Hari ini kita akan menambahkan aspek lain pada analisis - segmentasi dan pengelompokan basis klien. Saat saya menulis lebih dari sekali, analisis basis klien tetap tidak lengkap jika kita melihat pelanggan kami sebagai sekelompok besar orang yang identik. Pelanggan dibagi menjadi beberapa jenis dan akan menggunakan produk secara berbeda. Seseorang sering membeli, tetapi tidak banyak, seseorang pergi dengan cepat, seseorang membeli banyak dan sering. Untuk meningkatkan efisiensi, ada baiknya mencari tahu kelompok klien apa dan kemudian mencari tahu bagaimana tindakan Anda akan memungkinkan Anda untuk menarik klien yang Anda butuhkan. Ada dua cara utama untuk memahami grup pelanggan Anda: heuristik dan clustering
Metode 1: Heuristik dan Keahlian
Sebagai bagian dari pendekatan ini, berdasarkan pada pengalaman Anda, logika menggunakan produk dan kisah pelanggan Anda, Anda menghasilkan potret konsumen yang berbeda dan kemudian mengevaluasi berapa banyak pelanggan yang Anda miliki di bawah definisi ini. Atau Anda dapat menggunakan lebih banyak pendekatan numerik berdasarkan analisis metrik pelanggan. Beberapa pendekatan heuristik numerik yang populer adalah:
ABC-XYZ
Gagasan utamanya adalah untuk membagi pelanggan dengan kontribusi total terhadap pendapatan Anda dan dinamika indikator pertumbuhan. ABC bertanggung jawab atas kontribusi terhadap pendapatan, XYZ bertanggung jawab atas stabilitas pendapatan. Ini membentuk 9 segmen
AX - pendapatan terbesar dan stabil
AZ - Besar, tetapi mereka jarang melakukan pembelian, pendapatan tidak stabil
CX - terkecil, tetapi dengan pendapatan stabil
CZ - kecil dan pendapatan tidak stabil, jarang melakukan pembelian
Di segmen A, pelanggan yang menghasilkan 80% dari pendapatan diidentifikasi, di segmen B, yang memberi 15% lagi, dan di segmen C, yang memberi 5%. Di segmen X - variasi terkecil dalam pendapatan (Anda dapat mengambil 33 persen), Z - variasi tertinggi (masing-masing, 33 persen teratas). Yang saya maksud dengan variabilitas adalah jumlah varians dalam pendapatan.
Apa yang disediakan oleh analisis ini: memungkinkan Anda untuk membagi pelanggan menjadi beberapa kelompok sesuai dengan kepentingannya bagi bisnis Anda. Klien dari grup AX, AY, AZ adalah yang terbesar dan Anda harus memberi mereka perhatian terbesar. Klien BX, kelompok BY membutuhkan perhatian tambahan, mereka dapat dikembangkan. Perhatian pada kelompok dalam kategori lain dapat dikurangi. Sangat baik jika Anda berhasil menyoroti kesamaan di antara pelanggan di segmen yang berbeda, yang akan memungkinkan Anda menargetkan upaya untuk menarik pelanggan yang tepat.
RFM (Kekinian-Frekuensi-Uang)
Gagasan utamanya adalah untuk membagi pelanggan berdasarkan 3 properti: berapa lama yang lalu ada penjualan kepada pelanggan (kebaruan), seberapa sering ia membeli barang (frekuensi), berapa banyak pendapatan yang ia hasilkan (uang). Secara umum, pendekatannya menyerupai ABC-XYZ, tetapi dari sudut yang sedikit berbeda.
Sebagai bagian dari pendekatan ini, Anda membagi klien ke dalam grup Recency, misalnya:
- 0-30 hari
- 31-60 hari
- 61-90 hari
- 90+
Berdasarkan jumlah pembelian, misalnya:
Dalam hal pendapatan:
- 1000+
- 600-1000
- 200-599
- 0-199
Jelas bahwa untuk setiap produk, aplikasi atau produk tertentu Anda perlu menetapkan batasan Anda.
Sebagai hasilnya, Anda akan dapat membagi klien menjadi banyak segmen, yang masing-masing menjadi ciri klien berdasarkan tingkat kepentingannya bagi Anda.
Matriks BCG
Gagasan utamanya adalah untuk membagi pelanggan ke dalam kategori volume pendapatan dan tingkat pertumbuhan pendapatan. Pendekatan ini memungkinkan Anda untuk menentukan siapa yang besar dan seberapa cepat tumbuh. Semua klien diuraikan menjadi 4 kuadran:
- Bintang adalah pelanggan terbesar dengan tingkat pertumbuhan pendapatan tinggi. Ini adalah pelanggan yang paling membutuhkan perhatian. Ini adalah titik pertumbuhan yang kuat.
- Sapi perah adalah pelanggan besar dengan pendapatan rendah atau negatif. Pelanggan ini akan membentuk inti dari pendapatan Anda saat ini. Lihat sapi dan kehilangan bisnis.
- Kuda hitam masih merupakan pelanggan kecil, tetapi dengan tingkat pertumbuhan yang tinggi. Ini adalah kelompok klien yang harus diperhatikan, seperti mereka dapat tumbuh menjadi bintang atau sapi perah.
- Anjing adalah pelanggan kecil dengan tingkat pertumbuhan rendah atau negatif. Ini adalah pelanggan yang paling tidak Anda perhatikan dan menerapkan metode layanan massal kepada mereka untuk mengurangi biaya.
Keuntungan dari semua metode heuristik adalah relatif mudahnya implementasi dan kemampuan untuk membagi klien Anda menjadi kelompok-kelompok yang dapat dipahami dari sudut pandang bisnis.
Kerugiannya adalah bahwa kami hanya menggunakan beberapa properti klien untuk menggambarkan mereka dan mengecualikan faktor-faktor lain dari pertimbangan. Selain itu, paling sering klien menemukan diri mereka dalam segmen sementara, mengubah posisi mereka, dan sulit untuk membangun komunitas nyata dalam segmen tersebut.
Metode 2: Clustering
Gagasan utamanya adalah menemukan kelompok klien tanpa menggunakan hipotesis awal tentang struktur basis klien, untuk menemukan kelompok alami di antara sifat-sifat klien berdasarkan data yang tersedia.
Ada seperangkat metode (K-rata-rata, C-rata-rata, pengelompokan hierarkis, dll.) Yang memungkinkan Anda untuk menentukan kedekatan objek satu sama lain berdasarkan propertinya. Dalam kasus umum, Anda menggambarkan pelanggan Anda sebagai vektor, setiap elemen dari vektor ini menjelaskan beberapa karakteristik pelanggan (apakah itu pendapatan, jumlah bulan kerja sama, alamat pendaftaran, produk yang dibeli, dll.). Setelah itu, Anda mengubah vektor ini ke format yang diinginkan untuk algoritma Anda, mengatur algoritma pada data (dan mengkonfigurasinya untuk pengelompokan) dan mendapatkan pemisahan klien ke dalam cluster di output.
Meskipun prosesnya tidak terlihat rumit, rincian metode dan interpretasinya sangat penting. Metrik “jarak” yang dipilih, metode transformasi data, dan jumlah faktor yang dipilih dapat sangat mengubah gambar. Karena pada akhirnya dalam data multidimensi tidak ada solusi yang benar-benar “benar” untuk masalah pengelompokan, Anda akhirnya harus secara independen menilai kualitas cluster, yaitu, pada akhirnya, mencari interpretasi “bisnis” untuk mereka jika Anda akan menggunakan cluster ini dalam pengambilan keputusan oleh orang.
Dari pengalaman, saya dapat mengatakan bahwa Anda tidak boleh menggunakan properti klien yang kompleks dan tidak terkait secara logis, serta transformasi yang licik. Terlepas dari kemungkinan, solusi elegan di sepanjang garis algoritma, Anda bisa mendapatkan kesulitan untuk menafsirkan cluster yang tidak mengembang apa pun dalam konteks bisnis. Mungkin metode Anda baik jika cluster digunakan untuk parameter input dari sistem pembelajaran mesin lain. Tetapi ketika Anda ingin membagi basis pelanggan dan merumuskan strategi pemasaran, maka kelompok licik seperti itu tidak akan membawa Anda ke mana pun.
Proses pengelompokan itu sendiri adalah proses berulang:
- Make up vector
- Ubah Data
- Siapkan parameter algoritma
- Lakukan pengelompokan
- Evaluasi Cluster Ahli, Bisakah Anda Menggunakan Mereka?
- Ulangi langkah 1. jika cluster tidak memuaskan Anda
Keuntungan dari pendekatan ini adalah bahwa melalui banyak iterasi Anda akan memahami pelanggan Anda dan data mereka jauh lebih baik. Setiap upaya pengelompokan akan menampilkan bagian perilaku dan properti pelanggan yang kemungkinan besar tidak pernah Anda lihat. Anda juga akan lebih memahami hubungan dan hubungan antara pelanggan yang berbeda. Karena itu, saya menyarankan Anda untuk melakukan latihan ini dan mengeluarkan kelompok Anda sendiri.
Artikel yang lalu di loop:
Ini adalah artikel ke-6 dalam serangkaian artikel analisis produk:
- Pendekatan top-down. Ekonomi Produk. Laba kotor
- Ekonomi Produk. Analisis Pendapatan
- Tenggelam dalam dinamika basis klien: analisis kohort dan analisis aliran
- Kami mengumpulkan analisis kohort / analisis arus pada contoh Excel
- Analisis Saluran Penjualan
- MPRU, pendapatan dan bagaimana hubungannya dengan pendapatan dan dinamika basis pelanggan