В рамках исследования необходимо ввести предпосылки ввиду того, что данные являются ограниченными: в анализируемой базе используются данные только клиентов ПАО «Росинтер Ресторантс Холдинг».

1) Ограниченное количество брендов, на которые способен расширить потребление клиент: в эксперименте предполагалось 4 ключеве бренда, в которые клиентам были высланы баллы: Ильпатио, Шикари, Планета Суши, TGIF.

2) Так как в предоставленных данных нет возможности рассчитывать расстояния между локациями с учетом улиц, расстояния рассчитывались напрямую с помощью формулы гаверсинусов. Поэтому будем предполагать, что индивид передвигался напрямую между ресторанами.

3. Методология

Ввиду того, что исследовательский вопрос данной работы заключается в определении вероятности расширения потребления посетителей сети ресторанов компании ПАО «Росинтер Ресторантс Холдинг» в зависимости от его мобильности, то представляется возможным построить модель бинарного выбора - logit model.

Данная модель используется для предсказания вероятности возникновения события по значениям некоторого числа предикторов путем подгонки данных к логистической кривой. Предикторы могут быть как числовыми, так и категориальными. Зависимая переменная при этом должна принимать значения 0, если событие не произошло, значение 1, если событие произошло. Логистическая функция, которую также называют сигмоидом или логит-функцией, выглядит следующим образом:

(1)

, (2)

где F(z) - функция вероятности того, что интересующее событие произойдет, е - основание натурального логарифма, z - стандартное уравнение регрессии.

В данном исследовании в качестве зависимой переменной выступает переменная ТОР, равная 1, если клиент расширил свое потребление на один из ключевых брендов компании, воспользовавшись акционным предложением бонусов, и 0, если нет. Вероятность переключения клиента рассчитывается по формуле:

(3)

Логистическая модель может быть представлена в следующем виде:

, (4)

где - odds ratio, то есть отношение шансов, - независимые переменные и - коэффициенты регрессии, которые рассчитываются с помощью метода максимального правдоподобия (maximum likelihood).

Для интерпретации полученных коэффициентов логистической регрессии будут рассчитаны предельные эффекты, поскольку модель не линейна по параметрам. Чтобы найти предельный эффект объясняющего фактора Х_i (если Х - непрерывная переменная) необходимо взять частную производную по этой переменной. Вычисляется эта производная по правилу вычисления производной сложной функции.

(5)

(6)

Предельный эффект каждого объясняющего фактора x_i, i = 1,...,k является переменным и зависит от значения всех остальных факторов.

Логит модель будет посмотрена как для всей выборки в целом, так и для каждого ключевого бренда в отдельности, чтобы выявить разницу в результатах по брендам

В данном случае не была использована линейная вероятностная модель, где коэффициенты множественной регрессии объясняются как изменение независимой переменной, вызванное увеличением на 1 позицию зависимой переменной, ввиду того, что данная модель обладает рядом недостатков:

· Прогнозные значения могут находиться вне промежутка [0;1];

· Случайные ошибки могут быть распределены не нормально;

· Возможна гетероскедастичность случайных ошибок, то есть дисперсия ошибок зависит от Х;

· Возможно получение нереалистичных результатов.

Логит модель использовать целесообразнее, так как она подходит для выборок с небольшим разбросом объясняющих переменных и при отсутствии существенного преобладания одной альтернативы над другой. Действительно, в данных зависимая переменная распределяется следующим образом (таблица 1):

Таблица 1

Распределение зависимой переменной

Для оценки качества модели будет рассчитываться площадь под ROC-кривой (показатель AUC). Данная метрика характеризует зависимость количества верно классифицированных исходов от количества ложных. Чем выше будет кривая к левому верхнему углу графика, тем более лучшее качество модели имеем. Аналогично чем больше будет AUC (площадь под ROC кривой), тем лучше модель. Кроме того, качество модели будет оценено с помощью информационного критерия Акаике, который применяется для выбора из нескольких статистических моделей и разработан Хироцугу Акаике в 1974 году.

Одной из задач работы является необходимость установить, как измерить мобильность клиентов исходя из предоставленной базы данных, и понять, влияет ли мобильность индивида на его переключение между брендами. Ввиду того, что из данных можно извлечь местоположение ресторана, представляется возможным операционализировать мобильность каждого клиента в выборке.

Следует отметить, что мобильность - это передвижение клиента в пределах района/города/страны/мира, что можно назвать динамичностью его поведения. Кроме того, мобильный клиент отличается объемом и структурой потребления, он имеет возможность потреблять один и тот же бренд в разных локациях, или переключаться также на другие бренды независимо от их расположения.

Чтобы решить поставленную задачу, были рассмотрены различные методы расчета мобильности, которые позволят отследить наиболее мобильных клиентов.

Первый и наиболее простой подход к определению мобильности заключается в подсчете количества локаций, в которых потребляет клиент, что есть частота потребления. Причем, потребление в одной и той же точке учитывается как одна локация. Чем больше локаций сменяет потребитель, тем более он мобилен. Однако, такой показатель не учитывает расстояние между объектами, в которых происходит потребление, что в свою очередь затрудняет сравнение клиентов по данному показателю.

Кроме того, возможно рассчитать суммарное расстояние в километрах между локациями, в которых потреблял индивид, то есть чем больше расстояние преодолел клиент, тем более он мобилен, при этом взвесив его на количество посещенных индивидом ресторанов. Для этого необходимо построить матрицу расстояний между ресторанами, на основе которой можно будет рассчитывать показатель мобильности.

Расстояния между локациями рассчитываются по формуле гаверсинусов (Миловзоров, 2014), которая позволяет точно рассчитать расстояние между двумя точками на поверхности сферы при известных параметрах широты и долготы:

(7)

где: - широта и долгота ресторана i в радианах;

- широта и долгота ресторана j в радианах;

6372795 - радиус Земли (м.)

Расчеты матрицы расстояний производились в программе для работы с таблицами Excel.

Затем полученные расстояния переведены в километры для более удобных расчетов.

Более сложным подходом к операционализации мобильности можно считать расчет амплитуды колебаний индивида вокруг своего центра масс, где необходимо рассчитать координаты центра масс индивида с учетом веса. Центр масс рассчитывался как усредненное значение долгот и широт всех ресторанов, посещенных индивидом за исследуемый период. Затем рассчитывалось расстояние от ресторана до центра масс (по формуле (7)), и следующим шагом рассчитать сам показатель мобильности для клиента j по формуле:

личный мобильность покупательский потребительский

(8)

где: - показатель мобильности индивида j;

- расстояние от ресторана i до центра масс в километрах;

- вес ресторана i (количество посещений клиентом j ресторана i)

Вышеописанные способы оценивают мобильность клиента в плане территориального передвижения.

Существует также способ извлечь показатель мобильности с помощью индекса Херфиндаля-Хиршмана (Rhoades, 1993), который определяется в теории отраслевых рынков. Данный показатель способен учитывать долю потребления индивида в определенной локации во всем его потреблении (в работе в дальнейшем под локациями будут пониматься различные местоположения ресторанов). Чем больше будут различаться доли, тем меньше клиент перемещался из одной локации в другую, то есть тем менее он мобилен. Можно заключить, что существует обратная зависимость между концентрацией клиента в определенной локации и мобильностью клиента. Пребывание клиента в одной локации говорит о его не мобильности и наоборот. При увеличении доли, концентрация увеличивается, следовательно, мобильность уменьшается. Однако данный показатель не будет рассчитываться в данной работе в силу того, что он не учитывает расстояние между локациями.

Все три взятые в исследование показателя мобильности предполагается интерпретировать следующим образом: с ростом мобильности индивид расширит/не расширит свое потребление, посетив ключевой бренд компании. Рассмотрим гистограммы распределений трех показателей мобильности.

Рис. 2. Распределение переменной mob1

Рис. 3. Распределение переменной mob2

Рис. 4. Распределение переменной mob3

Из графиков распределения видно, что показатели ведут себя одинаково, поэтому целесообразно построить три разных модели с разными метриками мобильности. Кроме того, данные показатели коррелированы между собой, поэтому включать их в одну и ту же модель нельзя.

Также следует отметить, что выделяются люди с высокими показателями мобильности. Поэтому разделим выборку на три кластера по уровню мобильности: High, Medium, Low, и посмотрим на характеристики данных кластеров.

Разделение выборки на кластеры необходимо для того, чтобы более подробно изучить клиентов. Кластерный анализ проводится с помощью метода k-means, который отлично работает с выборками большого размера и предоставляет возможность оценить характеристики кластеров, которые представлены в таблице 2.

Таблица 2

Характеристики кластеров по показателям мобильности в выборке

На основании данной таблицы можно сделать вывод о том, что люди с высокой мобильностью характеризуются тем, что тратят в ресторанах меньше, бывают в них чаще, их возраст (как женщин, так и мужчин) в среднем составляет 33 года и именно эта группа людей более склонна сменить потребляемый бренд. Что касается группы людей средней мобильности, то они отличаются более высокой суммой чека, нежели люди с высокой мобильностью, но они реже бывают в ресторанах. Люди с низкой мобильностью тратят в ресторанах сети более крупную сумму денег, нежели остальные, ввиду того, что и посещают их реже.

4. Данные

Данные, необходимые для исследования содержат детальную информацию об эксперименте, проводимом компанией ПАО Росинтер. Компания выделила 4 ключевых ресторана, в которых наблюдается наибольшая посещаемость. Однако в выборку до эксперимента вошли люди, которые потребляли лишь в одном из ключевых брендов (но могли также потреблять и в других брендах компании). Эксперимент заключался в следующем: клиентам, потреблявшим только в одном из ключевых брендов, высылалось предложение на бесплатное блюдо в другом из ключевых брендов компании для того, чтобы попытаться расширить потребление клиента. В результате доля (24,2%) клиентов воспользовалась предложением и расширила свое потребление (но в целом по оценке самой компании результат был провальным).

В массиве данных также содержится информация о персональных характеристиках клиентов (id, пол, возраст), чек клиента, количество блюд в чеке, адреса ресторанов, в которых потреблял клиент, как давно клиент посещал один из ресторанов сети.

В изначальной выборке было 1 048 575 наблюдений по клиентам ресторанной сети, ID клиентов могли повторяться в силу того, что многие из них посещали ресторанную сеть не один раз. Количество уникальных клиентов - 75 311. Данные клиенты совершали транзакции в период с 01.01.2015 по 31.12.2017. После исключения пропущенных значений выборка состояла из 72 622 уникальных клиентов. Исключение выбросов не является целесообразным ввиду того, что предоставленные данные имеют разумные значения с точки зрения здравого смысла.

Как было ранее упомянуто, в качестве факторов, которые влияют на вероятность расширения потребления клиента, были выбраны:

- возраст клиента;

- пол клиента;

- время с его последнего посещения;

- попал ли клиент под эксперимент;

- средняя сумма чека;

- мобильность.

Таким образом, можно записать, как будет выглядеть исходная модель:

где:- неизвестные параметры объясняющих переменных;

- возраст индивида i;

- пол индивида i;

- количество дней с последнего посещения ресторанов сети клиентом i ресторана j;

- средняя сумма чека клиента i в ресторане j;

- была ли акция направлена клиенту i;

- мобильность индивида i;

- бренд, на который расширил свое потребление клиент i;

* - совместный эффект показателя мобильности клиента i и воздействия на него акцией (эксперимент).

Ввиду того, что выбранные для исследования модели включают в себя показатель мобильности, для каждого клиента индивидуально были рассчитаны все три упомянутые в методологии исследования способа расчета показателей. Расчеты производились в программе Excel. Данный этап преобразования данных является одним из самых сложных, так как работа предстояла с большим количеством наблюдений и для каждого клиента нужно сконструировать формулы для расчета показателей мобильности. В качестве базового бренда взят бренд IL Patio, так как данный бренд посещало наибольшее число клиентов.

Далее целесообразно рассмотреть описательные статистики выбранных переменных. Они представлены в таблице 3.

Таблица 3

Описательные статистики переменных

В целом можно заключить, что в выборку вошли люди как очень мобильные, которые посещали много ресторанов и много передвигались между ними, так и совершенно не мобильные люди. В среднем люди тратят в ресторанах сети около 2 000 рублей, и их средний возраст около 35 лет. Кроме того, в выборке женщин больше, нежели мужчин: 42 320 представительниц женского пола и 30 302 представителей мужского. Также следует выделить долю тех клиентов, кому было предложено воспользоваться специальным предложением и посетить другой бренд сети ПАО «Росинтер Ресторантс Холдинг»: она составила 70% всей выборки, а именно 50 805 человек.

5. Результаты

В данной работе построены и оценены 3 логистические модели с параллельным включением показателей мобильности в каждую из них. Все расчеты производятся с помощью языка программирования R и программы «R-Studio». Данные модели позволят понять, действительно ли мобильности индивида влияет на его кросс-брендовое потребление, то есть расширение потребления на другой бренд сети ресторанов ПАО «Росинтер Ресторантс Холдинг».

В итоге, на основе оценки трех выше упомянутых моделей и сравнения их между собой можно будет подтвердить или опровергуть гипотезу о влиянии мобильности на кросс-брендовое потребление клиента, выбрать наилучшую модель для оценки вероятности переключения и проверить другие выдвинутые гипотезы. Оценивание данных моделей производилось на кросс-секционной структуре данных с использованием предельных эффектов. Оценки моделей (предельные эффекты) представлены в таблице 4.

Таблица 4

Оценки моделей с включением переменных мобильности

p-value: * p < 0,10; ** p < 0,05; *** p < 0,01

Переменные бренда являются категориальными, в выборку вошли четыре ключевые бренда: IL Patio, Shikari, Planeta Sushi и TGIF. За базовую категорию взят бренд IL Patio. Также базовыми категориями являлись женщины и эксперимент. Интерпретация переменных производится следующим образом: если перед коэффициентом стоит знак минут, то вероятность расширения потребления клиентом снижается, а если положительный знак - то увеличивается.

В трех исследуемых моделях на кросс секционных данных значимыми оказались и личные характеристики клиентов, такие как пол, возраст, его потребительские характеристики и мобильность. Незначимой оказалась переменная эксперимента, которая отвечала за то, была ли направлена акция клиенту или нет. Поэтому можно заключить, что в целом эксперимент компании выдался не очень успешным.

Кроме того, можно заметить, что результаты оценивания трех моделей с различными коэффициентами мобильности имеют примерно одинаковые результаты, однако, включение показателей мобильности, учитывающих расстояние в километрах между посещенными клиентом локациями более результативные. Поэтому на данном этапе следует выделить наилучшую модель и проинтерпретировать полученные коэффициенты. Чтобы выбрать наилучшую модель, для каждой модели построены ROC кривые и рассчитан критерий Акаике. Чем ниже информационный критерий, тем выше относительно качество модели. А чем выше AUC (площадь под ROC кривой), тем качественней модель. Результаты оценки данных критериев представлены в таблице 5.

Таблица 5

Критерии качества модели

Наименьшим значением AIC обладает модель с включением показателя мобильности, учитывающего только частоту посещения ресторанов, однако наибольшую площадь под ROC кривой показывает модель 3 (с включением показателя мобильности, рассчитанного через центроид)

Поэтому проинтерпретируем полученные результаты для модели 3 (учитывающая также центроид посещенных клиентом ресторанов). Знаки и значимость в остальных моделях аналогичны, а коэффициенты отличаются незначительно. Наиболее интересным для интерпретации представляется показатель мобильности и совместный эффект мобильности и эксперимента. В результате было получено, что с ростом мобильности клиента на 1 единицу вероятность расширить потребление клиентом в ресторанной сети ПАО «Росинтер Ресторантс Холдинг» увеличивается на 0,6%. Другими словами, наиболее мобильный индивид более вероятно расширит свое потребление на один из ключевых брендов компании. Даже несмотря на то, что данный процент не велик, в рамках крупной компании доля людей, расширивших свое потребление будет крупной, что может отразиться как на финансовых результатах компании, так и на увеличении популярности бренда. Кроме того, значимым на 10% уровне значимости оказался совместный эффект мобильности и эксперимента, проведенного компанией, то есть с ростом мобильности эффект влияния эксперимента на решение потребителя расширить свое потребление на один из ключевых брендов компании растет на 7,7%. Получается, что если человек мобилен, то он более вероятно отреагирует на предложенную акцию и расширит свое потребление на один из ключевых брендов компании.

Кроме того, следует рассмотреть, как влияет мобильность на смену бренда потребителем в разрезе ключевых брендов компании. Для этого выборка была разделена на 4 части по брендам: IL Patio, Planeta Sushi, TGIF, Shikari. На данных выборках по отдельности строилась модель с включением третьего показателя мобильности (рассчитанного через центроид), так как данная модель оказалась лучшей на предыдущем этапе исследования. Рассмотрим результаты для каждой подвыборки по отдельности.

В выборку IL Patio вошли 50 504 клиента - наиболее посещаемый ресторан сети Росинтер. Выборка посетителей ресторанов Shikari состоит из 1 890 клиентов. Выборка Planeta Sushi включила 3 068 наблюдений, а TGIF - 17 160. Оценки модели (предельные эффекты) представлены в таблице 6.

Таблица 6

Оценки моделей с включением переменной мобильности по бренду IL Patio

p-value: * p < 0,10; ** p < 0,05; *** p < 0,01

Рассматривая полученные результаты, следует заметить, что в некоторых переменных происходит смена знака на противоположный, что говорит о том, что эффект по брендам имеется.

Проинтерпретируем полученные результаты. Следует отметить, что значимое положительное влияние мобильности на вероятность смены бренда наблюдается только на тех клиентах, которые расширили свое потребление на ресторан ILPatio. Это может быть объяснено следующими доводами: ресторан IL Patio посещают во, первых, наибольшее количество человек в исследуемой выборке, что отражается на эффекте, во-вторых, этот ресторан является основным и самым популярным среди всех ресторанов сети ПАО «Росинтер Ресторантс Холдинг», поэтому вероятнее всего клиенты, получив специальное предложение, пойдут в банный бренд. Кроме того, следует отметить отрицательный знак перед совместным эффектом эксперимента и мобильности (коэффициент значим на 10% уровне), что говорит о том, что с ростом мобильности влияние эксперимента на вероятность смены бренда людьми, посещавшими бренд IL Patio снижается на 9,9%.

Что касается остальных брендов ресторанной сети, то влияние мобильности на вероятность кросс-брендового переключения не выявилась. Отметим также, что во всех брендах компании наблюдается эффект влияния пола и возраста на зависимую переменную, то есть чем старше человек, тем более вероятно он переключится на другой ключевой бренд компании, сохранив при этом текущее потребление. Также более вероятно переключаются мужчины, нежели женщины.

Рассмотрим, какие гипотезы данного исследования подтвердились или отпроверглись:

Гипотеза 1. Чем выше мобильность клиента, тем более вероятно, что он переключится на другой бренд компании, сохранив при этом текущее потребление.

Гипотеза подтвердилась, так как коэффициент при показателе мобильности в выбранной модели оказался значимым положительным. Таким образом обнаружен эффект влияния мобильности клиента на вероятности смены бренда внутри сети ресторанов компании.

Гипотеза 2. В разрезе брендов влияние мобильности и других факторов на вероятность расширения потребительского выбора различно.

Предположение, что в какие-то бренды люди готовы ехать в любую точку мира вне зависимости от их расположения, а в какие-то люди ходят если они находятся рядом, действительно имеет место быть ввиду того, что обнаружен интересный результат: мобильные клиенты сети ПАО «Росинтер Ресторантс Холдинг» расширят свое потребление на бренд IL Patio. Это объясняется тем, что данный ресторан любим большинством клиентов сети ресторанов, и люди не готовы изменять своим предпочтениям.

Что касается ограничений работы, которые в дальнейшем могли бы перерасти в дельтаплюсы и значительно улучшить качество модели, следует выделить следующие пункты. Во-первых, первые ограничения, связаны с предпосылками, введенными в начале исследования. Ввиду того, что в данной работе исследовалось ограниченное количество брендов - IL Patio, Shikari, TGIF, Planeta Sushi, возникает интерес, как поведут себя мобильные и немобильные люди в других брендах компании. Возможно, можно будет выявить эффекты, так как остальные бренды (Американский паб и гриль, Мама Раша, Costa Coffee) имеют свою специфическую целевую аудиторию. Во- вторых, предоставленных данных нет возможности рассчитывать расстояния между локациями с учетом улиц, и предполагалось, что индивид передвигался напрямую между ресторанами. В перспективе возможен расчет расстояний с учетом улиц с использованием сервиса Google карты, однако для большого количества наблюдений это окажется ресурсо- и трудоемким процессом.

В-третьих, в данных присутствует проблема эндогенности. Возникает вопрос, мобильность влияет на вероятность смены бренда, или же клиент меняет бренд, тем самым увеличивая свой уровень мобильности.

Рекомендации

На основе полученных результатов можно выделить некоторые рекомендации как по поводу сегментации клиентов, так и маркетинговых ходов.

Чтобы получить максимальную отдачу о своих клиентов, компаниям, в особенности в сфере услуг, необходимо искать индивидуальных подход к клиентам, тщательно проанализировав их характеристики, так как если адресуемые покупателям маркетинговые сообщения не учитывают их характер и интересы, то эффективность затрат будет не высокая.

Для этого проще всего поделить клиентов на категории и выбрать индивидуальные методы воздействия. Например, на мобильных клиентов более эффективно подействуют акции в транспортных хабах, так как они много передвигаются в рамках района/города/страны, а, следовательно, чаще там потребляют; совсем немобильным клиентам можно предложить акции на фудкортах или ресторанах, где несколько брендов объединены вместе, чтобы клиенту было максимально потреблять несколько брендов в одно и то же время.

Сегментацию клиентов можно производить по нескольким критериям:

- социально демографические характоеристики клиента;

- географическое положение клиента;

- наиболее интересные для клиента товарные позиции;

- повторные продажи клиентам.

Заключение