• подготовить информацию – выбрать массив данных клиентских оценок по НПС для оцифровки;
• подготовить инструмент – вывести формулу ценности клиента за весь его жизненный цикл с вашей компанией;
• собрать «пакет клиента» – рассчитать ценность для каждого клиента на основе информации о доходах и формулы клиентской ценности;
• вывести статистику – усреднить клиентскую ценность в каждом сегменте;
• сделать выводы – проанализировать разницу клиентской ценности для каждой категории лояльности и осмыслить полученные результаты;
• убедиться в устойчивости полученных выводов – сделать анализ на репрезентативном временном горизонте (минимум несколько месяцев).
Как и во многих других случаях, качество результата зависит от правильного выбора данных. Выбор массива данных замеров НПС критическим образом влияет на построение модели. Ошибки в выборе массива данных могут привести к необъяснимым результатам, противоречащим здравому смыслу и интуиции.
При построении финансовой модели Net Promoter в «Билайн» мы уделили серьезное внимание подготовке информации. Для выбора «правильного» массива данных мы руководствовались следующими доводами:
• Выборка данных на основе результатов «холодных» замеров NPS должна представлять полный спектр клиентской базы, то есть и активных, и пассивных клиентов. Очевидно, что информации по клиентам, звонившим в колл-центр, у нас было больше, но они представляли собой особую группу, не подходящую для оценки доходов и покупательского поведения клиентской базы в целом. Выборка транзакционного опроса по колл-центру была бы сильно смещена в сторону клиентов, которые привыкли добиваться своего или скандалить по любому поводу. Понятно, что такая выборка не могла быть использована для финансового моделирования монетизации лояльности.
• Выборка должна быть достаточно большой по объему. Для многомиллионной аудитории клиентов стоимость небольшой погрешности в финансовой модели измеряется в цифрах со многими нулями, поэтому в нашу задачу входила оценка любых, даже малых по абсолютной величине эффектов. Для этого нам нужен был большой массив данных, не менее нескольких тысяч замеров. Мы должны были уменьшить статистическую погрешность, чтобы замечать эффекты небольшой величины, которые могли иметь решающее значение для определения ценности сегментов. В частности, отток клиентов у «Билайн» составлял единицы процентов. Чтобы получить достаточные данные даже для таких малых величин, нам требовались выборки, в которых в каждом сегменте у каждой категории лояльности (промоутеры, нейтралы и детракторы) набиралась бы минимум тысяча ответов.
• Данные должны быть однородны и представлять собой единый сегмент. Статистическая природа показателя НПС делает его крайне чувствительным к чистоте выборки. Если смешать два сегмента в неизвестной пропорции, яркие тенденции одного сегмента могут либо нивелировать обратные тенденции в другом, либо исказить общие закономерности. Лучше всего это поясняет пример на рис. 10.5, где изображены оттоки в двух разных сегментах клиентов. В каждом из них по отдельности отток промоутеров ниже, чем отток в других категориях лояльности, однако при их смешивании отток промоутеров оказывается самым высоким из трех категорий. То есть данные не отражают истинное положение дел. Поэтому чистота выборок играла для нас важную роль.
Почему важна сегментация?
Рис. 10.5. Важность сегментации при оцифровке финансового эффекта оттока
В литературе о системе Net Promoter нередко можно встретить рекомендацию строить финансовую модель оценки лояльности по данным замеров рыночного НПС, но в нашем случае это оказалось неприменимым. С одной стороны, данные исследования рыночного НПС обладали на порядок меньшими выборками, с другой – механика опроса независимого агентства методом случайной выборки клиентов не позволяла контролировать ее однородность с точки зрения сегментов при анализе данных из месяца в месяц. По этой причине статистика рыночного НПС «плясала»: в одном месяце замеров мы наблюдали одну закономерность, в другом – совсем иную.
Нам пришлось строить финансовую модель на основе замеров из точек контакта. Из всех доступных замеров мы выбрали точку «Цены и прозрачность списаний», так как в ней проще всего было обеспечить необходимую чистоту выборок по сегментам.
Формула ценности клиентов в течение их жизненного цикла отражает взаимосвязь между рычагами монетизации лояльности и показывает возможную финансовую окупаемость клиентоориентированных стратегий. При подстановке в формулу реальных цифр, полученных на основе замеров и отслеживания потребительского поведения клиентов из разных сегментов, мы получим финансовый эффект лояльности. В общем виде формула выглядит так, как на рис. 10.6.
Рис. 10.6. Формула ценности клиента за весь жизненный цикл
Следует внимательно подходить к каждому из слагаемых бизнеса. Особенно это касается доходов, в которых необходимо учесть все важные входящие финансовые потоки, поступающие от клиентов. Часто доходы по премиум-продуктам учитываются в отдельных базах данных и не попадают в формулу, в то время как именно они могут оказаться драйвером ценности промоутеров.
В «Билайн» случилась любопытная история, качественно иллюстрирующая важность внимательного отношения к каждому слагаемому в формуле ценности клиента. Срок жизни клиентов в индустрии телекоммуникаций рассчитывается как величина, обратная оттоку клиентов. При этом в категорию «отток» в базах данных попадает SIM-карта клиента, по которой в течение трех месяцев не происходит никаких платных транзакций: звонков, SMS, сессий передачи данных и так далее.
Когда мы впервые смоделировали потребительское поведение клиентов на основе реальных цифр, оказалось, что ценность промоутеров была ниже ценности нейтралов и ненамного выше ценности детракторов. Нашему удивлению не было предела, особенно если учесть дотошность, с которой мы подходили к каждому этапу моделирования. Перепроверив все входящие данные, мы поняли, что проблема крылась в самом определении оттока. Если для компании отток – это замолчавшая SIM-карта, то для клиента – прекращение пользования услугами компании.
В России существовал и существует значительный внутренний отток – клиенты покупают новую SIM-карту того же самого оператора и продолжают пользоваться услугами компании. Мы рассматривали это явление как отток, хотя для клиента это был всего лишь переход на новую SIM-карту. В результате мы пришли к выводу, что SIM-карту и номер мобильного телефона нельзя считать хорошим идентификатором клиента, то есть SIM-карта и клиент – это не одно и то же. Здесь впору было вспомнить один из постулатов нашей Конституции: «Клиент – это не просто SIM-карта». Нам пришлось разработать модель внутреннего оттока, которая определяла для каждой новой SIM-карты, был ли ее хозяин клиентом «Билайн» до ее покупки и какой у него раньше был номер.
