Клиентская аналитика - методы принятия решений
Download as PPTX, PDF10 likes3,268 views
Подробно изложены простые и продвинутые методы бизнес-аналитики, направленные на повышение лояльности клиентов, минимизации оттока и увеличения отклика на предложения. Все методы привлечения клиентов могут быть реализованы на базе системы бизнес-аналитики Deductor.
More Related Content
Viewers also liked (20)
Similar to Клиентская аналитика - методы принятия решений (20)
Клиентская аналитика - методы принятия решений
- 2. Кого привлекать? Как удержать ценных клиентов? Как увеличить прибыльность? Как сформировать привлекательные адресные предложения? Как увеличить отклик на предложения? Как минимизировать отток? Как минимизировать негатив? Как диагностировать проблемы? Вопросы к аналитике
- 5. 1. Выбрать показатель: выручка, маржа… 2. Агрегировать данные по каждому клиенту за последний период 3. Отсортировать по убыванию показателя, рассчитать накопительную сумму: Первые 20% - самые ценные Следующие 30% - промежуточные Последние 50% - наименее ценные ABC-анализ: алгоритм
- 6. 1. Выбрать квант: день, неделя, месяц 2. Агрегировать данные по продажам каждому клиенту и получить временные ряды 3. Рассчитать коэффициент вариации для каждого клиента: 0-10% - стабильное потребление 10-25% - регулярное потребление >25% - хаотическое потребление XYZ-анализ: алгоритм
- 8. Оценка лояльности клиента на основе показателей: Recency (новизна) – давность последней покупки. Frequency (частота) – частота покупок. Monetary (деньги) – потраченные суммы RFM-анализ: идея
- 9. Каждый из показателей делится на 5 квантилей, например: Считается RFM-код каждого клиента. RFM-анализ: алгоритм R Давность покупки F Частота покупок M Потраченные суммы 5 <1 мес. 5 >1 в 1 мес. 5 >100 000 руб. 4 2-3 мес. 4 1 в 2-3 мес. 4 50-100 000 руб. 3 4-8 мес. 3 1 в 4-8 мес. 3 10-50 000 руб. 2 9-18 мес. 2 1 в 9-18 мес. 2 3-10 000 руб. 1 >18 мес. 1 1 в >18 мес. 1 <3 000 руб.
- 11. 1. Оценка привлекательности клиента 2. Контроль изменений в поведении 3. Оценка миграции между группами 4. Оценка эффективности программы лояльности 5. Выбор стратегии работы с каждым сегментом RFM-анализ: применение
- 12. RFM-анализ: выводы Клиенты R F M Количество клиентов Лояльные Промежуточные Нелояльные Потерянные 5 4 5 4 5 4 2 1 2 1 2 1 2 1 3 2 1 3 2 1 3 2 1 3
- 15. Разработано множество алгоритмов кластеризации. Некоторые наиболее популярные: Карты Кохонена K-средних EM-кластеризация Иерархическая Математический аппарат
- 16. 1. Оцифрованы и систематизированы 2. Содержат значимые факторы 3. Очищены от ошибок 4. Рассчитаны агрегаты 5. Сведены в одну таблицу Требования к данным
- 17. Соц-дем • Пол • Возраст • Семья • Образование • Собственность Поведение • Частота покупок • Средний чек • Последняя покупка • Покупки товаров по акциям География • Место жительства • Место работы • Место покупки • Перемещения Анализируемые данные
- 18. Сегментация: профили кластеров Социально- демографические данные + поведение
- 20. 1. Консолидировать данные о транзакциях (чеках) 2. Определить товары-маркеры 3. Кластеризовать транзакции 4. Рассчитать предпочтения по товарам-маркерам Предпочтения: алгоритм
- 23. Метод Сложность Специалист ABC Простой Маркетолог XYZ Простой Маркетолог RFM Простой Маркетолог Соц-дем. Средний Аналитик География Средний Аналитик Поведение Сложный Data Mining аналитик Предпочтения Сложный Data Mining аналитик Комплексная Сложный Команда аналитиков Оценка сложности
- 25. basegroup.ru