Отступление: регрессия или дерево решений

Регрессионному анализу уделяется очень много внимания на программах MBA, посвященных методам принятия решений. Почему я о них умалчиваю? Суть регрессии состоит в выстраивании линейной модели для предсказания продаж – например, как производной функции от маркетинга и других входных параметров. Это отличный инструмент, если у вас есть много «чистых» данных и при этом вам несложно дать интерпретацию большому количеству переменных. Однако нехватка данных или их сильный разброс опасны для регрессии. Фактически в подобных случаях приходится отбрасывать значительную долю информации. В этом смысле деревья решений более гибкие, и их можно создавать и при недостаточности данных, и при большом их разбросе. Помимо прочего, регрессия предполагает наличие простой линейной модели, элементы которой не коррелируют между собой. Деревья же можно считать «непараметрическими». Данные четко не следуют математическому распределению, поэтому можно выделить степень взаимодействия между различными переменными и выбрать те из них, по которым лучше всего строить дерево, – то есть преодолеть две основные проблемы, присущие таким прогнозным моделям, как регрессия.

Разумеется, ограничения есть и у деревьев. Дерево может быть эффективным для анализа тестового набора данных, однако при введении нового набора данных смысл и логика теряются. Чтобы решить эту проблему, нужно провести некоторое количество тестов (с небольшими и крупными массивами данных). С этой задачей справляются многие алгоритмы создания деревьев. Вторая проблема в том, что результатом дерева становится ступенчатая функция – да или нет, высокие или низкие значения какой-то переменной, – а это значительно снижает достоверность прогноза. Регрессия – непрерывный процесс (что можно считать ее преимуществом), а большие деревья фактически подчиняются линейным функциям. Иными словами, если дерево можно разбить на достаточно большое количество уровней, оно способно отображать непрерывную функцию – в частности, именно поэтому дерево решений отлично подходит для анализа больших массивов данных.

Я не утверждаю, что регрессия – плохой метод. В сущности, она отлично подошла Meredith для маркетинга на основе модели предрасположенности с использованием электронной почты (причем оказалась гораздо более эффективной, чем дерево решений). Однако у дерева решений есть целый ряд преимуществ. Главное из них в том, что вам не нужны идеально «очищенные» данные, а результаты более наглядны для любого маркетера.

 

 

DirecTV

 

Компания DirecTV (годовой оборот 17 миллиардов долларов) – оператор спутникового телевидения. Она была основана в 1994 году как подразделение Hughes Electronics. На компанию работает 7500 сотрудников, и она предоставляет свои услуги примерно 18 миллионам жителей США и более чем 5 миллионам жителей нескольких стран Латинской Америки. Перед ней в определенный момент встала та же задача, что и перед компанией EarthLink: удержать клиентов из группы риска.

О проведенном компанией анализе я расскажу чуть ниже, пока же отмечу, что DirecTV удалось перевести маркетинг и обслуживание клиентов на новый уровень с помощью автоматизированной системы, позволяющей производить сбор и анализ данных в режиме, близком к режиму реального времени. В систему ежедневно загружаются данные примерно о 60 миллионах транзакций, а компания использует ее, например, для того, чтобы заблаговременно выявить клиентов, которые собираются позвонить и отменить ту или иную услугу. Созданные в компании модели позволяют специально сформированной команде сотрудников получать контактную информацию клиентов, готовых уйти, и та в течение считаных часов направляет специальные предложения, ориентированные на удержание.

Результаты работы оказались впечатляющими: DirecTV смогла удержать не меньше 25 % абонентов из группы риска, а общий показатель оттока снизился в 2008 году с 19 % в год до 16 % (что было самым низким значением в отрасли). Снижение годового оттока на 3 % кажется не особенно большим, однако для компании с годовым оборотом в 17 миллиардов долларов экономия составляет свыше 500 миллионов долларов в год.

 

Национальный банк Австралии

 

Обычно банки проводят массовые маркетинговые кампании. Чаще всего они не таргетированы и совершенно бесполезны. Более правильный подход – использование технологий для поиска новых возможностей. Например, один крупный банк начал анализировать счета своих клиентов и обнаружил беспроцентный вклад на сумму 160 тысяч долларов, который был довольно крупным для клиента. Банкир позвонил ему в течение 24 часов и обнаружил, что эти деньги были собраны его семьей и друзьями для запуска нового бизнес-проекта. Телефонный разговор завершился продажей клиенту контракта на обслуживание специального счета для малого бизнеса, открытием кредитной карты и кредитной линии.

Национальный банк Австралии (National Australia Bank, NAB) – лидер в области маркетинга, основанного на событиях, в области финансовых услуг. С годовым оборотом в 14 миллиардов долларов он занимает первое место в области розничного обслуживания в Австралии. В 2008 году он выиграл награду Национального центра маркетинга баз данных (National Center for Database Marketing) за мероприятия в области аналитического маркетинга, основанного на событиях. NAB ежедневно изучает свыше 2,7 миллиона событий для своих клиентов с помощью так называемых детективов событий (программных средств выявления событий). Это позволяет за год найти около трех миллионов возможностей для развития нового бизнеса. На основании этой информации банк ежегодно совершает около 500 тысяч звонков настоящим и потенциальным клиентам, и коэффициент отклика по ним превышает 40 %.

Интересно отметить, как NAB применяет эти принципы в недавно приобретенных банках, таких как Европейская группа Национального банка Австралии (включающая в себя Йоркширский банк и Клайдсдейл банк, работающие в Великобритании). Во всех этих банках до момента их покупки NAB процессы маркетинга и управления клиентами были нескоординированными. Кроме того, сотрудники не могли разобраться, кто в конечном итоге отвечает за клиента, – различные группы конкурировали, стараясь заполучить клиента с помощью разных предложений. Дублирование приводило к напрасной трате сил, а клиенты в результате оказывались в полном замешательстве.

NAB консолидировал данные о клиентах своих европейских банков в централизованное корпоративное хранилище, а затем использовал процессы сбора данных и аналитические инструменты для таргетирования и маркетинга, основанного на событиях. Банк выстроил систему координации сообщений по различным каналам, чтобы обеспечить бо́льшую последовательность и предотвратить дублирование. Цели маркетинговых кампаний были изменены и сфокусированы на потребностях клиентов, их поведении и CLTV. Предложения начали направляться клиентам своевременно, банк научился связываться с ними в течение 24 часов после поступления от них запросов, а маркетинг в целом стал более персонализированным.

Результаты оказались потрясающими. Доля отклика на маркетинговые предложения сразу же выросла в 30 раз (на 3000 %!). По мере того как банк настраивал и регулировал аналитические инструменты, используя подход гибкого маркетинга – быстрое тестирование и освоение, – отклик рос на 15 % в год. Отток клиентов снизился на 17 %, а координация входящих и исходящих запросов позволила повысить уровень отклика еще на 20 %. Более того, общее количество лидов снизилось на 22 %, однако при этом показатель их конверсии вырос на 15 % из-за улучшения качества.

 

Ping Golf

 

Рассмотрим компанию, которая получает прибыль только благодаря маркетингу. Ping производит клюшки для гольфа в соответствии с точными требованиями клиентов и осуществляет их доставку не позднее чем через 48 часов. Компания может менять цвет, длину, гибкость и тип рукоятки клюшек. Перед ней стоит непростая задача: в день она получает до 3000 заказов, количество ее активных клиентов превышает 10 тысяч, а распространением занимается около 20 дистрибьюторов – не говоря о необходимости управлять сборкой по принципу «точно в срок» (just-in-time). Проблема усугубляется тем, что для производства некоторых частей клюшки может потребоваться от 3 до 12 недель, а годовые продажи неравномерно распределены во времени – более 40 % продаж Ping происходят во II квартале.

Однако компании удается решать большинство проблем с помощью аналитических инструментов и хранилища, позволяющего обрабатывать данные в режиме реального времени. В колл-центре трудятся 15–20 торговых представителей, которые обрабатывают от 1000 до 3000 звонков в день (ежедневно оформляется около 2000 заказов). Система хранит около 12 миллионов серийных номеров для всех компонентов клюшек, то есть клиент может заказать точную копию имеющейся у него клюшки через колл-центр или интернет. Ответ в режиме реального времени позволил компании создать лучший в своем роде колл-центр и повысить показатель удовлетворенности клиентов. Таким образом, аналитические инструменты и грамотная инфраструктура хранилищ данных помогают не только внедрить маркетинг, основанный на событиях, но и значительно улучшить работу других подразделений.