Анализ клиентской базы в excel

Время на прочтение
5 мин

Количество просмотров 20K

В прошлой статье я описал использование когортного анализа для выяснения причин динамики клиентской базы. Сегодня пришло время поговорить про трюки подготовки данных для когортного анализа.

Легко рисовать картинки, но для того, чтобы они считались и отображались правильно “под капотом” нужно проделать немало работы. В этой статье мы поговорим о том, как реализовать когортный анализ. Я расскажу про реализацию при помощи Excel, а в другой статье при помощи R.

Хотим мы этого или нет, но по факту Excel это инструмент анализа данных. Более “высокомерные” аналитики будут считать, что это слабый и не удобный инструмент. С другой стороны по факту сотни тысяч людей делают анализ данных в Excel и в этом отношении он легко побьет R / python. Конечно, когда мы говорим о advances analytics и машинном обучении, мы будем работать на R / python. И я был бы за то, чтобы большая часть аналитики делалась именно этими инструментами. Но стоит признать факты, в Excel обрабатывают и представляют данные подавляющее большинство компаний и именно этим инструментом пользуются обычные аналитики, менеджеры и product owners. Вдобавок Excel трудно победить в части простоты и наглядности процесса, т.к. вы мастерите свои расчеты и модельки буквально руками.

И так, как же нам сделать когортный анализ в Excel? Для того, чтобы решать подобные задачи нужно определить 2 вещи:

1. Какие данные у нас в начале процесса

2. Как должны выглядеть наши данные в конце процесса.

   Чтобы собрать когортный анализ нам не будет достаточно только оборотный данных по датам и подразделениям. Нам нужны данные на уровне отдельных клиентов. В начале процесса нам понадобится:

3. Календарная дата

4. Id клиента

5. Дата регистрации клиента

6. Объем продаж этого клиента в эту календарную дату

Первая сложность, которую предстоит преодолеть — это получить эти данные. Если у вас правильное хранилище, то они уже должны быть у вас. С другой стороны, если пока реализовали только запись данных о совокупных продажах по дням, то данные по клиентам у вас есть только на “проде”. Для когортного анализа вам придется реализовать ETL и сложить в ваше хранилище данные в разрезе клиентов, иначе у вас ничего не выйдет. И лучше всего если вы разделите “прод” и аналитику в разные базы, т.к. У аналитических задач и задач функционирования вашего продукта разные цели конкуренция за ресурсы. Аналитикам нужны быстрые агрегаты и расчеты на по многим пользователям, продукту нужно быстро обслужить конкретного пользователя. Об организации хранилища я напишу отдельную статью.

Итак, вы имеете стартовые данные:

Первое, что нам нужно сделать это преобразовать их в “лесенки”. Для этого нужно над этой таблицей построить сводную таблицу, по строкам — дата регистрации, по столбцам — календарная дата, в качестве значений — кол-во id клиентов. Если вы верно извлекли данные, то у вас должен получится вот такой треугольник/лесенка:

В целом лесенка это наш когортный график, в котором каждая строка отображает динамику отдельной когорты. Клиенты во времени в этой отображении двигаются только внутри одной строки. Таким образом динамика когорты отображает развитие отношений с группой клиентов пришедший в один период времени. Часто для удобства и без потери качества, можно объединить когорты в “блоки” строк. Например, вы можете сгруппировать их по неделям и месяцам. Точно так же вы можете сгруппировать и колонку, т.к. Возможно ваш темп развития продукта не требует детализации до дней.

На основе этой лесенки вы можете влоб построить график из моей статьи (я правда указывал, что сгруппировал несколько строк в одну, чтобы когорт было поменьше):

Это график с накопительными областями, где каждый ряд — это строка, по горизонтали даты.

Чуть сложнее логика для реализации графика “потоков”. Для потоков мы должны сделать некоторые дополнительные вычисления. В логике потоков каждый клиент прибывает в различных состояниях:

1. Новый — любой клиент, у кого разница между датой регистрации и календарной дате <7 дней
2. Реактивированный — любой клиент, кто уже не новый, но в прошлом календарном месяце не генерировал выручку
3. Действующий — любой клиент, кто не новый, но в в календарном месяце генерировал выручку
4. Ушедший — любой клиент, кто не генерирует выручку 2 месяца подряд

Во-первых вам стоит в компании закрепить эти определения, чтобы вы могли корректно реализовать эту логику и автоматически рассчитывать состояния. Эти 4 определения имеют далеко идущие последствия в целом и для маркетинга. Ваши стратегии по привлечению, удержанию и возвращению будут базироваться на том, в каком состоянии вы считаете находится клиент. А если вы начнете внедрять модели машинного обучения в прогнозировании ухода клиентов, то определения станут вашим краеугольным камнем успешности этих моделей. Вообще про организацию работы и важность аналитической методологии я напишу отдельную статью. Выше я привел просто пример того, какими могут быть эти определения.

В Excel вам нужно создать дополнительную колонку, куда вписать описанную выше логику. В нашей случае нам придется “попотеть”. У нас есть 2 типа критериев:

• Разница между датой регистрацией и календарной датой — эти данные есть у каждой строки и тут просто нужно ее посчитать (вычитание дат в Excel просто дает разницу в днях)
• Данные о выручке в текущем и прошлом месяце. Эти данные нам не доступны в строке. Более того, с учетом того, что в нашей таблице не гарантирован порядок, то вы не можете точно сказать, где у вас данные по другим дням месяца для этого клиента.

Решить проблему 2 типа критериев можно 2 способами:

1. Попросите сделать это в базе данных. SQL позволяет при помощи аналитической функции вычислить для каждого клиента сумму выручки за текущий и прошлый месяц (для текущего месяца SUM(revenue) OVER (PARTITION BY client_id, calendar_month, а потом LAG, чтобы получить смещение по прошлому месяцу):
2. В экселе вам придется реализовать это так:
   • Для текущего месяца: СУММЕСЛИ(), критериями будет id клиента и месяц ячейки календарного дня
   • Для прошлого месяца: СУММЕСЛИ(), критериями будет id клиента и месяц ячейки календарного дня минус ровно 1 календарный месяц. При этом обращу внимание, что вы должны вычесть именно календарный месяц, а не 30 дней. Иначе вы рискуете получить смазанную картину из-за неодинакового числа дней в месяцах. Также используйте функцию ЕСЛИОШИБКА, чтобы заменить ошибочные значения для клиентов у кого не было прошлого месяца.

Добавив колонки выручки текущего месяца, прошлого месяца вы можете построить вложенное условие ЕСЛИ, учитывающие все факторы (разницу дат и суммы выручки в текущем/прошлом месяце):
ЕСЛИ( разница дат <7; “новый”;
ЕСЛИ( И (выручка прошлого месяца = 0; выручка текущего месяца > 0); “реактивация”;
ЕСЛИ( И (выручка прошлого месяца > 0; выручка текущего месяца > 0); “действующий”
ЕСЛИ( И (выручка прошлого месяца = 0; выручка текущего месяца = 0); “ушедший”; “ошибка”))))

“Ошибка” нужна тут только для контроля, что вы не ошиблись в записи. Логика критериев состояний MECE (https://en.wikipedia.org/wiki/MECE_principle), т.е. Если все сделано правильно, то каждому будет проставлено одно состояние из 4-х

У вас должно получится вот так:

Теперь эту таблицу можно пересобрать при помощи сводной таблицы в таблицу для построения графика. Вам нужно трансформировать ее в таблицу:

Календарная дата (колонки)
Состояние (строки)
Кол-во id клиентов (значения в ячейках)

Далее мы просто должны на основе данных построить диаграмму столбчатую диаграмма с накоплениями, по оси Х календарная дата, ряды это состояния, кол-во клиентов это высота столбцов. Вы можете поменять порядок состояний на графике, изменив порядок рядов в меню “выбрать данные”. В итоге мы получим такую картину:

Теперь мы можем приступать к интерпретации и анализу.

Как правило, на рекламные предложения «из пушки по воробьям» никто не откликается. Нужны оптимальные способы воздействия на клиентов в зависимости от того, как давно они совершили последнюю покупку, с какой частотой обычно это делают и на какие суммы.

Это отдельные сегменты аудитории, выделить их позволяет RFM-анализ. В статье вы увидите все его возможности и способы применения.

Зачем нужен RFM-анализ

Группировать вручную — долго и муторно, и не всегда очевидно, какие признаки лучше применить. RFM-анализ дает готовую схему, согласно которой более «дорогим», как и менее «дорогим», клиентам нужен особый подход.

Одних мы хотим заполучить в ряды постоянных клиентов. По вторым об этом говорить рано, и наша цель — просто их удержать, чтобы они не ушли к конкурентам. Вы группируете клиентов и определяете, кто покупает часто и много, кто — часто, но по мелочи, а кто давно ничего не покупал.

В зависимости от этого можно разрабатывать релевантные коммуникации и контент. Лояльным клиентам — спецпредложения. Тем, кто давно не покупал — бонус или скидку + таргетинг, чтобы напомнить о себе. В отдельном параграфе этой статьи рассмотрим конкретные примеры.

Область применения

Данный метод подходит B2C компаниям с клиентской базой от 10 000 контактов. Можно применять и для B2B, но там база, как правило, гораздо меньше. В таком случае стоит сократить количество сегментов.

Чаще всего этот метод сегментации используется в email-рассылках. Также он пригодится при подготовке скриптов для телефонных звонков клиентам или любых узко таргетированных маркетинговых кампаний на существующих клиентов.

Кроме того, RFM-анализ подходит, если конверсионное действие отлично от покупки и не заканчивается получением денег от клиентов (допустим, просмотр статей блога).

Механика RFM-сегментации

Основа — три показателя, названия которых зашифрованы в названии метода:

• Recency (давность, новизна) — как давно клиенты делали последнюю покупку;
• Frequency (частота) — как часто они покупают;
• Monetary (суммарная стоимость покупок; для других действий — ценность взаимодействия) — на какую сумму они покупают. Либо показатель можно привязать к просмотру страниц сайта (длительность или глубина).

Классический способ — поделить клиентскую базу по этим показателям на 3 диапазона. Например, высокий показатель новизны — до 2 месяцев, средний — от 2 до 6 и низкий — более 6. Универсальных рекомендаций нет, так как здесь влияют многие факторы — отрасль, жизненный цикл покупателя и т.д.

Вы сами решаете, что значит маленькая, средняя и большая стоимость продаж на клиента. Для одного бизнеса 10 000 рублей — приличная сумма, для другого — слишком скромная.

В Excel эти интервалы можно выделить с помощью формулы, как — смотрите в следующем параграфе.

Для простоты принадлежность клиента к определенному диапазону представляют их в виде 3-балльной системы.

Давность заказа:

1 — давние;

2 — «спящие» (относительно недавние);

3 — недавние.

Частота покупок:

1 — разовые;

2 — редкие;

3 — частые.

Сумма покупок:

1 — низкий чек;

2 — средний чек;

3 — высокий чек.

Пересечения показателей и уровней дают 27 возможных комбинаций (сегментов):

Забегая вперед, скажем, что некоторые могут быть пустыми или очень маленькими. Например, если у вас нет клиентов, которые в прошлом покупали на большие суммы.

Примечание. Можно использовать только один или два показателя, но это снизит однородность сегментов. А можно наоборот выделить больше уровней, однако это усложнит анализ и дальнейшую работу с сегментами, так как их получится еще больше. Если 4 — то 64 сегмента, 5 — уже 125 и т.д.

Делать всё это вручную трудоемко, лучше использовать сводные таблицы Excel или Google Таблиц. Данный функционал позволяет автоматически делить базу данных на три условно равные группы. Рассмотрим подробнее на примере.

Алгоритм RFM-анализа в Excel

1) Представьте данные о клиентской базе в виде таблицы со столбцами:

В примере за ID мы взяли номер, но там может быть любая контактная информация клиента — email, телефон, имя.

2) Создайте и настройте сводную таблицу, чтобы посчитать:

• Сколько раз клиент заказывал — перетягиваем столбец с ID и значение количества по полю «Сумма». Так мы видим, сколько заказов по каждому ID;
• На какую сумму клиент заказывал — значение суммы по полю «Сумма»;
• Когда клиент в последний раз заказывал — значение максимума по полю «Дата».

Скопируйте данные на новый лист, переименуйте поля в читаемый вид и для удобства поменяйте порядок столбцов (дата — на второе место, так как дальше работать именно с ней):

3) В отдельном столбце рассчитайте, сколько дней прошло с последнего заказа по любой из формул:

• Для сегодняшнего дня:

• Для другой даты (в примере — 01.01.2018):

У нас готов показатель Recency (давность покупки).

4) Разбейте клиентов на группы по показателю Recency.

Можно использовать функцию ПРОЦЕНТИЛЬ.ВКЛ. Из всех вариантов давности она вытягивает те, которые входят в 33% и 66%.

Получаются три равные группы: кто совершил заказ максимум 39 дней назад (недавние), от 39 до 91 дня включительно (относительно недавние) и от 92 дня (самые давние клиенты).

Чтобы узнать, к какой группе относится каждый клиент, примените такое условие:

Вот результат:

5) Определите то же самое по столбцу «Количество», чтобы применить показатель Frequency (Частота).

Формулу ПРОЦЕНТИЛЬ перетяните и измените диапазон значений:

Получается также три равные группы: первая совершает до 2 заказов, вторая — от 2 до 4, третья — больше 4.

Примените условие:

6) Определите то же самое по столбцу «Сумма», чтобы применить показатель Monetary (Сумма покупки).

Формулу ПРОЦЕНТИЛЬ перетяните и измените диапазон значений. Примените условие:

Вы получили все нужные показатели для RFM-анализа.

7) Рассчитайте обозначение (код) каждого клиента по методу RFM:

Сделайте сводную таблицу на основании этих кодов. Включите в строки RFM, в значения — количество по полю «Клиент»:

Скопируйте на новый лист и переименуйте столбцы:

Из этой таблицы вы видите количество клиентов в каждом сегменте.

Все подробности смотрите в этом видео:

Технические особенности

Определять границы сегментов — основная сложность, так как нет конкретного правила.

Как вы видели в нашем примере, сегменты получаются неравномерные. Один включает 74 человека, другой — всего 1, а самих сегментов 27! Слишком широкие группы можно разбивать на несколько по дополнительным признакам, немногочисленные близкие по поведению объединять. Но это лишняя ручная работа.

Можно при разделении целенаправленно соблюдать равное количество клиентов в группах. Чем это грозит? Трудно выделить «самых-самых». В одном сегменте могут оказаться покупатели на 1 и на 15 тысяч рублей.

В обоих случаях вы получаете слишком большое количество сегментов. Не факт, что они критически отличаются друг от друга, и есть смысл в отдельных программах.

Конечно, можно всё безукоризненно сделать руками, получить оптимальное количество равномерных по содержанию сегментов. Но это десятки часов работы специально обученного сотрудника. Ведь сегменты со временем еще полезно обновлять. Это не всегда реально и эффективно.

Обойти эти ограничения позволяет специализированный сервис Mindbox, который автоматизирует RFM-анализ. Благодаря алгоритмам кластеризации он определяет, сколько на самом деле сегментов (3-15 штук) и что они включают. То есть не по заданным параметрам, а по данным в базе. Пустых сегментов не выдает.

Дополнительный и важный плюс — он подстраивается под любую сферу.

Визуализация результата:

В Mindbox можно построить отчет по сегментации. Достаточно нажать кнопку. Отчет включает три таблицы.

Оценка состояния базы

Ключевые показатели сводной таблицы: активность потребителей (давность последней покупки) и ценность (потраченная сумма).

Здесь четыре категории. В каждой может быть несколько сегментов или вообще ни одного. В ячейках — общее количество потребителей из всех сегментов категории.

«Отток» — это клиенты, которые давно не покупали, а «Риск оттока» — которые покупали среднее количество времени назад. Активные — те, кто недавно совершил покупку.

Этот отчет помогает выбрать сегмент, с которым стоит работать в первую очередь.

Изучение сегментов

Показатели: размер сегментов, оборот (сумма, которую потратили все клиенты сегмента), средний чек.

Например, вот список сегментов, которые совершали покупки:

Фильтр позволяет увидеть определенную категорию по ценности:

В примере вы видите 7 сегментов с высокой ценностью:

На основе этой информации можно решать, с какими сегментами работать.

Детальная информация по сегментам

Показатели: границы сегментов по каждому признаку (R, F, M) и средние значения по ним.

Когда сегменты для дальнейших действий выбраны, можно запускать для них маркетинговые кампании.

Как разрабатывать коммуникации для сегментов

Во-первых, охарактеризуйте полученные сегменты, чтобы дальше было проще с ними работать. Например, клиент 111 давно делал единичные заказы на маленькую сумму. А клиент 333 напротив покупает часто и тратит на покупки много, последняя была не так давно.

Далее оцените ценность и разработайте стратегию работы с каждым сегментом. Решите, какие сообщения подойдут для каждого сегмента. Главный принцип: лучших клиентов удерживаем, середнячков «раскручиваем» до лучших, уходящих и почти потерянных возвращаем.

Потерянные

На самых давних клиентов не стоит тратить много времени и усилий (111, 112, 113). Можно попробовать их вернуть, попытка не пытка. Например, расскажите об акциях, скидках и распродажах.

Также напишите, почему выгодно оставаться с вами, но не настаивайте — возможно, их отток неизбежен.

Если они никак не отреагируют на эти действия, можно спокойно удалять их из базы.

Под угрозой оттока

Для более перспективных, чем потерянные, можно постараться больше, чтобы их вернуть. Ведь они покупали много раз и / или на большую сумму.

Что их может заинтересовать?

• Скидка или купон на покупку, информация о распродаже;
• Персональная товарная подборка;
• Полезные видео или статьи (как в примере ниже).

И обязательно спросите причину, по которой они перестали у вас покупать.

Бывшие лояльные

Это клиенты 131, 132, 133. Для них подойдут те же мероприятия, что для предыдущей группы + более долгосрочная мотивация, например, бонусы, программы лояльности. И расскажите, чем ваш магазин / продукт лучше других.

«Спящие»

Эти клиенты помнят о вас. «Разбудить» их помогут:

• Выгодные акции и предложения;
• Подборка персональных рекомендаций.

Полезно напомнить о преимуществах. Если клиенты перестали покупать недавно, также спросите причину.

Новички

Новичков с низким и средним чеком — 311, 312 — возможно, заинтересует обучающий контент, справочная информация, помощь в выборе продукта.

Постарайтесь их перевести в ряды лояльных. Для этого поделитесь другим полезным контентом (обзоры, статьи, руководства). И не забудьте поздравить с покупкой или поблагодарить за выбор вашей компании.

Можно смело приглашать их в группы соцсетей и на мероприятия. Там удобнее всего будет ответить на их вопросы и объяснить, почему ваш продукт им подходит.

Перспективные

Клиенты, которые купили на большую сумму (313) — потенциальные VIP, поэтому постарайтесь удержать их интерес.

Выясните с помощью опроса, доволен ли он, какие у него пожелания. И другую информацию, которая пригодится для удержания: что ему интересно, какие у него потребности.

Будьте аккуратны со скидками. У таких клиентов все шансы стать постоянными покупателями по полной стоимости. Поэтому лучше мотивировать чем-то другим. Например, как в рассылке выше — шанс получить подарок в обмен на отзыв.

Тем, которые покупают регулярно, но на небольшую сумму (321, 322, 331, 332), предложите сопутствующие товары.

Идеальные

И наконец, самые желанные покупатели — сегмент 333. Важно убедить этих клиентов в том, что вы их цените. Попросите оставить отзыв и сообщите о персональном обслуживании. Или просто польстите им, как в примере:

Скидки для этих клиентов противопоказаны! Ваша цель — мотивировать их на дальнейшие регулярные покупки. Подайте идеи в персональной товарной подборке или, если это инфопродукт, напомните о продлении подписки:

Не стоит утомлять лишними коммуникациями тех, кто итак покупает. Сообщайте только самую важную информацию и предложения «для любимых клиентов».

Как часто обновлять сегменты

Со временем показатели RFM-анализа меняются, и клиенты переходят из одного сегмента в другой. Лояльные покупатели могут сделать тайм-аут, а «спящие» — проснуться от ваших сообщений и стать активнее.

Частота обновления данных зависит от того, насколько подвижная у вас база: какой жизненный цикл клиента, естественный период покупки, а также период, за который клиент успеет сделать повторную покупку. Для крупного успешного интернет-магазина — не чаще, чем раз в месяц. Если заказы происходят редко, достаточно пересматривать сегменты раз в квартал или полгода.

При этом учитывайте, что на качество данных влияют сезонность, акции и праздники. Если клиент с богатой историей покупок за текущий месяц ничего не покупает, это не значит, что его сразу нужно переводить в другой сегмент. Возможно, это просто влияние сезонности, и через время покупки возобновятся.

Если клиент новый, у него пока очень мало данных о покупках. Нет смысла включать его в анализ для всей базы, либо можно для таких провести отдельный анализ.

Высоких вам продаж!

При подготовке статьи использованы материалы Unisender и Habr.

Идеи

Как работать с разными сегментами пользователей

Поделиться

СВЕЖИЕ СТАТЬИ

Другие материалы из этой рубрики

Не пропускайте новые статьи

Подписывайтесь на соцсети

Делимся новостями и свежими статьями, рассказываем о новинках сервиса

«Честно» — авторская рассылка от редакции Unisender

Искренние письма о работе и жизни. Свежие статьи из блога. Эксклюзивные кейсы
и интервью с экспертами диджитала.

ABC и XYZ-анализ, их совмещение. Сфера применения, правила проведения, примеры исследования с помощью Excel.

Современный маркетинг и логистика основаны на использовании ряда всемирно опробованных инструментов. К таким инструментам относят ABC и XYZ-анализы, помогающие улучшить организацию бизнеса. Их совместное применение действенно для оптимизации бизнес-процессов, не вызывает потребности в больших трудозатратах и в привлечении высокооплачиваемых экспертов.

Что такое ABC-анализ

Смыслом ABC-анализа можно считать выделение в бизнесе из большого количества однотипных объектов те, на которых нужно сосредоточить главное внимание исходя из конкретной выбранной цели. Этот метод может использоваться в разных направлениях: для оптимизации ассортимента, анализа клиентской базы, повышения эффективности продаж.

ABC-анализ основан на идеях Парето, утверждающего, что в бизнесе всегда только 20% вложений даёт 80% результата. Именно на этом сегменте он рекомендует сосредоточить усилия.

В ABC-анализе делят факторы бизнеса на 3 категории:

• А — наиболее ценные ресурсы (20%), результат от которых в бизнесе равен 80%;
• В — 30% ресурсов, дающих 15% результата;
• С — 50% ресурсов, от которых результат составляет всего 5%.

Что такое XYZ-анализ

XYZ-анализ — это инструмент определения уровня стабильности или вариативности в продажах. Он группирует объекты бизнеса исходя из равномерности продаж, выявляет колебания в разные временные промежутки и классифицирует объекты по уровню прогнозируемости. Метод может применяться для анализа продаж отдельных товаров, услуг или поведения клиентов.

Если ABC-анализ выделяет самые продаваемые товары, то XYZ помогает понять, насколько стабилен спрос на них.

На какие вопросы отвечают исследования

Методики ABC и XYZ могут применяться для анализа таких факторов:

• товарного ассортимента (анализируем прибыль);
• целевой клиентской базы (анализируем объём заказов);
• базы поставщиков (анализируем объём поставок);
• дебиторов (анализируем сумму и динамику задолженности).

Кто вам платит больше и чаще других

Анализ ABC по базе клиентов можно провести по выручке, которую они приносят в бизнес:

1. A — крупные клиенты.
2. B — средние клиенты.
3. C — малые клиенты.

Нет единого стандарта, каких клиентов можно отнести к группам А, В или С. Такое разделение зависит в первую очередь от масштабов исследуемого бизнеса. Сумма, определяющая крупного клиента, для мелкого розничного магазина может быть и 200 000 рублей, а в крупной оптовой торговле доход будет измеряться в миллионах. Именно процесс проведения анализа и приведёт к определению, каких клиентов относить к какой из категорий.

XYZ-анализ отвечает на вопрос, какие клиенты совершают покупки регулярно, какие — от случая к случаю, а кто купил товар только один раз.

Сколько целевых покупателей в вашей воронке продаж

В качестве широко распространённого инструмента маркетингового анализа во всех видах торговли (розничной, оптовой, онлайн) используют так называемые воронки продаж, основная идея которых заключается в том, что процесс сделки всегда состоит из отдельных этапов. Воронка продаж отражает распределение клиентов по этапам роста их полезности для продавца: от потенциального покупателя до заключения первой сделки, а затем и перехода клиента в статус постоянного, лояльного и даже агитирующего за использование конкретного бренда.

ABC-анализ показывает, сколько потенциальных клиентов доходит до уровня сделки, кто они, каким образом узнали о компании, какой менеждер с ним работал.

Благодаря наглядности структуры анализ воронки продаж позволяет планировать развитие процесса торговли, контролировать эффективность персонала, мотивировать сотрудников.

На каких покупателях необходимо сконцентрировать усилия

Важным критерием приоритетного положения клиента должно быть получение от него высокого дохода, причём достаточно стабильно, а не одноразово. Здесь наиболее эффективно совмещение ABC и XYZ-анализа. В результате выделяются группы потенциальных клиентов, с которыми можно использовать разные методы коммуникации:

• маркетинг отношений, программы лояльности — для малочисленной, но самой доходной группы постоянных клиентов;
• поддержание постоянных контактов — когда клиент готов тратить на покупки большие суммы, но делает это редко;
• исследование потребностей, расширение ассортимента — для тех, кто совершает дорогие покупки непредсказуемо.

Видео: ABC-анализ как инструмент продаж

Выполнение ABC-анализа

ABC-анализ предполагает такую последовательность действий:

• определить цели анализа;
• идентифицировать объекты, которые анализируем;
• выделить параметр, на основании которого будет проводиться классификация объектов;
• оценить каждый объект по классификационному параметру;
• отсортировать объекты в порядке убывания значения параметра;
• определить долю значения параметра по всем объектам;
• ранжировать значения доли параметров нарастающим итогом;
• разделить объекты на три группы по значениям параметра (от минимального до 80%, от 80 до 95% и свыше 95%);
• определить количество и состав объектов в каждой группе.

Для примера приведём АВС-анализ клиентской базы компании ООО «Альфа». В качестве инструмента воспользуемся табличной программой Excel.

Выполним АВС-анализ:

1. Ставим цель — ранжировать клиентов из базы по степени их прибыльности.
2. В качестве объекта анализа выбираем 20 клиентов фирмы, которых анонимно обозначим от Клиент 01 до Клиент 20.
3. В качестве параметра анализа рассмотрим сумму покупок каждого клиента за полугодие.
4. Сопоставим каждого клиента с суммой выручки, полученной от него за полугодие, и создадим исходную таблицу Excel, содержащую всего два столбца: А — перечень клиентов, В — выручка за полугодие. Подводим в отдельной строке итог выручки.
   
5. Отсортируем клиентов в порядке убывания выручки за полугодие (меню «Данные» → «Сортировка» → «По убыванию»).
   
6. Определим долю каждого клиента в итоговой сумме выручки компании за полугодие по формуле: Доля = (Выручка от клиента) / (Итоговая сумма выручки) * 100%. Чтобы не заводить формулу вручную каждый раз, задаём столбцу С процентный формат ячеек, в первой ячейке (С2) задаём формулу =B2/$B$22, протягиваем до последнего столбца.
   
7. Рассчитаем накопительную долю для каждого покупателя. В первой строке дублируется процентная доля клиента, в последующих значение вычисляется суммированием этой доли и процентной доли текущего клиента. Технически это выглядит так: во второй ячейке столбца Е задаём формулу =C3+Е2, протягиваем до последней строки.
   
8. Получим список клиентов, отсортированный по накопительной доле каждого клиента. Для контроля: в последней строке (в нашем случае 21) должно стоять значение 100%.
   
9. Разделим список, отражающий накопительные доли, на три группы:
   • А — клиенты с наибольшими объёмами покупок. Их накопительная доля — до 80%. В эту группу вошли 5 клиентов;
   • В — клиенты, для которых значение накопительной доли составляет от 80 до 95%. В эту группу вошли 6 клиентов;
   • С — остальные 9 клиентов, накопительная доля которых более 95%.
     
10. Подсчитаем долю общей выручки и процент от общего числа клиентов в каждой группе. На практике доля объектов в группах А, В и С не всегда точно соответствует теоретическому значению по Парето. Так, ценные 20% клиентской базы должны составлять четыре клиента, а по итогам расчётов их оказалось 5, то есть 25%. Но по расчётам видно, что они дают компании 80% выручки. Так же и с группой С. Это не следует считать ошибкой расчёта. По законам статистики ближе к теоретическому итогу можно подойти с увеличением количества объектов, например, если клиентов будет не 20, а 500.
    

Выполнение XYZ-анализа

Алгоритм XYZ-анализа строится так:

1. Выбрать объект и анализируемый параметр.
2. Определить временные рамки исследования.
3. Рассчитать коэффициент вариации по каждому объекту.
4. Ранжировать объекты по коэффициенту вариации.
5. Распределить объекты на 3 группы:
   • Х — коэффициент вариации от 0 до 10% — группу характеризует устойчивость;
   • Y — коэффициент вариации от 10 до 25% — поведение группы изменчиво, но прогнозируемо;
   • Z — коэффициент вариации от 25% — случайный, разовый характер сделки, спроса и т. д.

Выполним XYZ-анализ клиентской базы ООО «Альфа» средствами Excel:

1. Объектом анализа выбираем клиентскую базу и рассматриваем сумму покупок по каждому.
2. Определим период, за который проводим анализ. Это будут шесть месяцев из полугодия, рассмотренного в АВС-анализе.
3. Составляем таблицу клиентов с объёмами покупок за каждый из выбранных шести месяцев.
   
4. Коэффициент вариации рассчитывается по сложной формуле. Его значения колеблются от 0 до 1. В Excel для этого предусмотрен специальный инструмент: если данные начинают вводиться со строки 3 (ячейки В3-G3), в свободном столбце вписываем формулу =СТАНДОТКЛОНП (B3:G3)/СРЗНАЧ(B3:G3), протягиваем до последней строки, ячейкам задаём процентное значение. В этом варианте коэффициент будет отображаться в процентах.
   
5. Для удобства в таблице можно рассчитать средние продажи за месяц по каждому клиенту и стандартное отклонение. Но для результатов анализа принципиальным будет коэффициент вариации. На этом этапе он должен быть проставлен в строке каждого клиента.
   

6. Таблицу клиентов сортируем в порядке возрастания по значению коэффициента (меню «Данные» → «Сортировка» → «По возрастанию»). Делим их на 3 группы. В группу X войдут клиенты с коэффициентом от 0 до 10%, Y — от 10 до 25%, Z — выше этого значения. Если объектов немного, можно вместо сортировки проставить принадлежность к группе вручную в отдельном столбце.

   

7. Подведём итог проведённого XYZ-анализа клиентской базы ООО «Альфа». В группу X вошли стабильно покупающие клиенты, их насчиталось 8 из 20. Для вошедших в группу Y (7 клиентов) характерен колеблющийся спрос. В группе Z (5 клиентов) спрос практически непредсказуем и скорее случаен, чем закономерен. Делаем вывод, что поведение большинства клиентов компании стабильно или прогнозируемо.
   

Совмещение ABC и XYZ-анализов

Совмещённый анализ ABC и XYZ считается эффективным и разносторонним инструментом. Метод базируется на формировании единой таблицы, где по девяти группам распределяют объекты анализа на основании итогов ABC-анализа и XYZ-анализа.

Таблица: распределение объектов по финансовой привлекательности (ABC) и тенденции роста ценности (XYZ)

AX Высокая потребительская стоимость, высокая степень надёжности прогноза вследствие стабильности потребления	AY Высокая потребительская стоимость, средняя степень надёжности прогноза вследствие нестабильности потребления	AZ Высокая потребительская стоимость, низкая степень надёжности прогноза вследствие стохастичного потребления
BX Средняя потребительская стоимость, высокая степень надёжности прогноза вследствие стабильности потребления	BY Средняя потребительская стоимость, средняя степень надёжности прогноза вследствие нестабильности потребления	BZ Средняя потребительская стоимость, низкая степень надёжности прогноза вследствие стохастического потребления
CX Низкая потребительская стоимость, высокая степень надёжности прогноза вследствие стабильности потребления	CY Низкая потребительская стоимость, средняя степень надёжности прогноза вследствие нестабильности потребления	CZ Низкая потребительская стоимость, низкая степень надёжности прогноза вследствие стохастического потребления

Выполнение совмещённого анализа

Выполним совмещение АВС и XYZ-анализов клиентской базы ООО «Альфа» средствами Excel:

1. Берём результаты ABC-анализа — таблицу с разбивкой клиентов на группы.
2. Берём результаты XYZ-анализа клиентской базы.
3. Создаём совмещённую таблицу (можно добавить дополнительные столбцы на уже созданную странницу). В отдельном столбце по каждому клиенту проставляем две буквы — группы из АВС и XYZ-анализа.
   
4. Создаём новую таблицу из трёх строк и трёх столбцов. Строки обозначаем последовательно как A, B и C, а столбцы — X, Y и Z. Исследуемые объекты (у нас это клиенты) разместим в девяти ячейках сводной таблицы в зависимости от присвоенных им отметок из двух букв.
   
5. Сделаем выводы из совмещённого анализа. У нас будет сформирован список клиентов, на работу с которыми следует обращать активное внимание. В ячейке AX будут клиенты с наиболее стабильной потребностью в товарах и дающие максимум выручки. Также обратим внимание на ячейки BX и AY, отражающие покупателей с довольно высоким потенциалом. Самые неперспективные клиенты займут позиции BZ и особенно CZ.

Таблица: интерпретация результатов совмещённого анализа

A	Большой стабильный доход	Большой предсказуемый доход	Большой нерегулярный доход
B	Средний стабильный доход	Средний предсказуемый доход	Средний нерегулярный доход
C	Маленький стабильный доход	Маленький предсказуемый доход	Маленький нерегулярный доход
	X	Y	Z

Совмещение использования ABC и XYZ-анализа помогает управлять как товарными ресурсами, так и базой клиентов. Этот инструмент помогает корректировать ассортиментную политику, повышая долю востребованных товаров и платёжеспособных клиентов. Совмещённый анализ хорош тем, что универсален, пригоден в разрезе любых объектов бизнеса: от товаров до оценки работы персонала.