Анализ Big Data в реальных бизнес-кейсах: сети АЗК

Олег Брагинский, независимый директор ряда крупных предприятий, ментор нескольких стартапов

Анализируя кейс использования Big Data одной из лидирующих сетей АЗК в третьем номере Retail & Loyalty, мы пришли к выводу, что организация постоянного сбора данных для сотни АЗК обойдется разово в 60 млн руб., при этом размер дополнительной прибыли может достичь цифры в 0,5 млрд руб. в год . В этой части статьи рассмотрим способы определения устойчивых профилей клиентов и их типового поведения.

Превращение чеков в клиентов
Применение описанных ранее методов позволило в 43,8% случаев достичь превращения чеков в персонифицированных клиентов. Преимущество предложенного подхода в том, что кластеры определяются равномерно, что очень важно для последующего адекватного покластерного анализа.

Одновременное использование нескольких методик позволяет проводить взаимную валидацию. Благодаря этому ошибки минимизируются еще на этапе привязки данных и корректируются по принципу голосования: большее количество методов привязывает конкретный чек к некому клиенту даже при наличии вероятности иных сочетаний. Дополнительный анализ ошибок связывания помогает скорректировать подходы, их сочетания, локализовать проблемные зоны данных и механик группировки. Далее работа ведется в двух множествах: персонифицированные клиенты и обезличенные покупки. Первая совокупность применяется при поведенческом анализе, вторая – для оценки временных рядов и режима потребления, логистики товародвижения и восполнения запасов, операций внесения денежных средств и безналичных платежей.

Группировка по «продающей силе и потенциалу» порождает отсутствующую конкуренцию в каждой из групп, что позволяет «выжать» больше из каждого кластера АЗК

Кластеризация АЗК
В качестве объекта анализа мы рассмотрим опыт существующей более 20 лет сети АЗК, которая использует группировку заправок по территориальному признаку, выделяя пять так называемых «кустов». Такое объединение традиционно для региональных руководителей, которые заинтересованы в повышении скорости объезда вверенных им объектов по кратчайшему маршруту. Беглая экспресс-оценка показала, что в большинстве «кустов» находятся АЗК четырех кластеров, а в одном – всех пяти.

Вместо управления схожими объектами региональным руководителям приходится иметь дело с абсолютно разнородными заправками:
• эффективные – посещаются «для порядка»;
• середняки – в целях подбадривания;
• слабые – в целях выявления причин неэффективности и определения вариантов дальнейшего развития.
• эффективные заправки гордятся достигнутым результатом;
• посредственные оправдываются тем, что они «не худшие»;
• малоэффективные вынуждены смириться со званием отстающих.

На первый взгляд может показаться нелогичным объединять в один «куст» заправки, расположенные далеко друг от друга, но группировка по «продающей силе и потен- циалу» порождает отсутствующую конкуренцию в каждой из групп, что позволяет «выжать» больше из каждого кластера АЗК.

Руководство сети, предположив, что полный анализ даст похожие результаты по сети, приняло решение относительно кластера заправок-середняков:
• проводить на его базе пилоты и эксперименты по повышению показателей;
• установить для него стандарты KPI и SLA.

Кластеризация клиентов
На основании данных, полученных из чеков, посетителей АЗК разделили на десять устойчивых кластеров с предсказуемым поведением (см. таблицу).

Полезные открытия Детальное исследование позволило определить точки роста продаж сети по номерам кластеров:
• 1 – имеют наименьшую долю топлива в чеке, при этом покупают множество разнообразных товаров.
• 2, 5 и 6 – приобретают только топливо, по товарным категориям наблюдаются сквозные «ущелья».
• 10 – при активном потреблении не покупают сигареты, вероятно, следят за здоровьем.
• 4–10 – избегают непродуктовых покупок.

Также были обнаружены особенности потоков клиентов и товаров по кластерам:
• 1 – приобретают за одно посещение много топлива и товаров, тратят существенные суммы.
• 1–3 – перспективны для развития продаж сопутствующих товаров.
• 4 – склонны к повышенной концентрации на АЗС с ресторанами.
• 5 и 6 – отличаются по марке заправляемого топлива. По остальным показателям близки. Вместе формируют 55,4% выручки сети, объединяя 43,4% клиентов. Предпочитают только заправляться.
• 5–6, 8–10 – пять массовых кластеров обеспечивают 93,2% продаж.
• 10 – наибольший потребитель товаров – на него приходится треть валовых продаж. Оплачивает покупки через кассу № Y – зал фастфуда.
• Продажи продуктов характеризуются высоким проникновением и относительно низкими средними суммами.

Поведение кластеров отличалось в зависимости от времени суток:
• 1 и 4 – реже других посещают АЗС в период между 7 и 10 часами утра. Пик их посещений приходится на 19–21 час.
• 5–8 – показывают пик нагрузки с утра, до начала рабочего дня.
• 10 – значительно снижают активность после 18 часов

Совместное управление общей прибыльностью и продажами топлива и товаров не представляется возможным. Механики схожи, но общая прибыльность топлива слишком превосходит прибыльность товаров даже по совокупности

Анализ потребления
По результатам кластеризации были построены вертикальные маркеры по индексам структуры потребления кластеров для групп товаров, в совокупности формирующих 90% количества. Классификация проданных позиций в чеке клиента позволяет выделить товарные маркеры, способствующие определению кластера

Так, горячие и холодные напитки – яркий признак кластера 10, услуги АЗС – 1-го, жевательная резинка – 3-го. Если клиент воспользовался соответствующей группой товаров, его с высокой долей вероятности можно отнести к указанным кластерам.

Табачные изделия и автоаксессуары – бесполезные маркеры, их активно используют несколько кластеров, таким образом, их рекомендуется применять в сочетании с другими, например, с типом топлива.

Маркеры, рассчитываемые горизонтальным методом, отображают структуру распределения товарного потока по кластерам. Их использование становится эффективным, когда по клиенту накоплена статистика за период от 18 месяцев.

Система маркеров позволила отслеживать миграцию клиента по кластерам: стабилен, развивается или деградирует. В зависимости от этого применялись разные стратегии повышения лояльности, даже внутри одного кластера

Для кластеров 5–6 и 8 не выделяются маркеры в товарных группах. Необходимо опускаться до детальных уровней (статистика продаж за более долгий период) либо проводить поиск маркеров в других показателях. Так, очевидный признак кластеров 5 и 6 – марка потребляемого топлива.

Развивать клиентские кластеры можно по количеству товаров в чеке, тем самым стимулируя увеличивать объем текущих покупок при помощи кросс-продаж

Анализ зон развития клиентов по группам, подгруппам и товарам подтвердил устойчивость кластеров, что указывает на высокий потенциал некоторых из них, особенно 1, 4 и 9.

Дополнительно следует создать математические схожие группы и подгруппы товаров на основе кластеризации для единообразного управления товарным и кластерным развитием

Совместное управление общей прибыльностью и продажами топлива и товаров не представляется возможным. Механики схожи, но общая прибыльность топлива слишком превосходит прибыльность товаров даже по совокупности

Следует обратить внимание, что высокую прибыльность и на товарную единицу, и на рубль с одновременной развиваемостью показали товары «в дорогу»: кофе с собой и фастфуд на вынос

Связанные покупки
Развивать клиентские кластеры можно по количеству товаров в чеке, тем самым стимулируя увеличивать объем текущих покупок при помощи кросс-продаж. Чем больше количество строчек в чеке, тем проще предложить еще один дополнительный товар, если у кластера имеется склонность к повышенному количеству элементов чека.

Шестой кластер следует развивать до набора из шести продуктов, 2-й и 15 – до семи, 5-й – до восьми, 1-й и 8-й – до девяти, 9-й – до 11, 3-й – до 12, 10-й – до 13, 4-й – до 14 продуктов.

На первом этапе проводилась работа с группами клиентов в целях наращивания количества товаров в чеках выше среднего по кластеру, далее были использованы более сложные методики.

Эффективные предложения
При покупке клиентом целевой группы возможна продажа с «X% вероятностью догрузки». Важно понимать, что вероятности продажи товаров не зеркальны:
• после «Сосиска в тесте» вероятность продажи «Капучино» – 3,5%, обратная продажа – 1,5%, т. е. в 2,3 раза реже;
• после «Кнакерс» вероятность продажи «Капучино» – 2,7%, обратная – 1,8%, в 1,5 раза реже;
• после «Кнакерс» вероятность продажи «Американо» – 1,9%, обратная – 1,5%, в 1,3 раза реже.

Моделирование приверженности
Сценарный анализ программы лояльности определил оптимальные сочетания различных скидок разным клиентам в расчете на рост их численности и/или покупательской активности.

В результате корректного определения размера скидок/бонусов, которые целесообразно раздавать целевым и перспективным кластерам клиентов, итоговая маржа увеличивается за счет роста количества потребителей и/или увеличения количества приобретаемых ими товаров.

Сценарный анализ показал, что политика выдачи лучшим клиентам максимальных иерархических скидок является наименее прибыльной – реализуется наименьший прирост маржи 0,9%.

«Отстающие» автозаправки посещаются региональными руководителями с целью выявления причин неэффективности и определения вариантов дальнейшего развития

Лучший вариант – предложение скидок целевым клиентам 1-го и 3-го кластеров, которое обеспечивает рост маржи на 3,7%. Преимущество предложенного сценария заключается в возможности повышения каждому кластеру скидки еще на Q% в будущем

Вариант исключить каких-либо посетителей из системы развития был отклонен, так как клиенты, не имеющие скидку, не станут носить с собой карту лояльности, наличие которой крайне желательно для идентификации.

Вещественные результаты
В итоге была построена адаптивная, корректируемая модель программы лояльности, динамично реагирующая на множество внешних и внутренних параметров для обеспечения прогнозируемых результатов.

Целевые критерии модели – достижение точки операционной безубыточности за шесть календарных месяцев со дня старта и сохранение трендов после выхода из проектного режима.

Данная модель позволяет гибко варьировать целевую функцию:
• активность отклика – точность прогнозов;
• рост базы – захват и удержание доли рынка;
• поддержание активности – создание присутствия;
• контроль и борьба с оттоком – оценка и снижение;
• управление лояльностью – маржинальность vs жизненный цикл;
• стабильность доходности – баланс уровней расходов и доходов;
• повышение финансовой грамотности – продажа сложных продуктов.

Недостатки модели являются следствием ее достоинств. Это:
• экспертные оценки в основе предпосылок;
• ряд решений принимается исходя из доводов здравого смысла, так как отсутствует необходимая информация;
• предстоит провести два-три цикла коррекции системы сбора информации и алгоритмов ее обработки;
• сложные вероятностные цепи представлены средневзвешенными рядами – возможны отклонения.

Модель проигрывает оптимальной – имеет встроенные контролируемые и смещаемые отклонения. Чем ближе сценарий отработки модели к оптимистическому, тем больше и масштабнее эксперименты (champion challenges) с незадействованными (но предусмотренными) инструментами, сервисами и воздействиями.

Перспективы
В ближайшее время специалистам сети АЗК предстоит адаптировать модель программы лояльности к изменяющейся реальности с целевой функцией опережения конкурентов.

Рекомендуется расширять модель исходя из следующих тезисов:
• в отношении товаров – вместо каннибализации следует сделать акцент на их долевое сочетание;
• кластеризацию товаров следует проводить на основе их маржинальности, учитывая покупательский потенциал кластеров клиентов, посещающих конкретные АЗС;
• каналы следует рассматривать не как взаимоисключающие, а как взаимодополнение продаж через интернет и контакт-центр.

Также необходимо корректировать экспертные оценки показателями рынка и проводить бенчмаркинг с мировыми лидерами крупнейших развитых рынков.

В следующей версии модели предусмотрены функции:
• коррекции пользовательских предпочтений – суррогатные продукты;
• компенсации недовольства – персональные уступки даже при спорной вине сети;
• заботы и сбережения клиента – разумное снижение доходности при понятной тенденции лояльности;
• интенсификация использования – повышение лимита, среднего чека, задействование редких функций;
• виртуализация предложений – виртуальные карты, интернет-магазины, игровые и развлекательные сервисы;
• миграция в удаленные каналы продаж – устройства самообслуживания, информационные киоски, гаджеты и интернет.

Кроме того, планируется разработка системы вторичных продаж для увеличения жизненного цикла, снижения оттока и повышения доли сети в кошельке клиента путем использования системы массового отбора, увеличивающей количество претендентов на конструктивное аргументированное множественное предложение, и персонифицированной модульной регламентной коммуникации, что приведет к предсказанию потребностей клиента, увеличению отклика на акции и предложения, снижению суммарных затрат на удержание лояльности и управление потребительским поведением, путем:
• построения графика жизненного цикла клиента;
• планирования контактов с клиентом (учет истории обращений);
• использования новых типов массовых контактов с клиентской базой;
• построения новой уточненной подробной картины мира вторичных продаж;
• изучения влияния воздействий на клиентов – напоминание о действующих предложениях;
• построения модели предсказания возможного перехода к конкурентам – борьба с тихим оттоком.