Активы компании — это, в первую очередь, существующие клиенты, а именно, вся информация о взаимодействии с ними. Если грамотно ее использовать, удержать существующего покупателя будет намного проще и дешевле, чем найти нового. Нужно только выбрать правильные средства для работы с этими данными.
В погоне за новыми клиентами компании часто забывают, что стоимость привлечения может быть намного выше, чем расходы на сохранение существующих отношений. Анализируя проекты некоторых компаний из розничного сектора, я заметил, что затраты на новых оказываются в несколько раз дороже. Официальная статистика с www.econsultancy.com подтверждает наблюдения: в розничном сегменте разница между затратами по привлечению и удержанию клиентов составляет в среднем от 4 до 8 раз, а если говорить о торговле автомобилями или о других крупных покупках — этот показатель может достигать до 17-20 раз.
Проблема заключается в том, что сегодня информация доступна как никогда. Покупатель может за пару минут найти в Интернете нужную компанию, которая сделает ему более выгодное предложение. А раз ничто не мешает покупателю уйти к конкурентам, компании необходимо постоянно продумывать «шаги на опережение», вооружившись современными технологическими решениями для анализа данными о предпочтениях своих клиентов.
Предиктивная аналитика в работе с клиентами
Не допустить потерю клиентов помогают специальные методики, основанные на технологиях предиктивного (прогнозного) анализа. Стратегии, использующие предиктивную аналитику, эффективны как раз благодаря точным знаниям того, чего хочет каждый клиент. И тогда становится не важно, какой бизнес использует эту стратегию — она в любом случае срабатывает. Однако не стоит путать предиктивную аналитику с обычным бизнес-анализом (BI). Вся суть «предиктивности» заключается в том, что технологии позволяют не только всесторонне оценивать уже свершившиеся события, но и с большой степенью достоверности спрогнозировать действия людей в будущем. В случае с клиентами, с которыми у организации уже есть опыт взаимодействия, предиктивный анализ опирается на тот невероятный объем данных, который был уже накоплен в ходе контактов. Достаточно поставить соответствующую задачу, применить современные механизмы работы с информацией и запускать персонализированную маркетинговую кампанию. Подобные решения оказываются уже интегрированными в новейшие версии бизнес-систем, например, в SAP S4/HANA.
От технологий к практике
Чтобы было понятно, как все это работает на практике, предлагаю подойти к вопросу предиктивного анализа со стороны потребителя: ему нужен индивидуальный подход, когда его желания угадывают, а предложения делают особенными и только для него. Для достижения такого эффекта необходимо рассмотреть предпочтения и проанализировать действия каждого клиента, и в крупной компании с сотнями тысяч заказчиков такое можно сделать только при помощи технологий машинного обучения. При правильной настройке подобные ИТ-инструменты начинают самостоятельно накапливать и систематизировать информацию о каждом взаимодействии с клиентом, выявляя закономерности в поведении и предлагая готовые решения, как для отдельных лиц, так и для целых групп.
Приведу пример из практики: клиент кредитной организации стал допускать регулярные небольшие просрочки по платежам, что, безусловно, не добавляло позитива в его общении с банком. Когда для данной ситуации был проведен анализ, выяснилось, что подобные проблемы с кредитными платежами имеются у большинства сотрудников компании, ведущей зарплатный проект в этом банке. Причина скрывалась в том, что работодатель изменил дату начисления заработной платы, и, если бы в банке использовалась интеллектуальная система анализа, сама проблема была бы выявлена на самой ранней стадии, а руководители получили бы для нее готовое решение — сместить дату внесения платежа для названных клиентов.
В другом банке, с которым «Инфосистемы Джет» связывают партнерские отношения, мы создавали «озеро данных» о клиентах (централизовано агрегировали большие объемы данных из множества источников). Наши специалисты, используя методы предиктивной аналитики, смогли разработать скоринговую модель, которая работает на порядок лучше использовавшихся ранее решений именитых поставщиков готовых систем. Секрет успеха был в более глубоком понимании структуры массивов данных, накопленных в финансовой организации.
Кстати, именно банки, страховые компании и ритейлеры получают сегодня самые ощутимые преимущества от использования предиктивного анализа — дело в том, что они постоянно и активно взаимодействуют со своими клиентами. Специально настроенные ИТ-инструменты помогают компаниям из этих отраслей определить предпочтительные каналы коммуникации с каждым потребителем, формировать индивидуальные адресные предложения, проводить моментальный скоринг, сравнивать свои продукты с продуктами конкурентов, а также в реальном времени бороться с мошенническими действиями. Всё это возможно с применением технологий предиктивного анализа, которые делают принятие решений точным, адресным и своевременным.
Приведу примеры из финансового сектора — самой активной отрасли по применению предиктивной аналитики: компания JPMorgan применяет технологии машинного обучения для генерирования рекомендаций в области инвестиционного банкинга и определения появляющихся возможностей для своих клиентов, банк «Восточный» не так давно использовал предиктивную аналитику, чтобы расширить свою клиентскую базу. С помощью машинного обучения одна кредитная организация расширила спектр учитываемых параметров и пересмотрела решения по добросовестным заемщикам которые ранее отсекались из-за несовершенной модели скоринга. И это лишь малая часть примеров — за рубежом их гораздо больше.
Еще больше информации
Методы предиктивного анализа становятся эффективнее, если компания увеличивает объем доступных для них данных. Например, использование информации из различных подразделений холдингов, а также данных от партнеров позволяет выявлять взаимосвязи между корпоративными клиентами, акционерами и аффилированными лицами. Для финансовых и страховых компаний глубокий анализ позволяет определить степень риска, например, при расчете страхования объектов залога. Расширение стандартного профиля клиента, включающего в себя пол, возраст, семейное положение и наличие истории взаимодействия, информацией из соцсетей, структурой расходов, данными о родственниках помогают существенно оптимизировать предложения для клиентов для розничных продаж или повысить качество скоринга при оформлении кредита.
При грамотном управлении доступом к данным, профессионализме в области информационной безопасности и доверии между клиентом и компанией такие данные открывают массу возможностей. Например, полученный из «умного автомобиля» сигнал о движении человека мимо торгового центра поможет компании сделать ему предложение о покупке газонокосилки, которую он накануне вечером искал в Google.
Подведу итоги
Стремительно развивающиеся технологии онлайн-маркетинга практически не оставляют бизнесу выбора: интеллектуальные аналитические системы становятся краеугольным камнем новой маркетинговой стратегии, если компания стремится сохранить своих клиентов. В качестве бонуса за переход на новый уровень работы с данными многократно расширяются возможности для проведения кросс-продаж. Не стоит забывать, что вероятность продать дополнительные товары и услуги существующему клиенту составляет порядка 70%, тогда как для потенциального покупателя этот показатель не превышает 25%. Сегодня у всех крупных компаний без исключения уже есть все необходимые данные о существующих клиентах, осталось только внедрить решения, которые смогут создавать под каждого клиента индивидуальный «next best offer», от которого он не сможет отказаться.
Михаил Бурмагин, директор центра внедрения бизнес-систем
компании «Инфосистемы Джет»
* На правах рекламы