Лояльный или обычный? Анализируй своих клиентов

Наш мир познается в сравнении: что хорошо, что плохо в каждой конкретной ситуации. Какая форма собственности больше подойдет начинающему адвокату? Какая скидка приведет больше клиентов и каких? Какой клиент лучше, какой хуже для нашего бизнеса? С чем сравнить? В этой статье я покажу, как можно рассматривать и сравнивать лояльных и нелояльных клиентов и какие из них наиболее прибыльны для бизнеса. Итак, представим, что у нас есть интернет магазин, в котором ежедневно совершаются покупки. Определимся для начала, кто у нас лояльный, а кто не лояльный клиент. В данном примере под «обычным» клиентом будем понимать среднестатистического клиента, т.е. такого, который делал покупки у нас либо один раз, либо несколько. Под «лояльным» - клиента, приверженного нашему бренду, т.е. такого, который давно с нами и предпочитает наш магазин другим. Как нам разделить клиентов на лояльных и не лояльных? Очень просто! У онлайн-торговли есть огромное преимущество перед торговлей оффлайн: возможность идентифицировать любого клиента, получить данные о нем и его заказе, а в дальнейшем и отслеживать его “поведение” в ходе сотрудничества. И мы с удовольствием используем это преимущество. Стоить отметить, что под лояльным в данном случае мы будем подразумевать не просто клиента с картой (которую, например, выдают всем подряд), а именно приверженного нашему бренду, который покупает у нас товары чаще,чем другие. Почему? Потому, что в противном случае, лояльный клиент ничем не будет отличаться от обычного.

С чего начать сравнение?

Определимся сначала, как мы будем сравнивать клиентов? Самый логичный ответ в данном случае - по поведению. Но что можно считать поведением? Например, частоту посещения сайта клиентом, количество сделанных им покупок, частоту обращений в контакт-центр и многое другое. Остановимся на сравнении покупок. Самый оптимальный вариант: сравнить профиль покупок и предпочтения товаров, но это достаточно емкий и сложный анализ. Мы же возьмем наиболее простой вариант - сравним объемы покупок клиентов. Для этого необходимо просто идентифицировать клиента, его чек, выбрать период и рассчитать средний чек за этот период. Как правильно рассчитать средний чек мы очень подробно описали в нашей предыдущей статье. Если Вы ее ранее не видели, пролистайте, чтобы понимать, почему нельзя брать все чеки и делить на их общее количество.

Перейдем к анализу

Продолжим пример из статьи по средним чекам. У нас есть 1159 клиентов (после предварительной очистки данных) и небольшой ритейл-бизнес. Из них 963 клиента обычные и 196 - лояльные.

1. Для начала построим их распределения в зависимости от среднего чека.

Это будет обычная гистограмма, где по оси Х будут промежутки чеков (например, по 50$), а по оси Y - количество клиентов.

Надеюсь, все справились. Итак, что можно сказать о распределениях? Они очень похожи на «нормальное» распределение - в форме колокола. Думаю, многие знают что такое нормальное распределение, но все же несколько слов для пояснения его в нашем примере. Форма “колокола“ зависит от многих показателей:

• типа товаров, продаваемых на сайте,
• целевой аудитории, на которую ориентирован сайт,
• благосостояния клиентов,
• цен в стране,
• насколько Вы предварительно очистили данные
• и даже от того, как Вы выберете промежутки.

Но, в большинстве своем, она будет повторять форму колокола (нормального распределения), т.к. всегда в любом интернет-магазине найдется основной пул клиентов, у которых средний чек будет находится в определенном интервале (так называемый «костяк») и часть клиентов, которая будет со средним чеком меньше и больше (так называемые «хвосты»).

2. Далее, сравним распределения между собой.

Для этого посчитаем долю клиентов в каждом промежутке от общего количества в каждой категории: лояльных и обычных. Например, от 0 до 50$ у нас 75 обычных клиентов, а всего их 963. Тогда в этом промежутке у нас получится 75/963 = 0,078 или 7,8%. Конечно же, это не совсем функция плотности распределения, но все же для наглядности мы можем ее использовать.

3. Какие выводы можно сделать из этих гистограмм?

Например, что доля клиентов с чеком более 350$ не превышает 5% как по лояльным, так и по обычным клиентам. Этот факт можно использовать для сегментации клиентов (например, клиентов с чеком свыше 350$, скажем, относить к самому высокому классу, т.к. за одну покупку они приносят значительно больше денег). В принципе, гистограмма может служить источником для сегментации клиентов. В данном случае, одним из критериев сегментации можно выбрать средний чек на клиента за период. Она удобна тем, что Вы сразу можете приблизительно оценить долю клиентов, которая будет в каждом из сегментов. Далее также видно, что гистограмма лояльных клиентов смещена правее. Что это означает? Это означает, что лояльные клиенты за одну покупку тратят больше, чем обычные, т.е. более прибыльны для сайта. Чтобы в этом нагляднее убедиться, построим функцию плотности распределения, которая описывает взаимосвязь вероятности и значения случайной величины - в нашем случае случайной величиной будет средний чек клиента. Для этого, согласно определения, приведем предыдущую гистограмму с долями к нормализированному виду. Это сделать довольно легко: изначально мы выбрали интервал в 50$ для разделения категорий. Для нормализации нашей гистограммы мы просто поделим доли в каждом из интервалов на выбранный нами интервал в 50 $. Затем построим полученные точки и соединим линией. Как видно график очень похож на тот, который мы получили ранее, только теперь по оси Y не доли, а уже вероятность. Также я на графике изображу среднее значение для чеков.

Этот график более наглядно отображает смещение вправо распределения лояльных клиентов. Также видно, что среднее значение средних чеков для лояльных клиентов больше, чем для обычных (192.03 $ для лояльных против 166.36 $ для обычных). Это значит, что, в среднем, для данной выборки один лояльный клиент тратит больше обычного клиента.

4. Чтобы лучше понимать клиентов посчитаем еще несколько важных показателей.

Эти показатели характеризуют выборку, а также в последствии применяются для расчета доверительного интервала или проведения t-теста, о которых поговорим далее. Стандартное отклонение - это мера изменчивости (отклонения от среднего) для данной выборки. Для обычных клиентов стандартное отклонение составляет 86.62 $, а для лояльных - 81.91 $ (более детально о том, как считать вы можете почитать здесь). Для обычного клиента стандартное отклонение выше, а значит и разброс значений вокруг среднего больше. Таким образом выборка для обычных клиентов более изменчива, т. е. менее “стабильна”. Медиана - это то значение, при котором выборка делится пополам (количество элементов с одной и с другой стороны одинаково). Она как и среднее значение - это один из показателей положения выборки. В нашем случае медиана для лояльных клиентов равна 189.42 $, а для обычных - 159.46 $ (более детально о том, как считать вы можете почитать  здесь). Таким образом, для лояльных клиентов половина значений в выборке содержится до 189.42$, а вторая половина после (аналогично и для обычных клиентов). Данные значения очень близки к среднему в обоих случаях (т.е. среднее значение практически делит выборку пополам). Выше мы провели анализ выборки. Исходя из полученных данных можем заключить, что для данной выборки лояльный клиент лучше обычного, так как в среднем на 1-го лояльного клиента средний чек выше, чем на обычного, и в итоге прибыль магазина от лояльного клиента выше, чем от обычного. Но возникает вопрос, можно ли это заключение распространить на всех клиентов магазина, которые есть сейчас и, возможно, будут в некотором периоде в будущем ? Чтобы на него ответить, необходимо посчитать границы доверительного интервала для разницы средних или провести t-тест (проверить гипотезу на равенство нулю разницы между средними). Не буду останавливаться детально, так как об этом можно почитать в источниках по статистике (например, в книге “Fundamentals of biostatistics” Bernard Rosner или здесь). Приведу только окончательный ответ. Итак, 95 % доверительный интервал для разницы средних составляет [12.91$;38.43$]. Это означает, что с 95 % вероятностью разница между средними для лояльного и обычного клиента будет попадать в этот промежуток. Поскольку данный интервал не содержит 0, то можно утверждать, что с 95 % вероятностью, средний чек по лояльному клиенту выше, чем по обычному, как минимум, на 12.91$. А значит, можно сделать вывод , что в 95 % случаев лояльный клиент, в целом, будет тратить больше, чем обычный, и, следовательно, он более привлекателен для нашего магазина. Стоит отметить, что сделанное заключение распространяется не только на выборку для анализа, а и на всех клиентов в некотором периоде. Период важен, так как по прошествии длительного времени факторы могут измениться (в нашем случае это цена товаров), поэтому анализ необходимо будет провести повторно.

Некоторые замечания по построению доверительного интервала:

1. Доверительный интервал строится на основании t-квантилей, хотя в данном случае можно воспользоваться и квантилями нормального распределения, так как значение выборки велико. 2. Предполагается, что вариации для обоих генеральных совокупностей отличаются. Это значит, что в целом (не только для выборки) для лояльных клиентов и обычных клиентов стандартные отклонения отличаются. Например, у обычных клиентов она выше. 3. По большому счету, так как распределения немного скошены (не совсем симметричны относительно среднего, особенно для обычных клиентов), то следует использовать медиану, а не среднее. Но в нашем случае они очень близки друг к другу для обоих распределений и погрешность будет очень незначительной. Проведя анализ, мы выяснили, что лояльный клиент более привлекателен для магазина, чем обычный, а значит, следует концентрироваться на улучшении отношений с клиентами и увеличении числа лояльных клиентов.

1. Пробежимся еще раз по этапам анализа:
2. Выбор параметра для анализа
3. Подготовка данных
4. Предварительный анализ "сырых"" данных
5. Очистка и структурирование данных
6. Анализ: построение гистограмм, распределений, доверительного интервала

Выводы

Данный незамысловатый подход можно применить не только для сравнения лояльных и обычных клиентов, а и, например, для сравнения магазинов, групп внутри сегментации, регионов и так далее. Изменять можно не только объект исследования, а и сам параметр: вместо чеков использовать доход на 1-го клиента или выручку на 1-го клиента за определенный период.  В заключение хотелось бы добавить, что, используя данные, мы можем не только интуитивно догадываться, что лояльный клиент лучше обычного, а и подтвердить это численно, что, несомненно, необходимо для принятия правильных решений.