Третий основной прием аналитического маркетинга: дерево решений
Как же использовать события при принятии маркетинговых решений? Главное – правильно применять аналитические данные. Они помогают определить, какие события или покупки взаимосвязаны. Затем на основании данных можно определить таргетированные маркетинговые действия, активирующиеся триггером события для определенных потребителей. Иными словами, нужны модели прогнозирования, позволяющие понять поведение и характеристики потребителя, а также план маркетинговых действий, основанных на данных прогнозов. Благодаря моделям вы можете оценить маркетинговый эффект с помощью таких показателей, как коэффициент отклика, прибыль и/или коэффициент оттока. Ниже приведен подробный пример, показывающий, как проводить такого рода анализ.
Компания EarthLink, расположенная в Атланте, – интернет-провайдер среднего размера. Ее оборот за 2008 год составил 956 миллионов долларов. Компания обеспечивает интернет-соединение миллионам частных потребителей и ряду мелких и средних компаний. Примерно четверти клиентов EarthLink предоставляет высокоскоростной доступ в интернет (с участием компаний Time Warner Cable и Comcast Cable) и предлагает такие услуги, как веб-хостинг и онлайн-реклама. DSL-соединение обеспечивают операторы BellSouth, Covad, AT&T и др.
EarthLink активно использует данные, аналитические инструменты и маркетинг, основанный на событиях. Но ей пришлось пройти сложный путь. Стюарт Роузел, директор по исследованиям клиентов, аналитике и стратегии компании EarthLink, рассказал мне:
Чтобы в компании применялся маркетинг, основанный на данных, команда аналитиков должна была привлечь на свою сторону и менеджмент, и маркетеров. Однако всем им было сложно понять наши принципы регрессионного моделирования. Многим маркетерам такой анализ казался неудобным, и поэтому они им не пользовались. Чтобы все начали пользоваться этим инструментом, нужно его упростить.
Сэм Макфол, старший менеджер EarthLink по вопросам бизнес-аналитики, добавил:
Более ранние модели прогнозов, основанные на логистической регрессии, не получили признания в организации, потому что маркетерам и менеджерам по продукту было сложно визуализировать полученные результаты. Когда же мы перешли к моделированию с помощью дерева решений, идеи сразу стали более наглядными, а после нескольких внутренних обучающих семинаров и запуска пилотных программ сотрудники начали активно использовать наши модели.
Дерево решений – один из трех основных методов анализа данных. Два других – кластерный анализ и нейронные сети{49}. Детали этих алгоритмов интересны «ботаникам» вроде меня, но большинству маркетеров они покажутся очень скучными. Однако для использования самих моделей все подробности не нужны.
Что же такое дерево решений с точки зрения анализа данных? Суть его в том, чтобы последовательно разделять набор данных на более «чистые» подгруппы, имеющие четко определенные характеристики. По сути, мы хотим просеять данные сквозь сито; в результате образуются две группы{50} – прошедшие и не прошедшие отбор.
Представьте себе кучу зеленых и синих шариков. Если ваш фильтр разделяет эти два цвета, то в итоге вы получите две кучки шариков – синие отдельно, зеленые отдельно. Каждая из них будет более «чистой» с точки зрения цвета, чем изначальный набор. Затем мы можем повторить тот же процесс с использованием других переменных и т. д. В итоге набор данных превратится в своеобразное дерево с «листьями» (синими и зелеными), соединенными ветвями (связями).
Поясню на примере. На рис. 9.3 показано, как компания EarthLink произвела первое разделение данных при создании дерева решений в программе SAS Enterprise Miner{51}. Общее множество – клиенты, пользующиеся DSL, и для начала компания разделила их на группы позвонивших в колл-центр и задавших вопрос «Можете ли вы подключить мне широкополосный доступ?» (левая ветвь) и не сделавших этого (правая ветвь). Обратите внимание, что триггером события выступает звонок в сервисный центр с вопросом «Можете ли вы подключить мне услугу?».
В верхней части дерева решений приведены данные о двух группах клиентов: 5,2 % клиентов, пользующихся коммутируемым доступом, отказываются от услуг в течение 60 дней, а 94,9 % остаются. Однако среди тех, кто звонил в компанию (первое разветвление в левой части дерева), заметна большая разница в показателе оттока: 12,8 % (по сравнению с 42 % не звонивших, см. второй набор ячеек на рис. 9.3). Иными словами, клиенты, звонящие в компанию и узнающие, могут ли они пользоваться широкополосным доступом, имеют в 2,5 раза больше шансов отказаться от услуг компании, чем вся совокупность клиентов (для расчета этого показателя достаточно разделить 12,8 % на 5,2 %) – это ветвь с «высоким коэффициентом оттока». Правая ветвь – ветвь с «низким коэффициентом оттока»: клиенты, которые не обращались с запросом о предоставлении услуг широкополосного доступа, на 20 % (4,2 % / 5,2 %) реже склонны расставаться с компанией (по сравнению со всей клиентской базой).
Дерево решений можно рассматривать и как способ подробной сегментации клиентов, основанной на широком наборе переменных, включая события. Самый важный вопрос для маркетинга в данном случае – «Почему коэффициент оттока для этих двух групп так
