Персонификация продуктов и услуг – современный рыночный тренд

Квадрант I представляет стратегию традиционного массового маркетинга, когда компания взаимодействует со всеми клиентами стандартно и обезличенно, предлагая всем одинаковые продукты или услуги. Основным конкурентным преимуществом таких компаний является низкая цена, которую обеспечивает экономия на масштабе. Квадрант II – это стратегия нишевого маркетинга. Выбравшие ее компании концентрируются на определенном специфичном сегменте клиентов, адаптируя свои продукты и услуги под его нужды. Однако маркетинговые коммуникации здесь не персонифицированы, они одинаковы для всех.

Квадрант III – электронный маркетинг. Эта стратегия позволяет снизить затраты на взаимодействие, для персонального обращения используются электронные каналы и данные о клиентах, но всем также предлагаются стандартные продукты. Квадрант IV представляет реально клиентоориентированную стратегию, когда различные клиенты обслуживаются по-разному, получая именно те продукты и услуги, в которых они действительно заинтересованы. Компания анализирует данные клиента и историю его обслуживания, на основе чего делается персонифицированное предложение, что увеличивает взаимную выгоду и позволяет ей продавать продукты и услуги по премиальной цене.

Разделяй и предлагай

Но в условиях крупной розничной компании или банка обеспечить 1:1 взаимодействие практически невозможно. Поэтому целесообразно сегментировать клиентов на группы, имеющие сходные потребительские характеристики. Существует огромное количество критериев сегментации, среди основных подходов можно выделить: сегментацию по социально-демографическим признакам и стадиям жизненного цикла клиента; поведенческую сегментацию; сегментацию, основанную на склонности к определенным действиям (propensity based); сегментацию по степени ценности клиента для компании.

Первый подход (социально-демографические признаки) объединяет в группы по схожести таких атрибутов, как, например, возраст, доход, семейное положение. Поведенческая сегментация основана на информации об используемых клиентами продуктах и условиях их применения. Сегментация, учитывающая склонность клиентов к определенным действиям, подразумевает группировку, например, по тенденции к оттоку или приобретению определенного продукта. Разделение по ценности клиентов основано на величине дохода, который они приносят банку. Это может быть текущий доход или доход, который клиент обеспечит банку за все время своего обслуживания (Client Lifetime Value). Различные типы сегментации могут комбинироваться. Так, например, при использовании сегментации по степени ценности может быть получен список 20% самых доходных клиентов. На его основе, применяя распределение по склонности, мы сформируем группу прибыльных клиентов, склонных к оттоку.

Для повышения эффективности сегментации мы рекомендуем применять технологии Data Mining.

Рис. 2. Ценность клиента, стратегия работы с ним и используемые модели

Они позволяют определять полезные с точки зрения взаимодействия с клиентами зависимости с помощью анализа больших объемов данных на основе использования статистических методов. Для сегментации характерны методы кластеризации, а для выявления склонности – методы классификации.

Те или иные бизнес-задачи могут быть решены с помощью применения разных методов сегментации, которые, в свою очередь, могут использовать те или иные модели Data Mining. На рис. 2 представлены модели, которые могут применяться для удержания прибыльных клиентов, склонных к оттоку, привлечения новых, а также развития бизнеса с существующими перспективными клиентами.

Для привлечения новых прибыльных клиентов могут использоваться модели, определяющие таковых на основе сходства определенных атрибутов потенциальных клиентов из внешнего списка и уже существующих прибыльных. Развитию бизнеса с перспективными клиентами могут помочь модели повторных и кросс-продаж. При разработке кампании кросс-продаж данные, полученные на основе маркетинговых исследований, могут быть проверены моделями Data Mining. На основе кластеризации формируются сегменты с заданными социально-демографическими или поведенческими атрибутами, а на основе моделей классификации проводится сегментация по их склонности к приобретению продвигаемого продукта.

Все описанные нами задачи автоматизируются на базе аналитического CRM, в основе которого лежат технологии хранилищ и витрин данных. Для проведения различных типов сегментации в аналитическом CRM должна накапливаться история по используемым клиентом продуктам, а также его взаимодействия с компанией, в том числе участия в маркетинговых акциях. После формирования целевого сегмента в операционном CRM настраивается маркетинговая кампания, определяются продуктовое предложение, каналы доставки, сценарии взаимодействия с клиентом, шаблоны рассылки и т.д. Функциональная схема решения приведена на рис. 3.

Рис. 3. Автоматизация директ-маркетинга

Таким образом, для автоматизации процессов директ-маркетинга используются как CRM-технологии, так и технологии хранилищ и витрин данных. Мы думаем, что именно архитектурная сложность является основным сдерживающим фактором их развития в российских компаниях. Хотя в последнее время мы наблюдаем ощутимый рост интереса к этим технологиям и считаем, что данная тенденция будет только усиливаться. Их правильное внедрение позволяет компаниям существенно увеличивать бизнес с существующими клиентами, повышать их удовлетворенность и, как следствие, лояльность к бренду.

Если вам необходима более детальная информация или интересна демонстрация описанных в статье возможностей на стендах, напишите запрос на адрес applications@jet.msk.su.

Экспертное мнение 

Константин Гончаренко, начальник отдела проектирования департамента прикладных финансовых систем компании «Инфосистемы Джет».

 

Как строится лояльность

 

Мы уже довольно давно реализуем проекты, связанные с лояльностью, используя Oracle Siebel CRM. И оказываем полный спектр услуг по этой тематике: разработку и развертывание программ лояльности (ПЛ) с нуля, автоматизацию и развитие существующих в компаниях программ, полный цикл их поддержки, включая инфраструктуру, и т.д.

 

Впервые мы столкнулись с тематикой лояльности в 2008 году, когда стартовал проект по поддержке ПЛ в «М.Видео». Эта компания стала одной из первых в России, кто автоматизировал свою программу лояльности при помощи Oracle Siebel CRM. «М.Видео» пошла по пути сокращения собственных ресурсов, направленных на обслуживание и поддержку инфраструктуры и ПО. И вот уже несколько лет на аутсорсинге нашего Сервисного центра находятся 2-я и 3-я линии поддержки и обслуживания, ответственные за обеспечение стабильного функционирования всей системы. Сотрудники «М.Видео» принимают лишь первичные обращения бизнес-пользователей, связанные с работой приложения. Все остальные задачи решаются специалистами нашей компании. Среди них – администрирование, мониторинг и поддержка системы управления программой лояльности, начиная с серверов и заканчивая операционными системами, базами данных и непосредственно приложением Oracle Siebel CRM. ПЛ в «М.Видео» непрерывно развивается, что приводит к обновлениям системы. Мы проводим их тестирование, установку и устраняем возникающие проблемы. За весь период работы в рамках поддержки системы было разрешено несколько тысяч инцидентов.

 

Еще один масштабный проект – это автоматизация программы лояльности, объединяющей несколько российских торговых и сервисных предприятий. Некоторое время назад управляющая компания этой ПЛ приняла решение о внедрении CRM-системы, предоставляющей широкие возможности для усовершенствования алгоритмов промо-акций, онлайн-интеграции с партнерами и т.д.

 

Мы начали внедрение решения весной 2012 года. Основной упор при этом шел на функционал загрузки данных, использование базовых промо-правил и интеграционных сервисов. Специалисты управляющей компании разрабатывали собственные, оптимальные для конкретной программы лояльности промо-правила на основе заложенных в системе, мы же проводили их обучение, а в дальнейшем принимали участие в тестировании и доработке.

 

Первые результаты появились в конце осени: в систему были загружены данные, и началось тестирование обработки транзакций созданными на тот момент промо-правилами. Одно из главных требований при внедрении подобных систем состоит в том, что новое решение должно обрабатывать данные аналогично функционирующему в данный момент в компании. Причем расхождения бывают практически всегда, в этом проекте они имели место потому, что новая система зачастую начисляла баллы более корректно, чем существующая. В конечном итоге эксперты нашей проектной команды обеспечили приемлемое соответствие показателей.

Также были проведены масштабные работы по оптимизации и повышению производительности решения. Наши специалисты определенным образом сконфигурировали модули системы – так, чтобы одни процессы не оказывали влияние на производительность других. Таким образом, «тяжелые» процессы (обработка транзакций, начисление баллов, маркетинговые рассылки) не влияют на общую доступность решения. Поэтому пользователи, работающие в системе, не увидят замедления отклика при совершении ими действий. В то же время не снижаются показатели работы интеграционных процессов, что также очень важно, т.к. они играют свою роль при использовании участником программы пластиковой карты.

 

На момент выхода журнала осуществлялся запуск системы в промышленную эксплуатацию. Компания получила в свое распоряжение новую систему, превосходящую по производительности предыдущее решение, с более широкими возможностями для развития и запасом по увеличению нагрузки.