Занятно, что самые современные инновации зачастую попросту решают очень древние задачи. Я всегда полагал, что лучше хорошо разобраться в чем-то одном, чем поверхностно знать массу вещей. Давайте разберемся с одним из мощных инструментов аналитики, который предлагает компания IBM. Инструмент обеспечивает сегментацию рынка и построение профиля клиента для банков, торговых предприятий, индустриальных корпораций – всех, кто работает по схемам B2B и B2C. Проблема, что называется, горячая, и существует масса публикаций на эту тему. Но стремление прорекламировать превалирует над глубиной описания, попросту говоря, большинству заказчиков из топ-менеджмента не вполне ясно, а что, собственно, дает это для бизнеса. Так вот, разберемся.
Рассмотрим для примера известнейший кейс из мировой бизнес-практики. В европейской стране был заключен контракт на крупную поставку достаточно ценного груза. Фирма, поставлявшая товар, взяла хорошую предоплату на обеспечение логистики. Команда почти в 300 человек обеспечивала проект.
Проект шел с огромными трудностями: борьба между менеджерами, управляющими проектом за власть, конкуренция между департаментами, низкая квалификация части персонала – все это осложняло проект. В ходе транспортировки было утеряно 4/5 транспортных средств вместе с грузом. Поставка была осуществлена только через три (!) года.
Два вопроса читателю: мог ли быть доволен такой работой клиент и был ли прибыльным проект?
Да и да. Памятники главному менеджеру проекта, Фернану Магеллану, совершившему первую кругосветку за три года, стоят по всему миру. Сам он погиб, но команда из 18 человек довела один корабль с пряностями из пяти, отправившихся в путь до цели. Один корабль типа «каравелла» – это около 50 тонн пряностей. А во времена Магеллана за полкило пряностей можно было приобрести корову.
Это один подход: продавать что-то очень дорого и с огромной прибылью. Он был наиболее эффективен тогда, когда средства доставки товара и информации являлись узким местом.
И все сложности логистики, ее дороговизна и длинные сроки окупались.
Банки также предпочитали работать с крупными корпоративными клиентами. Один из самых успешных банков, Святого Георгия в Генуе, работал с королями и императорами – причем давал кредиты, которые заранее были обречены. Короли редко возвращают деньги. Зато в обмен банк получал торговые привилегии, и эта модель бизнеса оказалась сверхуспешной. Понятно, что внимание к клиенту и понимание клиента стояло на первом месте, ибо даже один клиент оказывался решающим для успешности предприятия.
Расширение информационных связей, ускорение логистики и, главное, скорость информации о новых продуктах и предложениях стали увеличивать массу клиентов и, соответственно, снижать качество работы с ними. Я застал в Британии начала 1990-х годов период наступления крупных супермаркетов на «местные» магазинчики. За счет опта, конечно, супермаркеты ломали бизнес и вымывали мелкие магазинчики, вызывая недовольство тех клиентов, кто ценил качество обслуживания и персонифицированный подход. «Я готова платить дороже за то, что со мной будут обращаться как с человеком», – объясняла мне знакомая пожилая англичанка. Увы, супер- и гипермаркеты победили. На тот момент.
По мере того как была решена проблема мгновенной доставки информации (через Интернет), набрала силу и стала подавляющей другая модель: продавать с копеечной прибылью, но огромной аудитории. Скажем, клик мышкой на сайте стоит гроши, но когда кликов миллионы, финансовые потоки мощны и разливисты.
Если попытаться представить график, отражающий развитие во времени ситуации по двум главным факторам – индивидуальности подхода и массовости клиентуры, она выглядит примерно так:
Это, конечно, условный график, отражающий общую тенденцию. Сегодня в розничных бизнесах продаются продукты и услуги колоссальному количеству клиентов, но об индивидуальном подходе только начали задумываться. Вот если бы появилась возможность изменить направление красной кривой, резко поднять ее кверху...
Но с этим возникают большие проблемы. Современные средства позволяют собирать терабайты информации о клиентах, но разобраться в этих данных оперативно (слово «оперативно» надо выделить) – для большинства бизнесов пока неосуществимая задача.
Оценки из собственной практики: крупная компания, предлагающая сервисы сотням тысяч клиентов, получает информацию о купленных товарах за неделю, о номерах карточек, по которым была осуществлена покупка, о тех, кто купил те или иные товары. Каждый день это десятки гигабайт информации. Для того чтобы разобраться в этой информации и отреагировать на ситуацию, сформировать новые предложения клиентам, требуется примерно две недели шести высококвалифицированных аналитиков. Но к тому моменту данные устаревают, и предложение опаздывает.
Все есть: и данные, и аналитики – а результата нет. Что делать?
Тут у читателя возникает справедливый вопрос: а что, сложно профессионалу разобраться в данных, если он действительно спец с опытом? Да, сложно. Постараюсь пояснить на примере.
В чем заключается задача создания бизнеса с индивидуальным подходом, то есть с учетом конкретных интересов конкретного клиента?
Из всего огромного количества клиентов выделить группы, которые:
• Обладают сходными признаками, которые можно отловить и на их основе выделить эти группы.
• Обладают спецификой запросов по отношению к продуктам или услугам, предлагаемым компанией-продавцом.
Последняя фраза означает, что выделенная группа «хочет» или «может хотеть» чего-то вполне определенного, что не нужно или не интересует другие группы. Например, если мы выделим из всех клиентов группу по двум признакам: а) женщины б) нерожавшие, беременные на 7–9-м месяце, – то мы с высокой степенью вероятности можем предположить, что они впервые и вовсю озабочены покупкой товаров для будущих своих детей. И разумно предлагать им коляски, соски, пеленки и прочее и прочее, связанное с этим направлением.
В чем проблема? В том, что такой, поверхностный анализ могут уже делать довольно многие инструменты и в относительно небольших массивах данных. Тут нет серьезного конурентного преимущества. Но как только мы начинает работать с действительно БОЛЬШИМИ данными, возникает ряд серьезнейших технических задач, которые надо решать.
К примеру. Подробная сегментация, или выделение групп клиентов из общей массы, предполагает хорошо составленный классификатор. Все знают, что такое классификатор, по анкетам, которые часто приходится заполнять в разных учреждениях: мужчина или женщина? Работающий или пенсионер? Выезжал за рубеж в последние десять лет или нет? Все это примеры классификаций
Но если мы хотим серьезно и на действительно большом количестве клиентов работать с таким простым, казалось бы, определением, как профессия, придется «загнать» в аналитическую систему огромный рубрикатор, по которому система будет классифицировать данные. Кому интересно, почитайте Общероссийский классификатор профессий (принят Постановлением Госстандарта РФ от 26 декабря 1994 г. №367).
Вы там с интересом узнаете, что есть такие профессии, как:
• заведующий свалкой,
• комиссар аварийный,
• начальник запани,
• организатор ритуала,
• смотритель кладбища,
• художник- глазопротезист,
• варщик пека... и т.д.
Между прочим, «варщик пека» – специалист, готовящий материал для загрузки в плавильную печь. Так вот, классификатор содержит перечни из 5491 профессии и 2598 должностей, поддерживается в рамках специальной государственной программы. То есть не только какая-то группа специалистов отслеживает появление новых и вымирание старых профессий, но и следит за соответствием международным стандартам, внесением изменений в базу данных, следит также за интеграцией с Общероссийским классификатором занятий и т.д.
Это только по одному пункту: профессия.
Если кто-то полагает, что с другими позициями проще, то это заблуждение. Скажем, торговое предприятие продает модную одежду. Относительно недавно возникла достаточно большая группа клиентов, которые могут быть весьма интересны как целевая аудитория. Это так называемые метросексуалы. Называют их так не потому, что они ездят в метро, а потому что в основном живут в крупных городах (от metropolitan, столица).
Так вот скажите, по каким признакам из возможных источников данных торговое предприятие может уловить, что человек – метросексуал? Как в старой игре «черного и белого не берите, ‘да’ и ‘нет’ не говорите», нет возможности задавать десяткам тысяч клиентов прямые вопросы. Можно брать данные об их покупках, возможно из социальных сетей. Но кто обработает гигабайты и терабайты данных и выловит метросексуалов?
Но это еще не самое сложное. Самое сложное – выявить группы, которые еще не оформились в крупные явления, но представляют интерес как потенциальные потребители определенных продуктов или услуг.
Вот здесь мы и подошли к сути инновации, предлагаемой компанией IBM.
В обзоре Gartner по топ-10 технологий 2015 года говорится, что перспективный розничный бизнес строится в «сетевой» B2E, B2C, C2C, G2C (government to consumer) парадигме.
Гартнер видит следующие топ-тренды:
• Совмещение реального и виртуального миров (сюда входят вычисления на любых устройствах, Интернет вещей и 3D-печать)
• «Умные» устройства (сюда входят продвинутая и скрытая от пользователя аналитика, обогащенные контекстом системы и «разумные» вычислительные устройства)
Собственно, вот три ключевых компетенции, которые должно наращивать любое предприятие, предлагающее продукты или услуги: использование человеческого опыта, использование бизнес-опыта и использование ИТ-знаний.
Как мы видим, использование аналитики, обрабатывающей данные для поддержки принятия решений, требует комплексного подхода, бизнес и знания о клиенте как о персоналии обеспечиваются соответствующими ИТ-механизмами.
Что касается источников данных, то сегодня около 80% владельцев смартфонов каждую неделю ищут информацию именно в мобильном Интернете.
И это понятно, ведь число мобильных подключений в 2015 году перевалило планку в 7 млрд. Так что основным источником данных о клиентах становятся мобильные устройства и сети. При этом не надо надеяться на то, что у России «особый путь»: скорость проникновения «бытовых» инноваций невероятна и почти не зависит от уровня жизни. Показательный инцидент произошел в 2013 году, когда женщину из индийской провинции Пенджаб забили камнями после суда ее племени за обладание мобильным телефоном. Чем показателен этот ужасный случай? Люди, живущие практически в каменном веке, обладают тем не менее мобильными телефонами.
Исследование Географического отделения колледжа Тринити в Дублине (его провели под руководством профессора Padraig Carmody в 2013 году) установило, что, например, в Эфиопии 75% населения, обладающего мобильными телефонами, тратят 27% своего дохода на их содержание, то есть почти треть! В Нигере стоимость минуты разговора равна 40% дневного заработка семьи. Во многих семьях Южной Африки покупают мобильный телефон, потратив на это деньги для обучения детей. Я сознательно привожу такие жесткие примеры, поскольку из них видно, что даже низкая покупательная возможность населения не является ограничителем для использования мобильных технологий. В тех же США уже в 2011 году, согласно отчету Бюро статистики (U.S. Census Bureau, опубликовано в 2013), более 80% семей, живущих ниже уровня бедности(!), имели мобильные телефоны.
Кстати, переход к мобильным устройствам как к основному источнику данных создает дополнительную проблему. При анализе данных при помощи традиционных аналитических систем о ней пока мало кто задумывается. Это проблема использования специфических слов, сленга, сокращений в глобальном масштабе и региональной спецификой.
Например, что вам скажут такие текстовые данные: «TQ, TAM, MRS, GID»? А это одно и то же выражение «я тебя люблю» на sms-жаргоне, используемое испанцами (Te Quiero), итальянцами (Ti AMo), финнами (Mina Rakastan Sinua) или норвежцами (Glad I Deg). Влюбленные между тем – это весьма интересный сегмент клиентуры: они будут обязательно тратиться на своих избранников...
Можно, конечно, посадить группу специалистов, которые будут просматривать с утра до ночи информацию с различных порталов, форумов и пытаться уловить эти вещи. Но это неэффективно и вряд ли реализуемо на практике. Компания IBM предлагает другой подход.
Аналитическая система на базе целого комплекса решений под общим «зонтичным» названием Watson («Ватсон») способна самообучаться, находить подобные моменты, увязывать их с социальными, технологическими и другими явлениями современного мира и подсказывать аналитикам, на что обратить внимание.
В общий спектр решений входят специализированные продукты, которые направлены уже совершенно конкретно на решение перечисленных задач по сегментированию клиентов. Наши аналитические системы ориентированы не только на краткосрочные планы продаж, но в первую очередь на целостное и продолжительное видение развития потребностей клиента. Это видение охватывает весь жизненный цикл, включающий изменение семейного статуса (регистрация брака, появление детей и т.д.), изменение социального статуса (обучение, приобретение профессии, изменение места или профиля работы) и т.д.
Аналитическая система IBM:
• Создает единый взгляд на клиентов, который не может быть легко воспроизведен конкурентами
• Дает понимание о профилях наиболее прибыльных клиентов, их реальных потребностях и поведенческих сценариях в будущем
• Позволяет принимать решения по созданию маркетинговой стратегии, портфелю сервисов и продуктов
Например, конкретно для банков решение позволяет проводить:
• анализ деятельности банковских подразделений,
• оценку прибыльности клиента
• оценку прибыльности по услугам (сервисам банка)
• анализ прибыльности клиента и прогноз прибыльности
• анализ сценариев «что, если?»
• расчет потерей и прибыли по клиентам
• выявление связей между услугами
• анализ исторической информации для:
– предсказания покупательной способности клиента
– моделирования профилей клиента
– экономию затрат за счет более точного соответствия уровней сервисов и потребностей клиента
Но это только часть задачи. После того как мы нашли нужные сегменты среди клиентуры, мы можем построить модель нужного клиента для данного сегмента. Теерь мы можем по выявленному профилю самых прибыльных клиентов определить, какие клиенты похожи на «идеального клиента», в зависимости от их поведения, используемых продуктов и услуг.
Теперь уже можно выявить лучшие предложения для этих групп клиентов и распространить их целенаправленно. Это дает огромную экономию, повышает эффективность работы с клиентами, их удовлетворенность – а значит, и лояльность.
Приведу практический пример, почему предикативная аналитика, предлагаемая IBM, позволяет достичь всех этих результатов. Пример основан на средних, но вполне реальных ценах на услуги, чтобы мы поняли механизм резкого повышения эффективности за счет применения аналитики.
Предположим, у нас около сотни тысяч клиентов. Наш отдел маркетинга сформировал новое выгодное (как мы полагаем) предложение о новом кредите, услуге, товаре. Мы должны сделать смс-рассылку на все 100 тыс. человек. Это очень серьезные деньги. При рассылках в объемах от 75 тыс. человек одно сообщение sms стоит порядка 0,75 рубля. Итого, мы потратим 75 тыс. рублей на рассылку. Статистика говорит, что 2–3%, среагировавших на sms-рассылку (при двух рассылках в месяц), – это прекрасный результат при продаже обычных товаров. Для более дорогих товаров или сложных услуг уровень отклика существенно ниже. Но возьмем оптимистичный вариант – пусть у нас отреагируют три тысячи человек в течение месяца (две рассылки). Итого, 150 тыс. рублей мы уже потратили и должны «отбить» эти деньги, то есть неизбежно каждый клиент должен оплатить «лишние» 50 рублей за товар или услугу.
Сегментировав клиентскую базу и определив, что данная услуга подойдет, например, 10% из наших клиентов, которые попадают под профильную модель, мы получим совсем другой результат. Мы рассылаем уже по 1/10 нашей базы клиентов и, хотя каждая sms будет дороже (0,87 рубля), рассылка обойдется нам за месяц в 17 400 рублей. Уровень отклика поднимается (в среднем) до 5–6%, поскольку эти клиенты более восприимчивы к сформированной услуге. То есть откликнутся 600 человек. На каждого приходится по 29 рублей стоимости рекламы, что на 42% ниже, чем в предыдущем случае.
Эффективность по затратам на рекламу для привлечения клиентов почти в два раза выше. В мире розницы, где бьются за доли процента при ценовой конкуренции, это более чем ощутимое преимущество.
Именно поэтому внедрение предикативной аналитики становится трендом номер один в мире. При этом понятно, что глубокое понимание потребностей и поведения клиента возможно только там, где имеется информационная инфраструктура с технологиями Big Data/BI (Business Intelligence). Надо честно сказать, что для получения результата необходимо проделать достаточно много, в том числе осуществить возможность получения новой персонифицированной информации о клиенте из внешних источников данных (в том числе и вероятностные и противоречивые). Источниками должны являться соцсети, базы данных других участников рынка, специализирующихся на сборе информации о клиентах. Кстати, опасения, что закон о персональных данных является серьезным препятствием предикативной аналитике, напрасны. При полном соответствии законодательству задача решается уже многими участниками рынка.
Необходимо еще получение маркетинговой информации о регионе оказания услуги, новых данных о национальной и региональной экономике, курсах валют, курсах ключевых акций и других ключевых факторах, влияющих на бизнес, равно как и накопление исторических данных о прошлом поведении клиента, его предпочтениях и пр.
Но, как говорится, овчинка стоит выделки.
Было такое хорошее стихотворение гениального Редьярда Киплинга, которое начиналось словами «Есть у меня шестерка слуг, проворных, удалых, и все, что вижу я вокруг, – все знаю я от них...» (в переводе не менее гениального Маршака). Этих слуг, которые «являются в нужде» зовут «Как и Почему, Кто, Что, Когда и Где». Вторая часть стихотворения ретроспективно выглядит пророчеством. Киплинг пишет: «Но у меня есть милый друг, особа юных лет, ей служат сотни тысяч слуг, и всем покоя нет. Она гоняет, как собак, в ненастье дождь и тьму пять тысяч Где, семь тысяч Как, сто тысяч Почему»...
Как пример, такие крупнейшие банки и финансовые компании, как Wells Fargo and Co, у которой более 10 тыс. подразделений и более 12 тыс. ATM по многим странам мира; такие крупные провайдеры, как QIWI, осуществляющая платежи онлайн, через более чем 175 тыс. терминалов, внедрили решения IBM, позволяющие обеспечить лучшее понимание нужд клиентов, защитить и себя, и своих клиентов от рисков и мошенничества, за счет чего снизилась стоимость и повысилась операционная эффективность.
Именно это происходит сегодня – крупные аналитические системы гоняют сто тысяч «Почему» ради того, чтобы выловить крупицы информационного золота из тонн пустой породы.
В конечном счете речь идет о решении следующих задач:
• привлечение клиентов
• удержание клиентов
• повышение прибыльности клиентов
• повышение эффективности работы предприятия в целом
Ради этого на наших глазах разворачивается действительно эпохальная сцена мировой битвы за разумные технологии. Это не преувеличение – и здесь, как и в любом соревновании, важно не опоздать на этот поезд. А чтобы не опоздать, надо хотя бы ознакомиться с расписанием: посетить Клиентский центр IBM, и для вас проведут специализированный брифинг, расскажут множество деталей и подробностей, которые не вместить в рамки данной статьи. Приходите!