Каждый может перечислить несколько сегментов клиентов высокого уровня, которые имеют отношение к его бизнесу. Всегда есть лояльные клиенты, клиенты, которые структурно ищут лучшие предложения, клиенты, которые долгое время не проявляли активности, и это лишь некоторые из них.
Хотя мы знаем, что эти клиенты существуют, мы не знаем, кто эти клиенты на индивидуальном уровне. Мы не знаем, кто наши постоянные клиенты, и, что более важно, мы не знаем, сколько сегментов клиентов высокого уровня существует для нашего бизнеса. Разумно используя данные, эти проблемы можно преодолеть, сочетая технику кластеризации с моделью RFM.
МОДЕЛЬ RFM
Модель RFM популярна в маркетинге для сегментации, поскольку это простой и эффективный подход к созданию сегментов на основе покупательского поведения (Ссылка). Для создания сегментов можно учитывать гораздо больше характеристик, но поскольку наша цель - создать сегменты высокого уровня, мы в первую очередь используем самый важный показатель для большинства предприятий: транзакции. Более подробно, данные о транзакциях, используемые в модели, состоят из следующих трех переменных:
- «Недавность» - количество дней с момента последней покупки
- “Частота” - общее количество покупок
- “Монетарный” - пожизненная ценность клиента (CLV). Это может быть просто общий оборот или более интересное определение
Эти необработанные значения RFM затрудняют создание сегментов, поскольку для всех трех переменных существует множество разных значений. Чтобы упростить задачу, каждому клиенту присваиваются баллы RFM. Это означает, что каждый клиент получает оценку «последности» от 1 до 5, где 5 - совсем недавно, а 1 - очень давно. Тот же принцип используется для двух других переменных (см. рисунок 1). Пороги для этих оценок RFM определяются с использованием алгоритма группирования, который позволяет создавать 5 групп, максимально равных. Более того, на этом этапе мы уже упростили возможность сегментации, но остается еще 125 (5x5x5) различных сегментов. Чтобы уменьшить это количество сегментов, мы применяем метод кластеризации, который создает меньше сегментов с использованием подхода, управляемого данными.
КЛАСТЕРИЗАЦИЯ
Мощным методом машинного обучения без присмотра является кластеризация, которая направлена на создание естественных существующих групп на основе схожих закономерностей в данных. Алгоритм создаст кластеры, сильно отличающиеся друг от друга с точки зрения покупательского поведения, но, с другой стороны, позаботится о том, чтобы люди в одном кластере были очень похожи. Мы, люди, не можем определить, сколько сегментов существует, когда мы сталкиваемся с большими наборами данных. К счастью, это можно определить на основе данных, используя метод локтя. Более подробно, метод локтя отображает разницу между кластерами (см. синюю линию на рисунке 2) и разницу внутри кластеров (см. красную линию на рисунке 2) и позволяет вам выбрать идеальное количество кластеров. В данном случае мы выбрали 7 как идеальное количество кластеров, поскольку синяя линия высокая, а красная линия низкая. Наконец, мы можем позволить алгоритму k-средних создать 7 кластеров и присвоить номер кластера каждому отдельному клиенту.
УГЛУБЛЕННЫЙ КЛАСТЕРНЫЙ АНАЛИЗ
Теперь мы создали 7 сегментов клиентов, которые существуют естественным образом. Нам нужно определить, к какому типу клиентов относится каждый номер кластера. Этот шаг влечет за собой объединение ваших бизнес-знаний, сегментов, которые, по вашему мнению, существуют, и интерпретацию данных для определения сегментов клиентов. Первый шаг - получить представление о размере каждого кластера, который легко получить из графика ниже.
Второй шаг - просмотреть медианный показатель RFM каждого кластера и определить, есть ли характеристики покупательского поведения, распознаваемые для известных вам сегментов.
Например, кластер 4 - это клиенты, которые совершали покупки совсем недавно, очень часто, имеют большой CLV и явно являются лояльными клиентами. Напротив, кластер 7 совершает покупки недавно, очень часто, но имеет очень отрицательную пожизненную ценность клиента, это гардеробщики (часто возвращают товар, отсюда и отрицательный CLV). Эти этапы интерпретации выполняются для всех номеров кластеров. Кроме того, определяется маркетинговое действие высокого уровня, соответствующее каждому сегменту клиентов и интегрированное в общую стратегию кластера. На рисунке 4 приведен пример вывода сегментов клиентов.
ОБНОВЛЕНИЕ СЕГМЕНТОВ КЛИЕНТОВ
Очевидно, что спящий клиент может стать вашим преданным защитником, если его воодушевят ваши кампании и он снова начнет покупать. Это изменение покупательского поведения напрямую влияет на сегмент, к которому принадлежит этот клиент, и поэтому его необходимо обновлять. Другими словами, новые покупки существующих клиентов и новых клиентов в целом необходимо отнести/переприсвоить соответствующему сегменту. Этот шаг имеет решающее значение, поскольку он поддерживает актуальность сегментов, которые вы используете для своей маркетинговой стратегии. Более подробно, мы управляем этим процессом обновления, еженедельно получая все новые транзакции из CRM и, следовательно, определяем, имеет ли каждый отдельный клиент правильную метку сегмента клиентов. Это определяется с помощью дерева классификации, которое обобщает условия покупательского поведения для каждого отдельного сегмента клиентов. Когда новые данные о покупательском поведении обрабатываются, все списки адресов электронной почты на рекламных платформах обновляются с использованием доступных API, чтобы исключить ручную работу.
Хотя это может показаться немного сложным, процесс относительно прост и удобен в обслуживании после настройки. И маркетинговая деятельность, которую вы проводите, становится намного более точной и персонализированной. Достаточно одного нажатия кнопки, чтобы выбрать всех ваших постоянных клиентов в Facebook/AdWords и дополнительно сегментировать их, чтобы создать еще более персонализированный контент и сообщения. Это как если бы ваш продавец за прилавком, который знает своих клиентов по имени, внезапно стал цифровым, знает всю вашу клиентскую базу и действует в соответствии с ней!