Британский генетик Фишер сказал: «Обращаться к статистику после того, как эксперимент закончен, все равно, что просить его провести вскрытие трупа. Все, что он сможет сказать, это почему эксперимент провалился». Сегодня, спустя полвека, его слова звучат как никогда актуально в контексте рассматриваемых нами вопросов управления потребительскими данными и предиктивного анализа.

Чтобы повысить эффективность маркетинговых затрат, компании должны использовать собираемые ими данные о потребителях, а это означает, что специалиста по статистике нужно привлекать в начале эксперимента. Как уже было сказано в предыдущих главах, компании должны принять идею непрекращающейся активной экспериментальной деятельности как способ оптимизации ценности данных, которыми располагает компания. А это, в свою очередь, приведет к более высокому уровню принимаемых маркетинговых решений, обеспечив компании неоспоримое конкурентное преимущество на рынке.

Не все, однако, так просто. Несмотря на то, что перед маркетологами стоит множество вопросов, все они, похоже, – результат четырех фундаментальных ошибок.

• Неспособности собрать нужные данные.

• Неспособности интегрировать данные.

• Неспособности понимать данные.

• Неспособности применять данные.

«Для маркетинговых улучшений более серьезное понимание данных – словно фрукт, висящий на нижней ветке», – говорит Майк Даффи, возглавляющий подразделение потребительской аналитики компании Kraft Foods. Его мнение разделяет большинство директоров по анализу потребительских баз данных [1]Люди, родившиеся между 1978 и 1995 годами.  – Прим. ред.
. В основе лучшего понимания данных лежит использование различных математических аналитических техник. Некоторые из них мы уже упоминали: корреляционный анализ, дискриминантный анализ, кластерный анализ, регрессивный анализ, нейросетевой анализ – список можно продолжать бесконечно. Одни из этих техник являются новыми для потребительского рынка, однако давно используются в других бизнес-процессах и дисциплинах, например в биологических науках и техниках искусственного интеллекта. Другие же давно используются маркетологами, занимающимися прямой рассылкой, в непрекращающихся попытках эффективно интерпретировать и использовать информацию о потребителях для маркетинговых кампаний.

Гартнер определяет аналитику как «область технических и прикладных наук, позволяющих применить математическую интерпретацию к данным и предыдущему знанию, чтобы создать новое знание. С нашей точки зрения, аналитика – это просто один из инструментов интеллектуальных ресурсов компании, который маркетологи могут использовать для поиска ответа на вопрос: «Ну, и что дальше?» Она представляет собой разумную основу, которая может пролить свет на гигабайты потребительских данных компании и сотни скрытых в них переменных. Она указывает на сегментационные схемы, которые этими потребительскими данными могут определяться, и самое важное – на оптимальное маркетинговое обращение (и наиболее приемлемый уровень обслуживания) по отношению к каждому из этих сегментов, которое компания может предложить в рамках поставленных перед ней бизнес-целей.

Успех в маркетинговой аналитике определяется главным образом качеством и количеством данных, в конце концов служащих сырьем, на основе которого формируется новое понимание. «Огромные возможности кроются для нас в повышении качества наших данных, – говорит Билл Мирбах, вице-президент по прямому маркетингу компании Intuit, выражая еще одно общепринятое мнение. – Мы тратим очень много времени на углубление нашего знания клиентов прямо сейчас, контролируя точность наших баз данных» [2]Product placement – размещение товара или торговой марки в кино или в ином продукте индустрии развлечений с рекламными целями.  – Прим. ред.
.

Под «точностью» Мирбах подразумевает полную интеграцию (желательно в режиме реального времени) источников данных обо всех взаимодействиях и сделках компании, включая данные call-центров, систем автоматизации рабочего места продавца, систем планирования и управления ресурсами предприятий, программ отслеживания маршрутов перемещения пользователей сети (электронной коммерции). Кроме того, данные эти должны представляться в совместимом формате и без ошибок, а набор бизнес-правил должен быть одинаковым. Следует учесть и возможность оптимизации данных для проведения анализа так, чтобы он отвечал потребностям проводящей его команды. В конце концов, это всего лишь вопрос реализации принципов правильного управления потребительскими данными.

К сожалению, когда дело доходит до реализации даже самых элементарных принципов правильного управления данными, многие компании оказываются менее просвещенными, чем Intuit, а некоторые и вовсе все еще живут в каменном веке. Причины тому различны. Отчасти дело в ограниченности бюджета. Отчасти в том, что некоторые компании встречают на переполненном и сбивающем с толку рынке потребительских отношений множество препятствий. А всеобщая управленческая близорукость, сопровождающая тысячелетний бум, привела к тому, что многие компании попросту игнорируют вопли и стоны своих провисающих инфраструктур, по крайней мере, до тех пор, пока земля не уйдет из-под ног. Итог тривиален: рынок наполнен плеядой высших менеджеров, не чувствующих твердой почвы под ногами.

Существует множество причин, по которым компании не смогли успешно принять и внедрить технические инфраструктуры, бизнес-процессы и элементы организационного контроля, необходимые для использования своих растущих банков данных. Но у этой дилеммы лишь одно решение: рассматривать уникальную задачу сбора и интеграции важных потребительских данных как предпосылку реализации аналитических маркетинговых решений, способных повысить ценность компании.

Оправданий быть не может. И времени терять нельзя. Вот как это нужно делать.

 

Взятие Бастилии потребительских данных

Решение поставленной задачи следует начинать с вопроса изолированности банков данных. С этой проблемой в той или иной степени сталкивается практически каждая крупная компания. Говоря в общих чертах, проблема заключается в том, что многие организации создали такие проекты управления данными, которые, скорее, напоминают тюремные лабиринты, изобилующие бесконечными стенами и камерами.

Одна из разделяющих стен – канал, посредством которого потребитель совершает покупку. Другая – канал, по которому потребитель получает информацию или через который решает возникшие у него проблемы. Третья – подразделение или отдел компании, в котором потребитель делает заказ. Зачастую кажется, что данные, хранящиеся за этими стенами, навечно приговорены к заточению и лишены возможности хотя бы раз «обмолвиться словом» друг с другом. Между тем, многие данные, которые нужно было бы получать в результате различных взаимодействий и сделок между компаниями и их клиентами, вообще нигде не собираются и не хранятся.

Налицо организационная несогласованность. Какие-то подразделения компаний могут собирать данные более тщательно, чем остальные. Одни каналы могут обеспечивать лучший сбор данных, чем другие. К примеру, некоторые запросы службы по работе с клиентами, полученные посредством аналоговой связи, скажем по факсу, вряд ли фиксируются в электронном виде. Часто то же самое можно сказать и об информации, получаемой в call-центре компании. Но даже данные, существующие в электронном формате, например электронные или SMS-сообщения, иногда на практике неприменимы.

С одной стороны – одиночная камера, с другой – полная анархия. Неприемлемо как первое, так и второе.

В итоге получаем извращенное представление об отношениях с клиентами и утраченные возможности усовершенствования процесса удержания клиентов, повышения прибыли от продаж и доходов. В конце концов, без объединения потребительских данных компания никогда не узнает, сколько денег тратит отдельно взятый покупатель на приобретение всех категорий ее продукции, что делает практически невозможным точный прогноз продолжительности и эффективности его потребительского цикла жизни. Кроме того, не имея возможности целостно отследить историю покупок этого клиента, компания не может использовать аналитические методы для решения вопросов о том, какие товары или услуги можно предложить ему через перекрестные продажи. Один клиент может вдруг оказаться четырьмя или пятью разными людьми только потому, что информация о сделках и взаимодействиях с этим клиентом собирается в четырех или пяти разных отделах. В результате клиент может одновременно получить предложения обо всех четырех или пяти категориях продукции. Ситуация еще усложняется тем, что члены одной семьи часто имеют несколько разных счетов и к ним обращаются как к отдельным клиентам, в результате чего возникает так называемая бытовая проблема, которая приводит к еще большей путанице с рассылкой, лишним издержкам и головной боли как для компании, так и для потребителей.

Следовательно, краеугольный камень в развитии управления отношениями с клиентами – использование интегрированных решений, обеспечивающих компании единый и целостный взгляд на потребителей независимо от того, какие каналы распределения и общения они предпочитают. Без таких решений потребитель будет и дальше сталкиваться с новыми и новыми разочарованиями, взаимодействуя с компанией – перед продажей, во время нее и после. Негативный опыт в этом случае накапливается очень быстро. А он способен серьезно подрезать крылья компании в ее попытках воспроизвести законченную модель потребительского поведения, создать стратегию интегрированного общения с клиентами и полностью владеть информацией об индивидуальных отношениях с ними.

 

Интегрирование данных о потребителях

Как помешать самым прибыльным клиентам компании покинуть ее? Распределяйте ресурсы так, чтобы в центре всей ее деятельности был клиент. Этот подход становится все более популярным сегодня, несмотря на то что таким он должен был быть всегда. Вопреки действительности, практически каждая компания считает себя ориентированной на клиента. Но, как мы уже говорили, чтобы стать такой, организация должна объединить свои хранилища данных таким образом, чтобы информация, касающаяся отношений с клиентами, могла беспрепятственно циркулировать между ними. Кроме того, необходимо создать объединенный архив взаимоотношений с клиентами, называемый также информационным файлом клиента или информационным хранилищем, в котором будет сберегаться вся информация.

Будучи центральным запоминающим органом компании, архив взаимоотношений с клиентами должен фиксировать информацию о каждом взаимодействии с клиентом в единой базе данных – или в виртуально интегрированной среде, собирающей информацию об всех подразделений компании. Гартнер определяет интеграцию потребительских данных как комбинацию технологии, программного обеспечения, процессов и услуг, необходимых для получения единого, точного и полного представления о потребителе из многочисленных источников данных о клиентах (внешних и внутренних), баз данных и деловых сфер. Несмотря на лаконичность определения, процесс практического воплощения интеграции труднодостижим и требует значительных затрат времени. Действительно, консолидация потребительской информации, получаемой из многих источников, обычно становится основным делом всей компании. «Это корневой канал, охватывающий всю компанию», – замечает один из руководителей. Фактически масштабы, сложность и стоимость такого проекта, равно как и последствия подрыва традиционных норм, вызываемого им, могут быть воистину ошеломляющими.

Вспомним хотя бы подобную инициативу, предпринимаемую в настоящий момент компанией MetLife – 32-миллиардным поставщиком финансовых услуг. Когда проект, стоимость которого оценивается более чем в 50 млн. долл., будет завершен, компания получит одну из крупнейших систем, когда-либо созданных человеком с целью получения целостной картины взаимоотношений с клиентами. Ожидается, что к 2010 году в системе будут собраны данные о 100 миллионах потребителей, что позволит всем сотрудникам компании (в случае MetLife это более 46 тысяч человек, включая 5 директоров по информационным технологиям!) иметь полную картину взаимоотношений с клиентами в масштабах всей компании. Другими словами, проект серьезный. Его воплощение в жизнь равноценно поднятию вашего дома в воздух и замене фундамента под ним.

Microsoft – еще один яркий пример компании, озабоченной вопросами интеграции потребительских данных. Первой стадией работы в этом направлении для Microsoft был сбор информации о потребителях из всех существующих баз данных – это порядка 25 миллионов записей, включая регистрацию клиентов в момент покупки, подписку через Интернет и посредством информационных бюллетеней. Кроме того, существовала информация о 73 миллионах сделок, которая ежедневно пополнялась двумя тысячами новых записей. Microsoft применила систему интеграции потребительских данных, далеко выходящую за рамки процесса их тривиального слияния и чистки. В ней используются современные алгоритмы сочетания многочисленных исходных файлов с ассоциированными файлами для создания уникального постоянного идентификатора каждого отдельного клиента. Впоследствии этот идентификатор постоянно сопровождает клиента, позволяя легко поддерживать обновленную и точную информацию о нем. В 2002 году, когда централизованная система была создана, она позволяла проводить до 30 маркетинговых кампаний ежемесячно, в результате чего прибыль увеличилась на 24 млн. долл. (вдвое превысив изначально запланированные показатели). Таким образом, система окупила себя достаточно быстро.

После трех лет, потраченных на процесс интеграции, компании Microsoft все еще есть над чем подумать в этом направлении. Например, ей еще предстоит разработать возможность обмена данными в режиме реального времени с call-центрами и беспроводными подразделениями компании. И хотя фраза «одно лицо, один голос» остается привлекательным маркетинговым слоганом, задача достижения такого уровня интеграции может отпугнуть даже самых смелых. Трудности обусловлены главным образом тем, что в основе различных баз данных, имеющихся в компании, а также вне ее, лежат разные типы языков, платформ и структур – не говоря уже о сопротивлении, с которым непременно сталкиваются подобные инициативы.

Основное правило, сформулированное практиками, гласит: чем более глубокий уровень интеграции необходим, тем выше риск того, что инициатива столкнется с многочисленными препятствиями на пути ее реализации. Другими словами, интеграционные риски зависят от количества существующих точек интеграции и вероятного уровня сложностей, присущих каждой из них. Риск будет особенно высок, когда, как в случае с MetLife, компания представляет собой конгломерат, стремительный рост которого обуславливается поглощением других фирм. Приобретя дюжину компаний (как крупных, так и мелких) в стремлении стать крупнейшим национальным страховщиком, MetLife со временем обнаружила, что стала владелицей массы разнородных систем информационных технологий, каждая из которых содержала море бесценных, но несовместимых данных. Объединение компаний в группу подразумевает появление огромных резервов потребительских данных, сосредоточенных в разных структурных подразделениях этой группы, и необходимость объединения этих резервов.

Положительной стороной такой ситуации можно считать то, что компания, столкнувшаяся с масштабной фрагментацией собственных ИТ-систем, может облегченно вздохнуть хотя бы по той причине, что у нее есть возможность заменить разрозненные части информационной базы одной гигантской объединенной системой. Возможно, компании даже не придется физически объединять разрозненные части системы. Напротив, может быть, ей удастся использовать возможности промежуточного программного обеспечения для этих целей. Подобные решения очень быстро завоевывают популярность и становятся ответом на молитвы многих директоров по информационным технологиям и менеджеров по маркетингу.

По своей сути промежуточное программное обеспечение разработано для извлечения информации из существующих баз данных независимо от того, где и в каком формате эта информация хранится. Эти приложения позволяют ИТ-системе преобразовывать структуры данных, где уже хранится информация, создавая их копии в режиме реального времени, вместо того, чтобы сводить всю информацию в единую структуру данных. В сущности, они извлекают копии данных из существующих несовместимых баз – в случае MetLife их количество превышало 30 – в общий накопитель, использующий единый язык. Во многих случаях компании могут интегрировать свои данные через отдельные прикладные системы, каждая из которых управляет отдельным объемом общей интегрированной базы данных, чтобы создать иллюзию унификации. Преимущество такого подхода состоит в том, что он позволяет компании сэкономить миллионы долларов за счет продления жизни существующим системам.

Таким образом, возводя мосты между хранилищами данных, компания может создавать единую картину взаимоотношений со своими потребителями, не сталкиваясь с необходимостью отказаться от существующих систем. Промежуточное программное обеспечение является своеобразным серотонином для корпоративных организаций. Вырабатываемое мышцами химическое вещество серотонин в головном мозге передается от одного нейрона к другому через синапсы. В мозгу людей, страдающих депрессивными расстройствами, ингибиторы выработки серотонина заставляют нейроны сообщаться между собой. Аналогично этому промежуточное программное обеспечение дает возможность сообщаться между собой хранилищам данных, используя в большинстве случаев стандарт XML как протокол информационного обмена. Если бы не было таких решений, многие компании не выходили бы из депрессивных состояний, во всяком случае когда дело касается рыночной стоимости акций!

Для MetLife таким серотонином стало приложение компании DWL – одного из многочисленных поставщиков программного обеспечения, появившихся в последние несколько лет и обещающих объединить в режиме реального времени потребительскую информацию в любых деловых сферах, из любых каналов и систем. По словам DWL, преимущество решения, внедренного в MetLife, заключается в использовании уже существующей у нее технологии, дополненной «унифицированными прикладными уровнями, используемыми приложениями CRM для совершенствования управления отношениями с клиентами, последовательного обновления всех систем в режиме реального времени и обеспечения единого источника потребительской информации, а также управления им, для всех подразделений компании».

Дабы не углубляться в премудрости структуры систем или их внедрения, что, как мы уже говорили, является темой для совершенно другой книги, отметим просто, что способность отображать современную, последовательную и всестороннюю картину взаимоотношений с клиентами сегодня вполне реальна и доступна любой компании, готовой взяться за подобную задачу. В области интеграции существует множество возможностей. Сейчас не время расслабляться. Выберите лучшее для вас решение и действуйте.

MetLife вплотную занялась поставленной задачей и очень гордится этим. Всесторонняя картина, над созданием которой она работает, означает, что впервые за свою 135-летнюю историю приемное сканирующее устройство в call-центре компании будет работать в режиме реального времени, позволяя иметь одновременный доступ к пенсионным счетам клиентов, полисам автострахования и стоматологическим страховкам, несмотря на то, что информация об этих трех продуктах пополняется тремя отдельными подразделениями компании. Способность интегрировать недавно полученные и получаемые в текущий момент потребительские данные из абсолютно разных точек взаимодействия с клиентами и связывать их воедино с помощью входящих и исходящих каналов также лежит в основе прогнозирующего анализа, как мы увидим далее в этой главе.

Мы называем задачу достижения полной интеграции данных SiloSync. Процесс склеивания пар приложений с промежуточным программным обеспечением может быть трудным, и успех часто зависит от того, насколько творческим будет подход к решениям, не слишком продуманным с точки зрения способности к взаимодействию. Тем не менее SiloSync обычно позволяет достичь более высокого уровня удовлетворенности потребителей и новых возможностей привлечения, удержания и управления прибыльными клиентами. Повторим еще раз: считайте это предпосылкой оптимизации маркетинговых мероприятий, продаж и обслуживания клиентов, а также решающим шагом в бесконечной борьбе за то, чтобы не позволить прибыльным клиентам пользоваться товарами и услугами конкурентов.

SiloSync ломает границы, разделяющие каналы, географию и направления деятельности подразделений. Она объединяет несопоставимые части компании, а также избранных партнеров и поставщиков одной деловой сети, позволяя им успешно воспроизвести современную, полную и последовательную картину взаимоотношений с клиентами. Важно отметить, что в контексте прицельного маркетинга она объединяет все процессы в области маркетинга, продаж и обслуживания клиентов в единую интегрированную инфраструктуру, состоящую из множества приложений. Мы называем такую структуру CFAS (от англ. «customer-facing applications suite»). Она представляет собой комплекс компьютерных программ, обеспечивающих контроль над отношениями с потребителями и управление ими. Мы относимся к этой структуре с неким благоговением, сознавая, что она – ключ к будущему прицельного маркетинга.

СОЗДАНИЕ ПОТРЕБИТЕЛЬСКОЙ БАЗЫ ДАННЫХ

Потребительская база данных может стать самым ценным активом компании при условии, что она содержит надежную и ценную информацию. Понадобится немало времени и усилий, чтобы создать такие модели данных. Фактически эта работа бесконечна, поскольку данные необходимо постоянно обновлять, чистить и управлять ими, как и любыми другими важными и ценными информационными активами. Лучший способ создания ориентированных на потребителя баз данных и управления ими состоит из четырех этапов.

Объединение текущих полей данных: потребительские данные поступают из многих онлайновых и офлайновых источников – регистрация в сети, лотерейные билеты, call-центры, карточки программ лояльности и т. д. Эти источники данных должны быть объединены в единое хранилище данных, представляющее общую потребительскую картину.

Очистка данных: разные источники информации могут содержать противоречивую или сомнительную информацию. Является ли одним и тем же лицом господин Билл Вайнгартен, проживающий по адресу Пратт 1102, и господин Уильям Вайнгартен, проживающий по адресу В. Пратт? В первую очередь, чистка предполагает приведение в порядок контактной информации с помощью почтовых кодов и специального программного обеспечения. Кроме того, поля данных разных баз могут быть изначально созданы по-разному. Например, регистрация на сайте может иметь поле «возраст клиента» со следующей разбивкой: 1 = 18–25; 2 = 26–40; 3 = 41 +; а разбивка того же поля в регистрационной анкете может иметь вид 1 = 18–25; 2 = 36–55; 3 = 56 +. Такие расхождения можно устранить с помощью процесса трансформации.

Получение разрешения: потребители должны добровольно участвовать в маркетинговых акциях и давать маркетологам свое согласие общаться с ними. Управление участием (или неучастием) потребителей в маркетинговых программах и акциях с помощью тех или иных каналов требует установления четких правил. Кроме того, потребители должны быть уверены в том, что могут рассчитывать на конфиденциальность предоставляемой вам информации.

Пополнение информационных профилей: пополнение информационных профилей обуславливается тем, какую информацию о клиентах может получить компания, и из каких источников. Эта информация должна представлять для компании реальную ценность, а не относиться к разряду «было бы неплохо знать…» Она должна быть полезной для конкретных целей компании, например для прогнозирующего моделирования, выявления влиятельных потребителей и т. д. Информация может пополняться тремя путями.

• Наслаивание данных о покупках: маркетинговые фирмы, обслуживающие большие базы данных компаний, могут пополнять индивидуальные информационные профили клиентов данными из личных баз данных компаний-заказчиков. Эти же фирмы могут предоставлять и услуги по чистке баз данных.

• Прямой опрос потребителей: взаимодействие с потребителями (например при их регистрации) обеспечивает получение личной информации от них самих. Небольшие исследования, позволяющие со временем создать полноценные профили, – прекрасный способ сбора важных данных.

• Использование расчетных данных: с помощью технологий статистического моделирования статистики рассчитывают ценность определенных полей данных на основе похожих ответов опрошенных потребителей.

 

Создание CFAS – комплекса компьютерных программ, обеспечивающих контроль над отношениями с потребителями и управление ими

Хранилище информации о взаимоотношениях с клиентами – основа комплекса компьютерных программ, обеспечивающих контроль над отношениями с потребителями и управление ими. Ни одна технология не играет столь же важной роли в достижении компанией цели стать ориентированной на клиента. В то же время хранилище информации о взаимоотношениях с клиентами – лишь один из компонентов CFAS. Подчеркиваем, акроним этот применяется для описания комплексного набора технических компонентов, используемых компанией для того, чтобы лучше понимать своих клиентов, более эффективно выходить на рынок со своими предложениями и строить более прибыльные взаимоотношения с потребителями. В идеальном мире комплекс программ CFAS мог бы быть единственной технологией, необходимой компании для того, чтобы фиксировать, отслеживать и оценивать каждое взаимодействие с потребителями на постоянной основе, постепенно улучшая уровень удовлетворенности клиентов и прибыльность компании.

В целом система CFAS охватывает маркетинговую деятельность, предшествующую сделке, непосредственно процесс продажи, которым завершается процесс сделки, и поддержание отношений после завершения сделки. CFAS охватывает и целый набор каналов, которые компания может использовать для общения с клиентами. CFAS включает рабочие аспекты взаимодействия и ведения дел с клиентами, а также аналитические аспекты стратегии сегментации и прогнозирующего моделирования, необходимые для повышения прибыльности взаимоотношений с клиентами. Система CFAS должна давать компании возможность перевести взаимодействия с клиентами с уровня обрывочных взаимодействий и разрозненной информации до уровня единой системы, в которую войдут все сделки и каналы общения, включая даже те, которыми управляют внешние партнеры компании.

Полностью отработанная система CFAS, помимо хранилища информации о взаимоотношениях с клиентами, состоит из трех основных функциональных элементов [3]John Battelle, «Putting Online Ads in Context», Business 2.0, June 2003.
. К этим элементам относятся: программа управления кампанией, программа управления каналами и набор аналитических инструментов, которые мы называем в комплексе программой управления аналитикой (рис. 3.1). В комплексе эти три функциональных элемента составляют «убийственную прикладную систему» маркетинговой оптимизации и интеллектуальный механизм прицельного маркетинга.

Рис. 3.1. Комплекс программ CFAS

Если хранилище информации о взаимоотношениях с клиентами служит носителем данных о клиентах, то программа управления кампанией выступает хореографом взаимодействий с клиентами. Она представляет собой комбинированный набор инструментов, позволяющих компании распределять по категориям и составлять профили клиентов, разрабатывать индивидуальные маркетинговые кампании и оценивать эффективность маркетинговых программ. Программа управления кампанией позволяет отследить историю покупательского поведения каждого клиента и выяснить его предпочтительные каналы общения, что впоследствии позволяет маркетологам презентовать ему маркетинговые предложения так, чтобы вероятность его отклика на них была максимально высокой, будь то прямая рассылка, электронная почта, телефон, текстовое послание и пр.

В то время как программа управления кампанией позволяет следить за потребительским поведением и предпочитаемыми каналами общения, программа управления каналами отвечает за связь с различными точками контактов с потребителями, где происходит взаимодействие с ними – например за подключение к системе автоматизированных рабочих мест продавцов, организацию работы call-центра (внутреннего или внешнего), а также за взаимодействие с клиентами посредством Интернета. В идеале программа управления каналами интегрирует данные обо всех взаимодействиях и сделках с клиентами, получаемые из всех каналов, и делает их доступными для использования всеми участниками организационной сети. Она собирает информацию со всех точек взаимодействия с покупателями, передает ее в хранилище, извлекает выходные данные из аналитических модулей и в обработанном виде передает в точки взаимодействия с клиентами. Помимо этого, программа управления каналами должна в режиме реального времени позволять компании одновременно следить за работой и качеством функционирования всех ее каналов взаимодействия с клиентами.

Как уже было сказано, программа управления кампанией и программа управления каналами дополняются набором аналитических инструментов, которые мы условно называем программой управления аналитикой. Бесконечно совершенствуемые с точки зрения масштабов и модернизации, эти инструменты используются для анализа потребительских данных с целью определить модели, интерпретировать их и использовать полученные данные для управления программами прицельного маркетинга. Инструменты эти бесценны для эффективного автоматизированного просеивания огромного количества данных – так называемого процесса информационной проходки – и выявления среди них крупиц действительно ценной информации. Традиционно аналитический процесс был пакетным, т. е. адаптация кампании проводилась после анализа результатов. Сегодня же анализ превращается в процесс, происходящий в режиме реального времени, тогда как реализация, оптимизация и адаптация становятся частью непрекращающегося автоматического цикла, отражающего цикл прицельного маркетинга, описанный в предыдущей главе.

Кроме того, как было сказано выше, маркетинговые решения в прошлом чаще всего принимались под влиянием интуиции, восприятия и шестого чувства – словом, в абсолютном противоречии принципам научного метода. Программа же управления аналитикой, напротив, практически полностью полагается на технологии математического моделирования. Это дает возможность принимать решения рационально, а не интуитивно, и преобразует процессы маркетинговой обработки и распределения ресурсов из основанных на суждениях в основанные на фактах, что позволяет вести финансовый учет. Переход от политики «субъективного принятия решений» к политике «объективного принятия решений» – серьезный шаг в сторону совершенствования маркетинговых программ.

То, что политика «объективного принятия решений» стала частью маркетингового процесса, может показаться радикальной переменой. Но не забывайте, что большинство остальных технологических бизнес-процессов в компаниях уже составляют обширную систему реализации деловых операций, реализуемых с помощью специального программного обеспечения, известного как автоматизированные системы управления предприятием. Сегодня самые крупные компании насчитывают тысячи деловых операций, лежащих в основе бизнес-процессов. Эти операции отражают логическую схему принятия решений и в определенной мере диктуют общую модель поведения.

До недавнего времени порядок принятия решений в компании должен был быть жестко запрограммирован в ее автоматизированных системах. Изменение какого-либо правила означало перекодировку всего программного обеспечения, что занимало невероятно много времени и требовало привлечения программистов. Сегодня же новое поколение технологий принятия решений позволяет программистам автоматизировать бизнес-процессы, самостоятельно составляя и изменяя последовательность действий. Это очень важно, поскольку деловые операции – предмет постоянных изменений.

Говоря упрощенно, автоматизированная система принятия решений определяет, какое действие должно быть предпринято, исходя из имеющегося набора переменных в рамках одного условного утверждения. На языке прицельного маркетинга это означает следующее: если потребительский сегмент A дает утвердительные ответы на вопросы 1, 2 и 5 анкеты интерактивного опроса, то по отношению к потребителям этого сегмента, проживающим на северо-западе Тихоокеанского бассейна и еще не владеющим спортивными автомобилями, должны быть предприняты маркетинговые действия Б. Четкое описание бизнес-процессов – фундаментальная составляющая процесса принятия решений в организации. И во многом программа управления аналитикой дублирует ее, представляя собой механизм делового управления, состоящий из множества правил и управляемый прогнозируемыми моделями, как мы убедимся далее в этой главе.

Подводя итог, отметим, что интегрированный набор ориентированных на клиента приложений открывается хранилищем информации о взаимоотношениях с клиентами и дополняется тремя ключевыми комплектами операционных приложений: программой управления кампанией – для планирования и проведения маркетинговых мероприятий; программой управления каналами – для взаимодействия с клиентами; программой управления аналитикой – для проведения опросов, анализа и ведения отчетности потребительских данных. Существует множество способов создания комплекса программ CFAS, включая делегирование этой задачи специализированной компании. Однако какой бы способ ни был избран, цель всегда одна: более совершенное управление самым важным активом компании – информацией о ее клиентах.

ИСКУССТВО ВЕСТИ ДИАЛОГ С ПОТРЕБИТЕЛЕМ

Представьте на мгновение, какое множество посланий борется сегодня за внимание потребителей. Скольким из сотен электронных сообщений, соблазнов прямой рассылки, звонков телемаркетеров, рекламных щитов, журнальных реклам, атакующих покупателей ежедневно, обращают на себя хоть малую толику их внимания? Каким из рекламных обращений удается соблазнить потребителя поделиться информацией о себе? Только тем, которые предлагают нечто достаточно ценное для клиента в обмен на предоставляемые ими личные сведения. Ведение такого диалога с потребителем и последующая возможность продать ему что-то зависят от трех условий.

• Благоприятные возможности для вовлечения потребителя в диалог.

• Экспериментирование.

• Оценка.

Благоприятные возможности для вовлечения потребителя в диалог обычно бывают:

событийно-управляемые (к примеру, зимняя стужа – прекрасный повод выслать электронной почтой рецепт горячительного напитка);

основанные на демографических факторах (например, рассылка матерям подростков бесплатных брошюр о половом воспитании);

основанные на информации о предыдущих покупках (например, реклама, продвигающая услуги химчистки, расположенной в том же торговом центре, где потребитель покупает продукты);

основанные на биографических данных (например, предложение людям пожилого возраста образовательной электронной рассылки, посвященной здоровому питанию).

Экспериментирование. Все бренд-менеджеры сталкиваются с трудностями при выборе вариантов проведения кампании. Переменные, способные оказывать влияние на ответы потребителей, бесконечны: содержание, форма подачи информации, графика, цена, предлагаемый пакет и т. д. Хорошие инструменты управления кампанией позволяют в ходе продуманного эксперимента проверить влияние различных факторов на потребительскую реакцию. Проверка и оценка результатов до запуска кампании, а затем их использование в прогностическом анализе, позволяет компаниям точно прогнозировать скорость реакции потребителей и затраты. С помощью этих инструментов маркетологи могут определять, куда стоит вкладывать бесценные маркетинговые средства.

Оценка. Мало просто отследить результаты кампании. Менеджеры по маркетингу должны иметь возможность видеть ценность серии рекламных кампаний во времени. Внимательное определение метрик для оценки кампании или серии кампаний должно влиять на то, как будут отображаться данные. Более того, легкие для понимания отчеты или отображающие результаты графики и диаграммы необходимы для создания хорошо управляемой программы прицельного маркетинга.

 

От маркетинговой автоматизации к маркетинговой оптимизации

Термины «автопилот», «автоматическая трансмиссия», «автоматическая посудомоечная машина» и им подобные вызывают в воображении образы механических устройств, работающих при минимальном вмешательстве человека. Нажал кнопку – и машина самостоятельно делает всю работу. Интересно, что слово «автоматизировать», произошедшее от греческого слова «automatos», означающего «действующий по чьему-то желанию», изначально использовалось для описания качеств, присущих живым организмам, например «автоматическое усвоение» пищи. Ассоциация слова «автоматизировать» с компьютерами и механизмами – один из множества примеров того, что люди стали измерять мир механическими мерками.

Безусловно, термин «маркетинговая автоматизация» описывает не что иное, как технологический процесс, поскольку заключается он в электронной реализации маркетинговых программ с помощью технологий информационной проходки. Опять-таки, эти технологии используются для определения моделей, которые можно использовать в разработке правильных предложений и формулировки правильных посланий, рассчитанных на узкие потребительские сегменты. Между тем, инструменты отчетности используются для анализа результатов прошлых и настоящих маркетинговых кампаний, позволяя организациям точно регулировать реализацию будущих кампаний. В отличие от процесса пакетной обработки, характерного для планирования и исполнения традиционных маркетинговых программ в недавнем прошлом, маркетинговая автоматизация позволяет разрабатывать, реализовывать и подправлять кампании в режиме реального времени.

С приходом маркетинговой оптимизации компании получили гораздо больше возможностей контролировать результативность собственных маркетинговых программ. Например, они имеют возможность определять точные маркетинговые задачи (скажем, повышение прибыльности взаимоотношений с клиентами или снижение затрат на привлечение клиентов), а также выявлять сдерживающие факторы маркетинговых кампаний (допустим, ограниченность бюджета). На основе этой информации прогнозирующее моделирование может определять относительную склонность каждого потребительского сегмента откликаться на определенные промоакции, в то время как алгоритм оптимизации способен определить наиболее адекватные потребительские сегменты, товарные предложения и маркетинговые каналы.

В идеальном варианте компания способна заранее определить максимальную прибыль, которая может быть получена в результате проведения маркетинговой кампании при любой комбинации ограничивающих факторов, благодаря программе прицельного маркетинга, сулящей обеспечить оптимальную эффективность. А ведь сегодня, когда многие компании стеснены в средствах и не могут похвастаться растущей прибыльностью, слова «оптимальная эффективность» звучат для многих предринимателей как самая сладкая мелодия.

В конце концов, какая компания не хотела бы знать лучшие комбинации товарных предложений, разослав которые каждому потребительскому сегменту, она могла бы достичь, или даже превзойти, запланированные объемы продаж? Или эффективность рекламной кампании, в ходе которой call-центр организации рассылает по электронной почте разным потребительским сегментам разные товарные предложения? Маркетинговая оптимизация обещает радикально улучшить эффективность маркетинговых инвестиций компании, даже если перед компанией стоит несколько бизнес-целей (подчас противоречащих друг другу). Во многом ключом к исполнению этого обещания является способность компании активно экспериментировать.

Используя новейшие методы экспериментального проектирования, аналитики могут обыгрывать всевозможные переменные любых маркетинговых программ. В основном это относится к тестированию ряда комбинаций признаков, а затем к применению так называемой методики факторного анализа для выяснения всех взаимосвязей между различными переменными и результатами. Идея методики заключается в создании рабочего шаблона, позволяющего маркетологам отбирать наиболее эффективные комбинации признаков среди всех потребительских сегментов. Продолжающийся цикл тестирования, изучения, построения моделей и сбора данных опять-таки перекликается с циклом прицельного маркетинга. Конечно, он обеспечивает систематический подход, намного опережающий предыдущую практику, которая обычно заключалась в тестировании лишь одного фактора и лишь для одного сегмента. Благодаря активному экспериментированию, коэффициент окупаемости маркетинговых инвестиций становится, скорее, показателем предварительным, а не «посмертным».

«Отлично! – с энтузиазмом воскликнет директор какой-нибудь компании, придя в восторг от того, что маркетинговая оптимизация может стать легким способом повысить стоимость акций компании. – Я беру это!» Вопрос в том, что он берет. Где можно раздобыть полностью интегрированную систему CFAS, укомплектованную перечисленными выше возможностями экспериментального проектирования? Можно ли приобрести готовую версию программы? Если бы! В действительности ни один поставщик программного обеспечения и ни одно программное приложение не в состоянии предложить вам все возможности маркетинговой оптимизации, потому что характер приложений, входящих в полный цикл программы, абсолютно разный. Более того, маркетинговая оптимизация в той же мере услуга, в какой и продукт. Она зависит не только от программных приложений, но, что не менее важно, от команды специалистов и их опыта. С точки зрения программного обеспечения, большинству крупнейших компаний придется самостоятельно собирать подходящие им конфигурации системы CFAS, взяв за основу программу одного из ведущих поставщиков и дополнив ее затем оптимальными компонентами, интегрированными с помощью промежуточного программного обеспечения. Пройдет много лет, прежде чем будут созданы полные версии решений для маркетинговой оптимизации, и даже тогда они будут требовать немалых капиталовложений как в персонал, так и в инфраструктуру. Подробная многокомпонентная и оптимально подобранная система напоминает не что иное, как профессиональный домашний кинотеатр: можно, конечно, купить всю систему в сборе. И рядового телезрителя, который будет наслаждаться на нем заурядными DVD-дисками с записями «Семейки Адамсов», это, возможно, вполне устроит. Но для настоящего киномана – или для крутого маркетолога, не привыкшего довольствоваться посредственными результатами – это абсолютно неприемлемо. Киноман получает удовольствие от самого процесса подбора системы – выбрать и установить колонки, в которых идеально сочетается звучание и эстетичность; оценить, усилители какой фирмы способны идеально воспроизвести всю гамму звуков, закодированных в цифре…

Все это не говорит о том, что стать хозяином полностью интегрированной высокоэффективной системы CFAS невозможно. Возможно. Но лишь самые богатые компании, фанатично преданные идее ориентированности на клиента, могут позволить себе подобное. Всем остальным придется поступать так, как поступают люди, пришедшие в первоклассный кинотеатр: заимствовать. Подробнее мы расскажем об этом в следующей главе.

Итак, комбинация маркетинговой автоматизации и оптимизации – гигантский скачок в направлении маркетинговой эффективности. Она позволяет взаимодействиям с потребителями перейти с уровня групповой обработки данных на уровень процесса, происходящего в режиме реального времени, и от масштабов единичного продукта или процесса к множественным. Кроме того, она позволяет изготовлять изделия по техническим условиям заказчика на уровне узких сегментов, беря за основу унифицированность информации потребительских профилей. А способность создавать индивидуализированные маркетинговые программы, адаптированные к потребительским характеристикам, поведению и обстоятельствам, отражает саму суть маркетинговой оптимизации – и прицельного маркетинга в частности.

 

Прогностическая аналитика и взаимоотношения с клиентами

Большая часть маркетинговых посланий, сообщаемых потребителям с помощью средств массовой информации, не приносит пользы. Столь же бесполезной оказывается масса информации о клиентах, собираемой с использованием техник прямого маркетинга. В действительности подавляющее большинство информации о потребителях, собранной во всем мире, мертвым грузом осело на жестких дисках – или, что еще печальнее, в огромнейших картотеках. Она не организована. Не очищена. Она переполнена ненужными данными и несоответствиями форматов. Она частично устарела. Она испещрена пробелами недостающих сведений. Но, тем не менее, она есть. Не хватает лишь возможности – и, пожалуй, желания – укомплектовать, обработать и проанализировать эти тонны данных, превратив их в глубокие знания, способные неслыханно увеличить доходы и прибыль компании.

Идея превращения гор данных о клиентах компании в знания лежит в основе концепции, известной как прогностическая аналитика. В области конкурентных стратегий этой концепции нет равных, поскольку она может стать решающим фактором роста финансовой эффективности и рыночной стоимости компании. Этот факт был неоднократно продемонстрирован во многих отраслях, и, пожалуй, наиболее наглядно – в области финансовых услуг. Пионер прогностической аналитики, компания Fair Isaac использовала эту концепцию для оценки кредитных рисков («оценки кредитоспособности») еще в 1950-х годах. Сегодня ее разработки лежат в основе всех кредитных операций. Fair Isaac разработала тысячи моделей – для прогнозирования удержания, банкротства, предрасположенности к покупке, сокрытия реальных доходов, страховых потерь, авансовой выплаты ссуды и т. д.

Составление прогнозов предполагает ознакомление с многочисленными историческими данными с помощью инструментов прогонки данных, отыскивающих поддающиеся интерпретации модели, и затем создание математических уравнений, отражающих взаимоотношения, лежащие в их основе. Эти математические уравнения разрабатываются для прогнозирования будущего поведения потребителей. Построенная для составления прогнозов модель дает возможность немедленно осуществить комплексный анализ, скажем, данных о сделках, взаимодействиях с потребителями или бухгалтерских данных. Она может обеспечить эмпирический, объективный или последовательный метод оценки массива данных и извлечение из него смысла, способного указать путь к принятию правильных бизнес-решений.

Прогностические модели часто называют поведенческими моделями, поскольку они могут быть использованы при прогнозировании будущего поведения клиента для определения вероятности того, например, что он не погасит в срок ссуды. Позволяя компаниям мгновенно разделять желанных, менее желанных и нежеланных клиентов – более того, применять разные маркетинговые подходы к разным потребительским сегментам, а также к индивидуальным потребителям на основе их предрасположенности к определенному типу поведения, прогностические модели дают возможность контролировать степень допустимого риска и принимать меры для увеличения прибыли.

Прогностические модели могут выражать взаимосвязанные отношения между десятками, сотнями и даже тысячами наборов данных в виде единой оценки. Эта оценка отражает вероятность определенной модели поведения или события в будущем. Например, прогностическая модель, построенная для анализа кредитных рисков, предлагает оценку, показывающую, какие клиенты, вероятнее всего, будут вовремя вносить кредитные взносы. Более высокие оценки зачастую указывают на более предпочтительное поведение.

У некоторых людей прогностическая аналитика ассоциируется с действиями любопытного ребенка, играющего в старую версию американской игры Magic 8 Ball. Абсолютно невыразительный по нынешним меркам пластмассовый шарик с окошком – эта игрушка более полувека развлекала детей тем, что якобы «умела заглядывать в будущее и находить ответы на их вопросы». И как порой были весьма загадочны эти ответы – например «Поживем – увидим» или «Спроси чуть позже», так не менее загадочными, честно говоря, бывают время от времени и ответы, получаемые с помощью действительно сложных техник прогнозирования будущего.

Конечно, прогностическая аналитика – феномен далеко не новый. Он давно использовался под видом статистического прогнозирования. А что такое статистика, как не процесс, с помощью которого люди стремятся изменить собственные ожидания или поведение, оценив реальное положение вещей? Приведем простой пример. Исходя из исторических климатических моделей, количество осадков, выпадающих в период с сентября по декабрь в городе Энтеббе, превышало средний уровень каждые четыре из десяти периодов дождей. Исходя из этого, предполагаемая вероятность того, что количество осадков, выпадающих в период с сентября по декабрь в Энтеббе, будет выше среднего, составляет 40 %. Рассматриваемые события могут носить естественный характер, как в случае с г. Энтеббе, или предумышленный, известный также как экспериментальный. Статистики дают людям знать, какие действия следует предпринимать для оптимизации определенных процессов в соответствии с некоторым целесообразным набором критериев. Прогнозирующие модели систематизируют такую оптимизацию.

Действительно, развитие прогностической аналитики во многом отражает переход от маркетинговой автоматизации к маркетинговой оптимизации. В этом контексте оптимизация означает способность анализировать большие объемы данных, исследовать многочисленные комбинации переменных, раскрывать ранее скрытые взаимоотношения – и, в конечном счете, приходить к пониманию и прогнозировать потребительское поведение на самом узком уровне. Настоящий же фокус в том, что все это можно осуществить в мгновение ока.

Аналитика следующего поколения стала возможной благодаря приложениям нового рода, характеризующимся более высокими скоростями процессов и более сложными алгоритмами выполнения трех основных функций. Первая из них относится к автоматическому открытию неизвестных прежде или считавшихся нелогичными моделей. Вторая функция относится к идентификационному анализу», используемому главным образом системами контроля качества и обслуживания кредитных карт. И третья функция, непосредственно связанная с темой нашей книги, относится к автоматизированному прогнозированию тенденций и поведения. Это основа любой программы удержания клиентов, направленной на сегментирование потребительской базы с целью определить наиболее прибыльные категории покупателей и спрогнозировать способность удерживать этих покупателей и управлять отношениями с ними посредством специально разработанной для них маркетинговой программы.

ИСПОЛЬЗОВАНИЕ ПРОГНОСТИЧЕСКОЙ АНАЛИТИКИ

Богатая данными потребительская база необходима компании для того, чтобы знать, кто они – ее клиенты, что они покупают, что им нравится, а что – нет, и т. д. Однако любая база данных бесполезна, если компания не использует содержащуюся в ней информацию для прогнозирования будущего поведения потребителей. Прогностическая аналитика – ключ к этой задаче. Прогнозирующие модели заставляют вечно экспериментирующие и приспосабливающиеся компании продуманно и эффективно тратить свои маркетинговые средства на возможности, гарантирующие надежный результат. В прицельном маркетинге прогностическая аналитика используется главным образом в трех сферах:

• сегментация;

• тестирование кампании;

• оптимизация работы call-центра.

Сегментация. Сегментация – это не представленный в виде перекрестных таблиц отчет, но и не разделение совокупности на группы по демографическим признакам. Сегментационные модели рассчитывают сложные взаимодействия многочисленных переменных, таких как данные о покупках, информация о поведенческих особенностях, демографические сведения, склонность к отклику и пр. Статистическое моделирование использует целый набор техник прогонки данных для определения сегментов людей, имеющих одинаковые модели поведения. Понимание этих сегментов позволяет компаниям определять профили очень прибыльных клиентов, а затем тестировать на них разные маркетинговые кампании.

Тестирование кампании. Выслать потребителю, покупающему товары только вашей марки, купон на получение 15 %-ной скидки – напрасно потратить деньги. Этот потребитель и так никогда не купит товары конкурентных марок, поэтому высланный купон всего-навсего лишит компанию 15 % продажной стоимости этого товара. С другой стороны, выслать такой купон потребителю, легко меняющему торговые марки и производителей, более целесообразно. Прогностическая аналитика помогает компаниям определить, какие потребители склонны менять вкусы и привязанности, и затем использовать индивидуальные методы продвижения, специальные пакеты товаров или услуг и ценовые стратегии, чтобы увеличить прибыль, получаемую компанией от таких клиентов. Аналогично тестирование маркетинговой кампании может определить, какие потребители обеспечивают большую часть прибыли компании, а какие никогда не реагируют на ее акции по продвижению продукции. Прогнозирующие модели, выявляющие «лучших» и «худших» клиентов, помогают компаниям перестать понапрасну тратить деньги на последних, экономя миллионы долларов маркетинговых бюджетов.

Оптимизация работы call-центра. Испытания и прогностическая аналитика не менее успешно использовались call-центрами для повышения эффективности перекрестных продаж, увеличения прибыли и снижения оттока клиентов. Приведем простой пример. Ежегодно задолженность практически миллиона клиентов, прекративших платежи крупной компании-эмитенту кредитных карт, составляет 1 млрд. долл., причем половину задолженности в конце концов удается погасить. Было проведено специальное исследование с целью определить, как изменить стандартное первое предупредительное обращение компании к клиенту-неплательщику, чтобы повлиять на эффективность сбора неуплаченных средств. В результате правильно подобранный сценарий предупредительного диалога с неплательщиком (правильное сообщение) позволил на 11 % повысить сбор непогашенных взносов. А выбранный из четырех вариантов сценарий правильного сообщения, рассчитанного еще и на правильного клиента, позволил еще на 2 % повысить сборы. Разница в 500 млн. долл. в размере сборов позволила увеличивать годовую прибыль компании более чем на 50 млн. долл. ежегодно.

 

Проектирование идеального клиента

Прогнозирование потребительского поведения требует использования передовых достижений прогностической аналитики. Моделированию предшествует анализ информации потребительских профилей с целью выявить наиболее важные характеристики данного потребительского сегмента. Процесс происходит следующим образом.

Открываем. Просмотрите существующую на данный момент базу данных клиентов вашей компании, чтобы выявить возможности продвижения перекрестных продаж. Используйте простую систему оценки для составления списка ваших самых прибыльных клиентов.

Сравниваем и проверяем. Сравните полученный список с внешними базами данных перспективных клиентов. Насколько совпадают эти списки? Почти не совпадающие списки могут сулить печальные результаты.

Сегментируем, исходя из ценности. Составляйте важные маркетинговые сегменты, принимая во внимание такие факторы, говорящие о ценности клиентов, как модели оттока и миграции, и т. д. Они могут меняться в зависимости от сферы индустрии. Например, в сфере беспроводных коммуникаций отток клиентов в среднем составляет около 30 % в год. Для отрасли, теряющей почти треть своих потребителей ежегодно, при том, что затраты на привлечение каждого нового клиента достигают 400 долл., самое минимальное усовершенствование в области удержания клиентов представляет немалую ценность. В области потребительских товаров, где этот показатель может быть намного ниже, возможно, целесообразнее оценивать склонность клиента мигрировать под влиянием более привлекательных ценовых предложений конкурентов.

Предвидим. Изучите клиентов каждого сегмента – тех, которые покидают компанию, мигрируют и т. д. – и попытайтесь определить других потребителей, имеющих сходные характеристики и особенности, которые могут переместиться в эти сегменты в ближайшем будущем. Кто из клиентов, на ваш взгляд, может отказаться от сотрудничества с компанией в ближайшие три-четыре месяца? Кого сейчас можно отнести к числу потенциальных клиентов компании? Определив риски и возможности, компания может принять предупредительные меры, снизив вероятность того, что клиенты действительно покинут ее, и увеличить возможности перекрестных продаж.

Как же выглядит успех, когда все расставлено по полочкам? По-разному. Например, предположим, что страховая компания хочет знать: «Каковы общие черты клиентов, приобретающих полисы страхования жизни?» Общие черты таких клиентов, определяемые с помощью статистической выборки, дают возможность составить модель клиента, который, вероятнее всего, станет покупателем страхового полиса в будущем. Определяя эти черты на основе геодемографических, психографических и ситуационных параметров, компания может в дальнейшем оценивать клиентов, исходя из того, насколько их информационные профили соответствуют шаблону, в данном случае модели покупателя страхового полиса. Клиентов, попавших в разряд «потенциальных генераторов прибыли», можно смело привлекать с помощью специально продуманных маркетинговых предложений. При этом клиенты, имеющие высокую ценность для компании, могут получать одни предложения, а клиенты, ценность которых не столь высока, – совершенно другие.

Обычно профиль клиента для кампании по увеличению количества единиц покупаемой им продукции составляется исключительно на основе данных о его покупках – показателя, на самом деле слишком узкого для определения ценности клиента для компании. Ценность клиента для компании тесно связана с тем, как часто потребитель покупает продукцию компании, когда он покупал ее последний раз и какую прибыль в денежном выражении он приносит компании. Но, как было отмечено выше, данные о покупках клиента отражают только его сегодняшнюю ценность. Чтобы определить ценность клиента в перспективе и в соответствии с этим правильно распределить ресурсы, компании должны принимать в расчет особенности ценности жизненного цикла клиента.

Для определения ценности клиента частота и денежное выражение его покупок, безусловно, первоочередные факторы. Для того чтобы определить клиентов, обеспечивающих компании основную массу доходов, First Union, шестой по размеру национальный банк США, использует программное обеспечение, анализирующее хранилище данных о взаимоотношениях с клиентами, содержащее 27 терабайтов информации о покупках 16 миллионов клиентов компании и других данных о них. Или возьмем крупнейший канадский финансовый институт – Bank of Montreal (BMO), активы которого составляют 155 млрд. долл. США. В 2002 году BMO твердо решил покончить с разобщенностью собранных многочисленных данных и сделать информацию о клиентах банка доступной всем организационным подразделениям. Было решено также оценивать прибыльность клиентов банка в режиме реального времени с помощью инструментов сегментирования и ранжирования клиентов в соответствии с такими критериями, как их склонность к покупкам, их покупательские предпочтения и даже вероятность ухода к конкурентам. Анализируя информацию, поступающую с 18 миллионов счетов в 32 подразделениях компании, эта оценка позволяет BMO создавать очень точные модели и предвидеть, каких клиентов заинтересует приобретение тех или иных финансовых продуктов, предлагаемых банком, и какими специальными маркетинговыми инструментами можно привлечь этих клиентов.

Неудивительно, что взаимосвязь между способностью прогнозировать и увеличением прибыли наиболее очевидна в сфере финансовых услуг. В целом, эта сфера далеко продвинулась в вопросах потребительской аналитики по сравнению с прочими рыночными секторами. Как демонстрирует наш пример, банки особенно склонны анализировать потребительские данные с целью распознать общие черты «идеальных клиентов», которые, возможно, сводятся к элементарному: внушительным суммам на кредитных картах и регулярности взносов. Установив это, банк вполне может принять решение снизить размер ежегодных взносов для этих клиентов и предложить им привлекательные и прибыльные программы, не прекращая при этом поиска новых клиентов, соответствующих составленному профилю «идеального клиента».

Не так давно Chase Manhattan Bank провел исследование, целью которого было определить, действительно ли клиенты, выражающие недовольство необходимостью не превышать минимальный баланс на карточном счету, приносят банку прибыль или, наоборот, заставляют его терпеть убытки. Следует ли банку просто избавиться от таких клиентов, если затраты на их удовлетворение превышают приносимую ими прибыль, позволив беспрепятственно переметнуться к конкуренту, предлагающему не такой высокий баланс счета? Ответ на этот вопрос не так прост, как может показаться на первый взгляд. Например, важно учесть тот факт, что удовлетворенный клиент приводит в компанию новых клиентов, существенно увеличивая ее клиентскую базу и снижая при этом затраты на привлечение новых потребителей.

Кроме того, как уже было сказано, компаниям не следует оценивать клиентов, полагаясь исключительно на их сегодняшнюю ценность. Дело в том, что сегодняшние самые прибыльные клиенты компании могут вовсе не быть лучшими. Вполне возможно, что лучшим клиентом компании окажется тот, кто сегодня приносит ей меньше всего прибыли. Обращаться с клиентом, основываясь на представляемой им на сегодняшний день ценности без учета возможностей завтрашнего дня, нелогично. Наоборот, компании должны стремиться собрать и проанализировать данные о клиенте, способные помочь определить, кто из потребителей, скажем так, «бронзового уровня» способен в будущем перейти на «золотой уровень», судя по их потенциалу. Опять-таки, прогнозирование этого потенциала предполагает использование техник прогнозирующего моделирования, чтобы предвидеть вероятность того, что клиент в будущем – не важно, через пять месяцев или через год – может рассчитывать на более высокий уровень обслуживания с вашей стороны. В этом случае, возможно, имеет смысл выделять больше средств на его обслуживание уже сегодня.

Таким образом, чтобы максимально повысить ценность собственной клиентской базы, компания должна постоянно придерживаться определенного набора действий. Во-первых, она должна определять тех клиентов, которые в наибольшей мере реализуют собственный потенциал потребления товаров или услуг компании, а затем подбирать соответствующий уровень продаж и обслуживания, способствующий поддержанию или дальнейшему укреплению взаимоотношений с ними. Вторая задача, более сложная, заключается в определении тех клиентов, которые на данный момент приносят среднюю прибыль компании, но которые потенциально будут приносить ее гораздо больше в будущем, и в соответствии с этим действовать. Чтобы рассчитать вероятность того, произойдут или не произойдут определенные события (в нашем случае, станут или не станут клиенты более прибыльными), компания должна максимально использовать возможности прогнозирующего моделирования.

Опять-таки, эти модели способны составить гораздо более четкую картину того, в каких клиентов следует вкладывать деньги, вопреки традиционному подходу слепого инвестирования в тех, которые непременно приносят прибыль сегодня. В конце концов, как известно любому любителю ресторанов, хороший ресторан может испортиться, а плохой – покинуть бизнес. То же можно сказать и о клиентах.

Подумайте над таким вопросом. Если бы вы были компанией, предлагающей финансовые услуги, владеющей информационными профилями миллионов клиентов, ограничились бы вы сферой исключительно финансовых услуг? Столкнувшись с тем, что данные о клиентах и сделках, в одних случаях кажущиеся абсолютно бесполезными, при дальнейшем размышлении оказываются вполне подходящей основой для более глубокого анализа, ряд банков пришел к тому, что их бизнес связан не только с финансовыми услугами, но и с информацией. Все чаще они используют финансовые услуги как рычаг, помогающий продвигать дополнительные продукты и услуги – от подписки на журналы до мобильных телефонов.

Пересматривая все собранные данные о клиентах и разбивая их на элементарные составляющие, компании, работающие в любых отраслях, могут открыть много ценного и полезного. Могут ли данные использоваться творчески для создания новых предложений, способствуя продвижению компании на смежные деловые арены? Могут ли они служить своеобразным вектором роста, трамплином, способным катапультировать компанию на новый уровень развития? Спросите у H&R Block. Несколько лет назад эта компания сумела использовать собранные данные о клиентах, чтобы выйти за рамки традиционно предоставляемых ею услуг в сфере налогообложения и расширить свою деятельность ипотечными и инвестиционными услугами, а также пенсионным планированием. Не иначе как Марк Эрнст, исполнительный директор компании, использовал тот самый Magic 8 Ball! В 2002 году, в разгар спада, компания объявила о повышении прибыли на 55 % по сравнению с предыдущим годом и назвала сумму в 3,3 млрд. долл. В следующем году уровень прибыли достиг 3,78 млрд. долл., а в 2004 году доходы должны были вырасти еще на 18 %, в основном за счет ипотечных операций. Для H&R Block управление потребительскими данными было очень умным шагом.

Мы начали эту главу словами Кена Кизи, автора знаменитой книги Полет над гнездом кукушки. Он писал: «Можно сосчитать семена в яблоке, но не сосчитать яблок, которые из семени вырастут». Слова Кизи как нигде уместны в контексте аналитики потребительских данных. Перефразируя их, можно сказать, что компания может определить сегодняшнюю ценность своей базы данных, но не будущую ценность отдельного клиента. Еще недавно это утверждение было вполне справедливым. Сегодня же способность «сосчитать яблоки, которые из семени вырастут» становится реальностью. И так же реально сегодня привлечь те самые «семена» – клиентов, которые принесут компании самый большой урожай.