Многие организации, включая банки, сегодня активно стремятся перейти к работе по принципу Client Lifetime Value (CLTV). Это ключевая метрика, определяющая ценность, которую клиент приносит компании на всем своем жизненном цикле. Что могут рассказать данные о клиенте и как использовать аналитику для управления его жизненным циклом в компании, рассказал руководитель продвинутой аналитики юридических лиц в Альфа-Банке Дмитрий Рузанов в ходе вебинара, организованного Центром непрерывного образования НИУ ВШЭ.
Термин CLTV может трактоваться по-разному даже внутри одной компании, поэтому важно ясно определить его смысл и методику расчета. Верхнеуровнево CLTV означает оценку ожидаемого дохода от клиента за всю историю его взаимодействия с компанией. Здесь учитываются новые клиенты, давние клиенты, клиенты, которые покинули компанию и затем вернулись. Клиенты могут находиться на разных этапах жизненного цикла, что влияет на их ценность и способы взаимодействия с ними, подчеркивает Дмитрий Рузанов.
Концепция Client Lifetime Value открывает широкий спектр возможностей для бизнеса, включая моделирование траектории развития клиента и разработку персонализированных предложений. Путем анализа будущих потребностей клиента, таких как потребность в оборотном капитале, сезонный спрос на продукцию или особенности операционного ритма продавца на маркетплейсе, компания может предложить ему соответствующие продукты или услуги.
Анализ CLTV необходим не только для банков, но и для других компаний с достаточной для анализа клиентской базой. Понимание уровня доходности клиентов и их поведения позволяет оптимизировать бизнес-процессы и увеличить эффективность взаимодействия.
Каждый бизнес может находить оптимальные решения для увеличения прибыли и удовлетворения потребностей клиентов, опираясь на анализ CLTV, отмечает эксперт.
CLTV для банка означает оценку дохода от всех продуктов, которыми пользуется клиент на протяжении всего срока его сотрудничества с банком. Этот срок может исчисляться десятилетиями и порой даже длиться с момента основания банка, а может составлять всего лишь месяцы. CLTV учитывает не только доходы, но и операционные расходы, связанные с обслуживанием клиента, например расходы на эквайринг, привлечение клиента банком и т.д.
Оценка влияния различных параметров на прибыль и CLTV позволяет компании оптимизировать свои стратегии, включая управление риском, ценообразование, сервисы обслуживания, программы лояльности и маркетинговые инициативы. Важно также применять CLTV в контексте конкретных бизнес-сценариев, таких как управление риском кредитования, ценообразование в продажах, повышение лояльности клиентов и привлечение новых клиентов.
Эффективное управление клиентскими отношениями требует индивидуального подхода в зависимости от этапа жизненного цикла клиента, однако не всем компаниям удается правильно оцифровать и использовать этот подход, поскольку это требует глубокого понимания данных и их анализа, пояснил спикер. В то же время главная цель прогнозирования операционной прибыли заключается в том, чтобы определить наиболее выгодных клиентов и разработать стратегии для увеличения доходности от них, подчеркивает Дмитрий Рузанов. Это может включать в себя увеличение среднего чека, проведение кросс-продаж, удержание клиентов и влияние на траекторию их развития.
Спикер подчеркнул, что для оптимизации требуется комплексный подход, который может включать в себя не только использование продвинутых моделей машинного обучения, но и аналитический подход, позволяющий понять основные факторы, влияющие на CLTV, и разработать соответствующие стратегии для максимизации прибыли.
Аналитика на уровне всей организации и отдельных групп клиентов сможет помочь специалистам понять структуру операционной прибыли и адаптировать стратегии под разные типы продуктов и клиентов.
«Нет смысла пытаться растранзачить того, кто в принципе не склонен к транзакционным продуктам, также нет смысла предлагать кредит тому типу бизнеса, которому кредит, в общем-то, и не нужен, а нужен какой-то другой тип продукта для того, чтобы финансировать свою деятельность, например факторинг или лизинг», — подчеркнул Дмитрий Рузанов.
Для решения задачи с нестабильной динамикой операционной прибыли можно усреднить ее и разложить на несколько периодов. Клиентов, которые часто покупают товары из одной категории, можно стимулировать к увеличению среднего чека, если предложить им скидки на дополнительные продукты. Это основано на понятии структурной взаимосвязи продуктов, где добавление нового товара в корзину приводит к увеличению выручки больше, чем просто сумма чеков от каждого товара.
Сложность подходов к оценке Client Lifetime Value (CLTV) заключается в нескольких аспектах.
1. Недостаток интерпретируемости моделей. Даже при использовании продвинутых методов машинного обучения для прогнозирования прибыли и CLTV модели могут оказаться непрозрачными для бизнеса.
2. Сложность моделирования сценариев развития клиента. Учет различных сценариев развития для каждого клиента может быть сложным, особенно если у компании большая клиентская база с разнообразными характеристиками.
3. Неоднородность распределения дохода. Распределение дохода среди клиентов может быть сильно неравномерным и иметь большое число «выбросов». Это усложняет классификацию клиентов и определение их CLTV.
4. Невозможность ранжирования внутри категорий. Модели мультиклассификации могут не обеспечить возможность ранжирования клиентов внутри категорий доходности, что затрудняет принятие решений о том, каким образом максимизировать доход от каждого клиента.
5. Сложность учета остаточного срока жизни клиента. Прогнозирование остаточного срока жизни клиента также может быть сложной задачей, поскольку это требует учета множества факторов, включая изменения в бизнесе клиента и внешние экономические условия.
На бизнес-сценарии и параметры, определяемые ими, непосредственно влияет также качество разработанных моделей машинного обучения (ML). Точность оценки дохода в рамках конкретного кейса становится ключевым моментом, особенно в контексте CLTV. Кроме того, важно понимать пропорции работы над моделями и продвинутой аналитикой, где на аналитический расчет приходится большая доля времени и усилий.
«Если разделить всю работу в рамках построения данного ML-решения на работу, связанную с построением моделей, и работу, связанную с продвинутой аналитикой, то, наверное, пропорция будет 40 на 60, то есть 40% — это модели, точнее, работа с ними, и 60% — это продвинутая аналитика, это расчет, это, вообще говоря, поиск архитектурной концепции, которая позволяет решить бизнес-задачи», — отмечает Дмитрий Рузанов.
Успешный дата-сайентист должен не только быть способен разрабатывать модели, но и обладать глубокими навыками анализа данных, чтобы приносить ценность в своей доменной области.
«Хороший дата-сайентист также должен являться хорошим дата-аналитиком, иначе он не сможет принести value в той доменной области, в которой он разрабатывает модель», — отмечает Дмитрий Рузанов. Таким образом, анализ и моделирование идут бок о бок, и их взаимосвязь является ключевым элементом успешной работы в области машинного обучения и аналитики данных, заключил спикер.
