Русский | English




Новости

Статья на VC.ru: Убийцы и драйверы LTV: автоматически выявляем причины изменений и проверяем прогнозы воздействий по истории продаж

26.07.23
Долгосрочная доходность клиента (LifeTime Value, LTV, CLTV) — самый важный и сложный показатель, не зависящий от размеров бизнеса. Делимся кейсами влияния на LTV, по которым истек срок конфиденциальности.
Даже если отвлечься от важности самих доходов, прогноз LTV напрямую отражает перспективы долгосрочных отношений с имеющимися покупателями – а значит, их доверие, лояльность (и все их бонусы для привлечения вроде рекомендаций знакомым). К сожалению, по причине сложности, на операционном уровне его вытесняют краткосрочные метрики и долгосрочное выстраивание отношений с покупателями упускается из вида.

В идеале, нужно оперативно выявлять все причины изменения LTV, возможный результат влияния на которые существенно превышает расходы. Это может быть отказ от неподходящего ассортимента, разочаровывающего покупателей, устранение проблем с персоналом или логистикой, своевременные спецпредложения покупателям - например, пробники, нацеленные не на моментальную прибыль, а на долгосрочные отношения, и другие «управленческие воздействия».

Но как на практике измерять и повышать LTV, если:

Ограниченное время

Неизбежный естественный отток покупателей (переезд, смена работы, состава семьи и т.д.) снижает вклад отдаленных периодов в LTV.

Поэтому измерение LTV в группах воздействия и контроля хотя бы за несколько месяцев или недель – уже часто дает понимание, каким может быть полное долгосрочное изменение, хотя бы в оценке снизу.

Например, для сети АЗС мы проводили акцию с дополнительными бонусами на маржинальные товары – в тщательно подобранных поведенческих сегментах: сначала экспертно подбирались потенциальные новые потребители дорогого топлива, потом по результатам LifeStyle Segmentation по всем возможным поведенческим характеристикам обнаружил и исключил убыточные сегменты с негативным долгосрочным результатом – в т.ч. ночных таксистов - «бомбил» с канистрами и корпоративных клиентов, начислявших бонусы на личные карты.

На графике результатов видно и влияние внешних причин (провалы в гололед и сезонность), и естественный отток покупателей - как в стратифицированной контрольной группе, изначально однородной по важным показателям, так и в группе воздействия. А по суммарной разнице доходности между группами можно оценить полный финансовый результат в течение акции и после ее завершения.

Доходы по покупателям в группах воздействия и контроля понедельно до, во время и после акции. Разница между воздействием и контролем – влияние акции на LTV
Доходы по покупателям в группах воздействия и контроля понедельно до, во время и после акции. Разница между воздействием и контролем – влияние акции на LTV

Таким образом, за несколько недель или месяцев после воздействия можно хотя бы снизу оценить как LTV, так и его изменение – если была выделена достаточно большая и однородная контрольная группа.

Внешние причины

Часто результат хоть и изменяется одновременно с действиями сотрудников, но не зависит от них, а они вместе зависят от общей внешней причины. Например, продажи шампанского и мандаринов у одного клиента парадоксально росли одновременно с ценой, что аналитическая система моментально и обнаружила. Причина, конечно, была внешняя – в сезонном новогоднем спросе, от которого повышались и продажи, и цена. И несвоевременное повышение цен в другое время на основе примитивного анализа, естественно, только оттолкнуло бы покупателей.

Другой клиент был очень доволен повышением доходов АЗС при проведении промо-акции и собирался уже запускать ее на всю сеть, но вовремя обратил внимание на ремонт на соседней АЗС – что и было внешней причиной повышения доходов.

Поэтому если есть вероятность, что контрольная группа не однородна или ее нет, прогнозная система учитывает эту вероятность: формирует и исключает возможные гипотезы влияния внешних причин на основе всех имеющихся данных (и соответственно ужесточает доверительные вероятности, отсеивая сомнительные результаты).

Причины и следствия

В сети обувных магазинов после рассылок СМС с обещанием гигантских бонусов на часть марок обуви, запрошенные отчеты измеряли продажи только этих марок за период акции. Изменение продаж остального ассортимента и долгосрочные результаты рассылок клиента не интересовали: им нужно было просто отчитаться перед спонсором-поставщиком.

Позже анализ товаров-драйверов показал, что часть именно этих марок снижает LTV клиентов. Скорее всего, само продвижение потребовалось именно по причине низкого качества и соответствующих низких продаж этой обуви – вместо отправки партии в дискаунтер, поставщик решил провести промо-акцию от имени и за счет доверия покупателей к торговой сети.

Драйверы LTV: перебои поставок как группа воздействия

Анализ товаров-драйверов использует перебои поставок чтобы смоделировать реакцию лояльных покупателей на исключение любимых товаров из ассортимента.

Например, в сети закусочных снижение LTV при отсутствии в продаже любимых напитков (в сравнении с контрольной группой) оказалось в 9-13 раз больше наценки на сам напиток.

На графике «Кофе Эспрессо» видно, что текущая покупка даже увеличивалась – при отсутствии любимого напитка покупатель выбирал более дорогой вариант, но в следующие недели общая доходность снижалась намного больше.

Доходность покупателей в недели после покупки снижена при отсутствии в продаже любимого напитка (3689 случаев). До покупки отличие отражает неоднородность воздействия и контроля, а вид - смесь старых и новых покупателей
Доходность покупателей в недели после покупки снижена при отсутствии в продаже любимого напитка (3689 случаев). До покупки отличие отражает неоднородность воздействия и контроля, а вид - смесь старых и новых покупателей

Но по части «любимых» товаров эффект был обратный – при отсутствии их в продаже покупатели удачно переходили на другие варианты и, судя по повторным покупкам, не жалели об этом.

На графике с французскими хот-догами – пример такой ситуации, когда отсутствие товара в продаже лучше для повторных покупок, чем его наличие – прямо из анекдота «не все йогурты одинаково полезны» – после некоторых клиенты не возвращаются.

Доходность покупателей в недели после покупки повышена при отсутствии в продаже "любимого" товара - "убийцы LTV" (47 случаев). Колебания значений вызваны малым количеством событий
Доходность покупателей в недели после покупки повышена при отсутствии в продаже «любимого» товара - «убийцы LTV» (47 случаев). Колебания значений вызваны малым количеством событий

То есть все время, когда такие товары есть в продаже, они убивают будущую доходность покупателей.

Возможно, у производителя ухудшилось качество или товар портится при доставке – но покупатели «голосуют рублем» в следующих покупках, и наша проблема если мы этот голос не слышим.

Поэтому прежде чем продвигать, убирать или менять логистику товаров, важно проверить их влияние на полную будущую доходность покупателей.

Но принимать решения можно только после проверки, что по конкретному случаю достаточно статистики, не было внешней причины и т.д. По конкретному варианту хот-дога было всего 47 случаев отсутствия любимого товара в продаже, и видны существенные колебания доходности во времени. Всего же в истории продаж несколько десятков наименований хот-догов разных размеров, начинок и соусов.

Поэтому события по всем покупателям, товарам и возможным воздействиям с общими характеристиками по ключевым фразам в описаниях обобщаются в прогнозной подсистеме, где все статистические перекосы, проверки и поправки автоматически учитываются, выявляются общие закономерности, и только после этого прогнозная модель загружается в процессинговую систему.

Автоматическая категоризация товаров по важным для покупателей фразам в описании

По отдельным SKU (вариантам упаковки) статистики продаж обычно мало. Но в их описании содержатся ключевые фразы, позволяющие выделять широкие категории товаров, по схожей реакции покупателей (для которых они и написаны).

По каждому наблюдению формируются тысячи поведенческих характеристик покупателя за разные периоды времени, и десятки характеристик воздействия.

По всем имеющимся данным о событии формируются все потенциально влияющие поведенческие характеристики покупателя, воздействия и события. Целевой показатель - изменение прибыли за 5 недель до и после события
По всем имеющимся данным о событии формируются все потенциально влияющие поведенческие характеристики покупателя, воздействия и события. Целевой показатель - изменение прибыли за 5 недель до и после события

Каждое значение характеристики в подсегменте – гипотеза о дальнейшей сегментации покупателей, событий или воздействий, или о добавлении дополнительных зависимостей. Все они проверяются с доверительной вероятностью, скорректированную на количество гипотез. Наиболее важные гипотезы по превышению над доверительным интервалом входят в прогнозную модель:

Выделен эффект воздействий на LTV в сегменте прогнозной модели: без 'дог' в названии они повышают LTV на 8.88, а с 'дог' – снижают на 29.11. Воздействия со словом Большой повышает LTV на 21.22. Самая значимая – доля покупок с любимым товаром, Driver power
Выделен эффект воздействий на LTV в сегменте прогнозной модели: без 'дог' в названии они повышают LTV на 8.88, а с 'дог' – снижают на 29.11. Воздействия со словом Большой повышает LTV на 21.22. Самая значимая – доля покупок с любимым товаром, Driver power

Устойчивость поведения покупателей

Несмотря на неготовность покупателей объяснять свое поведение (тем более – если им ясно что эта информация будет использоваться не для долгосрочного сотрудничества, а для манипуляции) фактическое поведение покупательских сегментов достаточно предсказуемо.

Но со временем оно изменяется, иногда – существенно. Прогнозная модель, конечно, учтет дату наблюдений (условие с [Days before] на скриншоте выше) и не будет использовать для будущих прогнозов устаревшие тренды, но качество прогноза все равно упадет.

Поэтому при принятии управленческих решений важно понять устойчивость прогнозов влияния воздействий - соответствуют ли они фактическим данным за следующие периоды?

Для уверенности в устойчивости прогнозов, система формирует несколько исторических срезов, в каждом из которых прогнозы по прошлым данным сверяются с фактами по будущим.

Например, на графике разделены фактические результаты при позитивных и при негативных прогнозах изменения доходности покупателей за 5 следующих недель по сравнению с 5 предыдущими из-за проблем с доставкой товаров по данным сети закусочных по десяти месячным срезам. Как видно, фактические результаты при позитивных прогнозах стабильно выше примерно на 200 рублей, чем при негативных (в первом месяце еще выше, но там меньше всего обучающих данных):

Фактическое изменение доходности при позитивных прогнозах на исторических срезах на 200 руб. больше чем при негативных (изменения за 5 следующих недель - 5 предыдущих)
Фактическое изменение доходности при позитивных прогнозах на исторических срезах на 200 руб. больше чем при негативных (изменения за 5 следующих недель - 5 предыдущих)

Поэтому исправление проблем с доставкой важных товаров-драйверов LTV позволило бы ежемесячно повышать доход как минимум на 200 рублей на лояльного покупателя (даже если он не участник программы лояльности).

Плюс можно начинать экономить на логистике неподходящих товаров – после приобретения которых LTV снижается на фоне контрольной группы. Это, скорее всего, также повысит доходность, но и даст по ним больше ситуаций отсутствия в продаже, то есть статистики воздействий с уже точно известной причиной для взвешенного принятия решений исключению из ассортимента – и, возможно, не на всех точках продаж.

Расширение вовне программы лояльности

Обычно меньше половины продаж делается в программе лояльности. Но в ней есть представители из большинства важных поведенческих сегментов, поэтому полученные данные полезны и для улучшения обслуживания анонимных покупателей – не участников программы.

Поэтому планируемые результаты корректировки ассортимента и других воздействий нужно масштабировать на всю клиентскую базу, что многократно увеличивает экономический эффект.

Автоматизация

Выявление товаров-убийц и драйверов LTV нужно автоматизировать и ставить на поток. Как и продвижение лучших драйверов LTV с учетом бюджетов от поставщиков – и, конечно, в наиболее подходящие потребительские сегменты.

Для начала такого анализа достаточно сырых данных продаж идентифицированных покупателей, например - в интернет-магазине, банке или в программе лояльности.

Но, к сожалению, краткосрочные метрики вроде продаж акционных товаров за время акции – для этого не годятся. Любой сотрудник или алгоритм, задача которого максимизировать краткосрочные метрики – будет вынужден это делать правдами и неправдами за счет всех остальных показателей – проще говоря, впаривать самое выгодное в текущий момент, не заботясь о последствиях. И если сотрудник понимает границы допустимого, то алгоритм будет продавать здесь и сейчас вне рамок законов и приличий – пока ему их не зададут в явном виде.

Поэтому автоматизация отношений с покупателями изначально должна строиться на долгосрочных метриках, максимально соответствующих конечным целям как бизнеса, так и покупателей – и наиболее для этого подходит именно LTV.

Покупатели заинтересованы в содержимом упаковки. Исходя из своей удовлетворенности они подстраивают следующие покупки и надеются, что такое голосование рублем будет услышано хотя бы в программе лояльности. Это фактическое покупательское поведение намного достовернее любых опросов, плюс оно уже собрано и доступно в электронном виде.

С помощью надежных статистических методов мы должны выделить отклик покупателей из истории покупок и выстроить с каждым долгосрочное сотрудничество, в том числе – по его главному интересу – удовлетворенности содержимым упаковки через существенное время после покупки.


Электронный наставник - только самые полезные и интересные занятия для детей на основе опыта родителей-единомышленников

02.06.22
Началось альфа-тестирование Электронного наставника eNastavnik.ru - веб-сервиса и мобильного приложения-оболочки, которое на планшетах, смартфонах и телевизорах предоставляет ребенку доступ только к самым полезным и интересным занятиям на основе опыта родителей-единомышленников.

Основной принцип - совмещение полезного с приятным. Цель - предоставить наиболее полезную альтернативу бесконтрольному использованию детьми гаджетов.

Уже сейчас родителям достаточно установить приложение, указать возраст ребенка, и ему сразу будут доступны поучительные аудио рассказы, фильмы, полезные приложения, спорт и моторика в виде плана из двадцати самых полезных и наиболее подходящих ему занятий. План составляется из самых полезных и интересных занятий, соответствующих имеющимся навыкам и приоритетам ребенка, но так, чтобы усталость от разных типов и категорий навыков не накапливалась.

Конечно, ребенок захочет сделать все по-своему, и начать не с математики, а, например, с рисования или правил поведения - и план будет автоматически перестраиваться (примерно как автомобильный навигатор перестраивает маршрут). Но главное, что все предложенные занятия будут максимально полезными для развития.

Если у родителя появится свободная секунда и желание улучшить план занятий, он может ткнуть в оценку привлекательности или полезности занятия для развития какого-то навыка. Или даже нажать пару букв навыка в поиске и оценить доселе неоцененный навык, развиваемый занятием или какое-то ограничение. А то и скорректировать уже имеющийся навык ребенка или требуемый навык для занятия, или вообще приоритет. Или даже добавить собственные навыки/ограничения.

А лучше всего делиться с Наставником ссылками на любимые занятия, указать, какова их привлекательность и в чем польза, и спихнуть на него ежедневное планирование полезного дня ребенка и контроль за его занятиями. Плюс Наставник автоматически подберет родителей-единомышленников, учтет также и их опыт и любимые занятия, тем не менее, оставляя последнее слово в каждой оценке за родителем.

Еще можно зарегистрироваться и управлять занятиями детей с веб-сайта или с другого телефона. И зафиксировать важных единомышленников как постоянных наставников. И это все бесплатно.

Уже добавлены полезные и любимые занятия наших детей, загружены лучшие фильмы и занятия с форумов родителей, всего развивающих более 150 навыков. Ждем, что и что и другие родители будут делиться полезными и интересными занятиями.

Развитие долгосрочных отношений со зрителями Бигбилет

14.03.19

Этот рассказ мы с загадки начнем
— Даже Алиса ответит едва ли:
Что остается от сказки потом
— После того, как ее рассказали?
© Л. Кэрролл

В мире, пестрящем афишами, нелегко выбрать представление, от которого останутся добрые впечатления и желание снова погрузиться в среду искусства.

Поэтому команда LifeStyle Marketing решила создать рекомендательный сервис для пользователей Бигбилет, способный подобрать для каждого зрителя событие, которое сможет очаровать и разжечь желание переживать подобный опыт снова и снова, а значит, возвращаться в зрительный зал.

Игнорируя рейтинги и рекламу, сервис опирается на зрительский опыт и подбирает для каждого зрителя представления, которые влияют на будущие покупки билетов, т.е.  долгосрочную ценность - LTV.

Чтобы создать полезный сервис и для зрителя, и для заказчика, мы прошли сложный, но  увлекательный путь, состоящий из решения следующих задач:

1. Определить, что представление нравится определенному сегменту зрителей

Бигбилет не собирает рейтинги представлений, да и это в любом случае были бы редкие и спонтанные оценки.

Мы использовали более надежный показатель – повторные покупки за длительный срок после представления. Мы заметили, что после некоторых постановок, зрители начинают чаще покупать билеты, вдохновленные полученным опытом. В отличие от рейтингов, это – большой объем данных о достаточно обдуманных зрителями решениях.

2. Понять, что именно спектакль повлиял на поведение зрителей, а не другие факторы

Мы анализируем  все данные о каждом зрителе и каждом представлении: от авторов, режиссеров, актеров, адреса, описания, времени заказа до типов билетов зрителя и многих других. Строим вероятностные модели. И только когда появляется уверенность, что причиной изменений в поведении зрителя было именно конкретное событие, найденная зависимость добавляется к десяткам или сотням других в один из тысяч узлов прогнозной модели.

По сути, мы ищем изменения в поведении зрителей, посетивших то или иное представление, в сравнении с теми, кто не присутствовал на этом событии, но похожи по всем значимым характеристикам. Пример: если постановка так порадовала определенную группу зрителей, что они, не сговариваясь, сразу взяли билет на другой его спектакль, а так же увеличили частоту посещения мероприятий и в дальнейшем. При этом у них часто обнаруживаются и другие общие характеристики -  предпочитают комедии, средний чек был не выше 3000 руб. и т.д..

Такой метод позволяет исключить большое количество важных внешних факторов, например, когда конкретный театр изначально посещают зрители, склонные чаще бывать на культурных мероприятиях, а сама постановка не оказала особого влияния на их поведение.

3. Спрогнозировать влияния десятков тысяч событий и вариантов билетов на поведение каждого зрителя и своевременно сделать предложение клиенту

Для этого наше решение анализирует все имеющиеся данные, смотрит дальше следующей покупки и подбирает каждому зрителю событие по вкусу, после которого ему захочется вернуться:

  1. автоматически строит портреты зрителей, которые по разным причинам стали чаще покупать билеты на культурные события;
  2. находит причину этих изменений - события, на котором побывала эта группа зрителей или же внешние факторы, например, погода, праздники, и т.д.;
  3. на основе собранной информации по всем доступным вариантам строит прогноз, каким зрителям стоит предложить то или иное событие, чтобы они тоже стали чаще использовать сервис покупки билетов;
  4. система мониторинга, постоянно обновляя данные, следит за актуальностью отправляемых зрителям предложений.

4. Проверить результативность

После отправки индивидуальных приглашений, мы проверяем результаты на фоне контрольной группы, структура которой максимально приближена по всем значимым характеристикам к группе воздействия. Группа контроля не получает предложения, зато помогает нам взвесить результат и понять - как повлияло событие на зрителей, на верном ли мы пути или что-то нужно скорректировать. Чтобы не распылять внимание, мы используем минимальный, но наиболее важный набор метрик: соотношение подписавшихся и отписавшихся пользователей, и, главное – действительно ли наше предложение мотивирует зрителей чаще посещать мероприятия.

Если у тех, кто не ходил на постановку, но обладал схожими характеристиками, частота посещения осталась прежней, мы получаем основание считать, что влияние оказала именно постановка. Если же в каких-то сегментах результат не соответствует прогнозу, то прогнозная модель корректируется.

Решив эти задачи, мы получили принципиально новый рекомендательный сервис.

В чем отличие нового сервиса от существующих?

Мы не ориентируемся на однократную продажу, а выстраиваем со зрителем длительные отношения. Нас интересует результат ПОСЛЕ того, как зритель посмотрит рекомендованное представление.

Нам важны впечатления, которые оставит рекомендованная постановка или концерт. Насколько длительным и приятным будет послевкусие от события.

Именно в таком подходе сходятся интересы компании и клиента. Именно долгосрочные отношения – мерило верности наших действий. А все новейшие технологии ничего не стоят, если не заботиться о будущем дальше завтрашнего дня.

Мы считаем, что только такая долгосрочно-клиентоориентированная стратегия останется жизнеспособной в будущем. И приглашаем все компании, ориентирующиеся на длительные отношения с клиентами, к совместным исследованиям долгосрочного поведения покупателей, а также маркетинговых инструментов, влияющих на долгосрочную доходность. Будем рады развивать вместе с вами наработанную методическую базу и технологии оптимальных действий на основе реальных, не придуманных данных с автоматическим разделением влияния внешних факторов и активностей на финансовый результат.

Оставьте нам сообщение и мы обязательно ответим.


Loyalty World Forum: Активное повышение доходности клиентов в сравнении с контрольной группой при помощи поведенческой сегментации

01.06.17

На форуме Loyalty World Forum 2017 обсудили цели и методики предписательного анализа данных в программах лояльности.

Тезисы выступления:

  • Повышение CLTV на фоне контрольной группы - цель программ лояльности при дефиците клиентов
  • Персональные предложения, максимизирующие долгосрочную доходность от клиента: экономика и этика в одном флаконе
  • Поэтапное масштабирование с исключением убыточных сегментов для каждой активности – путь к программе лояльности с гарантированной прибыльностью
  • Кейс: индивидуальные предложения с персонифицированными параметрами повысили доходность на 3-6%, ROMI от 75% до 475% (по итогам 18 недель, включая расходы на СМС, доп. бонусы и оценку долгосрочных доходов)

Спасибо участникам за вопросы о статистическом анализе: мы специально проводим перекрестную проверку и исторический анализ результатов предписаний, чтобы убедиться в их эффективности для повышения долгосрочной доходности клиентов.


На платформе LifeStyle Club начала работать программа лояльности «На все 100%» с персональными предложениями покупателям

29.07.16
На платформе LifeStyle Club начала работать бонусная программа лояльности «На все 100%» сети АЗС Псковнефтепродукт.

Основной инструмент программы - персональные предложения покупателям. Индивидуальные оферты предлагаются покупателям из сегментов с доказанным увеличением прибыльности в сравнении с контрольной группой.

LifeStyle Marketing участвует в проекте как генеральный подрядчик: разработчик концепции, экономического и правового обоснования, технологии, сценария, а также как разработчик программного обеспечения и специального оборудования.

Индивидуальные предложения по АИ-95 повысили прибыльность клиентов АЗС за 15 последующих недель на 5% по сравнению с контрольной группой

22.04.16
Индивидуальные предложения на топливо АИ-95, учитывающие историю покупок клиентов АЗС, повысили их прибыльность за 15 последующих недель более чем на 5% по сравнению с контрольной группой.

Все четыре типа предложений: двойные и тройные бонусы на три и пять недель показали достоверный положительный результат с учетом расходов на дополнительные бонусы и СМС.

При этом увеличение прибыльности клиентов достигает 18%, если исключить убыточные поведенческие сегменты, автоматически обнаруженные подсистемой LifeStyle Segmentation.

Плохая новость для управленцев: аналитики не умеют готовить проекты решений на основе данных

15.09.15
Все полученные нами предложения по кейсу сводятся к тому, что для уменьшения ущерба от пожара нужно уменьшить количество пожарных, ведь чем больше пожарных на пожаре - тем больше ущерб!
Чем больше пожарных - тем больше ущерб
При этом полезная рекомендация должна была быть как минимум «предоставьте больше данных - только результата и управляемого показателя недостаточно!».

И такая ситуация - не исключение, а правило. Чем больше хирургов участвует в операции, тем выше смертность. Спрос (обычно) регулируется ценой, поэтому чем выше спрос - тем выше цена. Но это не означает, что всегда при повышении цены будет повышаться спрос.

В реальной жизни управление всегда подстраивается под реальность, и результат - тоже ее следствие. Так что пока аналитики проходят переобучение и заодно смену парадигмы, придется управленческие решения на основе данных готовить самим.

1. При прочих равных.

Управленческие решения всегда принимаются с оговоркой «при прочих равных». Поэтому и данные для выбора варианта действий должны быть максимально однородны.

На практике для каждого варианта действий нужно создать контрольную группу, на что и был намек в виде ссылки на презентацию в задании.

2. Скрытые характеристики

Если контрольных групп нет, то нужно хотя бы исключить влияние всех имеющихся значимых факторов. Чем ближе характеристика к истинной причине изменений, тем выше ее прогнозная сила. Исключение влияния таких характеристик или выделение только сравнимых сегментов позволит принимать верные управленческие решения.

Например, в случае с пожарными добавление в анализ площади возгорания и типа объекта позволило бы выделить их влияние и дальше анализировать только дополнительное влияние количества пожарных.

Для этого необходимо проверять все потенциально значимые характеристики, которые можно сформировать по всем имеющимся данным. В рознице мы обычно кроме традиционных SKU, RFM, даты (реже - анкет), в качестве характеристик используем все ключевые слова в описании предложений и товаров в разрезе естественных периодов (время суток, день недели) чтобы гарантированно не упустить важную зависимость.

Несмотря на большую сложность проверки сотен тысяч гипотез, это обычно оправдано, и система уверенно находит, что орешки нужно продавать любителям покупать «ПИВО» по вечерам, а напитки в таре по поллитра или с «хэш-тегом» #40% наиболее эмоционально заряжены :)

3. Дальновидность и анализ всех последствий

Важно сравнивать долгосрочные результаты. Исследования показывают, что покупатели при отсутствии в продаже любимого товара могут заменить его на более дорогой, и краткосрочно анализ чеков покажет хороший результат. Но долгосрочно продажи падают до 60%, хотя замена некоторых «любимых» товаров в определенных потребительских сегментах оказывается лучше и CLV клиента возрастает.

Анализировать нужно изменение доходности по всем товарам, а не только акционных. Компенсация от поставщика - хорошо, и ее стоит добавить к доходам, но часто раздражение от неуместных предложений или канибаллизация товаров более высокого ценового сегмента окажется больше всех временных выгод.

Вот такие плохие новости, уважаемые управленцы. Клиентов нужно беречь и глубоко анализировать, а принимать решения на несравнимых и неполных данных - крайне недальновидно и опасно. Вас предупреждали.

Проверьте себя в принятии решений на основе данных (приз)!

13.09.15

Коллеги, принимающие решения на основе данных! Предлагаем проверить себя на простом, но интересном кейсе.

На графике - зависимость между результатом и управляющим показателем, которая наблюдалась у компании в прошлом (как видно, зависимость не линейная).

Проверьте себя в принятии решений на основе данных (приз)!

Что бы Вы порекомендовали этой компании, если ее цель - получение _наименьшего_ результата?

От решения зависят жизни людей!

П.С. Каждому, кто предоставит полезную в реальной жизни рекомендацию, по желанию предоставляем корпоративную лицензию на систему LifeStyle Segmentation с модулем прогноза долгосрочного влияния товаров-драйверов для клиентоориентированного управления ассортиментом!
(http://www.slideshare.net/Maxi…/lifestyle-marketing-49723339)
Предложение действительно в течение двух суток!


Влияние акции скидок на анализ товаров-драйверов

15.07.15
Проблема анализа результатов действий - в том, что на одного клиента в один момент нельзя одновременно и подействовать и не подействовать. Поэтому невозможно узнать результат обоих вариантов и посмотреть разницу.

Также некорректно сравнивать воздействие на клиента в разные моменты: во второй раз у него уже будут другие потребности, будет другое настроение, погода, ассортимент, конкурентная ситуация и кто знает какие еще факторы.

Но бизнес - это систематическая многократная деятельность, и мы в любой момент можем случайным образом разделить клиентов на две максимально похожие группы, подействовать только на одну из них, и изучить отличие результатов. Все остальные факторы, кроме воздействия, в обеих группах действуют одинаково хаотично, поэтому отличие двух групп будет состоять из результатов воздействия и шума от остальных факторов. Чем больше клиентские группы, тем больше усредняется и сглаживается шум и лучше на его фоне виден результат. Именно этот способ рекомендован в серьезных исследованиях в медицине и доказательном маркетинге.

В качестве примера, рассмотрим воздействие ситуации отсутствия любимого товара в продаже, и внешний фактор - скидка на этот любимый товар.

В момент очередного посещения магазина, клиенту может не повезти, и его любимого товара не окажется в продаже. Запомним, был ли любимый товар в продаже во все моменты посещения торговой сети каждым клиентом. Получится две группы наблюдений: воздействия и контрольная.

Отсчитаем от каждого наблюдения одинаковые периоды и сравним среднюю понедельную прибыль от клиента в группе воздействия и в контрольной. Если отсутствие товара в продаже - редкая ситуация, то все дополнительные факторы, влияющие на продажи, с ней не связаны, и отличие графиков иллюстрирует результат воздействия в среднем за этот период: www.slideshare.net/MaximDrobyshev/lifestyle-marketing-49723339.

Скидка на любимый товар также будет действовать на обе группы клиентов: у которых в момент наблюдения был прискорбный инцидент отсутствия в продаже любимого товара, и на тех, кому в этот момент повезло.

Прибыль от покупки в момент наблюдения будет, конечно, посчитана с учетом скидки на любимый товар (если он был в продаже). Что отражает тот факт, что это влияние анализируется в ситуации предоставления скидки, и в другой ситуации такое влияние будет несколько отличаться.

При построении прогнозной модели, если эта разница существенна и лучше объясняется наличием скидок, а не другими факторами, LifeStyle Segmentation выделит такие наблюдения в соответствующие подсегменты на дереве решений по дате или по проценту скидки, если эти данные были указаны. В последнем случае, при введении подобных скидок в будущем для прогнозов результата воздействий будут использоваться статистика воздействий именно в этой ситуации.

Бонусы не суммируются и поэтапная обработка

02.07.15

Одна из компаний попросила настроить акцию, в которой бонусы в зависимости от суммы покупки по шкале до 40% начисляются исходя из посещений в течение месяца, но не суммируются с другими акциями.

Для этих целей предусмотрено поэтапное взаимодействие акций и программ между собой: первая группа акций накапливает возможные бонусы в специальной переменной, а новая акция может их обнулить, если ее бонусы больше.

После этого все акции могут сформировать правильные сообщения, в зависимости от того, будут ли по ним начисляться бонусы или нет.

Также акция не должна была распространяться на некоторые точки обслуживания и только на одно юридическое лицо, что видно на скрин-шоте в условии. Один из параметров «Сумма покупок» из шкалы условий показан в развернутом виде со всеми возможными атрибутами.

Бонусы не суммируются и поэтапная обработка


<< Первая < Предыдущая 1 2 3 4 5 6 7 8 9 10 Следующая > Последняя >>

JPAGE_CURRENT_OF_TOTAL


Связаться с нами

Свяжитесь с нами для профессиональной консультации при выборе программы лояльности