CC BY
6
217н]. - URL: http://www.minfin.ru (дата обращения: 15.11.2017).
2. Об утверждении Положения по бухгалтерскому учету "Расходы организации" ПБУ 10/99: приказ Министерства финансов Россий" ской Федерации от 6 мая 1999 г. № 33н // Российская газета. - 1999.- № 116 (начало - п. 16 Положения), № 117, 23 июня (п. 16 Положения - конец).
3. Об утверждении Положения по бухгалтерскому учету "Учет основ" ных средств" ПБУ 6/01: приказ Министерства финансов Россий" ской Федерации от 30 марта 2001 г. № 26н // Бюллетень норма" тивных актов федеральных органов исполнительной власти. - 2001. - № 20, 14 мая.
4. Лебедева Г. В., Оганьян А. Г. Совершенствование государственного регулирования воспроизводства основных фондов сельскохозяй" ственных предприятий: монография / Г. В. Лебедева, А. Г. Огань" ян. - Зерноград: ФГБОУ ВПО АЧГАА, 2014. - 178 c.
УДК - 330.43
Жибоедова А.А. студент 4 курса
кафедра экономики фирмы и управления инновациями Санкт-Петербургский государственный университет
Россия, г. Санкт-Петербург.
АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ ИЗМЕРЕНИЯ ПОВЕДЕНЧЕСКОГО АСПЕКТА ЛОЯЛЬНОСТИ
Аннотация
Показатели поведенческой лояльности должны отражать те компоненты, которые характеризуют рациональную лояльность, а именно: перекрестные продажи, повторные покупки и увеличение товарооборота компании. В данной работе рассмотрены наиболее комплексные показатели оценки поведенческой лояльности, которые включают в себя вышеперечисленные компоненты. Проведен сравнительный анализ методов измерения.
Ключевые слова: лояльность, сегментация покупателей, методы измерения лояльности, кластерный анализ.
Zhiboedova A.A.
A fourth-year student, St. Petersburg State University, Department of Economics of the Firm and Innovation Management, St. Petersburg ANALYSIS OF MODERN METHODS OF MEASUREMENT OF BEHAVIORAL ASPECT OF LOYALTY
Abstract
Indicators of behavioral loyalty should reflect those components that characterize rational loyalty, namely: cross-selling, repeat purchases and increase in the company's turnover. In this paper, we consider the most complex indicators of behavioral loyalty, which include the above components. A
comparative analysis of measurement methods is carried out.
Keywords: customer loyalty, customer segmentation, loyalty measurement methods, cluster analysis.
Создание широкой базы лояльных клиентов и разработка эффективных инструментов повышения лояльности являются важными составляющими успеха компании, поскольку лояльные клиенты совершают повторные покупки, готовы давать рекомендации, поддерживать связь с компанией, не переходя к конкурентам, а, самое главное, влияют на финансовые показатели компании. Для того, чтобы компании оценить, насколько успешно им удается выстраивать лояльные отношения со своими покупателями, необходимо использовать различные методы измерения потребительской лояльности. Измерение потребительской лояльности позволит компаниям выявить те факторы, которые в наибольшей степени влияют на лояльность, а также понять, в каком направлении необходимо развивать свой бизнес, чтобы стать более конкурентоспособным и увеличить свои экономические результаты. В данной статье мы рассмотрим метрики измерения поведенческого аспекта лояльности, который преимущественно выражается в совершении повторных покупок, перекрестных продаж.
Поскольку поведенческая лояльность связана с объемом совершенных покупок, доходом от покупателей или другими финансовыми показателями, то значения для измерения поведенческой лояльности могут быть получены из базы данных по потребителям. В данной статье будут проанализированы метрики, информацию для анализа которых необходимо будет получить из клиентской базы данных. С помощью информации о клиентах из базы данных можно провести анализ доходности покупателей, частоты совершения покупок, а также выявить существующий разрыв между сегментами [2, C.159].
Рассмотрим метод анализа доходности покупателей, а именно АВС-анализ. ABC-анализ основан на законе Парето «80:20», который также можно применить в сфере управления взаимоотношениями с покупателями. Так, правило Парето гласит, что 20% покупателей могут обеспечить 80% объёма продаж. Для эффективного управления и распределения ресурсов компании на работу с клиентами, необходимо определить, на каких именно клиентах стоит сфокусироваться, каких стоит удерживать, а потеря каких может не столь существенно отразится на финансовых показателях компании. Кроме того, ABC-анализ позволит определить, в каких случаях высокие затраты оправданы, а какие можно снизить [3, C.35; 1, С. 156].
Для проведения АВС - анализа необходимо сначала ранжировать клиентов в порядке убывания приносимых объемов продаж. Затем рассчитать, какая доля от общего объема продаж компании приходится на каждого клиента. Рассчитать эту долю накопительным итогом. Доля накопительным итогом высчитывается путём прибавления значения
критерия к сумме предыдущих значений критериев. Затем распределить клиентов на три группы по степени важности: A, B, C [1, С. 157].
В группу А необходимо отнести тех клиентов, суммарный приносимый доход которых составляет 75-80% от общей выручки от реализации компании. В данную группу обычно входит 5-10% всех клиентов, но в некоторых случаях эта доля доходит до 20%. При работе с данными клиентами руководство должно уделять клиентам из группы А наибольшее внимание. Для данной группы следует осуществлять четкий контроль, точное прогнозирование и более интенсивную работу, а также выделять больше средств на работу с ними [3, С36].
В группу B входят те клиенты, суммарный объем продаж которых приблизительно равен 10-15% от общей величины выручки от реализации. К данной группе обычно относятся 20-25% всех клиентов компании. Поскольку группа B имеет второстепенное значение по сравнению с группой A, данные клиенты требуют менее пристального, но существенного внимания при работе. Необходимо внедрить наиболее эффективные инструменты удержания клиентов, сдерживая отток, с целью установления лояльных отношений [3, С 37].
Группа С включает в себя остальных клиентов с суммарным объемом продаж 5-10% от общей величины. На практике к данной группе относится 60-70% всех клиентов. Работа с такой группой не должна требовать больших инвестиций, так как отдача от них невелика. Возможно, стоит предоставить небольшие скидки, акции и другие методы для стимулирования увеличения объема покупок [3, С 37].
Анализируя результаты АВС-анализа можно оценить численность выявленных групп A, B, C и состав клиентов, входящих в группы, что позволит провести более качественный анализ поведенческой лояльности. Однако для более полного анализа необходимо провести XYZ-анализ, который бы сегментировал клиентов по частоте совершаемых покупок. С помощью XYZ-анализа становится возможным провести наиболее точное сегментирование покупателей, поскольку объем продаж - это лишь один фактор поведенческой лояльности. Оценка лояльности по одному фактору может привести к неточным результатам, а, как следствие, к неправильным управленческим решениям. Например, клиент обеспечивает довольно существенный объем продаж, но частота совершения покупок крайне низкая. Либо наоборот, клиент часто совершает покупки в компании, но в небольшом количестве [1, С166].
Сущность XYZ-анализа состоит в сегментировании клиентов в зависимости от частоты совершения покупок и точности прогнозирования изменений в поведении покупателей в течение определенного временного промежутка. Основой для анализа может служить статистика совершения повторных покупок за определенный период времени. Деление на группы XYZ происходит на основании коэффициента вариации:
К = юо% (1)
X 47
Где: X - значение частоты совершения покупок клиентами за ьты период; х - среднегодовое значение частоты совершения покупок клиентами; п - период, за который проводится оценка.
Коэффициент вариации показывает степень отклонения данных от среднего значения, в процентах. Согласно методологии, распределение покупателей на определенные группе происходит посредством сравнения коэффициента вариации, вычисленного по формуле, с нормативными значениями коэффициента вариации Ун, который определяет границы групп X, Y, 7. Так, нормативный коэффициент вариации для группы X: Ун = 0-10%; группы Y: Ун = 10-25%; группы 7: Ун >25% [1, С.167].
На основании анализа XYZ можно сегментировать покупателей на три группы.
1. Группа X - клиенты, совершающие частые покупки. Рассчитанный коэффициент вариации не превышает 10%. Получается, что с высокой точностью можно прогнозировать дальнейшее совершения покупок клиентом, поскольку прогноз будет отличаться максимум на 10% [1, С.167].
2. Группа Y - совершающие нерегулярные покупки. Рассчитанный коэффициент вариации колеблется от 10% до 25%. Получается, что прогноз поведения покупателей данной группы ограничен, поэтому прогнозные значения на такую группу может отличаться от 10 до 25% [1, С. 167].
3. Группа 7 - совершающие разовые покупки. Поскольку группы 7 характеризуется нерегулярными отклонениями значения динамического ряда, то получить точные оценки прогнозирования совершения покупок клиентом не представляется возможным. Прогнозные значения на такую группу могут отличаться более чем на 25% и выше [1, С. 168].
Так, анализ доходности покупателей методом АВС-анализа и частоты совершения покупок XYZ-анализ позволяет объединить полученные результаты в матрицу ABC-XYZ. Мы получим 9 групп клиентов от самых прибыльных (AX) до наименее прибыльных (С7), что позволит разработать наиболее эффективные способы работы с каждым из сегментов.
Еще одним методом анализа поведенческой лояльности, который бы позволил охарактеризовать степень приверженности покупателя, а также отражал вероятность совершения повторных покупок, является кластерный анализ. Данный анализ позволит идентифицировать однородные группы потребителей в зависимости от объема и частоты совершения покупок.
Кластерный анализ - это метод поиска закономерностей в наборе данных, осуществляемый с помощью группирования многомерных наблюдений по кластерам. Цель кластерного анализа заключается в нахождении такого варианта группирования наблюдений, чтобы объекты внутри каждого из кластеров были бы схожи, тогда как сами кластеры отличались бы друг от друга [4, Р.429]. Для классификации совокупности
объектов исходная информация о них должна быть представлена либо в форме матрицы X «объект-свойство» [4, Р. 430]. Матрица Х имеет следующую форму:
Л1Ч х« -
Х =
х2 "' Хг
х(2) х(2) ... х(2) х1 х2 хп
\х1р) х2Р) - х®/
(2)
Где хi(j) - значение ]-го признака на ьм статистически обследованном объекте.
Так что ьй столбец этой матрицы Хi = (х^1), xi(2), ..., xi(p))' характеризует объект О^ то есть представляет результат его статистического обследования по всем p анализируемым переменным [4, С. 143].
Следовательно, каждый из объектов задан соответствующим столбцом матрицы Х, а каждый из признаков - соответствующей строкой данной матрицы [2, С. 144-145].
Одним из методов оценки закономерностей в наборе данных является поиск расстояния между объектами. Наиболее распространённым методом является поиск расстояния Евклида, которое является квадратным корнем из суммы квадратов разностей в значениях для каждой переменной [5, P. 437].
Евклидово расстояние:
X]) = ^¡иХк-Хк)2 (3)
Рекомендуется применять стандартизацию исходных данных, если изменчивость переменных достаточно сильно отличается друг от друга: более сильная изменчивость окажет более выраженное воздействие на процесс кластеризации, чем переменная с относительно низкой изменчивостью [5, Р. 437].
Методы кластерного анализа разделяются на две группы: иерархические методы и неиерархические методы. Метод иерархической кластеризации заключается в том, что в начале имеется п кластеров, по одному на каждое наблюдение, а в конце получается один кластер, содержащий в себе все п наблюдений. На каждом шаге наблюдение или кластер наблюдений объединяется с другим кластером [6, Р. 467].
Существует два типа методов иерархической кластеризации: агломеративные и дивизимные. В начале агломеративных алгоритмов кластеризации каждый элемент данных является своим собственным кластером, после чего кластеры последовательно объединяются до того момента, пока не останется единственный кластер [4, Р. 435].
Принцип дивизимных алгоритмов кластеризации заключается в обратном: в начале все элементы данных принадлежат одному кластеру, затем данный кластер разбивается на два отдельных кластера. Данная процедура повторяется для каждого последующего кластера до тех пор, пока
каждый элемент не станет своим собственным кластером [4, P. 435].
Конечным результатом всех методов иерархической кластеризации является дендрограмма, то есть иерархическая древовидная диаграмма, на которой разбиение на k кластеров получено с помощью объединения некоторых кластеров, полученных после разбиения на k+1 кластеров. Разделение элементов данных на определенное число кластеров может быть получено с помощью рассечения дендрограммы на подходящем уровне расстояния между кластерами или, если рассматривать вертикальную дендрограмму, на подходящей высоте [4, P. 436].
Особенно важным является вопрос о том, как определить, на какое количество кластеров разделены данные. Для этого нужно использовать информацию о том, на каком расстоянии элементы данных были объединены в кластеры. Необходимо найти такое разбиение на кластеры, при котором следующее слияние кластеров или элементов данных произошло бы на значительно возросшем расстоянии между ними. Одним из способов нахождения такого разделения на кластеры является использование дендрограммы, которая содержит данную информацию [4, Р. 293].
Неиерархические методы кластеризации разделяют элементы данных на предопределенное число к кластеров, причем не существует никакой иерархической взаимосвязи между разбиением данных на к кластеров и разбиением на к+1 кластеров, то есть разделение данных на к кластеров не является первым шагом для разделения, состоящего из к+1 кластеров [5, Р. 446].
Одним из наиболее часто применяемых методов неиерархической кластеризации является метод к-средних. Нужно отметить, что метод к-средних является одним из самых простых неиерархических методов кластеризации. Данный метод позволяет элементам данных в процессе кластеризации быть перемещенными из одного кластера в другой, что отличает метод к-средних от иерархических методов, в которых нет возможности такого перераспределения элементов [6, Р. 497; 7, Р. 294].
Рассмотрим преимущества и недостатки каждого метода анализа поведенческой лояльности клиентов в Таблице 2.2.
Таблица 2.2 Преимущества и недостатки методов измерения поведенческой лояльности
Преимущества Недостатки
ABC • Анализ большого массива данных с минимальными затратами • Универсальность применения метода в различных областях • Позволяет анализировать вариационные ряды • Использует только один критерий для классификации • Возможно разбиение генеральной совокупности только на три группы • Не предполагает анализ временных рядов
XYZ • Оценка изменчивости и точности прогнозирования выбранного критерия классификации • Универсальность применения метода в различных областях • Позволяет проводить анализ временных рядов • Использует только один критерий для классификации • Возможно разбиение генеральной совокупности только на три группы
Кластерный анализ • Возможность классификации по множеству критериев • Позволяет определить различное количество кластеров при классификации • Универсальность применения метода в различных областях • Позволяет анализировать временные и вариационные ряды • Необходимость выбора метода кластеризации из множества вариантов • Необходимо стандартизировать переменные для получения более точной классификации
Источник: Составлено автором на основании исследования Заключение: В качестве основных способов измерения поведенческой лояльности было предложено использовать сегментирование методами ABC-XYZ или с помощью кластерного анализа, что позволит характеризовать имеющихся покупателей по объему и частоте совершаемых покупок. Однако, использование метода ABC ограничено тем, что он предполагает разделение покупателей на группы в зависимости от одного фактора. Также ограничения использования XYZ-анализа состоят в том, что необходимо получить данные о временных рядах из клиентской базы, что представляется затруднительным.
Использованные источники:
1. Дыбская, В. В. Логистика в 2 ч. Часть 2 : учебник для бакалавриата и магистратуры / В. В. Дыбская, В. И. Сергеев. - М.: Издательство Юрайт, 2017. - 341 с.
2. Котлер Ф., Основы маркетинга. 5-е изд. / Ф. Котлер [ и др.] ; Пер. с англ.
Под ред. А.В. Назаренко. - М.: ООО «И.Д. Вильямс», 2017. - 752 с.
3. Кузин, Д. А. Оценка прибыльности клиентов Новости маркетинга. / Д. А. Кузин , Е. М. Баляева // Новости маркетинга. - 2006. № 7. - С. 33-38.
4. Прикладная статистика. В 3 т. Т. 3. Классификация и снижение размерности / С. А. Айвазян [и др.]. - М.: Финансы и статистика, 2007. - 607 с.
5. Izenman, A. J. Modern multivariate statistical techniques. Regression, classification, and manifold learning / A. J. Izenman. - Berlin: Springer, 2008. -756 p.
6. Rencher, A. C. Methods of multivariate analysis / A. C. Rencher. - New York: Wiley, 2002. - P. 727.
7. Romesburg, H. C. Cluster analysis for researchers / H. C. Romesburg. -Morrisville: Lulu Press, 2004. - P. 340.
8. Stojanovic, M. The Significance of the Integrated Multicriteria ABC-XYZ Method for the Inventory Management Process. / Milan Stojanovic, Dusan Regodic // Acta Polytechnica Hungarica. - 2017. Vol. 14., № 5. - P. 29-48.
