«Клиентам нужны забота и „обнимашки“»: как сегментировать клиентскую базу, чтобы получать лояльность и прибыль

«Персонализация в подходе к клиентам действительно достижима или это миф?» - задаются вопросом Олег Афанасьев и Николай Иняхин, учредители Interim Business Association (США, Польша, Украина, Беларусь, Казахстан). На примере крупного банка наши эксперты рассказывают, как сегментировать клиентскую базу, чтобы предлагать нужные продукты и развивать услуги в соответствии с потребностями рынка, получать прибыль и лояльность. Какие инструменты могут в этом помочь - читайте в материале.

Совместно с компанией Interim Business Association мы продолжаем рубрику «Управление изменениями в компании». Материалы этой рубрики выходят еженедельно в среду. В них вы найдете полезную информацию и практические советы по менеджменту и управлению изменениями.

Узнать, нужны ли вашей компании изменения, вы можете прямо сейчас с помощью экспресс-диагностики через специального бота или пройдя диагностику на сайте. Для этого вам понадобится не более 5 минут.

---

Что такое Big Data

Николай: В эпоху цифровых технологий и социальных сетей объем генерируемой информации увеличивается в геометрической прогрессии. Если у компании есть сайт, приложение для смартфонов, на ее электронную почту или через мессенджеры приходят обращения, отзывы клиентов - значит, у нее уже есть данные, которые можно использовать для анализа. Но какую пользу это может принести бизнесу?

Этот вопрос начали задавать себе крупные компании еще семь лет назад, но тогда выгоду от сбора и анализа Big Data видели немногие. До 2011 года анализом больших данных вообще занимались только в рамках научных и статистических исследований. Но к началу 2012-го объемы данных выросли до огромных масштабов, и возникла потребность в их систематизации и практическом применении.

Вот так выглядит всплеск интереса к Big Data в Google Trends.

Нажмите для увеличения

В 2015 году большие данные в своей работе использовали лишь 17% компаний по всему миру. Затем к их сбору и анализу подключились ИТ-корпорации (такие, как Microsoft, IBM, Oracle, EMC, а также Google, Apple, Facebook и Amazon) и компании банковского и телекоммуникационного сектора. Это не удивительно. В этих секторах накапливается наибольший объем данных: в ИТ - через подключения пользователей к продуктам, у банков - через транзакции, у телекома - через геоданные, у поисковиков - через истории запросов.

Сегодня большие данные используют крупные компании во всех отраслях.

Что же это такое? Большие данные - они же «биг дата» (англ. Big Data) или метаданные - это массив данных, которые поступают регулярно и в большом объеме. Их собирают, обрабатывают и анализируют, получая на выходе четкие модели и закономерности. Яркий пример - это данные с Большого адронного коллайдера, которые поступают непрерывно и в большом количестве. С их помощью ученые решают множество задач.

Но большие данные в Сети - это не только статистика для научных исследований. По ним можно проследить, как ведут себя пользователи разных групп и национальностей, на что обращают внимание и как взаимодействуют с контентом. Иногда для этого данные собирают не из одного источника, а из нескольких, сопоставляя и выявляя определенные закономерности.

Сейчас практически все крупные компании применяют аналитику больших данных. В США с этой технологией работает более 55% компаний из самых разных сфер. В Европе и Азии востребованность Вig Data немного ниже - около 53%. Есть информация о том, что за последние пять лет бизнес стал использовать большие данные в три раза чаще.

Почему это выгодно бизнесу

Николай: Давайте посмотрим на примеры.

1. Крупнейшая железнодорожная компания США Union Pacific Railroad с помощью больших данных улучшила систему управления рисками - число схождений составов с рельсов снизилось на 75%. Данные собирали с термометров, акустических и визуальных сенсоров, установленных на дне каждого локомотива, сведения о погодных условиях, состоянии тормозных систем, GPS-координаты составов.

На основе этих сведений строятся предиктивные модели, которые позволяют отслеживать состояние колес и железной дороги и предсказывать сход составов с рельсов за несколько дней или даже недель до возможного инцидента. Этого времени достаточно для того, чтобы оперативно устранить проблемы, избежать повреждений состава и задержки остальных поездов.

2. Самый загруженный по объему трафика аэропорт в Дубае улучшает с помощью Big Data логистику. Если на двух рейсах много пассажиров, пересаживающихся с одного борта на другой, большие данные помогут назначить их вылеты рядом.

3. В «МегаФон Ритейле» Big Data помогает определить оптимальную локацию для открытия точки того или иного формата, определить ассортимент - сколько товара туда нужно завезти на следующей неделе, чтобы не было неудовлетворенного спроса и больших остатков на складах.

Но главное, что должен понимать бизнес, интересующийся внедрением у себя Big Data, - анализируемые сведения не дадут ответа на все вызовы, которые стоят перед вашей компанией. Big Data находит решения для бизнеса в зависимости от того, какие именно данные собирает компания. Поэтому, чтобы получить полную картину при анализе конкретного клиента вместе с Big Data, нужно использовать коммуникационных роботов.

Выгодная синергия: сравнение методов

Олег: Честно говоря, написать эту статью подтолкнул разговор с руководителем управления в одном крупном банке, который стал использовать Big Data для анализа своей базы В2В-клиентов. Его целью было определить, какие дополнительные услуги или продукты им еще можно продать.

Он сразу сказал, что прямое общение с клиентом - это устаревший, неэффективный и трудозатратный способ: клиенту нужно звонить, задавать ему вопросы, а затем каким-то способом обрабатывать полученную информацию. Для этого нужно отвлекать сотрудников от их текущей работы или нанимать дополнительных работников, а это дополнительные затраты. На мой вопрос «Как узнать о проблемах и "болях" клиента, не пообщавшись с ним?» он ответил, что общение с клиентом не нужно, если есть Big Data. Подход понятный, но только наполовину правильный.

На то время у нас как раз уже был в эксплуатации чат-бот «Аналитик». Это инструмент для бизнеса, предназначенный для запланированной обработки любого размера данных, полученных из общения с ЛПР с сегментацией их по заданным параметрам и формированием выводов по каждому сегменту.

Мы поняли, что, объединив возможности Big Data с этим роботом, можем получить именно ту глубину анализа, которая нужна руководителю. И составили вот такую таблицу. В ней представлен сравнительный анализ принципов работы Big Data и коммуникационного робота.

Big Data аналитика	Коммуникационный робот «Аналитик»
Работа только с базами данных	Прямое общение с клиентом
Обработка сразу всего массива доступных данных	Обработка сразу всего массива запланированных данных
Данные обрабатываются в их исходном виде	Данные обрабатываются по заданному алгоритму
Поиск корреляций по всем данным до получения искомой информации	Сегментирование всего массива запланированных данных по заданным параметрам
Анализ и обработка больших данных в реальном времени, по мере поступления	Анализ и обработка больших данных в реальном времени с формированием выводов по каждому сегменту

Далее - чуть более подробное сравнение двух методов и один «утешительный вывод».

Метод Big Data

Николай: Вот такую информацию, с помощью инструментов Big Data, удастся собрать и проанализировать:

• Платежи клиентов банка за товары, услуги, работы
• Платежи клиентам банка за товары, услуги, работы
• Таможенные платежи
• Перечисление заработной платы
• Налоговые платежи
• Остатки на счетах
• Покупка-продажа валюты и валютные платежи
• Целевые кредитные договоры и возможные просрочки по ним
• Лизинговые договоры и возможная просрочка по ним
• Факторинг.

Эта информация и ее анализ, с точки зрения дальнейшей продажи клиенту услуг и продуктов банка, может рассказать о следующем:

1. Кто является основным поставщиком товаров, услуг, работ.

2. Текущий график оплат основным поставщикам и периодичность отклонений от него.

3. Регулярность и объем валютных платежей.

4. Текущий график перечисления заработной платы и периодичность отклонений от него.

5. Периодичность попадания в картотеку.

6. Периодичность просрочек по кредитным и (или) лизинговым договорам.

7. Периодичность увеличения или снижения размеров факторинга.

Банк в итоге может предложить клиенту в виде дополнительных услуг или продуктов:

• Пункт 1, 2, 4, 5, 6 - возобновляемая целевая кредитная линия
• Пункт 3 - хеджирование валютных рисков.

С точки зрения дополнительного дохода всего два обыкновенных продукта и никаких услуг и ноу-хау. Также возникает вопрос, кто и как правильно объяснит клиенту (лицу, принимающему решение), что ему это нужно и сможет принести реальную пользу его бизнесу.

Метод коммуникационного робота «Аналитик»

Николай: Результатом опроса ЛПР будет сегментация всей базы В2В-клиентов банка в трех ракурсах:

Ракурс 1. «По показателям в отрасли», где будет оцениваться отрасль, а также компания в разрезе следующих показателей в этой отрасли:

• Финансовое состояние компании
• Наличие управляемых каналов сбыта
• Факторы, влияющие на маржинальность бизнеса
• Частота кассовых разрывов
• Качество кредитной политики
• Текущее состояние бизнес-системы.

Ракурс 2. «Отраслевой показатель в разрезе компаний с учетом качества выполнения»:

• Финансовое состояние «План доходов выполняется от 70 до 100%» (компании 1, 5, 6)
• Финансовое состояние «План доходов выполняется на 50−70%» (компании 2, 3, 6)
• Финансовое состояние «Балансируем на грани "0"» (компании 9, 16).

Ракурс 3. «Показатель в разрезе компаний с учетом качества выполнения без учета отраслей»:

• Финансовое состояние «План доходов выполняется от 70 до 100%» (компании 1, 15, 21)
• Финансовое состояние «План доходов выполняется на 50−70%» (компании 7, 16, 51)
• Финансовое состояние «Балансируем на грани "0"» (компании 11, 3, 35).

Нажмите для увеличения

Из сегментации будет понятно:

• Какое общее состояние компаний из отдельной отрасли
• Какие отраслевые показатели нуждаются в помощи банка
• Какие показатели без учета отрасли нуждаются в помощи банка.

Сегментация клиентской базы необходима, чтобы создать в банке системы жизненного цикла клиента. В зависимости от этапов развития клиенту можно предлагать различные продукты или развивать банковские услуги.

На основании данных знаний компания готовит нужные продукты и услуги, продает их клиентам, получает прибыль и лояльность.

С точки зрения дополнительного дохода банк не ограничен в количестве предлагаемых клиентам уникальных продуктов и услуг и самое главное, что ЛПР не нужно объяснять, почему банк предложил ему определенный продукт или услугу. И это действительно ноу-хау.

Персонализация в подходе к клиенту: «утешительный вывод»

Олег: Вот какие важные выводы мы сделали из проделанной работы:

1. Анализ В2В-клиентов только по их транзакциям (метод Big Data) не дает понимания текущего места клиента в рынке, но полностью раскрывает его финансовое состояние.

2. Анализ В2В-клиентов с помощью опроса (метод робота «Аналитик») не дает полной цифровой объективности текущего финансового состояния клиента, но полностью раскрывает текущее место клиента в рынке.

Синергия заключается в объединении этих двух методов.

В результате использования Big Data и коммуникационного робота бизнес получает возможность:

• Продавать клиентам дополнительные продукты и услуги
• Удерживать, растить и формировать лояльную клиентскую базу, которая в свою очередь напрямую влияет на гудвилл компании.

Читайте также

• Чтобы продавцы не «фантазировали в полях» и не брали откаты - узнайте, как позаботиться о клиентах
• Вместо пользы - улыбки или раздражение? Узнайте, как бизнесу грамотно использовать чат-боты

• «Все стали зарабатывать больше и веселее» - зачем компании нужен «директор по счастью»