Диссертация (1137940), страница 8
Текст из файла (страница 8)
В качестве ограничений вкомпании выступает конечный бюджет на проведение маркетинговыхмероприятий и технические возможности сотрудников на их организацию.Информационно-логическаямодельоптимизацииуправленияклиентской базой компании отражает сформулированные выше основныеэтапы разработки модели (рис. 5).47Расчет ключевых показателей клиентской базыЧастотапокупокСреднийчекВремя“жизни”Время“cна”Кластеризация 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 базойРешение задачи оптимального управленияклиентской базойРисунок 5.
Информационно-логическая модель оптимизации управленияклиентской базой компании.В рамках данной модели последовательно отображены основныеэтапы разработки модели оптимизации управления клиентской базойкомпании и указаны основные информационные потоки. Более подробнокаждый из указанных этапов рассмотрен ниже.482.1.
Кластеризация клиентской базы компанииЗадача кластеризации клиентской базы является одним из ключевыхшагов для успешного решения задачи управления группами клиентов.В общем смысле кластеризация клиентской базы – это разделениепотребителей по группам в соответствии с устойчивыми признаками,называемыми "признаками сегментирования" [33]. Выбор признаковсегментирования зависит от целей кластеризации.
Как правило, в качествепризнаков сегментирования используются:географические характеристики (региональное деление);психографические характеристики (типы личности, темперамент,социальная среда);характеристики потребительского поведения (интенсивностьпотребления, категории покупаемых товаров и сумма покупки);демографические признаки (пол, возраст, семейное положение,образование).Дляповышенияэффективностипроводимыхмаркетинговыхмероприятий при сегментации клиентской базы, как правило, используютхарактеристики покупательского поведения: частоту покупок и величинусреднего чека. Иногда в качестве дополнительных параметров учитываютобщее время взаимодействия клиента и компании, и период времени,прошедший с последней покупки клиента (давность покупки).В результате сегментации с использованием указанных вышепараметров выделяют следующие группы клиентов:случайные покупатели («делали хотя бы одну покупку, средний чек –минимальный по клиентской базе»);покупатели (совершали несколько покупок в течение определенногопериода времени);постоянные клиенты («периодически покупают»);49приверженцы («очень активные клиенты, величина среднего чекавыше среднего уровня, участвуют в большинстве маркетинговыхмероприятий компании);отказники(онижемогутбытьпотенциальнымиилибесперспективными).Каждая группа, в свою очередь, может быть разбита на несколькоподгрупп в зависимости от социально-демографических показателей (пол,возраст, образование и т.д.).Полученныесегментыклиентовможнопредставитьввидеклиентского куба (рис.
6).Рисунок 6. Клиентский куб компании.Отдельного внимания при сегментации клиентской базы занимаетпроблема определения группы "отказников". Основной проблемой привыделении данной группы клиентов является определение момента уходаклиента из компании. Данная проблема рассматривается, в частности, вработах Фадера и Харди [61, 96].Так, Фадер и Харди выделяют два типа взаимоотношений с клиентами– контрактные и неконтрактные.50Контрактные взаимоотношения характеризуются тем, что моментпрерывания клиентом взаимоотношений с компанией может бытьоднозначно определен.Неконтрактныевзаимоотношенияхарактеризуютсятем,чтомомент времени, в который клиент прекращает свои взаимодействия скомпанией,неконтролируетсяорганизацией.Данныеотношенияхарактерны для компаний, работающих в секторе FMCG.
Так, в торговыхфирмах клиент не предупреждает компанию о том, что он больше не будетсовершать покупки в ее магазинах. Таким образом, компания не может сдостоверностью сказать, что в случае, если клиент сделал покупку nмесяцев назад, то он больше не вернется в компанию.В рамках данного исследования в качестве периода времени, послекоторого считается, что клиент разорвал свои взаимоотношения скомпанией,выбираетсямаксимальныйинтервалвременимеждупоследовательными покупками, в течение которого 95% клиентов,попавших в выборку, неоднократно совершали покупки.Для определения этого временного интервала для каждого клиентарассчитываются интервалы между покупками и выбирается максимальныйиз них:Recencyi max rik (9)kгде Recencyi - максимальный интервал между покупками клиента (вмесяцах);rik - величина k-го интервала между последовательными покупками i-гоклиента (в месяцах);k – количество рассматриваемых интервалов, равное количеству месяцев(N), в которых клиентом были совершены покупки, за вычетом единицы(N – 1).Далее на основе частотной таблицы распределения клиентов взависимости от величины максимального интервала между покупками51определяетсяграницазначениямаксимальногоинтерваламеждупокупками, в рамках которой 95% клиентов совершали повторнуюпокупку.В качестве инструментария сегментации используются методыкластерного анализа[32].
Кластерный анализ предназначен дляразбиения совокупности объектов на однородные группы (кластеры иликлассы) таким образом, чтобы элементы, входящие в одну группу былимаксимально "схожи" (по какому-то заранее определенному критерию), аэлементы из разных групп были максимально "отличными" друг от друга.При этом число групп может быть заранее неизвестно, также может небыть никакой информации о внутренней структуре этих групп. Наиболееизвестные и часто используемые методы кластерного анализа –иерархический кластерный анализ и кластеризация методом k-средних.Цель иерархических методов кластерного анализа заключается вобъединении (или разделении, в зависимости от конкретного метода)объектов в достаточно большие кластеры, используя некоторую мерусходстваилииерархическогорасстояниемеждукластерногообъектами.анализаМножестворазличаетсянеметодовтолькоиспользуемыми мерами сходства и различия, (например, евклидоворасстояние или метрика городских кварталов), но и алгоритмамиклассификации (например, методы ближайшего или дальнего соседа,метод межгруппового связывания, метод Варда).
Типичным результатомтакой кластеризации является иерархическое дерево.Наиболееизвестнымиерархическимметодомкластеризацииявляется метод ближайшего соседа. Перед началом работы алгоритмарассчитывается матрица расстояний между объектами. На каждом шаге вматрице расстояний ищется минимальное значение, соответствующеерасстоянию между двумя наиболее близкими кластерами. Найденныекластерыобъединяются,образуяновыйкластер.Этапроцедураповторяется до тех пор, пока не будут объединены все кластеры. При52использовании метода ближайшего соседа особое внимание следуетуделять выбору меры расстояния между объектами. На основе нееформируется начальная матрица расстояний, которая и определяет весьдальнейший процесс классификации.
Выбор результирующего числаполученных кластеров осуществляется исследователем.Метод кластеризации k-средних требует изначального задания числакластеров, на которые должно быть поделено исследуемое множествонаблюдений.Алгоритмкластеризациипредставляетсобойпоследовательное перераспределение элементов кластеров между собойтак, чтобы получить максимально удаленные друг от друга кластеры.
Вслучае если дальнейшее перераспределение элементов не приводит кулучшению функции цели кластеризации, то процесс останавливается.В рамках данного исследования используется метод кластеризацииk-средних.2.2. Моделирование численности клиентской базы компанииДля моделирования численности клиентской базы, как правило,используютсядваподхода:традиционныйивероятностный.Традиционный подход основан на показателе удержания клиентов.
Наосновесуществующихчисленностиданныханалогичныхкомпаниикомпанийилиданногоанализасекторадинамикиэкономикиопределяется доля клиентов, которые продолжают совершать покупки поистечении выбранного периода времени [120]. Тогда численностьклиентской базы компании через интервал времени t будет определятьсякак численность клиентской базы на начальный момент времени,умноженная на коэффициент удержания клиентов в степени t.Вероятностный подход использует для прогнозирования численностиклиентской базы оценку вероятности совершения клиентом покупки вследующий период времени и вероятность его выбытия [96].53В основе как традиционного, так и вероятностного подходов кпрогнозированию численности клиентской базы лежит гипотеза о том, чтогрупповые различия в поведении клиентов отсутствуют, и поведениеклиентов не меняется с течением времени.
Однако практика показываетследующее:поведение клиентов имеет характерные групповые различия;поведение клиента нестационарно в течение жизненного цикла.Опираясьрассмотретьнавышесказанное,кластерныйвподходкданнойработепредлагаетсяпрогнозированиючисленностиклиентской базы.В этом случае постановка задачи прогнозирования численностиклиентской базы будет базироваться на следующих предпосылках.Клиентскаябазакомпанииможетбытьразбитанаnнепересекающихся кластеров.Каждый кластер имеет свои характеристики по доходам клиентов,временивзаимодействиядемографическимпокупаемыхклиентахарактеристикамтоваров.скомпанией,клиентов,Конкретныепосоциальнокатегориямхарактеристикигруппыопределяются на этапе кластеризации клиентской базы и могутварьироваться в зависимости от специфики работы компании.Клиентская база компании динамически обновляется за счетпостоянногопритокановыхклиентовивыбытияклиентов,зарегистрированных в базе ранее.Каждый новый клиент в зависимости от его характеристикавтоматическипопадаетводинизвыделенныхнаэтапекластеризации кластеров.В течение жизненного цикла происходит изменение покупательскогоповедения клиента, что обуславливает его перемещение из одного54кластера в другой или прекращение взаимодействия клиента скомпанией.Тогда динамика формирования кластеров может быть описанастохастическим процессом, где перемещение клиентов внутри клиентскойбазы компании представляется в виде марковской цепи, состоящей из K+1состояний.
Состояния с 1 по K характеризуют один из выделенныхклиентских кластеров со своими покупательскими характеристиками:частота покупок, средний чек, количество месяцев с первой покупки иколичество месяцев с последней покупки, а состояние K+1 – внешний мир.Переходы между состоянием К+1 и другими состояниями марковскойцепи возможны в любых направлениях.Тогда граф переходов для описанной выше марковской цепипредставляется в следующем виде (рис.7).Рисунок 7. Перемещения клиентов внутри клиентской базы компании.Необходимо проверить выполнение следующих предположений вусловияхзадачипрогнозированиячисленностиклиентскойбазыкомпании:независимость случайных величин (событий);однородность потока событий;отсутствие последействия.55Независимость потоков между группами1.Доли выбывших из групп за интервал времени (t, t + h)пропорциональныдлинеэтогоhинтервала(коэффициентпропорциональности ri), не зависят от численностей всех групп.Данное предположение является корректным в случае перемещенияклиентов внутри клиентской базы, поскольку перемещение клиента изодной группы в другую связано с изменением ключевых параметровпокупательского поведения клиента, определяющих его принадлежность ктой или иной группе (увеличение интенсивности или суммы покупок,изменение характера покупаемых товаров и т.д.).
Вероятность данныхизменений тем больше, чем больше рассматриваемый интервал времени. Итак как изменение характера покупательского поведения происходит внезависимости от поведения клиентов других групп, то данная вероятностьне зависит и от численности групп.2.Коэффициент интенсивности переходов между группами ri можетзависеть от условий жизни в группах, которые могут изменяться вовремени. Следовательно, ri = ri (t).В рамках решения задачи моделирования перемещения клиентов внутриклиентской базы компании интенсивность перехода между группамиизменяется с течением времени. Так, в модели движения кадров наинтенсивность перехода оказывают влияние только внутренние факторы.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
