Кейсы

Интернет-магазины — горе-советчики.

2

Сегодня, я бы хотел поговорить о системе рекомендаций, реализованных в некоторых Интернет-магазинах. Если Вы еще не понимаете о чем я, тогда давайте приведу простой пример. Например, зашли Вы в описание некоего товара, внизу маленький ползунок с иконками товаров с надписью: «C этим товаром покупают также». И если Вы думаете, что цель этой подсказки в том, чтобы Вам посоветовать что-то полезное, то в большинстве случаев Вы ошибаетесь. Есть, конечно, исключения,и я считаю эти исключения, действительно правильным маркетингом, то есть в первую очередь все исходит из потребности клиента, а во вторую из материальной выгоды для фирмы.

Зайти, например, на сайт KupiVIP, набирающий в последнее время популярность. Моя жена выбирает, например, кольца. А ей рекомендации, с этим товаром покупают также, Вы не поверите, те же самые кольца немного с другим дизайном и такая же надпись «Покупают также». Ок, я согласен, что многие женщины могут брать не одно кольцо, а сразу 2, если это дешевая бижутерия. Но если это кольцо стоит огромных денег? Может лучше рекомендовать другие аксессуары с подобным дизайном? А на самом деле оно происходит так: жена сначала заходит в кольца, ей рекомендуют другие кольца. Потом она заходит в серьги и говорит мне, а помнишь я колечко смотрела, к ним даже сережки есть. Только от момента одного события, до второго прошло минут 10-15. Она уже может и забыть, что колечко смотрела именно с этим дизайном.

Или другой пример, wikimart. Тут еще лучше. Захожу смотреть на жесткий диск, а мне внизу рекомендация «Помимо жесткого диска на Викимарте можно купить стиральные машины — модель такая-то, плита- модель такая-то, варочная поверхность — модель такая-то. Я понимаю, что компании важно заработать деньги, но мне-то нужен жесткий диск. Что Вы можете узнать обо мне, если я ищу жесткий диск. Правильно, у меня как минимум есть компьютер. предложите мне лучше аксессуары на компьютер. Зачем мне стиральная машина, которая стоит в 5 раз больше товара, который меня интересует?

То есть то, в какой товарной категории я нахожусь на сайте, вообще никак не анализируется. Но зато советы раздаются с целью заработать денег. Ну неужели не понятно, что это не будет работать.

Есть другой положительный опыт. Покупал зеркальный фотоаппарат. Мне с магазине естественно предложили чехол, светофильтр, бленду, карту памяти и т.д. Увеличили чек на 20% (А это около 5 тыс. руб., неплохо за 2 минуты разговора со мной?).

Хочу заметить, мне не предлагали купить еще один зеркальный фотоаппарат, не предлагали обратить внимание на холодильники, мне предложили именно те аксессуары, в которых я больше всего нуждался. Пожалел ли я что стал жертвой маркетинга, ни капельки. Я сэкономил время. Вернусь ли я в этот магазин второй раз и буду ли я рекомендовать его своим друзьям и знакомым — непременно. Если Ваша задача продать один раз, то это вопрос цены, если ваша задача еще увеличить частоту покупок и лояльность клиента, это уже несколько шире задача. Ваш клиент должен быть доволен даже несмотря на то, что он заплатил больше.

Поэтому господа аналитики, продумывайте свои сценарии коммуникации с клиентом заранее. Ну не работают Ваши сценарии с теми товарами, в которых не нуждаются клиенты. Варьируйте коммуникацию. Пробуйте другие варианты — например, «возможно Вы заинтересуетесь в этой модели или в этой модели из той же категории». Понятно товары могут быть с большей маржой для интернет-магазина, но они должны также сулить выгоду для клиента. Например, иметь лучшее качество.  Если Вы своим клиентам пытаетесь впарить какой-то товар без разъяснения почему он лучше, это никогда не сработает. В интернет-магазинах это можно также с легкостью реализовать.

Я уже даже привел пару примеров той коммуникации, которая была бы интересна. И поверьте мне, я не исключение. Вы должны ставить клиента на первое место, т.е. быть клиентоориентированными, а вот дальше уж делайте акценты на своих внутренних приоритетах (большую маржу получайте от такой-то марки, лучше предложить более дорогой товар и т.д.).

Но не все так плохо. Есть, например, в рунете исключение в виде Ozon-а.  Варьируется сама коммуникация. Они и рекомендуют что-то купить и показывают на основе статистики просмотров, тот товар который просматривают вместе с основным товаром наибольшее количество раз. Конечно, немного смазалось впечатление, что мне вместе с баскетбольным мячом порекомендовали обратить внимание на электронные сигареты с уровнем поддержки 6%. Ну да ладно, спишем на то, что компания за здоровый образ жизни)).

Конечно, странно, что построение аналитики с нуля на ozon-е и на wikimart приписал себе один и тот же человек. Ну видимо, еще не хватило времени на то, чтобы привести все в порядок на wikimart-e.

Ну что же, будем надеяться, что когда-нибудь и wikimart будет нам рекомендовать правильные вещи.

Если Вы задумываетесь над системой рекомендаций, но не знаете с чего начать и как это лучше реализовать, свяжитесь со мной, возможно, я смогу быть Вам полезным.

Удачи Вам!


Оптимизируем бюджет на исследования

0

Сегодня мы с Вами поговорим еще об одной обязанности аналитиков. Проведение маркетинговых исследований. И если проведение кабинетных исследований дело необходимое и дешевое для компании и тут основными проблемами скорее является фильтрация данных, выбор достоверных источников, разработка методологии и также перевод качественной информацию в количественную, то с проведением внешних маркетинговых исследований добавляется самый сдерживающий фактор — это бюджет исследования. И тут в зависимости от портфолио контрагента, целей исследования, выборки, можно выложить от много тысяч до многих миллионов рублей. А качество исследования может вызывать сомнения.

Давайте я Вам расскажу о собственном опыте оптимизации бюджета на внешние исследования. Возможно, мой опыт будет полезен Вам. Что самое главное для аналитика при проведении маркетинговых исследований? Правильно, данные. Так вот сбор данных мы и отдавали на аутсорсинг в части анализа клиентской базы конкурентов. Все остальное проводилось по большей части с помощью собственного call-центра.

Бриф исследования, разработку методологии, анкеты и анализ полученных результатов я брал на себя. А вот сбор данных, их фильтрацию отдавал на аутсорсинг. Конечно, в тех случаях, где это было целесообразно. Ряд исследований полностью перешли в разряд собственных.

Задумайтесь и Вы, могли бы Вы проводить исследования своими силами? Ведь сколько у нас незагруженных call-центров по России. А модные слова исследовательских агентств по поводу методологии проведения исследований иногда под собой не имеют никаких оснований.

Давайте попробуем разобраться когда это целесообразно при проведении телефонных интервью.

1. У вас есть собственный штат аналитиков и компетентных специалистов, которые могут составить бриф на проведение исследования, разработать методологию, анкету, имеют опыт обработки больших массивов информации, возможно владеют SPSS или другим статистическим пакетом.

2. Стоимость контакта с абонентом через исследовательское агентство явно превышает стоимость контакта call-центра «за углом». Либо Вы имеете свой дешевый канал коммуникации с абонентом (например, личный кабинет на web-портале).

3. Наличие собственного ПО для проведения исследования (автоматизация переходов по вопросам и т.д.). Хотя не всегда обязательно, для простых анкет можно обходится и Excel.

Если все эти условия соблюдены, задумайтесь, возможно, именно эта статья станет для Вас следующей в списке статей, направленных на оптимизацию затрат.

Удачи в оптимизации бюджета затрат на исследования!


Снижаем отток

0

Сегодня я Вам расскажу небольшую историю о том, как нам удалось сократить отток абонентов. Данный кейс был решен в телекоммуникационной компании, но думаю такой подход применим в любой компании, в которой происходит ежемесячное обслуживание на постоянной основе за определенную плату.

Довольно продолжительное время я занимался разработкой новых тарифных планов по широкополосному доступу в Интернет. И каждый раз при выводе новой линейки тарифных планов, вставал вопрос, как ограничить переток на новую линейку тарифных планов существующих пользователей. И если в рамках высокодоходных тарифных планов, я Вам уже рассказывал свой подход удержания ARPU, то ограничить переток на низкодоходные тарифные планы или переток на конкурентов, было довольно проблематично.

Вначале, конечно, существовала возможность ограничить переток между тарифными планами за счет введения увеличенной платы за смену тарифного плана, но после того как были введены новые правила оказания услуг связи, юристы нашей компании оставались непреклонны — платы за смену тарифного плана быть не должно. На этой поправке мы потеряли больше 60 миллионов рублей в год только от платы за переход, не говоря о том, как увеличился переход между тарифными планами в период кризиса. Абоненты стали оптимизировать свои расходы. Но и это было не самое страшное. Очень сильно стала нарастать конкуренция в крупнейших городах, что несомненно приводило к увеличению оттока. И хотя на фоне общих продаж он был не таким заметным, тенденция была не очень приятная для нас. Churn Rate увеличивался.

И тут мы нашли выход.

Конечно, в мировой практике данный подход не новый, им довольно часто пользуются крупнейшие телекоммуникационные гиганты, но для нашей страны, такой подход был скорее в новинку и куда он приведет нам было мало известно. Даст ли он ожидаемый нами результат.

Что было сделано. Была введена линейка «срочных» тарифных планов, которые были ниже по стоимости основной линейки, но в которой была обязанность пользоваться безлимитными тарифными планами компании в течение года. Предложение не ограничивало переход между безлимитными тарифными планами, так как удавалось сдерживать ARPU, но оно ограничивало переход на тарифные планы с оплатой по трафику (как раз тарифные планы с минимальным ARPU) и от перетока пользователей к конкурентам.

Вначале % пользователей, заключающих данное соглашение был не очень высоким — порядка 25%, но в дальнем процент таких пользователей начал увеличиваться и число новых абонентов, подключающихся на новые тарифные планы начал расти. Кроме этого на портале самообслуживания по смене тарифных планов мы ввели возможность выбора срочного договора, абонент ставил «галку» о согласии, а ему в квитанции приходил полный текст соглашения вместе со счетом об оказании услуг связи, что и являлось документом, подтверждающим согласие абонента.

А результат превзошел все наши ожидания: если среди пользователей заключающих обычные договоры в первые пол года, процент оттока достигал 20%, то среди абонентов, заключающих срочные договоры процент оттока не превосходил и 5%.

Так что, если у Вас увеличивается отток клиентов, присмотритесь к данному инструменту. Может быть Вы сможете модернизировать данный подход для своей отрасли.

Желаю удачи в применении!


Опыт внедрения Oracle BI

0

Помните, когда я говорил про разработку методологии сегментации, то упомянул о том, что после внедрения методологии сегментации мы подошли к внедрению BI. Сегодня я поделюсь опытом внедрения и расскажу через какие этапы мы проходили.

В то время я работал уже в Генеральной дирекции одной из крупнейших телекоммуникационных компаний России. Еще, работая в филиале пришло осознание, что необходим мощный аналитический инструмент по формированию отчетности, что он должен помочь с событийным маркетингом (ответные меры реагирования, на какие-то определенные события). У нас в тот момент был Oracle Discoverer, позже мы перешли на Oracle Olap (надстройка в Excel). Инструменты позволяли выгружать данные из транзакционных систем, и на основе технологии OLAP (online analytical processing — аналитическая обработка в реальном времени) строить отчеты в необходимом для анализа данных в разрезе. Но это все было не то, что нас, как аналитиков бы устраивало. Чувствовалась какая-то урезанность платформы. Так как мы участвовали в разработке и оценке эффективности всех маркетингивых инициатив, то детализации данных для оценки рисков перед запуском маркетинговых кампаний не хватало, приходилось делать дополнительные запросы в блок IT для выгрузки более детализированной информации. В этом плане, конечно, Discoverer выигрывал по всем статьям, но проигрывал по дружелюбности интерфейса. В общем хотелось решительно какого-то прорыва. В то время разработка и унификация предиктивных моделей была завершена. И напрашивалась какая-то автоматизация, потому что времени на то, чтобы обновить прогнозы уходило много, но отчасти 90% времени уходило не на анализ данных, а именно на их извлечение в необходимом формате.

Перейдя в Генеральную дирекцию, я начал превращать задуманный проект в жизнь. Сразу отбросили мысль нанимать каких-то теоретиков-консультантов (пишу в негативном ключе, потому что практиков, к сожалению не очень много), а делать верхнеуровневые требования к системе самостоятельно. Получился небольшой документ, в котором четко прописывалось то, что хотелось реализовать. С этими требованиями и пошли в блок IT. Надо сказать, что они очень обрадовались, так как формирование такого документа сторонними силами, нам бы обошлось в несколько миллионов рублей. Мне конечно, было не важно сколько мы сэкономили, а важно что мы получим в итоге.

Какие модули в системе мы планировали реализовать:

— Модуль отчетности (вся управленческая отчетность) и аналитики (Сегментация клиентской базы, оценки маркетинговых кампаний)

— Модуль внутренних и внешних исследований (по сути портал, на котором аккумулируются исследования)

— Модуль планирования/бюджетирования/прогнозирования

После того, как требования мы сформирования, начался этап выбора вендора. Рассмотрели несколько вендоров, которые на взгляд нашего IT могли бы решить данные задачи. Это много позже я узнал все линейки продуктов ведущих вендоров для задач маркетинговой аналитики и могу четко сказать, какой продукт можно использовать для решения конкретной задачи. Но тогда это был такой для нас туман, поэтому пришлось выбирать из того, что предлагал блок IT.

Среди основных были Microsoft, SAS, Oracle. Смотрели еще пару самописных систем от каких-то разработчиков, но это отмели на этапе изучения функционала.

Дальше сделали workshop-ы. В финал тендера вышли 2 вендора, которые и приехали к нам на демонстрацию своих продуктов для коммерсантов и топ-менеджеров. Это были SAS и Oracle. Мне, как аналитику со стажем импонировал, конечно SAS. Инструментарий там для аналитика, очень богатый. И сперва даже мы на нем остановились. Но их не очень хорошая политика техподдержки никак не вписывалась в планы компании. техподдержка в евро и фиксируется. От нее невозможно отказаться в принципе. Наш блок IT был достаточно продвинут, чтобы осуществлять тех.поддерку после года эксплуатации системы самостоятельно. Поэтому в долгосрочной перспективе это бы ухудшило показатели компании. Поэтому как мы не пытались исключить этот пункт из коммерческого предложения, так это и не сделали.

Поэтому методом исключения остался Oracle BI. Чем мне не нравился этот инструмент, да и пожалуй сейчас не очень нравится, так это только тем, что позволяет решить только первую и вторую часть, третью несколько коряво, но при большой любви и желании можно и это осуществить.

Затем был выбран интегратор. И проект закипел.

Сумму сделки не буду озвучивать, но она составляла несколько десятков миллионов рублей.

Сначала все шло хорошо. Но затем появился на проекте главный архитектор со стороны интегратора. Мы формировали требования к репозитарию, указывали все показатели и в каких разрезах нам интересны. Началась долгая фаза согласования этого дела между интегратором и мной. В общем архитектор оказался дядька, так сказать, с «опытом работы в телекоме», поэтому каждое наше требование пересматривалось его опытной рукой. Часть замечаний игнорировалось. В общем мучился, я мучился с ним, в итоге плюнул и все сделал за него. Иначе я понял процесс бы так и встал на месте, потому что тип оказался очень тяжелым. Далее пошла фаза внедрения на стенде интегратора. Вроде как все прошло успешно и вот наступил тот момент, которого я так долго ждал. Переезд на промышленную платформу. Все вроде как тоже прошло успешно. Тесты на длительность формирования отчетности прошли более-менее успешно.

Справедливости ради стоит отметить, что Oracle BI может формировать отчеты довольно быстро на больших объемах информации, но только при достаточно грамотной настройке кэширования.

Первые результаты не впечатлили. Я был огорчен, что 9 месяцев работы прошли впустую. Репозиторий составлен коряво, ту отчетность, которую планировали внедрить просто не могли мы сформировать, так как все показатели были разбросаны по разным предметным областям, а в Oracle BI, к сожалению, нельзя формировать отчеты на основе разных предметных областей. Как это получилось, мне никто так внятно и не ответил. И тут на проекте появился молодой парень, который приехал защищать систему. Ну и конечно получил свою порцию недовольства, которая была высказана мной в адрес того, что нам было представлено в качестве промышленной среды. Что самое удивительное, он быстро сориентировался в ситуации и сделал все необходимые доработки в очень короткие сроки. Базовое обучение, которое нам было проведено, также меня не устроило, так как не отражало полностью функционал системы. Поэтому пришлось сформулировать, что конкретно необходимо было освятить на обучении для коллег. И с этим заданием он с легкостью справился. Жалко конечно, что он подключился к проекту в самом конце. Работа с ним доставила удовольствие, с его стороны был продемонстрирован высокий уровень профессионализма. Конечно, он сам мне потом позже признался, что некоторые вещи он от меня услышал впервые. Но он не стушевался и быстро сориентировался, за что ему отдельное человеческое спасибо!

Надеюсь, мой опыт для кого-то может быть полезным.

Этапы, через которые Вам предстоит пройти, можно обозначить следующим образом:

1. Формирование требований к системе

2. Выбор вендора

3. Выбор интегратора

4. Внедрение (обследование, техническое задание, доработка, внедрение, обучение)

5. Подстройка бизнес-процессов под ограничения системы (если система не все может, что Вы задумали)

6. Тестовый период

7. Этап, на котором Вы можете вернуться к любому из шагов выше, если чем-то остались не удовлетворены. Некоторые доработки могут потребовать дополнительных инвестиций, поэтому грамотно продумывайте все в шаге 1.

8. Этап эксплуатации

9. Этап, на котором Вы можете вернуться к любому из шагов выше, если чем-то остались не удовлетворены. Но за отдельные деньги.

В проекте я выступал в роли главного бизнес-заказчика. Менеджером проекта меня не назовешь, потому что часть бумажной работы я делегировал на блок  IT;-). Только потому, что у меня помимо этого проекта, был большой объем работ, связанный с подготовкой периодической управленческой отчетности, планированием/бюджетированием, разработкой и оценкой эффективности маркетинговых кампаний, со стороны маркетинга я был главным экспертом по внедрению CRM и много еще чего интересного. Но это совсем другие истории.

Надеюсь, кому-то мой опыт может быть полезен. Если у Вас возникли вопросы, пишите мне и я с удовольствием помогу избежать типовых ошибок.

Желаю удачи!


Разработка методологии сегментации

0

Сегодня я хочу поделиться своим опытом внедрения методологии сегментации на предприятии.

Как Вы помните, я рассказывал, что работал в одной из крупнейших телекоммуникационных компаний в России руководителем группы аналитиков и кому как не моей группе пришлось решать задачу сегментации клиентской базы.

Сегодня я Вам попытаюсь вкратце рассказать, через что пришлось пройти при разработке методологии.

Был изучен мировой опыт

Тут конечно очень много подходов от самой продвинутой на мой взгляд сегментации по потребности клиента, до самой простой напрашивающейся в любом случае исторической ценности клиента.

Что послужило предпосылками к внедрению методологии сегментации?

Желание сократить расходы. Дорогие каналы продаж и обслуживания высокодоходным, дешевые низкодоходным.

Направленное продуктовое предложение на разные сегменты не на уровне цены, а именно на уровне подхода к созданию продукта исходя из структуры потребления услуг связи и ряда других характеристик.

Что было результатом работы?

Результатом работы должна была стать методология сегментации, которая должна была быть положена в основу продуктовой политики, системы взаимоотношений с клиентами и биллинговыми системами. Т.е. методология, которая должна была заставить компанию начать жить совершенно по-новому. За этим следовала большая программа трансформации продаж и обслуживания.

Технические средства, которые использовались.

В работе мы использовали доступные на тот момент нам MS Office (Access, Excel) + SPSS.

Трудности, с которыми нам пришлось столкнуться.

Первая самая большая проблема, с который мы столкнулись, это наличие нескольких биллингов в различных региональных филиалах. Часть данных находились в предбиллинагах. Чтобы свести всё это многообразие информации и привести к единому виду нам пришлось долго и упорно все это дело сводить в Access, так как объем данным был настолько велик, что Excel с его ограничением в 1 млн. записей просто отдыхает.

Если бы у нас стояла задача просто разделить клиентов, то наверное на этом этапе мы бы перешли к анализу  информации в Access. Но необходимо, чтобы биллинги стали понимать к какому сегменту относится каждый из клиентов, поэтому совместно с блоком IT при поддержке подразделения продаж нам необходимо было срочно проводить выравнивание биллингов. Что и было сделано.

Теперь самое интересный и творческий этап. Как разделить абонентов. В результате долгого и кропотливого анализа в Excel + Access + SPSS задача была решена.

Отдельно был разработан подход для юр. лиц, который заключался в том, что помимо главной характеристики исторической ценности клиента, были выделены характеристики, которые влияют на структуру потребления услуг связи (географический охват, структура потребления услуг (традиционные, новые)).

База физических лиц также была поделена по исторической ценности. Отдельно была выделена структурная характеристика, которую позже назвали потенциал роста. Т.е. базу низкодоходных физических лиц разбили на тех, кто склонен к росту и тех, кто имеет структуру потребления, которая с высокой долей вероятности не склонна к росту.

Для простоты был применен классический метод k-средних. Использовали мы биллинговые начисления, очищенные от перерасчетов, поэтому наличие выбросов было исключено. Также для исключения фактора сезонности мы брали годовые данные по начислениям.

Применение динамических алгоритмов кластерного анализа, как Вы помните, не очень подходит для решения нашей задачи, так как все-таки задача состояла не в разработке продукта, а в том, чтобы определить верхне-уровневые сегменты.

Кроме этого, мы применили довольно высокий коэффициент сэмплирования (порядка 90-95%), так как некоторые данные по абонентам на наш взгляд вызывали большое подозрение. В 5-10% попала та абонентская база, которая пользовалась услугами меньше года и могла значительно «зашумить»  границы кластеров.

Конечно, можно было бы применить и намного меньший коэффициент, при этом границы сегментов изменялись бы в пределах погрешности. Позже мы проверили данную гипотезу, отклонения по границам в пределах 2-3%. Что навело на мысль, что все-таки наши границы довольно устойчивы. Но сразу мы не решились на этот эксперимент, потому что была гипотеза несколько иная, что структура абонентской базы от филиала к филиалу отличается, тарифы отличаются, что могло привести к некорректному выбору границ сегментов, например исключить один из сегментов в одном из филиалов или другие не очень хорошие последствия. Но к счастью она не подтвердилась.

На этом моя работа над данным проектом была выполнена. Период работы составлял порядка 3-х месяцев. Сама работа по анализу данных и написание методологии не больше 2-х недель. Вот поэтому мы позже и подошли к внедрению BI-системы. Но это уже совсем другая история.

Надеюсь кому-то мой опыт будет полезен. Если у Вас есть какие-то конкретные вопросы присылайте, я на них обязательно отвечу.

Желаю удачи в работе!

Вверх
Яндекс.Метрика