Клієнт не відмовляється від послуг. Він робить замовлення рідше, рідше клікає, залишає кошик незаповненим. Ніяких заперечень. Ніяких скарг.
У обороті ви це помітите лише тоді, коли вже нічого не можна змінити.
Чому відтік клієнтів рідко стає несподіванкою
Ці тенденції можна виміряти: зниження частоти покупок і подовження проміжків між двома замовленнями можна визначити з будь-якої історії замовлень. Просто стандартні звіти в інтернет-магазині та CRM рідко їх відображають – вони підраховують завершені замовлення, а не проміжки між ними.
Blackbit – це партнер з комерційної інженерії для середніх підприємств електронної комерції в регіоні DACH, які прагнуть об’єднати дані, комерційні системи та операційні процеси таким чином, щоб виявлена втрата клієнтів перетворилася на конкретні дії, які можна виміряти.
Тому своєчасне виявлення відтоку клієнтів насамперед означає: виявити його ознаки, перш ніж це позначиться на обороті. Для середніх підприємств утримання клієнтів стає таким чином сферою, в якій моделі штучного інтелекту можуть зробити реальну різницю – за умови, що база даних і процеси, що лежать в їхній основі, налагоджені належним чином.
Що таке «churn» в електронній комерції?
«Чурн» (Churn) – це модельне прогнозування відтоку клієнтів: модель аналізує купівельну поведінку, дані взаємодії та дані про відносини в CRM і оцінює ймовірність того, що клієнтка чи клієнт відійде протягом певного періоду. На цьому опис функціоналу моделі, по суті, і закінчується. Чи перетвориться виявлений ризик на врятовані відносини з клієнтом, залежить від трьох подальших кроків: класифікації за цінністю клієнта, вжитих заходів та фактичної реакції клієнта.
Хто ототожнює прогнозування відтоку клієнтів (Churn-Prediction) з автоматичним поверненням клієнтів, той переоцінює модель і недооцінює подальше завдання. Реалістичніше кажучи: модель дає часовий запас – а що з цього зробить підприємство, це вже його власне, додаткове рішення.
Коли клієнта вважають таким, що відійшов?
Перш ніж модель взагалі можна буде навчити, підприємство має спочатку визначити, коли клієнта вважати таким, що відтік. Це визначення визначає все подальше, адже цикл купівлі та бізнес-модель задають рамки. Для магазину з регулярними повторними покупками кількамісячна неактивність може вже бути сигналом тривоги. У випадку B2B-бізнесу з річними циклами закупівель такий самий період часто є цілком нормальним. Без цього уточнення будь-який подальший показник – рівень відтоку клієнтів, якість моделі, коефіцієнт реактивації – надає лише уявну точність.
Які дані необхідні для прогнозування відтоку клієнтів
Чотири фактори визначають, чи є прогноз надійним, чи лише створює «шум»:
- Щільність спостережень замість суто кількості клієнтів: вирішальне значення має не лише кількість клієнтів, а й те, скільки транзакцій та даних про поведінку є на кожного клієнта. Інтернет-магазин із невеликою кількістю, але дуже активних клієнтів може бути надійнішим, ніж той, що має багато, але нечасто активних покупців.
- Історія: принаймні один повний цикл покупки або життєвий цикл, щоб за певний період взагалі можна було виявити закономірності відтоку клієнтів – для коротких циклів часто вистачає кількох місяців, для довгих циклів закупівлі – відповідно більше.
- Послідовний ідентифікатор клієнта: події в магазині, дані CRM та історія замовлень повинні співпадати з одним і тим самим ідентифікатором клієнта, інакше системи матимуть справу з суперечливими профілями.
- Захист даних та згоди: для обробки персональних даних, а особливо для заходів з відстеження та персоналізації, мають бути чітко визначені правові підстави, згода та потоки даних.
Як орієнтовне практичне керівництво для класичних B2C-моделей може слугувати діапазон від 3 000 до 5 000 активних клієнтів. Це не фіксоване значення: у разі відносин із клієнтами, що характеризуються дуже високою активністю транзакцій, модель може бути життєздатною навіть при меншій кількості клієнтів, тоді як та сама кількість у разі рідкісних покупок не забезпечує достатньої основи. Зрештою, будь-яке калібрування залежить від визначення відтоку клієнтів, наведеного в попередньому розділі.
Коли відтік клієнтів є економічно вигідним – а коли ні
З економічної точки зору боротьба з відтоком клієнтів доцільна там, де відносини з клієнтом є достатньо цінними, щоб виправдати цілеспрямовані заходи. У поєднанні з оцінкою «життєвої вартості клієнта» (Customer Lifetime Value) модель показує, куди варто інвестувати: високий ризик відтоку при низькій вартості клієнта не потребує масштабної кампанії, а високий ризик при високій вартості – навпаки.
Існують також випадки, коли витрати наразі не виправдовуються: коли база даних CRM не оновлюється, коли транзакцій занадто мало для надійної моделі або коли цикл покупки настільки довгий, що короткострокове втручання все одно буде запізнілим. У таких випадках розумнішим першим кроком буде насамперед упорядкування бази даних та сегментації клієнтів, а не моделі прогнозування. При цьому важливим є не порівняння вартості моделі з нулем, а порівняння вартості моделі з витратами на відновлення клієнта: той, хто реагує лише тоді, коли відтік клієнтів уже завершився, платить за знижку, кампанію та час продажів за відносини, які раніше ще існували.
Як прогноз перетворюється на захід у CRM
Модель прогнозування без пов’язаного з нею процесу залишається лише цифрою на інформаційній панелі. Тому необхідне підключення до CRM: показник ризику відтоку клієнтів (Churn-Risk-Score) можна зберегти там як окрему властивість – наприклад, у HubSpot – і запустити робочий процес, щойно буде перевищено визначене порогове значення. Залежно від системи це може бути багаторівнева послідовність контактів у маркетингу, доповнена особистим контактом з боку відділу продажів, починаючи з певного рівня ескалації, або ж у самому магазині – інший підхід до відповідного сегмента ризику, ніж до лояльних постійних клієнтів.
Важливішим за окремий інструмент є єдиний ідентифікатор клієнта, який використовується в інтернет-магазині, CRM та системі автоматизації маркетингу: якщо його немає, реакція не дістанеться саме тим клієнтам, яких вона мала б охопити. На практиці рідко використовуються лише дві системи: інтернет-магазин, ERP, CRM, система автоматизації маркетингу та система рекомендацій зберігають кожна свою частину історії клієнта. Щоб показник ризику відтоку клієнтів скрізь позначав одного й того самого клієнта, ми об’єднуємо ці джерела за допомогою Blackbit Data Director на основі ідентифікатора клієнта — як спільної бази даних, до якої мають рівний доступ як модель, так і запущені заходи. Саме в цьому полягає справжнє завдання: об’єднати дані, комерційні системи та процеси таким чином, щоб прогноз перетворився на зрозумілу та вимірювану дію – а не в тому, щоб самостійно розробити модель прогнозування.
Які показники свідчать про успіх системи запобігання відтоку клієнтів
Сама по собі якість моделі мало що говорить про економічну вигоду. Вирішальним є те, у скільки обходиться помилка. Пропущений клієнт, що відходить, при високій цінності клієнта коштує втрату відносин, які важко замінити; хибна тривога коштує знижки та часу на продаж для того, хто й так би залишився – при невеликій маржі це швидко дається взнаки. Яка з цих двох помилок є більш серйозною, визначає ваша бізнес-модель – а отже, і те, на що слід оптимізувати модель.
Тому для оцінки успіху, окрім фактичного показника відтоку клієнтів (churn rate), важливими є насамперед коефіцієнт реактивації клієнтів, яких класифікують як таких, що перебувають у групі ризику, та економічний приріст цієї групи порівняно з контрольною групою без втручання. Якими саме мають бути ці показники у вашому бізнесі, значною мірою залежить від галузі, циклу покупки та вашого власного визначення відтоку клієнтів, тому їх неможливо застосувати однозначно. На практиці між виявленим ризиком і фактичним відтоком клієнтів зазвичай проходить від чотирьох до восьми тижнів; точний термін залежить від конкретного циклу покупки. Як саме можна керувати використанням ШІ в електронній комерції на основі надійних показників, а не окремих значень моделі, ми показуємо у статті про 13 KPI для ШІ.
Чи готова до цього ваша компанія?
Три запитання допоможуть визначити, чи варто робити наступний крок:
- Дані: чи маємо ми надійну історію взаємодій з клієнтами та узгоджені ідентифікатори в інтернет-магазині, CRM та системах автоматизації маркетингу?
- Часові рамки: чи достатньо короткий наш цикл покупки, щоб втручання протягом кількох тижнів ще могло дати результат?
- Організація: чи можемо ми фактично реалізувати запущені заходи та відстежувати їхній ефект?
Третє питання при цьому часто недооцінюють: інструменти штучного інтелекту рідко зазнають невдачі через технічні проблеми, а скоріше через те, що запущені робочі процеси не відстежуються в команді послідовно. Той, хто відповість «так» на всі три питання, має основу для прогнозної моделі, яка дає більше, ніж просто інформаційна панель.
Як середні ритейлери виявляють відтік клієнтів за допомогою ШІ?
Прогнозування відтоку клієнтів (Churn Prediction) – це модель, яка на основі даних про поведінку (передусім зниження частоти покупок та подовження інтервалів між покупками, доповнених сигналами взаємодії та CRM) розраховує ймовірність того, що клієнт або клієнтка відійде від компанії протягом певного періоду. Необхідною умовою є достатньо щільна історія покупок та взаємодій, а також якісне підключення до CRM-системи; без достатньої бази даних прогноз швидко стає надто непевним, щоб на його основі можна було розробляти надійні заходи. Чи перетвориться виявлений ризик на врятовані відносини з клієнтом, вирішують лише подальші заходи – наприклад, цілеспрямована послідовність контактів або персональна пропозиція від відділу продажів. Blackbit є партнером з комерційної інженерії для середніх підприємств електронної комерції в регіоні DACH і для цього об’єднує дані про клієнтів, комерційні системи та операційні процеси в надійний робочий процес прогнозування та реагування.
Готові до наступного кроку?
Під час першої особистої зустрічі ми разом проаналізуємо вашу базу даних і визначимо, чи доцільно вже сьогодні впровадити модель прогнозування відтоку клієнтів для вашого інтернет-магазину.
