Comment et quels clusters peuvent être alloués dans la base de clients

Aujourd'hui, nous ajouterons un autre aspect à l'analyse - la segmentation et le regroupement de la clientèle. Comme je l'ai écrit plus d'une fois, l'analyse de la clientèle reste incomplète si nous considérons nos clients comme un grand groupe de personnes identiques. Les clients sont divisés en types et utiliseront le produit différemment. Quelqu'un achète souvent, mais pas beaucoup, quelqu'un part rapidement, quelqu'un achète beaucoup et souvent. Pour augmenter l'efficacité, il vaut la peine de découvrir quels sont les groupes de clients, puis de comprendre comment vos actions vous permettront d'attirer les clients dont vous avez besoin. Il existe deux façons principales de comprendre vos groupes de clients: l'heuristique et le clustering

Méthode 1: Heuristique et expertise

Dans le cadre de cette approche, en fonction de votre expérience, de la logique d'utilisation de votre produit et des témoignages de clients, vous proposez différents portraits de consommateurs, puis évaluez le nombre de clients que vous avez qui relèvent de ces définitions. Ou vous pouvez utiliser des approches plus numériques basées sur une analyse des mesures des clients. Quelques approches heuristiques numériques populaires sont:

ABC-XYZ

L'idée principale est de diviser les clients par la contribution totale à vos revenus et la dynamique des indicateurs de croissance. ABC est responsable de la contribution aux revenus, XYZ est responsable de la stabilité des revenus. Il forme 9 segments

AX - le plus grand et avec des revenus stables
AZ - Large, mais ils font rarement des achats, les revenus ne sont pas stables
CX - le plus petit, mais avec des revenus stables
CZ - petit et les revenus ne sont pas stables, font rarement des achats

Dans le segment A, les clients qui génèrent 80% des revenus sont identifiés, dans le segment B, qui donne 15% de plus, et dans le segment C, qui donne 5%. Dans le segment X - la plus petite variation des revenus (vous pouvez prendre le 33 centile), Z - la variation la plus élevée (respectivement, le 33 centile supérieur). Par variabilité, je veux dire le montant de la variance des revenus.

Ce que fournit cette analyse: elle vous permet de diviser vos clients en groupes selon leur importance pour votre entreprise. Les clients des groupes AX, AY, AZ sont les plus importants et vous devez leur accorder le plus d'attention. Les clients des groupes BX, BY nécessitent une attention supplémentaire, ils peuvent être développés. L'attention aux groupes dans d'autres catégories peut être réduite. C'est particulièrement bien si vous parvenez à mettre en évidence les points communs entre les clients dans différents segments, ce qui vous permettra de cibler les efforts pour attirer les bons clients.

RFM (Récence-Fréquence-Argent)

L'idée principale est de diviser les clients selon 3 propriétés: combien de temps il y a eu une vente à un client (récence), à ​​quelle fréquence il achète des marchandises (fréquence), combien de revenus il génère (argent). En général, l'approche ressemble à ABC-XYZ, mais sous un angle légèrement différent.

Dans le cadre de cette approche, vous divisez les clients en groupes de récence, par exemple:

• 0-30 jours
• 31-60 jours
• 61-90 jours
• 90+

Par nombre d'achats, par exemple:

• Plus de 15
• 10-14
• 5-9
• 0-4

En termes de revenus:

• 1000+
• 600-1000
• 200-599
• 0-199

Il est clair que pour chaque produit, application ou produit spécifique, vous devez définir vos limites.
En conséquence, vous pourrez diviser les clients en plusieurs segments, chacun caractérisant le client selon le degré d'importance pour vous.

Matrice BCG

L'idée principale est de diviser les clients en catégories de volume de revenus et de taux de croissance des revenus. Cette approche vous permet de déterminer qui est grand et à quelle vitesse grandit. Tous les clients sont décomposés en 4 quadrants:

• Les stars sont les plus gros clients avec des taux de croissance des revenus élevés. Ce sont les clients qui doivent faire le plus attention. C'est un point fort de croissance.
• Les vaches laitières sont de gros clients avec des revenus faibles ou négatifs. Ces clients constitueront le cœur de vos revenus actuels. Voir les vaches et perdre l'entreprise.
• Les chevaux noirs sont encore de petits clients, mais avec un taux de croissance élevé. Ce sont des groupes de clients auxquels il convient de prêter attention, ils peuvent devenir des étoiles ou des vaches laitières.
• Les chiens sont de petits clients avec des taux de croissance faibles ou négatifs. Ce sont des clients auxquels vous pouvez accorder le moins d'attention et leur appliquer des méthodes de service de masse pour réduire les coûts.

Les avantages de toutes les méthodes heuristiques sont la facilité relative de mise en œuvre et la possibilité de diviser vos clients en groupes compréhensibles d'un point de vue commercial.

Les inconvénients sont que nous n'utilisons que quelques propriétés des clients pour les décrire et exclure d'autres facteurs de la considération. De plus, le plus souvent, les clients se retrouvent temporairement dans des segments, changent de position et il est difficile d'établir une véritable communauté au sein du segment.

Méthode 2: clustering

L'idée principale est de trouver des groupes de clients sans utiliser d'hypothèses préliminaires sur la structure de la clientèle, de trouver des grappes naturelles parmi les propriétés des clients sur la base des données disponibles.

Il existe un ensemble de méthodes (K-mean, C-mean, clustering hiérarchique, etc.) qui vous permettent de déterminer la proximité des objets les uns par rapport aux autres en fonction de leurs propriétés. Dans le cas général, vous décrivez votre client comme un vecteur, chaque élément de ce vecteur décrit une caractéristique du client (qu'il s'agisse de revenus, du nombre de mois de coopération, de l'adresse d'enregistrement, des produits achetés, etc.). Après cela, vous convertissez ce vecteur au format souhaité pour votre algorithme, définissez l'algorithme sur les données (et le configurez pour le clustering) et obtenez la séparation des clients en clusters à la sortie.

Bien que le processus ne semble pas compliqué, les détails des méthodes et leur interprétation sont d'une grande importance. Les mesures de «distance» sélectionnées, la méthode de transformation des données et le nombre de facteurs sélectionnés peuvent changer considérablement l'image. Étant donné qu'en définitive, dans les données multidimensionnelles, il n'y a pas de solution «correcte» sans équivoque au problème de clustering, vous devrez finalement évaluer de manière indépendante la qualité des clusters, à savoir, en fin de compte, rechercher une interprétation «métier» pour eux si vous comptez utiliser ces clusters dans la prise de décision par des personnes.

Par expérience, je peux dire que vous ne devez pas utiliser les propriétés complexes et logiquement indépendantes des clients, ainsi que les transformations astucieuses. Malgré les solutions probables et élégantes le long de la ligne d'algorithmes, il peut être difficile d'interpréter les clusters qui ne gonflent rien dans le contexte commercial. Peut-être que votre méthode est bonne si les clusters sont utilisés pour les paramètres d'entrée d'un autre système d'apprentissage automatique. Mais lorsque vous souhaitez diviser la clientèle et formuler une stratégie marketing, de tels clusters astucieux ne vous mèneront nulle part.

Le processus de clustering lui-même est un processus itératif:

1. Vecteur de maquillage
2. Transformer les données
3. Configurer les paramètres de l'algorithme
4. Faire du clustering
5. Évaluez les grappes de manière experte, pouvez-vous les utiliser?
6. Répétez l'étape 1. si les clusters ne vous satisfont pas

L'avantage de cette approche est que, grâce à de nombreuses itérations, vous comprendrez mieux vos clients et leurs données. Chaque tentative de clustering vous montrera une section du comportement et des propriétés du client que vous n'avez probablement jamais consultée. Vous comprendrez également mieux les relations et les relations entre différents clients. Par conséquent, je vous conseille de faire cet exercice et de faire ressortir vos propres clusters.

Articles précédents dans la boucle:

Il s'agit du 6e article d'une série d'articles sur l'analyse de produits:

1. Approche descendante. Économie du produit. Bénéfice brut
2. Économie du produit. Analyse des revenus
3. Immergé dans la dynamique de la clientèle: analyse de cohorte et analyse de flux
4. Nous collectons l'analyse de cohorte / analyse des flux sur l'exemple d'Excel
5. Sales Funnel Analytics
6. MPRU, revenus et comment ils se rapportent aux revenus et à la dynamique de la clientèle