Автореферат (1137939), страница 2

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 2)

Один из ведущихспециалистов в области бренд - менеджмента профессор Д. Аакер определяетлояльность как «меру приверженности потребителя бренду». Я. Хомфри иБ. Райс, в свою очередь, выделяют три типа лояльности: приверженность,поведенческая лояльность и смешанный тип.В зависимости от типа лояльности выделяют несколько подходов дляоценки показателя лояльности каждого клиента. Поведенческая лояльностьхарактеризуется количеством повторных покупок (Ф. Райчхелд, П.Фадер,Б.Харди и К.Л.

Ли) и долей кошелька клиента (Д. Аакер, Я.Хофмейр и Б.Райс).Приверженность оценивается расчетом балльного показателя лояльностиклиента к компании на основе проведенных опросов клиентов. К такиммоделям относятся конверсионная модель (Я.Хофмейр и Б.Райс), методикаЛамбена для оценки степени удовлетворенности клиента (Ж.-Ж. Ламбен) иметодика SERVQUAL для оценки степени удовлетворенности качествомобслуживания (А.Парасураман, В.Зайтхамл, Л.Берри). Область примененияданных оценок – анализ текущего состояния клиентской базы. Однако данныепоказатели не позволяют прогнозировать состояние клиентской базы на9будущем интервале времени, поэтому не могут быть использованы дляразработки долгосрочной стратегии предприятия.Такимобразом,анализмоделейуправленияклиентскойбазой,построенных на основе показателя лояльности, выявил следующие ограниченияпо их применению:1.Расчет на основе ретроспективных данных не позволяет строитьпрогнозы на долгосрочном интервале времени.2.Не учитываются затраты компании на привлечение и обслуживаниеклиентов.Для преодоления ограничений моделей, базирующихся на основепоказателялояльностиклиентов,рассмотренныхвыше,используетсяпоказатель долгосрочной стоимости клиента (CLV – customer lifetime value).Долгосрочная стоимость клиентов определяется как совокупность чистогодохода, ожидаемого от клиента в будущем (П.Бергер, Н.Наср).Выделяют несколько групп моделей управления клиентской базой наоснове показателя CLV:1.Регрессионные модели (М.Берри и Г.Линофф, Э.Малтхаус иР.Блатберг), в которых задача управления клиентской базой сводится к задачеопределения клиентов, обладающих максимальной CLV, с целью ихпоследующего поощрения за лояльное поведение.

К ограничениям данноймодели относят, в первую очередь, высокую чувствительность к исходнымданным и отсутствие инструментов управления со стороны компании, т.е. нерассматривается зависимость CLV от маркетинговой активности предприятия.2.Вероятностныемодели:NBD–модель(NegativeBinomialDistribution – отрицательное биномиальное распределение) (А. Эхренберг,Д.Шмитляйн, Д.Моррисон и Р.Коломбо), Парето/NBD-модель (П.Фадер,Б.Харди и К.Л.Ли). Основная задача управления заключается в определениивероятности совершения клиентом покупки в следующий период времени сучетом истории его транзакций в прошлом.

Ограничениями использования10вероятностных моделей являются сложность оценки параметров модели ичувствительность к исходным данным.3.Модели марковских цепей (Ф. Пфайер, Р.Карравей)В своей работе Ф. Пфайер и Р.Карравей рассматривают поведениеотдельного клиента в течение выделенного периода времени как марковскийпроцесс. Исследователи выделили пять возможных состояний нахожденияклиента в зависимости от вероятности совершения им покупки. Переходклиента из одного состояния в другое зависит от величины интервала времени смомента последней покупки (рис. 1).1-P111-P21-P332P2P31-P445P5P4Рисунок 1. Жизненный цикл клиента в компанииМаркетинговые службы компании взаимодействуют с клиентом длястимулирования покупательской активности.

При этом компания несет расходына данные коммуникации в размере r. Таким образом, модель оценки параметраCLV за время T имеет следующий вид:TV   1  d  P t RTt 01(1)где P – матрица pij вероятностей того, что давность покупки клиента в момент tравна j при условии, что в начале периода давность покупок равнялась i; R –вектор, характеризующий величину маркетинговых расходов (ri) на клиента взависимости от показателя давности покупок клиента; T – величина интервалавремени, за который рассчитывается показатель долгосрочной стоимостиклиента; d – коэффициент дисконтирования.В качестве предложенного инструмента оптимизации расходов в моделипредполагается сократить расходы на маркетинг в случае нахождения клиента в11определенном состоянии. Тем самым, вырабатывается оптимальная стратегиявзаимодействия с клиентом в зависимости от текущего состояния клиента. Т.е.оптимизация расходов на клиента осуществляется за счет изменения вектора R.Такимобразом,анализмоделейуправленияклиентскойбазой,построенных на основе показателя долгосрочной стоимости клиента, выявилследующие ограничения по их применению:1.Задача управления решается для каждого клиента в отдельности, а недля группы клиентов.2.Модель покупательского поведения зависит только от величинымаркетинговых расходов.

Не учитывается профиль клиента и влияние способакоммуникаций с клиентом.Во второй главе рассмотрен подход к оптимизации управленияклиентской базой компании с учетом кластеризации клиентов на основе ихпокупательской активности и социально-демографических характеристик, иразработана комплексная динамическая модель управления клиентской базойкомпании.Разработка комплексной динамической модели управления группамиклиентами состоит из следующих этапов.Этап 1. Кластеризация клиентской базы.

Клиентская база компании неявляется однородной и представляет собой непересекающиеся между собойкластеры. Каждый кластер характеризуется рядом показателей: доходами,получаемыми от клиентов, расходами на привлечение и удержание клиентов,временем взаимодействия клиента с компанией, показателем давности покупок,категорией покупаемых товаров.Этап 2. Моделирование потока перемещения клиентов внутри клиентскойбазы как марковской цепи.

Для моделирования процессов перемещенияклиентов внутри клиентской базы были введены следующие предположения:клиентская база компании динамически обновляется за счет постоянногопритока новых клиентов и выбытия клиентов, зарегистрированных в базеранее;12каждый новый клиент в зависимости от его характеристик автоматическипопадает в один из выделенных на этапе кластеризации кластеров;в течение жизненного цикла происходит изменение покупательскогоповедения клиента, что обуславливает его перемещение из одного кластерав другой или прекращение взаимодействия клиента с компанией.Тогдадинамикаформированиякластеровможетбытьописанастохастическим процессом, где перемещение клиентов внутри клиентской базыкомпании представляется в виде марковской цепи, состоящей из K+1-госостояния. Состояния с 1 по K характеризуют один из выделенных клиентскихкластеров со своими покупательскими характеристиками: частота покупок,средний чек, количество месяцев с первой покупки и количество месяцев споследней покупки, а состояние K+1 характеризует внешний мир.

Переходымежду состоянием К+1 и другими состояниями марковской цепи возможны влюбых направлениях.Тогда граф переходов для описанной выше марковской цепи представляется вследующем виде (рис. 2).Рисунок 2. Перемещения клиентов внутри клиентской базыПорядок полученной марковской цепи определяется в зависимости отхарактера влияния предыстории взаимоотношений клиента и компании набудущее поведение клиента (рис. 3), которое может быть:13Невыявленное, т.е. прошлый опыт общения с компанией нивелируетсятекущим взаимодействием, и принятие решения о покупке совершается наосновании текущего опыта, а не прошлого.Частично зависимое от опыта на ограниченном интервале времени.Иными словами, предполагается, что при принятии решения клиентруководствуется своим опытом взаимодействия с компанией на некоторомограниченном временном интервале.

При этом полученный опыт можетиметь как негативный, так и позитивный характер.Полностью зависимое от прошлого, т.е. клиент помнит всю историювзаимоотношения с компанией, и его будущее поведение учитывает весьэтот опыт.Возможные варианты показаны на рис. 3 а; б; с.а)б)с)Рисунок 3. Влияние предыстории взаимоотношений клиента и компании на будущееповедение клиентаВслучаевзаимоотношенийневыявленногоклиентаихарактеракомпаниивлиянияперемещениепредысторииклиентавнутривыделенных кластеров описывается с помощью марковской цепи 1-го порядка.В случае частичного влияния предыстории взаимоотношений клиента икомпании используется модель прогнозирования численности клиентской базыкомпании, в основе которой лежат цепи Маркова n-го порядка.

В ситуацииполной зависимости покупательского поведения клиента от предыстории еговзаимодействия с компанией задача прогнозирования сводится к построениюмодели, относящейся к классу моделей с последействием.14Вданнойработерассматриваетсятолькослучайневыявленнойзависимости влияния прошлой истории взаимодействия клиента и компаниина будущие покупки клиента, т.е. процесс перемещения клиентов внутривыделенных клиентских кластеров описывается как цепь Маркова 1-гопорядка.Этап 3.

Разработка модели прогнозирования численности клиентской базыкомпании по кластерам. Для аналитического представления динамикиизменения численности клиентской базы компании может быть использованамодель движения кадров Староверова О.В.. В этом случае модельпрогнозирования численности кластеров клиентской базы имеет следующийвид:N t  N t 1  R  N t 1  Р T  R  N t 1  c2  c1 (2)где: Nt – численность кластеров в момент времени t (вектор); Nt-1 – численностькластеров в момент времени t-1 (вектор); R = {δijri} матрица интенсивностейвыходов клиентов из кластера i, где δij – символ Кронекера; PT = {pij} –транспонированная матрица вероятности нахождения индивида из кластера i вкластере j; t – интервал времени, за который производится расчет численностикластеров; с1 и с2 – вектора выбытия и прибытия клиентов соответственно.Для оценки параметров модели используется матрица привлечения ипотери клиентов (таблица 1), где на пересечении указано количество клиентов,перешедших из кластера i в кластер j.Таблица 1.

Характеристики

Список файлов диссертации