Диссертация (1137940), страница 5

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

Текст из файла (страница 5)

Это, в своюочередь, позволяет выделять больше маркетинговых средств ивремени на обслуживание и сохранение самых ценных из них.Например, если руководство намерено провести кампанию поудержанию клиентов, то ему необходимо иметь представление об ихстоимости. Как правило, большую часть доходов той или инойорганизации обеспечиваетотносительно небольшое количествоклиентов (около 20% всей клиентской базы). Они являются длякомпании самыми ценными, и, следовательно, именно на эту группуклиентов необходимо сделать акцент в предстоящей маркетинговойкомпании для получения максимальной эффективности.Анализ показателя CLV позволяет соотнести прибыль, которуюприносит клиент компании, и те силы и средства, которые былизатрачены на поиск и удержание этого клиента. Иными словами, этопозволяет соотнести характер «профиля» клиента и цели компании –«профиля» идеального для этой компании клиента, а такжеустановить максимальную планку расходов по привлечению иудержанию этих клиентов.Таким образом, показатель CLV позволяет предоставить объективнуюоценку эффективности управления клиентской базы компании, численноизмеримую и сравнимую между собой во времени и в совокупности сдругими компаниями, как того же сегмента экономики, так и различныхотраслей.Анализ существующих моделей управления клиентской базойкомпании на основе показателя CLV.

Следует отметить, что вроссийской практике данный вопрос рассмотрен лишь в нескольких27работах. Поэтому в качестве основы для анализа использовалисьпреимущественно работы зарубежных специалистов. Так, достаточнообширный обзор существующих исследований приведен в работе Дипака иСидтхарта [88], а также в работе Фадера и Харди [96]. Среди работроссийских авторов необходимо выделить исследования Полежаева И.В.[49, 50], Третьяк О.А. и Слоева И.А [58], Крюковой А.А [38].Регрессионные моделиОдин из подходов к управлению клиентской базой компании состоитв построении регрессионных моделей для оценки будущих доходов отклиентов.Обобщенная формула для оценки CLV выглядит следующим образом:g ( y i )  f ( x i )  ei(2)где g(yi) – функция стоимости клиентской базы компании;yi – параметр для расчета CLV клиента;f(xi) – регрессионная функция независимых показателей xi;ei – параметр, определяющий ошибку отклонения реальногонаблюдения от оценки, полученной с помощью данной модели.Данный подход был рассмотрен, в частности, в работах Берри иЛинноффа [77], Малтхауса и Блаттберга [108], Малтхауса [109].Так, в своей работе Малтхаус и Блаттберг [110] для оценки видарегрессионной функции использовали 3 метода:линейнуюрегрессию,построеннуюсиспользованиемметоданаименьших квадратов (ordinary least squares – OLS);линейнуюрегрессию,построеннуюсиспользованиеммодифицированного метода наименьших квадратов (iteratively reweighted least squares - IRLS);метод нейронных цепей.Апробация модели проводилась по данным компаний, работающих в5-ти различных секторах экономики.

В качестве критерия выбора28оптимальной модели использовались вероятность ошибки непоощрениядействительно ценного клиента и вероятность ошибки поощренияобычного (неценного) клиента. Задача управления клиентской базойсводится к задаче определения количества клиентов, обладающихмаксимальной CLV, с целью их последующего поощрения за лояльноеповедение.Ксожалению,несмотрянагибкостьиуниверсальностьрегрессионных моделей, они имеют ряд недостатков, что отмечается вобзорах Дипака и Сидтхатта [88], Фадера и Харди [97]:модель требует адаптации и пересчета основных коэффициентов длякаждой конкретной организации;модель чувствительна к исходным данным и может выдаватьошибочные результаты при незначительных отклонениях в данных;точность прогнозирования резко снижается с увеличением количествапериодов прогнозирования, т.е.

не пригодна для прогнозированияпокупательского поведения на длительном горизонте времени.Вероятностные модели (NBD модель и ее модификации)Следующая группа моделей управления клиентской базой, в первуюочередь,ориентировананарешениезадачиопределенияактивных/неактивных клиентов, т.е. в определении вероятности того, чтоклиент активен и совершит покупку в следующий период времени сучетом истории его транзакций в прошлом. В качестве критерияоптимального управления клиентской базой является распределениефинансовых ресурсов компании в зависимости от вероятности совершенияим покупки в следующий период времени.

В случае если клиентнеактивный, т.е. вероятность того, что он совершит покупку небольшая, тоне имеет смысла тратить ограниченные финансовые ресурсы навзаимодействие с этим клиентом и/или его поощрение.Перваявероятностнаямодельмоделированияпокупательскогоповедения клиентов компании была разработана в 1972г.

Эренбергом [93].29Основные предположения NBD – модели (Negative Binomial Distribution)заключаются в следующем:клиент совершает покупки в произвольный момент времени, т.е.«случайно» в окрестности среднего частоты совершения транзакций(стационарного значения). Данный процесс может быть описан спомощью распределения Пуассона;частота совершения транзакций у каждого клиента своя и может бытьописана с помощью Гамма-распределения.Таким образом, общий вид NBD-модели представлен следующимвыражением: x  r  1   PrNBD ( X  x; r; )  x    1 r 1    1x(3)x  0,1, 2,; r ,   0гдеPrNBD – вероятность совершения клиентом заданного числапокупок x;x – количество покупок;r, α – параметры распределения.Пусть M и S2 – выборочное среднее и выборочная дисперсиясоответственно, t – количество интервалов времени наблюдения.

Тогдаоценки параметров распределения r и α имеют следующий вид:̂ Mt̂M; rˆ tS  M 2Шмитляйн,МоррисониКоломбо[128]всвоейработемодифицировали задачу управления клиентской базой и предпринялипопытку выявить активных/неактивных клиентов. Т.е. клиентов, которые свысокой долей вероятности могут совершить покупку в следующийпериод времени, и тех, кто прекратил по тем или иным причинам своесотрудничество с компанией.30Основное предположение модели: в случайный период времениклиент может перестать совершать покупки и становится неактивным.Причин этому может быть сколь угодной много: от изменения вкусовыхпредпочтений, финансовой несостоятельности и смены географическогорасположения до физической смерти клиента.

Т.е. отношения клиента сфирмой состоит из двух фаз: клиент активен («живой») в течениенеопределенного времени, а затем переходит в состояние «постояннонеактивен».Покупательское поведение клиента в активный период может бытьописано с помощью NBD-модели. Период времени, после которого клиентпереходит в неактивное состояние, характеризуется как случайнаясоставляющаяспомощьюэкспоненциальногораспределения,анеоднородность моментов ухода различных клиентов характеризуетсягамма-распределением.Такимобразом,вероятностьтого,чтоисследуемыйклиент"активный", определяется по следующей формуле: s   T  r  x    T  s s T P( Alive / r , s,  ,  , x, t )  1    F (a1 , b1 , c1 , z1 (t ))   F (a1 , b1 , c1 , z1 (T ))   T  r  x  s    t     t  1(4)a1  r  x  sb1  s  1c1  r  x  s  1 z1 ( y ) yгде r, s, α, β – параметры модели;t – момент времени последней транзакции клиента;T - время, прошедшее с момента последней транзакции клиента;F a1 , b1 , c1 , z  – функция гипергеометрического (гаусовского) распределения;x – количество покупок клиента в период (0,T], при этом время последнейпокупки клиента t≤T.31В момент времени 0 клиент считается «активным».

Формулы расчетавероятностей для случая    и    можно найти в работе Шмитляйна,Моррисона и Коломбо [128].Т.к. смесь гамма распределения с экспоненциальным известно какПарето-распределение (2-го рода), данная модель получила названиеПарето/NBD – модели.В своей следующей работе Шмитляйн и Моррисон [113] рассмотреливозможные модификации данной модели и сферы применения данноймодели для задач анализа поведения своих клиентов.К сожалению, предложенные вероятностные модели имеют рядограничений, признаваемых самими авторами:ограничение на требования к исходным данным. В частности, модельможет выдавать ошибочные результаты в случае использования вкачестве исходных данных модели данные о транзакциях клиента наинтервале более 2 лет.

Характеристики

Список файлов диссертации