СЕГМЕНТАЦИЯ КЛИЕНТСКОЙ БАЗЫ ДЛЯ УПРАВЛЕНИЯ ВЗАИМОДЕЙСТВИЕМ С КЛИЕНТАМИ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.65

СЕГМЕНТАЦИЯ КЛИЕНТСКОЙ БАЗЫ ДЛЯ УПРАВЛЕНИЯ ВЗАИМОДЕЙСТВИЕМ С КЛИЕНТАМИ

И. В. Коробейников Научный руководитель - О. В. Чубарова

Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: vasya.korobkov@gmail.com

Предложено применение методов сегментации, в том числе в их комбинированном сочетании, для повышения эффективности взаимодействия коммерческой организации с клиентами. Алгоритмы тестировались на выборке реальных данных.

Ключевые слова: ABC-анализ, XYZ-анализ, RFM-анализ, взаимодействие с клиентами, сегментация баз данных.

CLIENT BASE SEGMENTATION FOR CLIENT INTERRACTION MANAGEMENT

I. V. Korobeynikov Scientific Supervisor - O. V. Chubarova

Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: vasya.korobkov@gmail.com

In this article, we have proposed the use of segmentation methods, including their combination, to improve the efficiency of the commercial organization interaction with customers. All algorithms were tested on a sample of real data.

Keywords: ABC-analysis, XYZ-analysis, RFM-analysis, interaction with customers, database segmentation.

Введение

Клиентская база справедливо считается одним из ключевых ресурсов коммерческих организаций и может быть рассмотрена как сложный объект управления, для работы с которым требуются специальные алгоритмические и технические средства. Для достижения организацией максимальной возможной прибыли при существующих объективных условиях-ограничениях требуется осуществлять взаимодействие с клиентской базой максимально эффективно.

В первую очередь для организации управления взаимодействием следует разбить базу на подгруппы со сходными параметрами для повышения эффективности различных маркетинговых и сбытовых мер, предложений по повышению лояльности, которые предполагаются на последующих этапах. В этой работе для рассмотрения выбран такой способ разбиения клиентской базы, как сегментация. При использовании сегментации количество классов и правило принадлежности заведомо известно, методы сегментации в зависимости от типа выборки и целей могут использоваться разные, в том числе в сочетании.

Постановка задачи

Разбиение клиентской базы осуществляется на основе анализа признаков различного характера (поведенческих, экономических, социально-демографических и т. д.) [1]. Пусть m - количество атрибутов посетителей, значимых для принятия решений при организации взаимодействия. Описание i-го клиента в математической форме будет выглядеть как следующий вектор:

Актуальные проблемы авиации и космонавтики - 2018. Том 2

Xi _(xii, •%>•••, xim ) • (!)

где xij - значение j-й характеристики поведенческой истории i-го клиента; m - количество характеристик клиентов (размерность пространства состояний клиента), на основе которых проводится их разбиение.

Под сегментацией в контексте данной работы понимается алгоритм разбиения изначальной базы данных на несколько групп, базирующийся на правилах принадлежности клиента к определенному сегменту. Этот алгоритм оперирует значениями признаков клиентов Xj, при этом сегментация может проходить как по одному, так и по нескольким параметрам. Обозначим множество критериев C = {Ck}. Клиентская база разбивается на сегменты по каждому критерию Ck, которому соответствует свое множество сегментов Sk = {Slk}. Для осуществления сегментации необходимо задать правила принадлежности клиента Xi с некоторыми характеристиками xij к одному из сегментов Slk по критерию Ck:

VSlk3[ck, Rule (хг, Ck ,Sk)}. (2)

Во множестве случаев правило Rule (Xi, Ck, Slk) содержит границы интервала значений характеристики Xij - (xminj, xmaxj), а условием принадлежности i-го клиента к сегменту Slk является попадание значения его характеристики xij в этот интервал:

если VSlk 3{Ck, Rule (х,, Ck, Slk)} (3)

Обзор методов сегментации клиентской базы

В работе рассмотрены основные используемые подходы к сегментации клиентской базы. В заключение представлена сводная таблица для всех методов.

АВС-анализ является обобщением эмпирического принципа Парето, согласно которому, в данном контексте, приблизительно 20 % клиентов приносят организации 80 % прибыли [4]. В процессе проведения АВС-анализа производится ранжирование всего списка клиентов по одному или нескольким критериям с последующим разбиением списка на три категории-группы. При этом существует несколько методов выделения групп: эмпирический, дифференциальный, метод суммы, многоугольника, касательных и др. В результате проведения АВС-анализа производится сегментация клиентов по критерию степени вклада в общий результат - доход организации от взаимодействия с клиентами [2].

ХУХ-анализ используется для оценки характера потребления клиентами товаров и услуг. Ключевой параметр сегментации - частота сделок. В результате вычисления параметров, отражающих характер потребления клиентами, формируется ранжированный список, упорядоченный по возрастанию среднеквадратического отклонения и по убыванию показателя вариации, рассчитываемого по формуле

V

£ hix ~x )2

-ё-. (4)

V =

где - количество сделок, осуществленных клиентом за /-й период; п - количество периодов; х - среднее количество сделок за все п периодов [2]. После ранжирования список дифференцируется на три класса: случайные, нерегулярные и постоянные посетители.

Интегрированный АВС-ХУХ-анализ является комбинацией двух предыдущих методов и позволяет получить матрицу размерностью 3^3 для распределения клиентской базы на девять групп в зависимости от вклада в прибыль компании и стабильности производимых сделок. Для каждого сегмента 8у определены два диапазона (У^щ ... Утах) и ... ^тах), определяющих

границы сегментов по критерию ценности и частоты сделок соответственно.

RFM-анализ базируется на получении значений давности осуществления последней сделки R и частоты сделок F в течение периода для всех клиентов. Показателем M, отображающим суммы, затраченные клиентом в тот или иной период, часто пренебрегают для упрощения сегментации и повышения её наглядности, тем более между этим параметром и частотой покупок существует корреляция [3]. Анализ включает следующие этапы:

1. Всё множество значений показателя давности Я делится на пять интервалов. При этом в пятый интервал попадают наименьшие значения давности, а в первый - наибольшие.

2. Множество значений показателя частоты F также делится на пять интервалов. В пятый интервал попадают наибольшие значения частот, а в первый - наименьшие значения частот.

3. Строится матрица для разделения клиентов на 25 сегментов на основе пар значений R и F. Наилучшим является клиент с показателями R = 5 и F = 5 [2].

Таблица содержит сводную информацию обо всех рассмотренных методах сегментации. Столбец ^р - количество критериев, по которым происходит разбиение клиентской базы, а столбец ^ег - количество сегментов, на которые она разделяется.

Классификация методов сегментации клиентской базы

Название Мтег Цель Критерии

^5С-анализ 1 3 Выявление клиентов, вносящих наибольший вклад в процесс взаимодействия с организацией Прибыль от клиента, объем продаж

^Т2-анализ 1 3 Выявление постоянных клиентов, стабильно осуществляющих сделки Вариации частоты сделок

КР-анализ 2 <25 Выявление наиболее активных клиентов, склонных к повторному осуществлению сделок Давность, частота и стоимость сделок

RFM-анализ 3 < 125 -//- -//-

ABC-XYZ-анализ 2 9 Выявление клиентов, стабильно осуществляющих сделки на большие суммы Доход от клиента, частота сделок

Библиографические ссылки

1. Галямов А. Ф., Тархов С. В. Поддержка принятия решений при управлении взаимодействием с клиентами на базе центра интегрированного обслуживания // Современные проблемы науки и образования. 2013. № 4.

2. Галямов А. Ф., Тархов С. В. Управление взаимодействием с клиентами коммерческой организации на основе методов сегментации и кластеризации клиентской базы // Вестник УГАТУ. 2014. №4 (65).

3. Галямов А. Ф., Тархов С. В. Модели функционирования и организации хранения информации в системах интегрированного обслуживания клиентов // Вестник УГАТУ. 2012. Т. 16, № 3 (48). С. 240-244.

4. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям. СПб. : Питер, 2013.

704 с.

© Коробейников И. В., 2018