Директор информационной службы (CIO.RU), 2010. -№ 03. -С.26-28. (0,4 п.л.)

4. Андреева A.B. Анализ существующих моделей управления клиентской базой и пути их развития// Материалы Двенадцатого всероссийского симпозиума, "Стратегическое планирование и развитие предприятий", секция 2, 12-13 апреля 2011. - С.13-14. (0,13 п.л.)

5. Андреева A.B. Управление клиентской базой компании через управление интенсивностью переходов клиентов между группами// Материалы четырнадцатого всероссийского симпозиума "Стратегическое планирование и развитие предприятий", секция 2, 9-10 апреля 2013. - С.9-12. (0,17 п.л.)

Лицензия ЛР № 020832 от «15» октября 1993 г. Подписано в печать «18» июля 2013 г. Формат 60x84/16 Бумага офсетная. Печать офсетная. Усл. печ. л. 1.

Тираж 100 экз. Заказ Типография издательства НИУ ВШЭ, 125319, г. Москва, Кочновский пр-д., д. 3.