Como e quais clusters podem ser alocados na base de clientes

Hoje, adicionaremos outro aspecto à análise - segmentação e clustering da base de clientes. Como escrevi mais de uma vez, a análise da base de clientes permanece incompleta se considerarmos nossos clientes como um grande grupo de pessoas idênticas. Os clientes são divididos em tipos e usarão o produto de maneira diferente. Alguém compra com frequência, mas não muito, alguém sai rapidamente, alguém compra muito e com frequência. Para aumentar a eficiência, vale a pena descobrir o que são grupos de clientes e descobrir como suas ações permitirão atrair os clientes de que você precisa. Existem duas maneiras principais de entender seus grupos de clientes: heurística e clustering

Método 1: Heurística e Especialização

Como parte dessa abordagem, com base na sua experiência, na lógica do uso de seu produto e nas histórias de clientes, você cria diferentes retratos de consumidores e avalia quantos clientes possui nessas definições. Ou você pode usar abordagens mais numéricas com base em uma análise das métricas do cliente. Algumas abordagens heurísticas numéricas populares são:

ABC-XYZ

A idéia principal é dividir os clientes pela contribuição total à sua receita e pela dinâmica dos indicadores de crescimento. ABC é responsável pela contribuição para a receita, XYZ é responsável pela estabilidade da receita. Forma 9 segmentos

AX - a maior e com receita estável
AZ - Grande, mas raramente faz compras, a receita não é estável
CX - o menor, mas com receita estável
CZ - pequena e a receita não é estável, raramente faz compras

No segmento A, são identificados clientes que geram 80% da receita, no segmento B, que dá outros 15%, e no segmento C, que dá 5%. No segmento X - a menor variação na receita (você pode usar o percentil 33), Z - a variação mais alta (respectivamente, o maior percentil 33). Por variabilidade, quero dizer a quantidade de variação na receita.

O que essa análise fornece: permite que você divida seus clientes em grupos de acordo com a importância deles para seus negócios. Clientes do grupo AX, AY, AZ são os maiores e você deve prestar-lhes mais atenção. Clientes de grupos BX, BY requerem atenção adicional, eles podem ser desenvolvidos. A atenção aos grupos em outras categorias pode ser reduzida. É especialmente bom se você conseguir destacar a semelhança entre clientes em diferentes segmentos, o que permitirá direcionar esforços para atrair os clientes certos.

RFM (Recency-Frequency-Money)

A idéia principal é dividir os clientes de acordo com três propriedades: há quanto tempo houve uma venda a um cliente (recente), com que frequência ele compra mercadorias (frequência), quanto receita ele gera (dinheiro). Em geral, a abordagem se assemelha ao ABC-XYZ, mas de um ângulo ligeiramente diferente.

Como parte dessa abordagem, você divide os clientes em grupos Recency, por exemplo:

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

Por número de compras, por exemplo:

• Mais de 15
• 10-14
• 5-9
• 0-4

Em termos de receita:

• 1000+
• 600-1000
• 200-599
• 0-199

É claro que, para cada produto, aplicativo ou produto específico, você precisa definir seus limites.
Como resultado, você poderá dividir os clientes em vários segmentos, cada um dos quais o caracteriza de acordo com o grau de importância para você.

Matriz BCG

A idéia principal é dividir os clientes em categorias de volume de receita e taxa de crescimento da receita. Essa abordagem permite determinar quem é grande e com que rapidez está crescendo. Todos os clientes são decompostos em 4 quadrantes:

• As estrelas são os maiores clientes com altas taxas de crescimento de receita. Esses são os clientes que precisam prestar mais atenção. Este é um ponto forte de crescimento.
• As vacas leiteiras são grandes clientes com receita baixa ou negativa. Esses clientes formarão o núcleo de sua receita atual. Veja as vacas e perca o negócio.
• Os cavalos escuros ainda são pequenos clientes, mas com uma alta taxa de crescimento. Esses são grupos de clientes que devem receber atenção, como eles podem crescer para estrelas ou vacas leiteiras.
• Os cães são pequenos clientes com taxas de crescimento baixas ou negativas. São clientes aos quais você pode prestar menos atenção e aplicar métodos de serviço em massa a eles para reduzir custos.

As vantagens de todos os métodos heurísticos são a relativa facilidade de implementação e a capacidade de dividir seus clientes em grupos que são compreensíveis do ponto de vista comercial.

As desvantagens são que usamos apenas algumas propriedades dos clientes para descrevê-las e excluir outros fatores da consideração. Além disso, na maioria das vezes os clientes se encontram em segmentos temporariamente, mudam de posição e é difícil estabelecer uma comunidade real dentro do segmento.

Método 2: clustering

A idéia principal é encontrar grupos de clientes sem usar hipóteses preliminares sobre a estrutura da base de clientes, para encontrar clusters naturais entre as propriedades dos clientes com base nos dados disponíveis.

Há um conjunto de métodos (média K, média C, cluster hierárquico etc.) que permitem determinar a proximidade de objetos entre si com base em suas propriedades. No caso geral, você descreve seu cliente como um vetor, cada elemento desse vetor descreve alguma característica do cliente (seja receita, número de meses de cooperação, endereço de registro, produtos adquiridos etc.). Depois disso, você converte esse vetor no formato desejado para o seu algoritmo, configura o algoritmo nos dados (e configura-o para cluster) e obtém a separação dos clientes em clusters na saída.

Embora o processo não pareça complicado, os detalhes dos métodos e sua interpretação são de grande importância. As métricas de "distância" selecionadas, o método de transformação de dados e o número de fatores selecionados podem mudar bastante a imagem. Como, em última análise, em dados multidimensionais, não existe uma solução inequivocamente "correta" para o problema de agrupamento, você terá que avaliar independentemente a qualidade dos clusters, ou seja, no final, procure uma interpretação "comercial" para eles se quiser usá-los na tomada de decisões pelas pessoas.

Por experiência, posso dizer que você não deve usar as propriedades complexas e logicamente não relacionadas dos clientes, bem como as transformações espertas. Apesar das soluções elegantes e prováveis ​​ao longo da linha de algoritmos, pode ser difícil interpretar clusters que não inflam nada no contexto comercial. Talvez seu método seja bom se os clusters forem usados ​​para parâmetros de entrada de outro sistema de aprendizado de máquina. Mas quando você deseja dividir a base de clientes e formular uma estratégia de marketing, esses grupos espertos não o levarão a lugar algum.

O próprio processo de armazenamento em cluster é um processo iterativo:

1. Compõem o vetor
2. Transformar dados
3. Configurar parâmetros do algoritmo
4. Faça cluster
5. Avalie clusters habilmente, você pode usá-los
6. Repita a etapa 1. se os clusters não satisfizerem você

A vantagem dessa abordagem é que, através de muitas iterações, você entenderá seus clientes e seus dados muito melhor. Cada tentativa de cluster mostra uma seção do comportamento e propriedades do cliente que você provavelmente nunca examinou. Você também entenderá melhor os relacionamentos e relacionamentos entre diferentes clientes. Portanto, recomendo que você faça esse exercício e elabore seus próprios agrupamentos.

Artigos anteriores no loop:

Este é o sexto artigo de uma série de artigos de análise de produto:

1. Abordagem de cima para baixo. Economia do produto. Lucro bruto
2. Economia do produto. Análise de receita
3. Imerso na dinâmica da base de clientes: análise de coorte e análise de fluxo
4. Coletamos análise de coorte / análise de fluxos no exemplo do Excel
5. Análise do funil de vendas
6. MPRU, receita e como ela se relaciona com a dinâmica da receita e da base de clientes