В этой небольшой статье мы рассмотрим один из видов поведенческой сегментации - бинарную (
binary segmentation). Это одна из самых простых и как все поведенческие сегментации опирается на принцип "инертности" поведения клиентов. Например, когда мы видим движущийся предмет, то достаточно легко можем предугадать его траекторию, все расчеты за нас сделает наш мозг. Аналогично работает и любая поведенческая сегментация, она смотрит на активность клиента в прошлом, и по этим данных достаточно хорошо может сказать, как будет вести себя клиент в ближайшем будущем.
Строится она тоже очень просто. Для этого время нужно разбить на 4 равные части (примечание - на самом деле далеко не факт, что 4 части, и не факт, что равные части). Например, пусть это будет год, который мы разобьем на 4 квартала, точку отсчета возьмем - 1 января. И для каждого клиента составим следующую таблицу:
В строке таблицы находится клиент, в столбцах Q1,Q2,Q3,Q4 ставим 1, если клиент покупал в этот квартал, 0 - если нет. Например из таблицы видно, что Петров делал покупки во все кварталы, кроме Q1. Далее нам понадобится узнать, как клиенты покупали в первом квартале следующего года, для этого добавим столбец Q0:
Как и раньше, ставим 1 - если сделал заказ, 0 - если нет. Теперь нам нужно сгруппировать данные полученной талицы. Для каждой комбинации "кода" Q1 Q2 Q3 Q4 подсчитаем количество клиентов и сумму по полю Q0:
Все, сегментация закончена. Поле - ClientsQty - кол-во клиентов в базе на конец анализируемого года, ClientsQty Q0 - кол-во клиентов, которые сделали заказ в первом квартал следующего года. В таблице я сразу вычислил Transformation Rate (далее TR), как долю клиентов сделавших заказ в Q0. А самая главная особенность этой сегментации заключается в том, что TR практически не меняется со временем, это и есть инерционность поведения клиентов. И именно этот факт позволяет нам:
Прогнозировать кол-во клиентов, а значит и оборот
Сгруппировать клиентов по TR на очень хороших (высокий TR), хороших (TR выше среднего) и плохих (низкий TR). Это очень важно для директ-маркетинговых кампаний, когда вы будете тратить деньги на хороших и очень хороших клиентов, а не на плохих. Или, например, для каждой группы проводить свои маркетинговые акции.
Построить скоринг. Можно сказать, что TR и есть значение скора.
Перед запуском рекламной кампании в электронной коммерции разрабатываются маркетинговые модели, которые должны в точности отражать маркетинговую стратегию.
Интернет-реклама (или интернет-маркетинг) приводит потенциальных клиентов на сайт и требует серьезных инвестиций. Веб-аналитика помогает сделать анализ рекламы,
оценить конверсию сайта и посещаемость сайта. В качестве технического средства лучше использовать Google analytics, это очень хороший счетчик посещений сайта, можно
сказать лучший из всех бесплатных счетчиков сайтов.
На эффективность продвижения юзабилити влияет, но не настолько, как сейчас распространено мнение в сети Инернет. Больше влияют алгоритмы рекомендаций и навигация на сайте.
Сайты накапливают базу данных клиентов. И анализ интернет-магазинов показывает, что эта информация в маркетинге используется слабо.
Business intelligence или bi система позволяет делать сегментацию потребителей по поведению и демографии, а также скоринг вероятности отклика клиента.
Data mining инструменты затем используют для проведения кампаний прямого маркетинга (или direct marketing) по базе данных клиентов.
OLAP и bsc (сбалансированные показатели) инструменты очень важны для анализа в маркетинге. Bi системы также являются основой любой аналитической CRM системы.
Все это образует электронный маркетинг. Об этом весь сайт KPIs.ru, включая мои лекции по маркетингу.
