Главная Коллекция "Otherreferats" Экономика и экономическая теория Современные методы построения лояльности и оценка их эффективности

Современные методы построения лояльности и оценка их эффективности

Формирование отношений с клиентами: понятия потребительской ценности, удовлетворение потребностей покупателей. Лояльность как результат создания потребительской ценности: понятия, типология. Метрики измерения эмоциональной, поведенческой лояльности.

Рубрика	Экономика и экономическая теория
Вид	дипломная работа
Язык	русский
Дата добавления	26.12.2019
Размер файла	939,3 K

посмотреть текст работы

скачать работу можно здесь

полная информация о работе

весь список подобных работ

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Существует два типа методов иерархической кластеризации: агломеративные и дивизимные. В начале агломеративных алгоритмов кластеризации каждый элемент данных является своим собственным кластером, после чего кластеры последовательно объединяются до того момента, пока не останется единственный кластер. Принцип дивизимных алгоритмов кластеризации заключается в обратном: в начале все элементы данных принадлежат одному кластеру, затем данный кластер разбивается на два отдельных кластера. Данная процедура повторяется для каждого последующего кластера до тех пор, пока каждый элемент не станет своим собственным кластером [15, P. 435].

Агломеративные методы кластеризации различаются способами определения расстояния между новообразованным кластером и конкретным объектом или другими кластерами. Наиболее часто используемыми агломеративными методами кластеризации являются метод одиночной связи (ближнего соседа), метод полной связи (дальнего соседа), метод средней связи и центроидный метод. В методе одиночной связи расстояние между двумя кластерами соответствует наименьшему расстоянию между всеми возможными парами элементов из этих кластеров. Подход в методе полной связи противоположен методу одиночной связи и заключается в том, что расстояние между двумя кластерами определяется как максимальное расстояние между всеми возможными парами элементов из этих кластеров. В методе средней связи расстояние между двумя кластерами определяется как среднее расстояние между всеми возможными парами элементов из этих кластеров. В центроидном методе расстояние между двумя кластерами равняется расстоянию между центрами тяжести этих кластеров, которые вычисляются как средние арифметические величин всех элементов определенного кластера Метод средней связи и центроидный метод имеют тенденцию образовывать кластеры одинаковых размеров со слабым расхождением в расположении элементов внутри кластера. Эти методы подвержены влиянию выбросов, но в меньшей степени, чем метод полной связи [29, P. 288- 290].

Конечным результатом всех методов иерархической кластеризации является дендрограмма, то есть иерархическая древовидная диаграмма, на которой разбиение на k кластеров получено с помощью объединения некоторых кластеров, полученных после разбиения на k+1 кластеров. Разделение элементов данных на определенное число кластеров может быть получено с помощью рассечения дендрограммы на подходящем уровне расстояния между кластерами или, если рассматривать вертикальную дендрограмму, на подходящей высоте. Если начертить горизонтальную прямую на вертикальной дендрограмме на данной высоте, то тогда число k вертикальных линий, пересеченных этой горизонтальной прямой, определит разбиение данных на k кластеров. В таком случае, пересечение горизонтальной прямой и одной из k вертикальных линий будет обозначать кластер, а элементы, расположенные на концах ответвлений ниже этого пересечения, будут представлять собой элементы кластера [15, P. 436].

Особенно важным является вопрос о том, как определить, на какое количество кластеров разделены данные. Для этого нужно использовать информацию о том, на каком расстоянии элементы данных были объединены в кластеры. Необходимо найти такое разбиение на кластеры, при котором следующее слияние кластеров или элементов данных произошло бы на значительно возросшем расстоянии между ними. Одним из способов нахождения такого разделения на кластеры является использование дендрограммы, которая содержит данную информацию [15, P. 293].

Неиерархические методы кластеризации разделяют элементы данных на предопределенное число k кластеров, причем не существует никакой иерархической взаимосвязи между разбиением данных на k кластеров и разбиением на k+1 кластеров, то есть разделение данных на k кластеров не является первым шагом для разделения, состоящего из k+1 кластеров [23, P. 446].

Одним из наиболее часто применяемых методов неиерархической кластеризации является метод к-средних. Нужно отметить, что метод к-средних является одним из самых простых неиерархических методов кластеризации. Данный метод позволяет элементам данных в процессе кластеризации быть перемещенными из одного кластера в другой, что отличает метод к-средних от иерархических методов, в которых нет возможности такого перераспределения элементов [29, P. 497; 30, P. 294].

В целом, метод к-средних является более совершенным по сравнению с иерархическими методами кластеризации, поскольку он меньше подвержен воздействию со стороны выбросов. Более того, метод к-средних может применяться к крупным наборам данных, так как процесс кластеризации требует меньших вычислительных затрат, чем иерархические методы. В действительности, советуется применять метод к-средних к наборам данных, объем которых превышает 500 элементов, особенно если при кластеризации используется большое количество переменных [30, P. 297].

Метод к-средних имеет следующий алгоритм, состоящий из четырех этапов:

1. Используя в качестве исходных данных заранее определенное количество кластеров k, для каждого кластера выбирается центр. Существуют следующие способы выбрать начальные центры кластеров: случайным образом, но учитывая, что центры должны быть отделены друг от друга определенным минимальным расстоянием; выбрать первые k элементов из набора данных, учитывая, что их должно разделять минимальное расстояние; выбрать такие k элементов, которые находятся на наибольшем расстоянии друг от друга; установить k точек, которые расположены на равном расстоянии друг от друга в виде сетки (в данном случае эти точки не будут являться реальными элементами данных) [29, P. 497].

2. Рассчитываются расстояния от центров кластеров до каждого отдельного элемента данных. Затем каждый элемент приписывается к тому центру кластера, который находится на ближайшем расстоянии от него. Таким способом получено начальное разделение данных на кластеры [9, P. 295].

3. Основываясь на начальном разделении данных, полученном на втором этапе алгоритма, вычисляется центр тяжести каждого кластера, которые вычисляются как средние арифметические величин всех элементов определенного кластера [30, P. 296].

4. Вычисляются расстояния от каждого элемента данных до новых центров тяжести кластеров. Элементы снова приписываются к определенным кластерам, основываясь на минимальном расстоянии от этих элементов до остальных центров тяжести кластеров. Поскольку центры кластеров поменяли расположение относительно своих начальных позиций на первом этапе данного алгоритма, то это может привести к другому разделению данных на кластеры. Алгоритм метода к-средних повторяется до тех пор, пока не будет достигнуто заранее определенное количество итераций или пока не прекратится перераспределение элементов данных по кластерам [30, P. 296].

Преимущества метода k-средних заключаются в том, что, в отличие от иерархических методов, данный метод может применяться к крупным наборам данных, и выбросы в меньшей степени влияют на его конечный результат. К тому же, метод k-средних позволяет в процессе кластеризации перемещать элементы данных из одних кластеров в другие. К недостаткам метода k-средних относится то, что в нем необходимо заранее устанавливать количество кластеров и их начальные центры, от выбора расположения которых зависят получаемые конечные кластеры. По этой причине для более точного определения количества кластеров и выбора их начальных центров необходимо на анализируемом наборе данных сначала использовать метод иерархической кластеризации, если отсутствует какая-либо другая информация о его ожидаемом разделении на кластеры.

Таким образом, мы рассмотрели три метода оценки поведенческой лояльности, а именно: ABC-анализ, XYZ-анализ и расчет пожизненной доходности покупателей, а также кластерный анализ, который позволяет точнее и с меньшими затратами произвести сегментирование потребителей на группы в зависимости от объема продаж и частоты совершения покупок.

Рассмотрим преимущества и недостатки каждого метода анализа поведенческой лояльности клиентов в Таблице 2.2.

Таблица 2.2 Преимущества и недостатки методов измерения поведенческой лояльности

	Преимущества	Недостатки
ABC	· Анализ большого массива данных с минимальными затратами · Универсальность применения метода в различных областях · Позволяет анализировать вариационные ряды	· Использует только один критерий для классификации · Возможно разбиение генеральной совокупности только на три группы · Не предполагает анализ временных рядов
XYZ	· Оценка изменчивости и точности прогнозирования выбранного критерия классификации · Универсальность применения метода в различных областях · Позволяет проводить анализ временных рядов	· Использует только один критерий для классификации · Возможно разбиение генеральной совокупности только на три группы
Кластерный анализ	· Возможность классификации по множеству критериев · Позволяет определить различное количество кластеров при классификации · Универсальность применения метода в различных областях · Позволяет анализировать временные и вариационные ряды	· Необходимость выбора метода кластеризации из множества вариантов · Необходимо стандартизировать переменные для получения более точной классификации

Источник: Составлено автором на основании исследования

2.3 Метрики измерения эмоциональной лояльности

Измерение эмоциональной лояльности должно включать в себя те компоненты, которые наилучшим образом отражают эмоциональную связь потребителя с компанией или брендом. Для измерения эмоциональной лояльности многие компании проводят мониторинг удовлетворения покупателей, поскольку для удержания клиентов, формирования лояльности и привлечения новых, данный фактор имеет ключевое и первостепенное значение. Как мы уже отметили в начале 1 параграфа, для измерения качественных показателей стандартные финансовые метрики не смогут в полной мере измерить удовлетворение или воспринимаемую потребительскую ценность, поскольку речь идет об эмоциональной реакции и восприятии покупателей, что представляется крайне затруднительно выразить в цифрах.

Выявление потребностей покупателей предполагает использование набора инструментов для получения информации («голос потребителя»). «Голос потребителя» - это совокупность способов и методов исследования потребностей покупателей. Как правило, «голос потребителя» включает в себя: фокусные группы, глубинные интервью, анкетный опрос, эксперимент, «таинственный покупатель» и др. Каждый метод измерения предполагает разный набор «голоса потребителя». В данной работе мы рассмотрим такие метрики измерения эмоциональной лояльности, как: Индекс чистой поддержки (NPS), систему оценки качества (SERVQUAL) и Индекс удовлетворения покупателей (CSI). Выбор данных метрик обоснован их эффективностью и широкой применимостью на практике.

Как мы определили в 1 главе, компонентами эмоциональной лояльности являются: воспринимаемая потребительская ценность и удовлетворение запросов потребителей. Для оценки воспринимаемой ценности рассмотрим модель оценки качества услуг и сервиса, разработанную профессорами Э. Парасураманом, В. Цайтамлом, Л. Берри. В их модели, которая называется SERVQUAL (с англ. Service Quality -- «качество обслуживания»), определены требования к высококачественному сервису. Требования должны быть исполнены компанией для удовлетворения покупателей и обеспечения наивысшей воспринимаемой ценности. Модель предполагает использование анкеты, которая состоит из трех частей: оценка ожиданий и восприятий покупателями (5 критериев), а также измерение значимости каждого критерия. Каждый критерий включает в себя ряд подкритериев, так что получается 21 подкритерий [6, C. 419; 13, С.57-60].

К критериям высокого качества сервиса авторы отнесли следующие параметры (по степени важности):

1. Надежность (5 подкритериев) - Компания выполняет условия договора и предоставляет обещанные услуги в надлежащем качестве.

2. Отзывчивость (4 подкритерия) - Компания стремится оказать помощь клиенту и обеспечить своевременный сервис.

3. Уверенность (4 подкритерия) - Персонал компании состоит из ответственных и компетентных служащих, которые уважительно относятся к клиенту.

4. Эмпатия (5 подкритериев) - В компании применяют индивидуальный подход к клиенту, выражают клиентоориентированность.

5. Физическое состояние (4 подкритерия) - Внешний вид компании, оборудования, персонала удовлетворяют клиентов.

Затем, на основании полученных результатов, рассчитывается индекс SQI, представляющий собой разность между воспринятым и ожидаемым уровнем качества, скорректированный на коэффициент значимости.

SQ = (2.4)

Где: -- степень значимости i-го показателя; -- идеальное значение i-го показателя в баллах; -- мнение о фактической величине i-го показателя в баллах; SQ -- отношение к объекту; Т -- число значимых показателей? [13, С. 58].

Модель позволяет увидеть разрывы между ожиданием клиента и его восприятием, приводящие к ненадлежащему предоставлению услуг. Однако, несмотря на полезность методики SERVQUAL, методика не отражает конкурентоспособность компании, что делает затруднительным сравнение полученных результатов с результатами конкурентов [13, С.59]

Еще одним популярным методом измерения удовлетворения покупателей является показатель - Индекс чистой поддержки (от англ. Net Promoter Score, NPS), разработанный в 2003 году консультантом компании Bain & Company Фредериком Райхельдом. По мнению Фредерика Райхельда, лояльность компании можно измерить на основании проведенного опроса, который включает в себя лишь один вопрос: «Насколько вероятно, что вы порекомендуете эту компанию, продукт или услугу другу, или коллеге?» Райхельд считает, что искренняя лояльность - это такая сильная эмоциональная связь покупателя с компанией, что покупатель готов рекомендовать ее друзьям, коллегам, семье и др. [16, C. 20-25].

В типичном исследовании NPS покупателей просят оценить, какова вероятность того, что покупатель даст положительную рекомендацию, по 10-бальной шкале. По мнению Райхельда, шкала и категоризация покупателей должны быть простыми и легкими для понимания. После этого задача маркетологов распределить покупателей по трем сегментам: «промоутеры», «детракторы» и «пассивные» [16, C. 25-30]. Рассмотрим каждый из сегментов подробнее.

«Промоутеры» - группа клиентов, которая поставила оценку 9 или 10 баллов. Это означает, что компания полностью удовлетворяет запросы покупателей. Такая группа клиентов демонстрирует истинную лояльность, совершая повторные покупки, рекомендуя компанию своим знакомым и улучшая работу компании за счет обратной связи и конструктивной критики [16, C. 31].

«Пассивные» - клиенты, поставившие оценку 7 или 8 баллов. Такие покупатели удовлетворены, но компании не удалось восхитить их, сделать лояльными. Покупатели из этой группы редко дают рекомендации, легко переключаются на предложения конкурентов, в случае предоставления более выгодных предложений. Работая с такой группой клиентов, необходимо разработать стратегию, направленную на улучшение отношений, чтобы превратить их в промоутеров, то есть в лояльных клиентов [16, C. 31].

«Детракторы» - группа клиентов, которая поставила оценку 6 и менее баллов. Данный факт говорит о том, что покупатели остались не удовлетворены работой компании и не готовы рекомендовать ее. Более того, они могут давать негативные рекомендации, что негативно сказывается на имидже компании и сдерживает приток новых клиентов. Основной фокус по работе с данной группой должен быть направлен на выявление и анализ причин неудовлетворения клиентов, а затем поиск решений по устранению данной проблемы [16, C. 32].

После проведения опроса и категоризации клиентов, необходимо получить индекс NPS. Данный индекс рассчитывается следующим образом: из процента клиентов - промоутеров необходимо вычесть процент клиентов - детракторов. При этом процент «пассивных» клиентов исключается из расчетов. Полученное значение и будет представлять собой Индекс чистой поддержки, который отражает процент лояльных покупателей [6, C. 150; 16, C. 32].

Райхельд разработал показатель NPS в ответ на появление чрезмерно сложных и неэффективных методов измерения лояльности. Вследствие чего, метод пользуется такой популярностью в известных компаниях (Apple, Sony, Microsoft). Однако метод подвергается широкой критике за то, что индекс NPS отражает лишь один аспект лояльности - желание рекомендовать, тогда как лояльность - совокупность аспектов поведения. В частности, в своей статье ученый Кенингсхем показал, что NPS не может прогнозировать выручку и финансовые результаты в силу своей нестабильности, что связано с особенностями методологии вычисления [6, C. 150; 21, P. 3].

Наиболее популярной методологией измерения лояльности является система показателей - Customer Satisfaction Index, автором которой является Клаес Форнел, профессор Мичиганского университета США. Customer Satisfaction Index - это система показателей, которая в наибольшей степени характеризует взаимодействие компании с клиентом. Так данная система включает в себя Индекс удовлетворенности потребителя (Customer Satisfaction Index, CSI) и Индекс Лояльности (Customer Loyalty Index, CLI). Предложенная Клаесом Форнелом методология позволяет оценить, что именно важно для потребителя и какие аспекты лояльности компании необходимо улучшать. Рассмотрим методологию применения CSI на Рис. 2.1 [6, C. 154; 22, P. 5-7].

Размещено на http://www.allbest.ru/

Рисунок 2.1 Структурная модель CSI

Данная модель наилучшим образом отражает, что существенными факторами, которые в наибольшей степени влияют на удовлетворенность и лояльность, являются: имидж компании, ожидания потребителей, воспринимаемое качество продукта и обслуживания, а также воспринимаемая ценность, которая, как мы указывали выше, характеризуется соотношением цены и качества. Данные факторы имеют непосредственное влияние на конечные индексы удовлетворенности и лояльности и отражают восприятие покупателем различных аспектов компании. Кроме того, в данной модели показано, что, помимо указанных факторов, сильное влияние на удовлетворенность оказывают жалобы потребителей, которые могут и не иметь прямой связи ни с одним из факторов в указанной модели. Данная модель также иллюстрирует, что индекс удовлетворенности и лояльности потребителей имеет прямое влияние на финансовые показатели. Модель показывает все стороны взаимоотношения компании с клиентами, которые можно статистически обработать с высокой точностью и достоверностью [36, C. 5-7].

Опишем методику измерения индексов лояльности и удовлетворенности. Индексы удовлетворенности и лояльности измеряются в процентах от 0 до 100. Индекс удовлетворенности клиента отражает, удовлетворен ли клиент взаимодействием с компанией, а индекс лояльности отражает дальнейшую готовность клиента сотрудничать с данной компанией и рекомендовать ее знакомым. Каждый из факторов также измеряется в процентах от 0 до 100. Факторы показывают, как в среднем клиенты оценивают взаимодействие с компанией по выбранному фактору. Кроме этого, в анкете указываются субфакторы, то есть параметры, которые показывают восприятие различных сторон рассматриваемого аспекта. Например, если мы рассматриваем фактор имиджа, то субфактором в анкете являются: надежность, ответственность компании, имидж в целом и др. Для измерения индекса удовлетворенности формируется анкетный опрос, где для каждого фактора формируется свой блок вопросов. Анкета состоит преимущественно из закрытых вопросов, где респонденту необходимо оценить каждый из вопросов по 10-балльной шкале Лайкерта (от 1 до 10). Причем оценка 1 выражает крайнюю неудовлетворенность клиента, а 10 совершенную удовлетворенность. Значение фактора находится как средневзвешенное оценок, полученных по каждому из вопросов в анкете [13, C. 60; 36, C. 8-10; 35].

Кроме того, каждому из факторов необходимо присвоить коэффициент значимости. Существуют различные способы определения веса каждого фактора. Например, можно оценить вес каждого фактора на основании экспертных оценок. В данном случае рекомендуется использовать метод «Дэлфи», согласно которому создается группа экспертов из числа сотрудников, и внутри группы проводится опрос с помощью анкетирования. Затем, на основании средних оценок определяется вес каждого фактора. Кроме того, определить коэффициенты значимости каждого из фактора можно с помощью опроса потребителей. Значение коэффициента значимости находится как средневзвешенное оценок полученное по каждому из вопросов в анкете. Однако в данном случае, есть вероятность, что факторы получат примерно одинаковые оценки [12, C. 144; 34, C. 9].

На следующем этапе определяется показатель степени удовлетворенности потребителей как сумма факторов удовлетворения с учетом коэффициентов значимости [12, C. 141].

(2.5)

Где: - j-тый показатель удовлетворенности, Т- число показателей удовлетворенности, - коэффициент значимости j-го показателя.

Анализ значении? факторов модели CSI позволяет понять, как следует перераспределить ресурсы компании, чтобы добиться эффективного повышения удовлетворенности покупателей. Модель CSI позволяет выявить сильные и слабые стороны компании во взаимоотношениях с клиентами и определить аспекты деятельности, влияющие на удовлетворенность потребителей?, развитие которых станет наиболее эффективным драйвером роста компании в целом и финансовых результатов деятельности компании в частности. Конечно модель не лишена недостатков, поскольку исследование удовлетворенности покупателей методом CSI требует много времени, сил и бюджета. Кроме того, использование бальных оценок коэффициентов значимости вносит элемент субъективности. Но несмотря на это, методика не имеет ограничений по отраслям, включает в себя почти все аспекты эмоциональной лояльности, а также другие подходы. Например, вопрос индекса NPS входит в блок вопросов про лояльность, как и критерии кач-ества услуг модели SERVQUAL входят в блок вопросов про воспринимаемое качество продукта и обслуживания. Получается, что модель CSI - это гибкая система, которая может трансформироваться под нужды конкретной компании. Рассмотрим преимущества и недостатки методов измерения эмоциональной лояльности в Таблице 2.3.

Таблица 2.3 Преимущества и недостатки методов измерения эмоциональной лояльности

	Преимущества	Недостатки
SERVQUAL	· Позволяет увидеть разрывы между «подтверждением- не подтверждением ожиданий клиентов» · Позволяет оценить сервис и качество предоставленных услуг	· Не отражает уровень конкурентоспособности компании · Субъективная оценка коэффициентов значимости факторов · Объемный анкетный опрос
NPS	· Простота применения метода · Отражает эмоциональный аспект лояльности - готовность рекомендовать · Возможность сегментировать покупателей по степени лояльности · Возможность проведения сопоставительного конкурентного анализа по данному показателю	· Отражает лишь односторонний аспект лояльности · При расчете индекса NPS не учитывается мнение нейтралов · Индекс NPS подвержен случайным колебаниям
CSI	· Позволяет оценить многосторонние аспекты как лояльности, так и удовлетворённости · Позволяет оценить влияние результатов анализа на финансовые показатели · Индекс CSI стабилен во времени, менее подвержен случайным колебаниям.	· Сложный и объемный анкетный опрос · Субъективная оценка коэффициентов значимости факторов · Дорогостоящий метод проведения анализа

Источник: Составлено автором на основании проведенного анализа

Таким образом, мы определили, что, поскольку понятие лояльность состоит из двух аспектов: материального и нематериального, то и подход к оценке должен быть комплексным, включающим в себя оба аспекта. Для более точного исследования комплексной лояльности, было предложено оценить каждую часть (материальную и нематериальную) отдельно, с целью установления связи между рациональной и эмоциональной связи эмпирическим путем. Так, материальный аспект лояльности, который относится к рациональной лояльности, мы предложили измерять количественными показателями. В данной работе было предложено использовать сегментирование покупателей методами АВС и XYZ, либо с помощью кластерного анализа, с целью разбиения клиентов на группы по объему и частоте совершения покупок, с тем чтобы понять, какова численность данных групп и каков разрыв между данными группами. Дальнейшим этапом исследования стала нематериальная сторона лояльности, то есть эмоциональная лояльность, главный аспект которой - это удовлетворенность. В ходе работы мы рассмотрели три метрики эмоциональной лояльности: SERVQUAL, метод направленный на оценку воспринимаемой потребительской ценности; NPS - метод, направленный на выявление искренне лояльных покупателей. Затем была рассмотрена структурная модель CSI, которая включает в себя индексы удовлетворенности и лояльности. В данную модель входят параметры моделей NPS и SERVQUAL. Предполагается, что благодаря такой последовательности действий, а именно: проведение сегментирования клиентов в зависимости от приносимого компании дохода, а затем проведение анализа лояльности и удовлетворенности, позволит выявить комплексную лояльность различных групп клиентов.

Глава 3 Анализ эффективности современных инструментов построения потребительской лояльности в сети ООО «Максидом»

3.1 Политика лояльности компании ООО «Максидом»

Компания ООО «Максидом» является первой российской сетью гипермаркетов товаров для обустройства дома, ремонта и строительства. Первый магазин сети был открыт в 1997 году в Санкт-Петербурге. По состоянию на февраль 2018 года, в Санкт-Петербурге успешно функционирует уже 9 магазинов Максидом. С 2008 года компания начала региональную экспансию в других городах, а именно в Нижнем Новгороде, Казани, Екатеринбурге, Самаре и Уфе. Таким образом, сеть Максидом насчитывает 13 магазинов общей площадью более 180 квадратных метров в шести вышеперечисленных городах [34].

Компания ООО «Максидом» специализируется на розничной торговле (Retail), формата DIY. Формат DIY (Do It Yourself) представлен как формат строительных магазинов, гипермаркетов, которые предлагают широкий ассортимент товаров для обустройства или строительства дома. Преимуществом данного формата для сети «Максидом» - это сокращение времени покупателя на приобретение товара вследствие внедрения формата самообслуживания [34].

Отчет информационного-аналитического агентства INFOLine показал, что компания ООО «Максидом» по динамике чистой выручки, в промежуток с 2013 г. по 2016 г., занимает 6 место среди TOП-10 ритейлеров DIY. Доля ТОП-10 крупнейших торговых сетей DIY России составляет 33% рынка розничной торговли, а рост выручки за 2016 год у ТОП-10 крупнейших сетей составляет 14 % [33].

В сети ООО «Максидом» действует бессрочная программа лояльности для физических лиц: «Бонусная карта Максидом». Основными целями данной программы являются: стимулирование вторичных покупок покупателей, увеличение среднего чека, стимулирование продаж в период между акциями, привлечение маркетинговых бюджетов поставщиков на долгосрочной основе [34].

Для того, чтобы физическому лицу стать членом программы лояльности, необходимо совершить единовременную покупку на сумму от 2000 рублей, заполнить анкету и активировать карту либо на сайте компании, либо в отделе Сервиса магазина. Карта постоянного покупателя дает возможность получать как накопительную скидку, так и бонусную скидку. Накопительная скидка представляет собой процент от суммы оплат (от 1 до 7%), на которую снижается стоимость приобретаемого покупателем товара. В случае использования бонусной скидки, карта постоянного покупателя позволяет снизить стоимость приобретаемого товара на сумму накопленных баллов, которыми можно расплачиваться. При этом верхний порог бонусной скидки ограничен 100% от стоимости товара минус 1 рубль. В случае использования бонусной программы, клиент получает возможность возвращать до 7% от суммы чека в виде бонусных баллов и затем расплачиваться бонусами при следующей покупке в Максидоме [34].

Кроме того, накопительную скидку по карте постоянного клиента можно переводить в бонусные баллы таким образом, чтобы сохранить и накопительную часть скидки, и бонусную часть. Для того, чтобы перевести накопительную скидку по карте Максидом в бонусные баллы необходимо написать заявление в Отделе Сервиса о переводе определенного накопительного процента в бонусные баллы. Однако, суммарный размер накопительной скидки и бонусной скидки не может превышать 7% [34].

Достоинства такой системы состоят в том, что потребитель имеет право распорядиться своей скидкой по своему усмотрению. С точки зрения поведенческого аспекта, данная программа лояльности стимулирует совершение повторных покупок, поскольку вознаграждает членов программы лояльности в виде предоставления скидки и бонусных баллов. С точки зрения эмоционального фактора, данная программа лояльности предоставляет клиенту право выбора вида бонуса, что подчеркивает значимость клиента. Однако, из недостатков данной системы можно отметить ограниченность получения бонуса в 7%, что снижает мотивацию покупателей на увеличение количества или частоты приобретения товаров. Кроме того, анализ клиентской базы в период за два года с момента начала действия бонусной карты Максидома показал, что лишь 0,3% клиентов из клиентской базы по Санкт-Петербургу пользуются дисконтной программой с бонусными баллами. Одной из причин непопулярности дисконтной программы с бонусными баллами является недостаточная информированность клиентов о данной программе. Кроме того, получение бонусных баллов ограничено порогом в 7% от суммы чека, что нивелирует различия между накопительной скидкой и бонусной скидкой. Вследствие того, что Бонусная программа с накопительной скидкой действует в компании на протяжении многих лет, а программа с бонусными баллами появилась относительно недавно, то, можно предположить, что клиенты не успели адаптироваться к данному нововведению [34].

Сеть гипермаркетов «Максидом» активно использует различные акции для стимулирования покупок и увлечения среднего чека покупателей, некоторые из которых суммируются со скидкой по карте лояльности. Так, например, сеть проводит еженедельные акции, которые суммируются со скидкой по Бонусной карте, предоставляет бесплатные дополнительные услуги по промокоду, а также федеральные акции, приуроченные к федеральным праздникам, с механикой «Скидка без суммирования с картой» [34].

3.2 Исследование поведенческой лояльности

Для измерения поведенческой лояльности существующей базы клиентов и ранжирования покупателей по доходности, мы использовали информацию из клиентской базы данных. Так, для сегментирования покупателей сети Максидом, была выгружена клиентская база по Санкт-Петербургу с 1 января 2016 года по 31 декабря 2017 года. Из базы данных мы взяли следующие показатели для анализа по каждому клиенту: ФИО, выручка, количество чеков клиента, скидка по дисконтной карте, мобильный телефон, последний посещаемый магазин. Массив данных включал в себя более 800 000 клиентов.

Поскольку массив данных содержал повторяющиеся телефоны и ФИО покупателей, так как некоторые покупатели совершали покупки в нескольких магазинах, необходимо было построить сводную таблицу для суммирования выручки и количества чеков по каждому покупателю, а также сортировать других данные соответственным образом. Таким образом, получилось, что генеральная совокупность состоит из 436 274 значений вместо 800 000.

Для того, чтобы проанализировать доходность клиентов компании ООО «Максидом», в данной работе были кластеризованы покупатели в зависимости от суммарных объемов продаж и количества покупок, сделанных каждым покупателем за последние два года. Количество совершенных покупок клиентов было представлено в виде количества чеков по каждому покупателю. В данном исследовании мы отказались от использования ABC-анализа, поскольку он предполагает разделение покупателей на группы в зависимости от одного фактора. Но задачей данного исследования является анализ клиентской базы в зависимости от нескольких факторов: суммарных объемов продаж и частоты совершения покупок. Также мы отказались от использования XYZ-анализа, поскольку в настоящем исследовании не использовались данные о временных рядах, анализ которых предполагает этот метод. В связи с этим, был использован метод кластерного анализа, который проводился в программе IBM SPSS Statistics 22.

В настоящем исследовании были использованы данные об объеме выручки и количества чеков по магазинам ООО «Максидом» по Санкт-Петербургу с 1 января 2016 года по 31 декабря 2017 года.

Перед разделением покупателей на кластеры были выдвинуты две гипотезы. Основываясь на предположении, что существует три группы покупателей в зависимости от объема и частоты совершения покупок, ожидается, согласно гипотезе 1, что 1 кластер будет отражать наиболее доходную группу покупателей, 2 кластер - группу среднего дохода, а 3 кластер - группу с незначительным объемом продаж и частотой совершения покупок.

Согласно гипотезе 2 ожидается, что 1 кластер будет содержать наименьшее число клиентов, 2 кластер - среднее, а 3 кластер - наибольшее число клиентов. Данные гипотезы основаны на законе Парето «80:20», который также можно применить в сфере управления взаимоотношениями с покупателями. Так, правило Парето гласит, что 20% покупателей могут обеспечить 80% объёма продаж.

Таким образом, каждый из анализируемых клиентов может быть представлен в виде следующего объекта:

Х_i = (х_i⁽¹⁾, x_i⁽²⁾, …, x_i⁽⁹⁾), (3.1)

Где i = 1, 2, …, 436274 - номер клиента (количество исследуемых клиентов равняется 436274), х_i⁽¹⁾, x_i⁽²⁾, …, x_i⁽⁹⁾ - это свойства данного объекта.

1. х_i⁽¹⁾ - выручка по данному клиенту;

2. x_i⁽²⁾ - количество чеков по данному клиенту;

3. x_i⁽³⁾ - ДК общий клиента;

4. x_i⁽⁴⁾ - ДК бонусный клиента;

5. x_i⁽⁵⁾ - ДК скидки клиента;

6. x_i⁽⁶⁾ - номер гипермаркета «Максидом», где клиент совершил последнюю покупку;

7. x_i⁽⁷⁾ - мобильный телефон клиента;

8. x_i⁽⁸⁾ - активные бонусы клиента;

9. x_i⁽⁹⁾ - оплаченные бонусы клиента.

Разделение покупателей на кластеры в зависимости от объемов продаж и количества чеков включало в себя следующие этапы:

1. Первый этап - стандартизация данных о выручке и количестве чеков с помощью линейного преобразования переменных таким образом, чтобы разброс значений составил от 0 до 1 [30, P. 33].

2. Иерархический кластерный анализ выборки покупателей в зависимости от свойств х_i⁽¹⁾ (выручка от клиента) и х_i⁽²⁾ (количество чеков клиента) с целью определения количества кластеров.

3. Кластерный анализ генеральной совокупности покупателей методом k-средних в зависимости от свойств х_i⁽¹⁾ и х_i⁽²⁾, проведенный с учетом числа кластеров, полученного после иерархической кластеризации.

Для определения расстояния между двумя объектами было использовано расстояние Евклида, иерархический кластерный анализ был проведен по центроидному методу, поскольку он меньше подвержен влиянию выбросов, чем другие рассмотренные иерархические методы.

На 2 этапе сначала была определена случайная выборка, которая бы представляла генеральную совокупность. Поскольку объем выборки достаточно большой, то мы использовали бесповторный метод отбора выборки, то есть такой метод, при котором каждая попавшая в выборку единица не возвращается в генеральную совокупность и не продолжает участвовать в дальнейшем отборе. На данном этапе мы определили объем выборки по формуле численности случайной выборки для бесповторного отбора [5, С. 267]:

, (3.2)

Где N - объем генеральной совокупности, ²- дисперсия, - предельная ошибка выборки, t - коэффициент доверия, связанный с вероятностью.

Для определения значения коэффициента доверия мы воспользовались таблицей распределения Стьюдента. Приняв вероятность на уровне 0,95, по таблице распределения Стьюдента t получилось равным 1,96 Для того, чтобы определить величину дисперсии генеральной совокупности , необходимо знать величину выборки, но, поскольку самой выборки еще нет, то рассчитать ее не представляется возможным. Поэтому мы принимаем дисперсию за 0,25, что не окажет сильного влияния на определение ошибки и численности выборки. Что касается предельной ошибки выборки , то, поскольку предельная ошибка состоит из двух частей: - средняя ошибка и t - коэффициент доверия, то, приняв доверительную вероятность за 95%, мы можем принять предельную ошибку за 5%. Благодаря вышеприведенной формуле, мы получили объем выборки - 384 человека для N = 436 274 при уровне достоверности 95%. Случайная выборка была сгенерирована в программе SPSS [5, С. 267-270].

Затем при проведении иерархического кластерного анализа по выборке размером 384 объекта была получена матрица (размером 384Ч384) попарных расстояний между наблюдениями, а также дендрограмма, отражающая последовательность объединений кластеров и расстояния между объединяемыми кластерами. Всего было выполнено 383 этапа объединения кластеров, и на 381 этапе произошло значительное увеличение расстояния между объединяемыми кластерами, что можно проследить на дендрограмме в Приложении 1. Это означает, что на данном этапе следует остановить процесс объединения кластеров. Таким образом, ввиду того, что алгоритм объединения был остановлен на 381 шаге, было получено 3 кластера.

На этапе 3 для кластерного анализа методом k-средних в качестве исходных данных было принято количество кластеров равное 3. Далее применяется кластерный анализ методом k-средних для стандартизированных данных, получена таблица принадлежности данных к трем кластерам. В результате кластерного анализа методом к-средних получили распределение данных по кластерам, представленное в Таблице 3.1.

Таблица 3.1 Число наблюдений в каждом кластере

Кластер	Наблюдения, шт.	Доля, %
1	5320	1%
2	59667	14%
3	371287	85%
Всего	436274	100%

Рассчитано по: предоставленный ООО «Максидом» набор данных

Также в результате кластеризации методом k-средних были получены средние значения свойств наблюдении? 1, 2 и 3 кластеров, указанные в Таблице 3.2 ниже.

Таблица 3.2 Средние значения кластеров

Свойство	Выручка	Количество чеков
Среднее значение по 1 кластеру	609 267	7
Среднее значение по 2 кластеру	146 190	4
Среднее значение по 3 кластеру	20 453	2

Рассчитано по: предоставленный ООО «Максидом» набор данных

На основании таблицы принадлежности данных к кластерам был построен График 3.1, представленный ниже. Красным цветом отмечен 1 кластер, синим - 2 кластер, серым цветом - 3 кластер.

График 3.1. Результаты кластерного анализа клиентов

Таким образом, мы получили, что 1 кластер, представляющий собой самую доходную группу по объему и частоте совершения покупок, включает в себя 5320 значений, что представляет 1,2% от общего количества покупателей, тогда как 2 кластер составляет 14% от общего количества покупателей, а 3 кластер составляет 85% генеральной совокупности. Средняя выручка 1 кластера в 30 раз больше средней выручки третьего кластера. Данный факт свидетельствует, что между кластерами существует значительный разрыв по объему и частоте совершения покупок, следовательно, компания имеет необходимость расширять клиентскую базу 1 и 2 кластера, с целью увеличения доходности. Гипотеза 1 и гипотеза 2 были подтверждены результатом кластерного анализа.

3.3 Измерение эмоциональной лояльности

На основании кластерного анализа генеральной совокупности 436 274 клиентов было проведено исследование эмоциональной лояльности потребителей компании «Максидом», совершивших покупку в Санкт-Петербурге в течении двух последних лет. Одним из ключевых моментов исследования являлся анализ факторов формирования лояльности клиентов. Таким образом, в качестве отправного пункта проведения исследования был сформирован следующий вопрос: какие аспекты ритейлера помогают сформировать комплексную лояльность.

Для измерения эмоциональной лояльности клиентов был проведен телефонный анкетный опрос, состоящий из 15 вопросов (См. Приложение 3). В данном опросе мы задействовали шкалу Лайкерта, чтобы оценить степень согласия или несогласия с каждым суждением, от полностью согласен, до полностью не согласен.

В опрос лояльности было включено пять ключевых аспектов ритейла, которые бы отражали конкурентные преимущества сети, а именно атмосферу магазина, ассортимент, соотношение цена/качество, уровень сервиса, скидки и предложения. Кроме того, в данном опросе мы отразили три составляющие ценности для клиента: качество, сервис и цена, а также вопросы для измерения индекса NPS и индекса лояльности. В телефонном опросе приняли участие 307 человек из выборки 384 человека, из которых 30% респондентов принадлежат к 1 кластеру, 33% - 2 кластеру, а 37% принадлежат к 3 кластеру, самому многочисленному, но наименее доходному (См. Приложение 2).

Получили, что наиболее многочисленной группой опрошенных являются респонденты в возрасте от 36 до 45 лет (Рис. 3.1). При этом 46% опрошенных из 1 кластера - это покупатели в возрасте от 46 до 55 лет, большинство опрошенных из 2 кластера - это покупатели в возрасте от 36 до 45 лет, а самая многочисленная группа опрошенных третьего кластера - это покупатели в возрасте от 26 до 35 лет.

Рисунок 3.1 Возрастной состав респондентов