Проще всего было рассчитать величину первого компонента – текущую величину доходов. BT ежемесячно отправляет клиентам счета, в которых указана выставленная им точная сумма. Поэтому все, что от нас требовалось, – это зайти в систему выставления счетов и определить сумму в расчете на каждого клиента (в конкретном случае довольно некрупного). В результате этого простого действия BT могла точно знать, кто из ее клиентов тратит больше всего денег.
Со вторым компонентом – вероятностью сохранения клиента – дела обстояли чуть сложнее. Как только BT утратила свою монополию на рынке телефонных услуг, многие клиенты решили уйти к ее конкурентам. Соответственно, нам нужно было попытаться предсказать вероятность того, когда текущий клиент может уйти от BT, для чего мы выстроили модель «ухода клиентов», основанную на информации от бывших потребителей BT. Если многие из них относились к определенному географическому региону (и уходили вследствие присутствия в этом регионе успешного конкурента), то существующие клиенты, живущие в том же регионе, получают более высокий балл по шкале ухода, то есть обладают большей потенциальной возможностью покинуть компанию. Если мы видим, что бывшим клиентам было свойственно делать больше международных звонков (конкурент предоставлял более выгодные условия по этой услуге), то клиенты, делающие много международных звонков, получают более высокий балл по шкале ухода.
Выстроенная нами модель принимала во внимание такие данные, как общее количество звонков, количество звонков в течение определенного времени дня и недели, а также баланс между местными, региональными и международными звонками. Она позволила выявить места, где наблюдались самые явные различия между бывшими и текущими клиентами. Мы использовали соответствующие переменные, чтобы рассчитать вероятность ухода текущего клиента. В частности, мы создали рейтинг для каждого существующего клиента в базе данных BT по шкале от 1 до 100. Клиент с рейтингом «1» почти гарантированно оставался с компанией. Клиент с рейтингом «100» уже почти захлопнул за собой дверь. Чуть позже в этой главе мы объясним, каким образом работают модели ухода клиента на практике.
Что касается третьего компонента – интенсивности лояльности клиента к BT, – то для его расчета мы придумали собственную модель. Это было особенно важно именно в то время, так как BT пыталась изменить свое позиционирование от поставщика телефонных услуг на поставщика интегрированных коммуникационных технологий, предлагавшего не только телефонные услуги, но и мобильные сетевые решения, решения в области безопасности данных и многое другое.
Мы создали довольно простое решение: проранжировали все продукты BT по шкале от 1 до 5, при этом единица означала базовый продукт, типа стандартной телефонии, а пятерка – продвинутый продукт, наподобие комплексных решений в области сетевой безопасности. Затем мы рассчитали для каждого клиента долю расходов по каждому продукту, приходившуюся на BT.
Позвольте мне детально рассказать о математическом аппарате в приведенной ниже таблице.
Наш результат мы использовали для расчета средневзвешенного показателя сложности продукта для каждого отдельно взятого клиента. Колонка со средневзвешенным значением получила название «Показатель интенсивности».
Далее, для колонки продуктов BT, мы использовали название «Показатель интенсивности продукта». Стационарная связь получила оценку «1», так как это – простой сервис со сравнительно низкой прибылью. Продукты, связанные с обеспечением безопасности, получили отметку «5», потому что были более сложными и позволяли компании получить более высокую прибыль.
Колонки третья и четвертая в разделе «Расходы» показывают, сколько тратит компания B на каждый продукт, а колонки пятая и шестая («Расходы») показывают долю BT в их расходах на продукт. К примеру, компания А тратит 55,6 % своего телекоммуникационного бюджета на стационарную телефонную связь (100–180 долларов).
Для расчета показателя интенсивности (компания A) мы умножали значение показателя на величину расходов в процентах по каждому продукту (например, показатель интенсивности для Интернета, равный двум, умножался на 27,8 % доли общих расходов), а затем складывали вместе все значения в колонке. В итоге компания A получала показатель интенсивности «183». Для компании B нам требовалось умножить значение в колонке «Показатель интенсивности» на значение показателя «Расходы, в %», а результат занести в восьмую колонку. Согласно данным этой колонки, мы видим, что компания B имеет показатель интенсивности «118». Чем выше число, тем ценнее клиент.
Последний компонент – доля в клиентском кошельке, которую BT не получала, – рассчитывается с помощью уже вышеописанной манипуляции с долей кошелька для каждого продукта и услуги, предлагаемых BT. Мы сопоставили этот показатель с данными отраслевых исследований. Например, оказалось довольно простым делом получить данные по расходам на информационно-коммуникационные технологии (ИКТ) для компаний в определенных категориях рынка с разбивкой по размеру компаний и их местонахождению. Всегда полезно проверять правильность созданной модели с помощью сторонних достоверных данных.
Расчет расходов, приходящихся на долю других поставщиков, был крайне важен, так как он позволял нам выявить имеющиеся у компании возможности для роста. Мы создали детальный, более сложный вариант модели ценностного спектра. Нам удалось обнаружить значительную корреляцию между общими расходами клиентов и расходами, приходившимися на долю BT. Иными словами, если вы тратили много денег на телефонию, то скорее всего тратили их на BT. В этом не было ничего удивительного. Монополия BT исчезла совсем недавно, и мало кто успел переключиться на других поставщиков. Возможно, вы помните, что нечто подобное происходило в США в начале 1980-х годов, сразу после разделения компании AT&T.
После того как мы рассчитали величины четырех ценностных компонентов для каждого текущего и потенциального клиента, пришло время совместить их в общий рейтинг, позволявший с первого взгляда оценить ценность клиента. Это всегда хорошо. Чем более простым способом вы можете получить данные, тем лучше.
В итоге мы выявили шесть ценностных сегментов, приведенных в следующей таблице. (Помните, категория «интенсивности» связана со степенью лояльности клиентов к бренду BT.)
Понимание новой сегментации дало BT совершенно иное ви́дение своего места на рынке. К примеру, мы выявили 6 миллиардов долларов потенциального дохода в третьем сегменте. BT прежде не концентрировала внимание на этом сегменте, так как никогда не принимала во внимание суммы, которые их клиенты тратят на работу с конкурентами. Как вы видите, компания также смогла выявить восемь тысяч клиентов с крайне высокой степенью ценности, расходы которых в десять и более раз превышали величину расходов следующего за ним второго сегмента. Это позволяло BT сосредоточить усилия на удержании этих крайне важных клиентов в первом сегменте.
Как видно из таблицы, в нижней части шкалы имелось несколько больших сегментов с очень ограниченным доходом. Для BT стало ясно, что для обслуживания столь большого количества клиентов необходимо разработать новые, финансово эффективные методы работы.
Если у вас нет данных, то вы наверняка сможете их создать
История BT – это отличный пример обработки всех имеющихся у вас данных о клиентах. Разумеется, у BT их было много. Но что произойдет, если у вас нет нужной информации? Представим, что вы работаете в автомобильной промышленности. Люди покупают автомобиль каждые несколько лет. Автопроизводитель может считать себя счастливчиком, если в промежутке между покупками машин клиент будет приезжать к местному дилеру за сервисом. Однако по мере того, как машины становятся более качественными, сроки технического обслуживания сдвигаются все дальше, делая общение с дилером крайне редким.
В подобных ситуациях вы можете положиться на внешних поставщиков как на отправную точку для сбора необходимой вам конкретной информации. Возьмем, например, производителей очень дорогих автомобилей. Каким образом они могли бы воспользоваться данными для увеличения количества перспективных потенциальных клиентов?