Как определить будущего постоянного клиента по первой покупке

Для любого бизнеса постоянные клиенты имеют наилучшую долгосрочную ценность. Гарвардская школа бизнеса провела интереснейшее маркетинговое исследование и получила новый маркетинговый инструмент, использующий технологию машинного обучения. Теперь благодаря информации, собранной во время первой покупки клиента, можно давать прогнозы относительно его будущего покупательского поведения.

Фактически речь идет о том, что теперь можно программно определить будущего постоянного клиента по первой сделанной им покупке.

Соавторы исследования разработали алгоритм, способный моментально анализировать более 40 переменных, чтобы создать «характеристику» клиента после его первоначальной транзакции. Эти 40 переменных включают, в том числе данные, которые традиционно отбрасывают большинство структур, ведущих статистику и строящих прогнозы. Данный алгоритм прогнозирует, какие клиенты станут постоянными покупателями, а какие реагировать лишь на рекламные кампании (скидки, акции, распродажи).

Полученную информацию (весьма ценную, надо признать) компании смогут использовать для улучшения маркетинговой стратегии и более эффективного возврата инвестиций.

И действительно, по мнению специалиста сайта Веб Экстерн, компании часто не знают, как использовать большую часть данных о клиентах, которые они собирают. Особенно когда компании пытаются делать предложения вновь приобретенным клиентам, о которых нет статистических данных.

Разработанный в гарвардской школе бизнеса алгоритм создает первое впечатление о каждом клиенте (его “характеристику”) почти так же, как два человека выясняют характер друг друга на первом свидании – интерпретируя определенные сигналы, чтобы вывести важные черты характера. Статистический инструмент, известный как модель глубокого экспоненциального прогноза, может эффективно сортировать наиболее важные переменные и учитывает сложные отношения между ними.

Здесь уместен такой пример. Допустим, на первом свидании вы хотите выяснить, станет ли человек хорошим партнером в жизни. Вы “просчитываете” сигналы поведения этого человека, в том числе, что человек носит, как относится к другим людям или к вам, какие комментарии он дает, как расплачивается банковской картой (детально проверяя счет или нет) и так далее. Соответственно, новый алгоритм систематизирует данные, доступные из первой транзакции покупателя. Это поможет понять, каким будет клиент.

Тестирование алгоритма проводилось на конкретных статистических данных. Чтобы показать, как работает эта модель, исследователи внесли в программный алгоритм-обработчик отдельные данные о клиентах. Необходимую информацию предоставил международный ритейлер, реализующий собственную марку косметических товаров исключительно в своих магазинах и на корпоративном веб-сайте. Данные включали статистику четырех лет транзакций более чем по 13000 клиентов на шести рынках.

Далее исследователи извлекли шесть переменных, чтобы представить поведение впервые покупающего клиента, включая параметры:

  • как была сделана покупка: онлайн или офлайн;
  • количество купленных товаров;
  • приоритетные цены купленных товаров;
  • интерес покупателя к товарам по скидкам и акциям;
  • была ли покупка сделана в праздничный период (сезон распродаж);
  • покупал ли клиент лишь недавно вышедшие на рынок товары.

Используя комплекс этих шести переменных, было доказано, что новый алгоритм с высокой степенью вероятности может идентифицировать будущих крупных клиентов, постоянных или повторных покупателей, а также клиентов, наиболее чувствительных к рекламным акциям и специальным предложениям после первой транзакции.

Результаты весьма интересны. Люди, купившие при первой транзакции больше товаров (продуктов) в конкретном магазине, относятся к категории более вероятных повторных (постоянных) клиентов. Аналогично, алгоритм помечал людей, купивших недавно вышедшие на рынок товары, как потенциально дорогостоящих клиентов, которые будут возвращаться вновь. С другой стороны, те, кто покупал товары (продукты) со скидкой или в дни праздничных распродаж, были отнесены к категории “прижимистых”, часто однократных покупателей.

Хотя эти выводы могут показаться в некоторой степени очевидными, исследование предоставляет эмпирические доказательства полезности формирования первых “впечатлений” о клиентах, а с помощью более полных данных компании могут узнать еще больше.

Например, онлвайн-торговцы, использующие куки-файлы для сбора данных о просмотре товаров на веб-сайте, могут отследить тип устройства и поисковую систему, которыми пользовался человек для покупок в интернете, а также узнать номенклатуру и состав продуктов, которые он искал перед покупкой. Эти данные – неплохой фундамент для создания прогнозов будущего покупательского поведения клиента.

Как и в случае с другими инструментами искусственного интеллекта, недостатком этой технологии является то, что модель действует как своего рода черный ящик, из-за чего исследователи не могут определить приоритетные факторы влияния, на которых строятся в целом верные прогнозы. То же самое относится и к реакции клиентов на маркетинговые электронные письма.

Хорошая новость в том, что в алгоритм можно добавить столько уточняющих переменных, сколько исследователь посчитает нужным для конкретного сегмента рынка с учетом фактора региональности. И тогда прогнозная модель станет работать еще более эффективно.

Ритейлеры и другие компании, стремящиеся сегментировать дорогостоящих покупателей для рекламных акций и маркетинговых обращений, должны очень серьезно подумать о том, какие данные о клиентах они собирают, и как можно было бы узнать больше из первого контакта с покупателем. Это поможет продвинуть технологию машинного обучения и даст возможность определять будущего постоянного клиента по первой покупке с высочайшей степенью уверенности.

Гарвардская школа бизнеса планирует опубликовать результаты своего исследования в следующем году, а также сделать программный код алгоритма доступным в интернете совершенно бесплатно.

Любая компания, имеющая полноценный массив статистических данных о клиентах за несколько лет, в том числе о постоянных покупателях, сможет настроить (обучить и откалибровать) программный алгоритм, чтобы получать адаптированные для данной компании прогнозы относительно новых клиентов на основе их первоначальных покупок.

Чем больше компаний начнут вкладывать средства в подобные алгоритмические инструменты, тем сильнее эти инвестиции будут способствовать глубокому пониманию потенциальных возможностей и ценности таких инструментов в маркетинге и в бизнесе в целом.


Больше публикаций по теме Финансы и управление деньгами.