Управление лояльностью потребителей на рынке инвестиционных услуг (1142877), страница 14
Текст из файла (страница 14)
Как результат, именно эта категория потребителей требовала особого79внимания при формировании плана действий по уменьшению оттока клиентов иконтроля намерений потребителей делать плохие рекомендации.2.2.2 Исследование и усовершенствование метода измерения лояльности наоснове RFM-моделиКак уже было сказано выше, измерение лояльности на основе анкетныхданных имеет свои недостатки. Потребитель может отнестись безразлично канкетированию, безответственно, либо продемонстрировать покорность, что вконечном итоге приведет к искаженным измерениям лояльности.
Как результат,существует статистический способ измерения лояльности, основанный на RFMмодели (Recency, Frequency, Monetary (англ. давность, частота, деньги)). ВпервыеRFM-модель была предложена Артуром Хугес (1994, Arthur Hughes) для прогнозаотклика потребителей на рекламную акцию [161]. RFM-модель основывается наизмерении трех составляющих поведения потребителя: Recency – интервалвремени между последнейпокупкой потребителя имоментомрасчеталояльности, Frequency – частота покупок за определенный период времени,Monetary – сумма денег, потраченная на покупки за определенный промежутоквремени.Источник: [161].Рисунок 13 - Организация данных в RFM-модели80Как видно из рисунка 13, потребительские данные в данной моделиорганизуются следующим образом. Сначала все потребители сортируются подате последней покупки, где наиболее близкая дата к дате анализа модели, идетпервой.
Этот массив данных разбивается на пять равных частей. Каждой частиприсваивается балл от 1 до 5 по убыванию в отсортированном массиве. Далее,каждая часть этого массива данных сортируется по частоте покупок, гдепотребители, сделавшие наибольшее число покупок идут впереди. Этот массивданных второго уровня опять разбивается на пять равных частей. Каждой частиприсваивается балл от 1 до 5.
Последний шаг в данной модели, это сортировкамассивов третьего уровня по сумме денежных средств, которые потребительпотратил за исследуемый интервал времени. Этот отсортированный массивданных третьего уровня разбивается на пять равных частей, а каждой частиприсваивается значение от 1 до 5. Таким образом, в данной модели образуется125 ячеек данных. Каждая ячейка имеет балл от 111 до 555. Чем выше балл, темвыше лояльность потребителя.
В Приложении Б автор показал результатыраспределения баллов потребителей в зависимости от даты последней покупки,частоты покупок и потраченной суммы. Данные Приложения Б отображаютдеятельность компании ООО «Управляющая компания Партнер».Всегорассматривалось 125 клиентов обратившихся в компанию, по вопросамполучения финансовых услуг с 1 января по 31 декабря 2013 года.Недостаток метода измерения лояльности на основе RFM-модели состоит втом, что при сравнении показателей лояльности потребителей за определенныйпериод времени, невозможно рассчитать абсолютную величину значениялояльностиисделатьвыводобееизменениях.Авторрекомендуетусовершенствовать данный метод, путем внедрения кластеризации потребителейи расчета количественного значение лояльности для каждого кластера.
Прикластеризации данных и расчете лояльности, автор рекомендует использоватьматематический алгоритм кластеризации данных в MS Excel, предложенныйАравинд Х, Ражгопал Х, Соман К. П.(Aravind H, C Rajgopal, K P Soman, 2010)[62, c. 1]. При усовершенствованном методе измерении лояльности, RFM-модель81рассматривается как базовая, для проведения кластеризации и расчета лояльностипотребителей. В усовершенствованной модели используются данные обращенияклиентов в ООО «Управляющая компания Партнер» за 2013 год и результатыRFM моделирования. Всего было отобрано 125 клиентов с данными о датепоследней услуги в 2013 году, количество полученных услуг в 2013 году и общаясумма затраченная клиентом на получение услуг.В таблице 9 представлена выборка данных по четырем клиентам, гдеуказаны: дата последней услуги, частота получения услуг и сумма денежныхсредств, потраченная на услуги за 2013 год.
Видны даты получения последнейуслуги у всех клиентов - декабрь месяц 2013 года. В усовершенствованноймодели измерения лояльности потребителей, автор предлагает использовать небаллы, используемые в RFM-модели, а непосредственно значения датыпоследней покупки (количество дней с начала года), частоты и суммыпотраченной потребителем за год.Таблица 9 - Базовые данные RFM-модели для расчета лояльностиКлиентский№1001255848Дата последнейпокупки30 декабря 2013 г.27 декабря 2013 г.31 декабря 2013 г.31 декабря 2013 г.Частотаза годБалл 1555510101110Балл 2Сумма за год555577,538.00 ₽77,165.00 ₽55,859.00 ₽47,220.00 ₽Балл 35432Общийбалл555554553552Источник: составлено автором.Первоначальный этап построения модели – этап нормализации данных.Значения по каждой категории R, F, M нормализуются в соответствии сформулой 1:,(1)где Ei – значение по каждой категории R, F, M;Emax – максимальное значение;Emin – минимальное значение;Как результат, нормализованные значения становятся от 0 до стремящихсяк 1.82Далее автор распределяет потребителей по кластерам с помощьюалгоритма к-средних.
Этот шаг представлен в таблице 10. Данный алгоритмподразумевает расчет евклидового расстояния нормализованных значений R, F,M от нескольких центров условно выбранных кластеров потребителей, с условнозаданными значениями R, F, M. Предлагается выбирать четыре кластера дляраспределения потребителей: с высокой, средней, низкой и очень низкойлояльностью.Расстояние до центра условного кластера рассчитывается по формуле 2:,(2)где Qi – значение балла определенной категории R, F, MPi – значение центра условного кластера определенной категории R, F, MКак результат, данные усовершенствованной модели представляются втаблице 10.Таблица 10 - Распределение потребителей по кластерамЕвклидоворасстояниедоКластера 1ЕвклидоворасстояниедоКластера 2ЕвклидоворасстояниедоКластера 3ЕвклидоворасстояниедоКластера 41.2055180.3151011.1867591.0810590.949144 0.83545 0.244286 0.1269230.475751 0.505399 0.821932 0.6730770.969113 0.874907 0.291756 0.0307690.851745 0.743854 0.17007 0.157692К балF БаллM БаллКлассМинрасстояние0.1111110.7777780.2222220.2222220.1982420.7746950.2518820.291967Кластер 4Кластер 1Кластер 4Кластер 40.2442860.3151010.2917560.17007Источник: составлено автором.Следующий этап в построении модели – определение минимальногоевклидового расстояния до центра кластера, и как результат, выборка кластерадля каждого потребителя.
В Приложении В представлен расчет евклидовыхрасстояний и распределение всех 125 потребителей, выбранных для расчеталояльности. После проведения распределения потребителей по кластерам,необходимо посчитать сумму минимальных евклидовых расстояний до центровусловных кластеров и оптимизировать значения центров кластеров и расстоянийдо них. Оптимизация необходима для более точных значений R,F,M центровкластеров. Эта функция выполняется с помощью процедуры Solver в MicrosoftExcel и показана на рисунке 14.83Источник: составлено автором.Рисунок 14 - Оптимизация кластерных центров в MS Excel SolverРезультатом оптимизации являются точные значения центров кластеров икак следствие евклидовы расстояния до центров кластеров для R, F, M значенийкаждого потребителя.
По мнению автора, при таком расчете, точностьраспределения потребителей увеличивается.В заключении, автор проводит расчет значения лояльности для каждогокластера и присвоения уровня лояльности для кластеров и потребителей. В этомслучае лояльность рассчитывается по формуле 3:,(3)где R, F, M – значения категорий кластеров.Таблица 11 - Показатели лояльностиКластер 1 - высокаялояльностьКластер 2 - средняялояльностьКластер 3 - низкаялояльностьКластер 4 - оченьнизкая лояльностьNRNFNMNRNFNMNRNFNMNRNFNM0.925 0.904 0.633 0.901 0.628 0.384 0.826 0.329 0.599 0.321 0.248 0.254D1D2D3D41.4391.1641.0730.479Источник: составлено автором.84Авторсчитает,усовершенствованнойчтомоделивышеуказаннаяпозволяетобработкараспределитьданныхпотребителейпокластерам, используя алгоритм к-средних и измерить количественно лояльностьпотребителей каждого кластера. Результаты измерений лояльности представленыв таблице 11.На рисунке 15, в виде алгоритма, представлена методика по применениюусовершенствованного метода измерения лояльности потребителей.НАЧАЛОПодготовка исистематизацияданных для RFMмоделиПостроениеRFM-моделиПроведениенормализацииданных вRFM-моделиРаспределениепотребителейпо кластерамПрисвоениезначениялояльности длякаждого кластера ипотребителяРасчет значенияпотребительскойлояльности длякаждого кластераОптимизациякластерныхцентровКОНЕЦИсточник: составлено автором.Рисунок 15 – Алгоритм усовершенствованного метода измерениялояльностиУсовершенствованный метод основывается на транзакционныхиповеденческих характеристиках потребителей.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
