Автореферат (1137939), страница 4

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

Текст из файла (страница 4)

В21результате факторного анализа методом главных компонент и последующимортогональным вращением варимакс данных параметров с использованиемпакета IBM SPSS Statistics было выделено 9 факторов (таблица 2).111213141516171819202122232425Фактор910Фактор89Фактор745678Фактор63Фактор5Регион проведения = РФРегион проведения = КазаньРегион проведения =интернет - магазинТип = аддитивныйТип = мультипликативныйТип = скидкаТип = специальнаяТип = подарокТоварная категория = 1(телефоны)Товарная категория = 2 (фотои видео)Товарная категория = 3(ноутбуки)Товарная категория = 4(аксессуары)Товарная категория = 5(платежи)Товарная категория = 6(фин.услуги)Товарная категория = 7(прочие товары)Товарная категория = всетоварыНачисление от 1000 до 10000балловНачисление от 10000 до 25000балловНачисление свыше 25000балловКоэффициент начислениябаллов от 2 до 5Коэффициент начислениябаллов от 5 до 10Коэффициент начислениябаллов свыше 10Численность рассылки до30000Численность рассылки от30001 до 60000Численность рассылки свыше60000Фактор412Фактор3Название параметра,характеризующегомаркетинговыемероприятияФактор2NФактор1Таблица 2.

Матрица повернутых компонент-.245.443-.074.422-.052.230-.041.445.620-.016-.066.492.307-.043.531.045-.190.294.902.118-.118.036-.050-.178.038-.151-.035.112.118.900.247.485.625.391.143.009-.267.125.109.066-.031.078.300.807.030-.078.047.578.034-.235-.087.290-.051-.016.169.881.394-.087.393-.059-.029.022.237.008.106-.054-.195.260.015-.038.092.493.001.158.873-.072-.097-.044.155-.166-.067.078-.160.761.255.357-.145-.079.164.105.439.456.005.009-.229-.185.516.030.337-.096-.036.820.095-.185.215-.009.149.229-.288.299.321.321-.043.203-.136-.100.683-.014.154.031-.001.227-.055.071.895.004.612-.149-.486.172.106.413-.032-.240-.185.691.198-.325.352.122.373-.088-.010.025.130.818-.068.301-.215-.040-.051.195.274-.036.028.594.173.579-.059-.158-.125.043.025-.140-.093-.044.845.012.032.193.011.189.054.071.935.025-.022-.150-.045.145-.069.039.021.039.068-.002.937.103-.051-.044.841.097-.098-.051.011.241.001-.233-.275-.352.189.477.057-.001.222.313.498.809.054.160.056.167.370.025.023-.043.527.733-.068.219.000.142-.068-.056.00422Полученные факторы содержательно можно отнести к трем группам:факторы, характеризующие специальные маркетинговые мероприятия попродвижению определенной категории товаров (номера 3, 6, 7, 8 и 9);факторы, характеризующие маркетинговые мероприятия на продвижениепокупок в выбранном канале продаж – интернет магазин или конкретныйрегион (номер 1 и 2 соответственно);факторы,характеризующиемаркетинговыемероприятияпотипумеханики, не относящиеся к конкретной категории товаров – массовыемероприятия с небольшими бонусными начислениями и премиальныемероприятия с начислением 25000 бонусных баллов и выше (номера 4 и 5соответственно).С использованием пакета EViews был проведен анализ зависимостиинтенсивности переходов, величины среднего чека и частоты покупок отвыявленных факторов: построены диаграммы рассеяния, матрицы корреляциии кросс-коррелограммы для выявления временных лагов.

В результатепроведенного анализа было выявлено влияние внешних и внутренних факторовна интенсивность межкластерных перемещений клиентов и внутрикластерныепоказатели покупательского поведения (частота покупок, средний чек). Такжеопределенхарактермежкластерныхперемещений,независящихотпроводимых маркетинговых мероприятий и влияния рынка.Внешнее воздействие рынка:1.Изменение численности кластеров клиентов происходит за счетпритока новых клиентов, а не межкластерных переходов.2.С течением времени интенсивность притока новых клиентов в каждыйкластер снижается.3.Выявлены причины отрицательной динамики притока новых клиентовв период с 07.2008 по 10.2008г.

(мировой финансовый кризис).23Внутреннее воздействие маркетинговых мероприятий компании:1.Выявленовлияниепроводимыхкомпаниеймаркетинговыхмероприятий на интенсивности перехода клиентов между кластерами, притокновыхклиентов ивыбытиесуществующих,атакжена показателипокупательского поведения группы клиентов: средний чек и частота покупок.2.Существуетотложенноевлияниепроводимыхмаркетинговыхмероприятий на исследуемые показатели (до 3 месяцев).Межкластерные перемещения клиентов, обусловленные изменениемсобственных потребностей клиентов вне зависимости от внешнего мира:1.На этапе формирования клиентской базы интенсивность переходовклиентов между кластерами высока.2.Стечениемвременимежкластерныеперемещенияклиентов,вызванные только изменением собственных потребностей клиентов, снижаютсяи стабилизируются на постоянном уровне.На основе полученных данных построены линейные регрессионныемодели зависимости частоты покупок, среднего чека и интенсивностимежкластерныхпереходовмаркетинговыемероприятия,клиентовсотфакторов,отложеннымхарактеризующихвлияниеммаркетинговыхмероприятий на зависимые переменные.

Было построено 23 модели: 5 моделейдля прогнозирования частоты покупок внутри кластеров, 5 моделей дляпрогнозирования среднего чека клиентов внутри кластеров и 13 моделей дляпрогнозирования интенсивности межкластерных переходов клиентов.Общий вид полученных регрессионных моделей для внутрикластерныхпоказателей покупательского поведения, а также потока прихода новых и93iiвыбытия старых клиентов имеет вид: Yt  Сonst   C j  Fact  j (13), где Yti 1 j 0i– значение зависимой переменной в момент времени t, C j - значениекоэффициента регрессии для фактора i (максимум равен 9), взятого с лагом j24i(максимум равен 3), Fact  j - значение фактора i, смещенное от t на величинулага равного j.Все коэффициенты полученных 23 моделей в большинстве своем высокозначимы (уровень значимости от 0,0001 до 0,0933).

Показатели качествамоделей: R2 принимает значения от 0,39 до 0,96, при этом 18 моделей из 23имеют показатель R2 более 0,7, показатель Дарбина – Уотсона от 1,11 до 2,54.Проведена проверка точности прогнозирования построенных моделей длярасчета частоты покупок, среднего чека и численности клиентов по кластерам(15 моделей) на интервале с 03.2011 по 03.2012 (12 месяцев).

Точностьпрогнозирования для величины среднего чека по кластерам находится впределах от 72% до 95%, для частоты покупок по кластерам – от 68% до 99%,для численности кластеров клиентов - от 73% до 94%. При этом точность 10 из15 моделей составляет более 85%.Для ряда показателей полученные модели недооценивают динамикуизменения параметра по сравнению с фактическими значениями, что можетбыть связано с появлением новых внешних факторов, которые ранее неоказывали влияния на интервале оценки параметров модели.

Для устраненияданного недостатка рекомендуется проводить регулярный анализ влияниявнешних факторов на покупательское поведение кластеров клиентов и учет ихпри моделировании покупательского поведения.На основе полученных моделей сформулирована следующая стратегияуправления численностью выделенных клиентских кластеров:для привлечения новых клиентов наиболее эффективны маркетинговыемероприятия, направленные на продвижение наиболее популярныхкатегорий товаров и услуг, предлагаемых компанией;для удержания клиентов необходимо осуществлять кросс-продажинепрофильных товаров, финансовых услуг и покупок в интернет-магазине.Информационно-логическая модель оптимального управления клиентскойбазой компании на основе покупательского поведения групп клиентов25формализует предложенный подход для управления клиентской базойкомпании и последовательность решаемых задач и методов, используемых дляих решения (рис.6).Расчет ключевых показателей клиентской базыВремя“cна”Время“жизни”ЧастотапокупокСреднийчекКластеризация клиентской базыМетод K-средних“K” непересекающихсякластеров клиентовПостроение моделидоходов по кластерамПостроение моделичисленности по кластерамПостроение моделирасходов по кластерамРасчет показателя долгосрочной стоимостиклиентской базыАнализ маркетинговой деятельности компании“N” факторов, характеризующихмаркетинговые мероприятияПостроение регрессионноймодели показателейдоходности кластеров отмаркетинговых мероприятийПостроение регрессионноймодели показателейинтенсивностей переходов отмаркетинговых мероприятийПостановка задачи оптимального управленияклиентской базойНахождение оптимального решения задачиуправления клиентской базойРисунок6.Информационно-логическаямодельуправлениякомпании на основе покупательского поведения групп клиентов26клиентскойбазойДля решения оптимизационной задачи разработана надстройка в пакетеMicrosoft Excel.

Для поиска оптимального решения необходимо указатьначальноезначениепрогнозирования,количествавеличинуклиентовставкивкластерах,дисконтированияиинтервалбюджетногоограничения для каждого периода времени на интервале планирования.С использованием данной надстройки было найдено оптимальное решениерассматриваемой задачи управления клиентской базой компании.

Данноерешение позволило увеличить расчетное значение долгосрочной стоимостиклиентской базы на интервале прогнозирования с 03.2011 по 03.2012(12 месяцев) с 5,28 до 6,35 млрд рублей, т.е. на 1,07 млрд рублей или на 20,3%.Стратегияоптимальногоуправленияклиентскойбазой,согласнонайденному решению, заключается в следующем:1.Концентрациянапроведениимаркетинговыхмероприятийпорассматриваемому региону – Казань (фактор 2).2.Продвижение дополнительных товаров и услуг: ноутбуки, планшеты(фактор 7) и финансовые услуги (фактор 8).3.Привлечение новых клиентов за счет проведения маркетинговыхмероприятий на профильные товары компании (фактор 3).4.Постепенное увеличение интенсивности проведения маркетинговыхмероприятий с увеличенным начислением баллов (фактор 5).3.РЕЗУЛЬТАТЫ И ВЫВОДЫ ИССЛЕДОВАНИЯВходепроведённогоисследованиябылиполученыследующиерезультаты:1.Предложен подход к кластеризации клиентской базы компании наоснове покупательского поведения групп клиентов, характеризующегосячастотой покупок, средним чеком, общим временем взаимодействия клиента скомпанией, давностью последней покупки.272.Разработан комплекс динамических моделей для прогнозирования:a.

Характеристики

Список файлов диссертации