Сэкономил = заработал: 6 способов снижения затрат с помощью прогнозной аналитики

Как прогнозная аналитика может помочь повысить прибыль? Предугадывая будущее поведение клиентов. Анализ данных таких прогнозов позволяет принять правильные (оптимальные и оперативные) решения.

В сложные времена компании уделяют большое внимание не столько повышению объёмов продаж, сколько снижению издержек. Может ли прогнозная аналитика помочь не только привлекать новых клиентов и увеличивать продажи, но и снижать издержки? Уверен, что да.

Более оптимальные продажи, как ни парадоксально, могут быть основаны на меньших объёмах продаж. Отказ от более рискованных и менее прибыльных сделок означает, что и потратите вы меньше. А модель эффективного сохранения наиболее прибыльных клиентов – это реализация принципа «сэкономил - считай, что заработал», к тому же этих клиентов не нужно искать.

Обычно в продажах  и маркетинге прогнозную аналитику используют для увеличения объёмов продаж. Однако, можно использовать прогнозные модели для снижения затрат. Рассмотрим шесть способов снижения издержек с помощью прогнозной аналитики, которые приводятся различными зарубежными исследованиями в области прогнозной аналитики.

Способ 1: моделирование откликов для директ-маркетинга. Не контактируйте с теми, кто не будет отвечать

Моделирование откликов для директ- маркетинга - пожалуй, наиболее распространенное приложение прогнозной аналитики. Изучая опыт предыдущих маркетинговых кампаний, наблюдая, какой клиент ответил или не ответил на обращения в прошлом, можно оценить, кто, скорее всего, ответит завтра. После этого выделяется целевая группа из тех клиентов, которым присвоен достаточно высокий балл. Таким образом, маркетинговая кампания даст более высокую отдачу с меньшими затратами.

Эффективность такой модели часто измеряется с точки зрения повышения (lift), чаще всего изображаемого в виде диаграммы прибыли:

На практике, чем кривая выше диагонали, тем лучше модель. Для понимания экономии средств, полученных с помощью модели, посмотрим на горизонтальное расстояние от кривой до пунктирной диагонали.

Допустим, у вас есть маркетинговый бюджет, чтобы связаться с 40% клиентов из вашего списка. Если бы у вас не было прогнозной модели и средств для определения того, какие клиенты с большей вероятностью ответят, ваш список по сути  - это случайная выборка. В среднем из любых 40% ответят 40%, т.е. правая точка на пунктирной диагонали графика.

Привлечем прогнозную модель и получим те же 40% ответов при контакте со всего 10% клиентов, которые, скорее всего, ответят (левая точка на кривой). Это всего лишь четверть, с которой можно связаться и получить тот же результат. При экономии средств в 75%.

Эта первая десятка  содержит 40% всех возможных респондентов - в 4 раза больше, чем средний случайный образец из 10%, т.е. повышение (lift) равно 4.

Способ 2: uplift-моделирование откликов. Не контактируйте с теми, кто всё равно будет отвечать

Отлики - это хорошо. Но не стоит излишне увлекаться их моделированием, чтобы не забыть нечаянно о главной цели директ-маркетинга - прибыли. Даже если кампания, ориентированная на моделирование откликов, показывает высокий уровень откликов и, следовательно, большую прибыль, остается основной вопрос: а как же те клиенты, которые сделали бы покупку в любом случае? В некоторых случаях половина или даже больше клиентов могут быть настолько склонны к покупке, что они бы сделали это в любом случае, даже если с ними не связались.

Действительно, планировать, сколько клиентов будут откликаться, важно. Но еще более важная цель прогнозирования заключается в следующем: «Будет ли клиент покупать даже без контакта с ним?».

И тут на сцену выходит понятие Uplift-моделирование (также называют Net lift-моделирование, инкрементное моделирование, моделирование воздействия или моделирование дифференциального отклика). Это прогнозный метод машинного обучения, определяющего силу эффекта воздействия на клиента, чтобы отнести его к одной из четырёх концептуальных категорий.

По вертикальному измерению этот квадрант показывает, как клиенты будут реагировать на стандартное предложение традиционного директ-маркетинга. По горизонтальному - как клиенты совершают покупки, не получив предложений.

В правом нижнем квадранте находятся те самые клиенты, на которых стоит нацелить маркетинговую кампанию и тратить бюджет на доставку предложений. Это «убеждаемые» клиенты, которые не будут покупать, если с ними не свяжутся, но будут покупать, если им предложить.

Uplift-моделирование дает прозрачную возможность сократить расходы при моделировании откликов: удалить из списка рассылки «уверенных»клиентов (левый нижний квадрант). Эти клиенты, хоть и откликаются на предложение, но на самом деле будут покупать в любом случае (пусть даже и позже или через другой канал), без затрат на связь с ними.

Способ 3: таргетированное удержание с моделированием оттока. Не платите за удержание тех, кто останется в любом случае

Старая маркетинговая мудрость говорит, что сохранить существующего клиента дешевле, чем найти нового с улицы. Вышеупомянутое «сэкономил - значит заработал» относится и к клиентам, не так ли?

Насколько быстрее будет расширяться баллон, если сжимать его сопло справа? Это темпы роста клиентской базы. С другой стороны, предложения для удержания клиентов (например, скидки) могут повлечь за собой довольно высокую стоимость. Поэтому нецелесообразно предоставлять такое предложение всем клиентам, особенно тем, которые и не собирались никуда уходить.

Моделирование оттока прогнозирует, кто может уйти. Сегментировав каждого клиента по риску оттока, мы будем использовать дорогостоящие предложения по удержанию наиболее эффективно, не растрачиваясь на тех клиентов, которые собирались оставаться в любом случае.

Удержание клиентов с прогнозированием оттока - это одно из самых очевидных применений прогнозной аналитики. Наряду с прогнозированием откликов и рекомендациями по товарам и услугам для кросс-продаж оно входит в тройку лучших вариантов для использования прогнозной аналитики в компании.

Способ 4: uplift-моделирование оттока. Не трогайте тех, кто из-за этого уйдёт

Uplift-моделирование, о котором говорилось во втором пункте, можно использовать также не только для прогнозирования откликов, но и для прогнозирования оттока клиентов.

В этом случае каждый клиент оценивается по следующим четырём концептуальным сегментам:

По горизонтали в этом квадранте - клиенты, которые уйдут, если не получат предложение по удержанию: задача традиционного прогнозирования оттока. Вертикальное измерение показывает, какие клиенты уйдут, если их побеспокоить предложением по удержанию.

Как и в случае моделирования откликов, нижний правый квадрант включает в себя тех клиентов, на которых нацелена маркетинговая кампания и расходы на неё. Эта категория потребует гораздо больших затрат на предложение удержания. Это «убеждаемые»,  которые уйдут, если с ними не свяжутся, но могут остаться после предложения по удержанию.

В верхнем левом квадранте отражена возможность сократить затраты на традиционное удержание с моделированием оттока. Это «спящие собаки»:  они останутся, если их не трогать. Но, если мы свяжемся с ними с предложением, это вызовет обратный отрицательный эффект: клиент встанет и уйдет. С клиентами, которых отпугивает избыточный контакт, это отличный способ сократить расходы.

С риском отрицательного отклика на попытки удержания сталкиваются многие компании. Мобильные операторы сотовой связи часто предлагают скидки на заключение многолетнего контракта. Некоторым абонентам это напоминает о том, что они могут перейти к другому оператору с более выгодным тарифом. Uplift-моделирование оттока прогнозирует, кто из клиентов будет реагировать таким образом. Аналогичная картина в разных услугах, как то: второй домашний интернет, цифровое ТВ, абонемент фитнес-клуба, подписка на какое-то издание.

Есть клиенты, которые платят, но или не пользуются, или пользуются изредка. Обращение к ним может напомнить, что пора прекратить оплачивать эти услуги. В принципе, у любого вида бизнеса могут быть клиенты, которые негативно реагируют на контакты, которые они считают ненужными и назойливыми.

Uplift-моделирование можно использовать не только в прогнозировании откликов и оттока.  Этот аналитический метод можно использовать для определения того или иного предложения клиенту, какой из продуктов или услуг предлагать, выбор между контактом или отсутствием контакта, какое предложение сделать клиенту и т.п.  

Способ 5. Управление рисками: не привлекайте убыточных клиентов

Друг занимается мотогонками и пару лет назад попал в аварию на соревнованиях в горах Австрии. Госпитализация, транспортировка и лечение обошлись ему в круглую сумму, но перед поездкой он оформил расширенную страховку для выезжающих за рубеж, и ему удалось все расходы переложить на страховую компанию. Хорошо ли это для него (не авария, конечно, а возмещение расходов)? Несомненно. Но хорошо ли это для страховой – вопрос.

Страховые компании могут более эффективно управлять принятием решений о тарифах, определяя клиентов с большими рисками, чтобы минимизировать коэффициент своих возможных потерь.

Большинство ведущих банков выполняют оценку рисков с использованием прогнозных моделей для принятия решений о выдаче кредитов. Прогнозирование рисков – это возможность снижения издержек.

Сама бизнес-модель страховой компании заключается в том, чтобы максимально эффективно оценить риски, превратив их в возможность получения доходов. Любой бизнес получает конкурентное преимущество, определяя, какие клиенты подвержены рискам и каким. Если бизнес - это «игра с цифрами», то прогнозная аналитика - это способ играть в неё.

Способ 6: выявление мошенничества (фрод). Предотвращайте мошеннические действия и экономьте на это ресурсы

Как показывают результаты исследования, проведенного компанией Forrester, почти половина (42%) топ-менеджеров крупных компаний считают мошенничество вторым по значимости препятствием для роста бизнеса. Век информационных технологий изобилует новыми многочисленными преступными возможностями.

Антифрод-аналитика как инструмент сокращения затрат

  • обнаруживает мошеннические действия за счёт более точного определения возможных подозрительных транзакций

  • требует меньшего количества специалистов за счет использования аналитического модуля

Обнаружение мошенничества в момент попытки или как можно скорее после его совершения - это путь к сокращению затрат. По сути это прогноз, является ли транзакция мошенничеством. В каких-то случаях аналитический блок определяет и блокирует транзакции онлайн. В остальных  выделяется какое-то время для проведения расследования, возмещения убытков и нахождения виновных.

 


10 сентября 2018г. / Индустрия 4.0
339 | Обсудить в   
Еще по теме
Дао внедрения СУЗ

Дао внедрения СУЗ

Всегда продавайте услуги по внедрению системы управления знаниями (СУЗ) как можно дороже. Гуру говорил: «То, что достается дёшево, не может цениться высоко». Заказчик, который не ставит перед собой цели повысить эффективность и улучшить свой бизнес, не должен тратить деньги на внедрение СУЗ.

18
Робот-гуманитарий

Робот-гуманитарий

Искусственный интеллект и машинное обучение, их возможности и перспективы сегодня не обсуждает только ленивый. Технологии на их базе сегодня применяются во множестве областей: медицине, аналитике, обработке изображений, промышленном производстве, управлении дорожным движением и в беспилотных автомобилях, наконец - в бытовых задачах, с которыми мы сталкиваемся ежедневно и по много раз.

141
Будущее блокчейна в логистике. Мировая колея

Будущее блокчейна в логистике. Мировая колея

Блокчейн-технология идеально подходит для сферы логистики: по крайней мере, так все сейчас выглядит. А что же дальше? Во что может развиться технология? Что от нее ждать? Как помочь этому развитию? Что вообще можно сделать для того, чтобы светлое чейновое будущее наступило в области перевозок быстрее?

228