Клиентская аналитика: как определить и снизить отток

Клиентская аналитика: как снизить отток

Май 2020

Наша цель при работе с оттоком и с клиентами вообще – продлить их жизненный цикл и увеличить LTV. Клиент Starbucks, посещающий эту сеть кофеен 20 лет, принесет за весь период $14099. Это солидная сумма,складывающаяся из чашек кофе за $3,5. Вопрос – как сделать так, чтобы человек посещал кафе 20 лет подряд?

В данной статье мы сделаем акцент на два направления: розница (ритейл) и операторы связи.

Виды оттока

Рассмотрим основные виды оттока клиентов и причины.
1. Естественный:

  • смена места жительства/временное использование,
  • смерть,
  • изменение потребностей.

2. Мотивированный отказ:

  • недовольство уровнем услуг или качества продукции,
  • найдена компания, где стоимость аналогичных товаров или услуг ниже при том же качестве,
  • найдена компания, где качество аналогичных товаров или услуг выше при той же стоимости,
  • «усталость» от бренда,
  • клиент вообще отказался от продукции или услуг (например, бросил курить).

3.Скрытый – постепенное снижение объема и регулярности потребления продуктов компании из-за:

  • параллельного пользования услугами конкурентов,
  • использования заменителей.

Отток всегда присутствует в базе, и для бизнеса важно понимать, какая доля является естественным оттоком, а с кем можно и нужно поработать. Есть бенчмарки по рынкам и по конкурентам, на которые можно равняться. Но обязательно проведите своё собственное исследование — поговорите с клиентами, проведите опросы, чтобы узнать, почему они отказались от услуг или товаров. При этом важно рассматривать причины отказа в разрезе характеристик клиента – хотя бы используя сегментирование на лучших, с потенциалом, неинтересных.

Метрики оттока

Но, прежде чем обзванивать бывших клиентов, внутри компании нужно дать определение оттоку. Это не всегда так очевидно, особенно для ритейла или, например, сети клиник. Обычно выбирают между полугодом и годом без посещений/покупок. Но не всегда нужно смотреть так прямолинейно. Обратите внимание на долю тех, кто возвращается после этого периода, и, если эта доля значительна, попробуйте еще отодвинуть границу. Таким образом, вашей первой метрикой будет коэффициент оттока за какой-то период времени.

На втором этапе мы определяем частоту контроля – как часто мы будем мерить отток и какие значения ожидаем получить. Здесь будет актуальным провести исследование и определить для себя уровень естественного оттока и, возможно, факторы, на него влияющие. Например, текущая экономическая обстановка способствует увеличению этого показателя.

Также отток можно считать не «в целом по больнице», а для конкретных сегментов – тех же самых лучших и клиентов с потенциалом.

За шаг до оттока

Но измерение величины оттока – это констатация свершившегося факта. Нашей задачей является его предотвращение. Для этого нам нужно определить:

  1. горизонт прогнозирования;
  2. параметры, сигнализирующие о том, что клиент находится в зоне риска по оттоку;
  3. дизайн эксперимента – подтверждение эффективности выдвинутых гипотез.

Горизонт прогнозирования – это период, необходимый нам для выполнения действий по удержанию клиента. И здесь нам нужно задаться вопросами:

  • как быстро мы можем связаться с клиентом, какие каналы связи доступны?
  • какие способы удержания используем?
  • сколько времени занимает удержание?

Опыт подтверждает тот факт, что чем раньше начнётся коммуникация, тем вероятность удержания выше. Если клиент уже принял решение уйти к конкуренту, будет трудно это переломить. Поэтому так важно подобрать правильный горизонт прогнозирования.

Определение параметров, сигнализирующих о том, что клиент находится в зоне риска является критически важной и одновременно творческой задачей. В одном из своих проектов мы выяснили, что низкая средняя продолжительность входящих и исходящих звонков может быть таким сигналом для оператора связи. Подробнее об этом расскажем чуть позже.

Завершается наша работа тестированием гипотез на практике – экспериментом. Только так можно понять угадали мы или нет.

Предсказание оттока в ритейле

Для выявления паттернов оттока можно начать с анализа следующих параметров:

  • периодичность покупок;
  • размер чека/количество купленных товаров;
  • давность покупок;
  • участие в программе лояльности (больше риск оттока у не участвующих);
  • обращение в службу поддержки;
  • участие в сообществах;
  • возврат товара;
  • другие параметры (социальные, демографические, психографические, географические).

Говоря о том, что человек в зоне риска по оттоку, мы, скорее всего, имеем в виду, что он стал ходить к нам реже. Соответственно, если изменилась частота покупок, то изменилась ли величина чека? Что с давностью покупок? Эти 3 критерия – параметры классического RFM-анализа, которые мы можем оценивать регулярно.

При проведении RFM-анализа мы делим клиентов на группы по давности, частоте покупок и сумме чека. Получаем соответствующие сегменты: лучшие клиенты, с потенциалом, новые клиенты, хорошие клиенты в зоне риска, плохие клиенты в зоне риска, бывшие лучшие клиенты, бывшие клиенты.

Для каждой группы можно разработать свою стратегию и работать над изменением текущей ситуации.

RFM можно делать во многих программах, начиная от Excel и заканчивая продвинутыми инструментами от IBM или SAS – все зависит от объема данных, диапазона возможностей аналитиков/пользователей и бюджета. Аналитическая платформа Polymatica отлично подходит для выполнения RFM-анализа, особенно на объеме данных свыше 5 млн строк. Алгоритм без программирования создается в течение 10 минут и позволяет в дальнейшем проводить анализ каждый день и смотреть, как меняются сегменты, эффективна ли стратегия работы с ними.

Еще один вариант быстрого анализа по одной кнопке – кластеризация, позволяющая оценивать изменение одного или нескольких параметров. Обычно мы начинаем беспокоиться об оттоке, когда человек снижает частоту – покупок, пользования сервисом и т.д. Рассматривать каждого клиента в этом случае очень долго, поэтому можно кластеризовать аудиторию и выявить паттерны поведения, характерные для ушедших и уходящих клиентов.

В Polymatica кластеризация запускается в несколько кликов также без программирования. Важно быстро отобрать клиентов, у которых изменилась частота, и начать взаимодействовать с ними, работать на их удержание. И это актуально не только для ритейла и розницы, но и для других сфер.

Отток на примере операторов связи

Выделим параметры, которые нужно проанализировать для клиентов в зоне риска:

  • блокировки;
  • участие в программе лояльности;
  • продолжительность звонков;
  • интернет-трафик;
  • заход на сайты конкурентов;
  • соц-дем критерии;
  • тарифные планы;
  • обращение в службу поддержки.

На практике не всегда предоставляется возможность получить доступ ко всем нужным данным. Это может быть связано с техническими проблемами или бюрократическими преградами, связанными, например, с тем, кто является владельцем данных и его готовностью ими делиться.

В рамках консалтингового проекта мы делали аналитику по оттоку для регионального оператора связи. Нашей задачей было выявить основной сигнал – характеристику, которая говорит о том, что клиент находится в зоне риска и дополнительные параметры, которые нужно учитывать при формировании паттерна, идентифицирующего отток.

По результатам проекта отдел маркетинга оператора связи получил методику выявления абонентов в зоне риска. Методика базируется на следующих параметрах: средняя продолжительность входящих и исходящих звонков, возраст, участие в программе лояльности, тарифный план.

На протяжении полугода проверялись разные гипотезы и в итоге было зафиксировано 16% сокращение оттока, которое позволило продлить жизненный цикл для наиболее интересных для оператора абонентов.

Подробнее об этом кейсе можно узнать из вебинара

Как сократить отток на 15% и более?

Самое главное – это отношение к абоненту. У нас до сих пор не все операторы интересуются обратной связью – что клиенту понравилось, что не понравилось. Задумайтесь, сколько раз вам позволили, чтобы что-то продать, а сколько, чтобы узнать, как вообще дела и довольны ли вы услугами.

Предлагаем рассмотреть следующие конкретные меры:

  • Выделение абонентов, посещающих сайты конкурентов, мониторинг пользовательского опыта.
  • Система проактивной нотификации о деградации качества услуги.
  • Сегментация и профилирование абонентов.
  • Welcome Calls.
  • Формирование рекомендаций по подготовке скриптов исходящей коммуникации по удержанию клиентов исходя из кластера/сегмента, к которому он относится.
  • Формирование матрицы предложений по удержанию с учетом задачи сохранения ARPU.
  • Опросы и оценка NPS.

Есть ли смысл подключать машинное обучение?

Если диагностика закончена, есть основные параметры и гипотезы, определены причинно-следственные связи, можно запускать машинное обучение. Чаще всего используется бинарная классификация – алгоритм выявляет паттерны поведения, исходя из двух классов: отток и не-отток. Модель должна быть вероятностной, то есть в результате мы должны понимать, с какой вероятностью клиент склонен к оттоку.

Что нужно знать для запуска машинного обучения:

  • обучение должно проходить на тех же данных по составу, что и эксплуатироваться;
  • обязательно нужна контрольная группа для отслеживания эффективности;
  • желательно уточнить влияние временных трендов на обучение;
  • важно следить, чтобы модель не «протухла», так как сервисы и бизнес-процессы меняются, меняется и история, и поэтому придётся переобучать модель регулярно.

В результате мы должны прийти к тому, что у нас есть автоматический скоринг клиентов, который пересчитывается каждый день. Например, клиент обратился в техподдержку – скоринг снижает балл, принял предложение о смене тарифного плана – балл повысился. Таким образом, мы можем не формально считать коэффициент удержания клиентов, а «персонально» видеть настроения людей. Такое отслеживание всей базы возможно только при подключении искусственного интеллекта.

Выводы

Порядок действий для работы с оттоком:

  • Определяем, что такое отток и нужно ли с ним работать. Выделяем разную стратегию удержания для разных сегментов.
  • Визуализируем данные и отбираем параметры, сигнализирующие об оттоке. Формируем гипотезы.
  • Тестируем гипотезы и отслеживаем их эффективность.
  • Совершенствуем модель, добавляем новые параметры, убираем ненужные.

Аналитическая платформа Polymatica позволяет визуализировать данные и проводить диагностику: выявлять причинно-следственные связи, придумывать гипотезы и отслеживать их жизнеспособность. Машинное обучение подключаем, когда нужно автоматизировать процессы. Polymatica в сочетании с ML может выступать как источник данных и быстрое расчетное ядро.

Автор: Наталья Яшенкова