Аннотация 2
Введение 4
Глава 1 Теоретические основания применения методов для повышения лояльности клиентов 7
1.1 Понятие и сущность лояльности клиентов 7
1.2 Популярные инструменты и платформы 18
Глава 2 Проектирование приложения для оценки лояльности клиентов 26
2.1 Анализ лояльности клиентов на примере Direct Marketing 26
2.2 Методы определения лояльности клиентов 31
2.3 Использование алгоритмов машинного обучения для определения
лояльности 39
Глава 3 Разработка приложения для оценки лояльности клиентов 46
3.1 Разработка приложения RFM-сегментирование 46
3.2 Сегментирование клиентов методом K-Means 60
Заключение 68
Список используемой литературы и используемых источников 70
Приложение A Макросы Excel 73
Приложение Б R-код 81
Различные исследования посвящены изучению лояльности клиентов. В рамках таких исследований были разработаны различные методы оценки лояльности. Как показывают статистические данные, важность лояльности в качестве фактора конкурентоспособности имеет большое значение. Глава программы поддержки бизнеса Bain Company и автор книги «Эффект лояльности» Ф.Ф. Райхельд заявил, что высокий уровень доверия в к компании увеличивает её экономическую деятельность на 25-50% или даже больше. Из- за увеличения коэффициента удерживания постоянных покупателей на 5% стоимость их покупок увеличивается на 25-100% [16]. Большинство компаний увеличивают свой доход от клиентов с расширением сотрудничества между ними и происходит это по мере расширения взаимодействия. Чтобы компенсировать потери от одного ушедшего старого клиента, обычно необходимо привлечь несколько новых клиентов.
Сегодня почти любая компания стремится к созданию собственных программ лояльности для своих клиентов. Программа лояльности - маркетинговый инструмент, направленный на улучшение отношений между клиентами и компанией. С другой стороны, программа лояльности требует обработки большого количества данных и тонкого настроя под клиента. Причем, далеко не всегда понятно, что именно анализировать и каким образом. Например, какие данные использовать для анализа имеющихся программ привлечения клиентов и какая связь между программой и изменениями товарооборотов, объемов продаж и пр. Кроме того, любая программа лояльности требуют учета разнородной информации, нередко с помощью методов data mining (интеллектуального анализа данных) [17].
Все компании признают, что постоянные клиенты являются для них приоритетом. Как представители компаний, продающих массовую продукцию, так и поставщики банковских услуг, стараются внедрить программу лояльности. Как считают специалисты в области маркетинга, это объясняется тем фактом что «старые» клиенты имеют большую ценность для компании, по сравнению и новыми. Бизнес может сэкономить деньги как на рекламе, так и на различных акциях, для продвижения товаров и услуг, и расходах на привлечение новых клиентов [1][2].
Для продвижения товаров предприятия торговли могут использовать огромные объемы информации о клиентах и структуре их потребления, которые ни накопили. Сегодняшние технологии позволяют проводить интеллектуальный анализ данных. Для небольших компаний не требуется сложных инструментов анализа, а для крупных организаций необходимо использовать методы интеллектуального анализа. Дало в том, что для них простые способы учета потребности клиентов недостаточно эффективны. Всё сказанное свидетельствует о том, что тема выпускной квалификационной работы актуальна [25][27][8][24].
Объектом данной работы являются различные подходы к определению лояльности клиентов, которые лежат в основе маркетинговых исследований.
Предметом исследования является методология определения лояльности клиентов и ее программная реализация.
Цель исследования: разработать приложение для определения
лояльности клиентов, основанное на эффективной системе сегментирования клиентов.
Для достижения поставленной цели необходимо решить задачи:
- Изучить вопросы, связанные с понятием лояльности клиентов.
- Рассмотреть различные методы определения лояльности. Описать методики сегментирования клиентов.
- Определить показатели лояльности клиентов: частота покупок, объем заказов, средний чек, продолжительность отношений с клиентом и др.
- Изучить возможности использования машинного обучения в сегментировании клиентов.
- Разработать приложение для определения лояльности клиентов.
Теоретические и методологические основы исследования. В ходе исследования изучены труды российских и зарубежных ученых в области определения лояльности клиентов и их сегментирования.
Практическая значимость:
- Проработана методика определения степени лояльности клиентов;
- Спроектированная и протестированная приложение по определению лояльности клиентов на основе RFM-метода и K-Means алгоритма.
Структура ВКР определена её целью и задачами. Работа состоит из введения, трех глав, выводов по главам, заключения, списка использованных информационных источников.
На данный момент добиться стабильного роста рентабельности компании и запланированного уровня продаж невозможно без привлечения значительного числа постоянных клиентов. Для компании клиентская база является одним из самых важных активов, а доверие клиентов один из основных показателей успешности бизнеса. Не существует единого инструмента анализа данных, который бы решал все возможные проблемы с анализом данных.
Рассмотренные методики позволяют сделать вывод, что единого метода оценки потребительской лояльности не существует, а осуществление комплексного программно-ориентированного управления лояльностью клиентов возможно только при сочетании ключевых методик диагностики и контроля лояльности.
Разделение клиентов на отдельные группы выгодно, поскольку это поможет в разработке стратегии маркетингового плана для конкретной группы сразу. Данные о клиентах разделяются на основе нескольких факторов, таких как возраст, местоположение, пол, язык и т.д., а затем определяются их требования. Персонализированные маркетинговые кампании приведут к повышению лояльности клиентов, что поможет процветанию бизнеса.
Благодаря подробному анализу клиента можно понять поведение клиентов и их модели покупок, поскольку это помогает узнать о вашем целевом клиенте.
При анализе лояльности необходимо учитывать направление и сферу деятельности компании, сезонность спроса на товары и социальные характеристики потребителей, так как данные показатели влияют на общий уровень лояльности.
Разработчики маркетинговой стратегии должны использовать RFM- анализ для разработки индивидуальной стратегии с индивидуальным подходом к каждому сегменту. Это позволит сэкономить на «мертвых» и больше заработать на «живых».
Применение кластера позволит бизнесу выстраивать новые отношения с клиентами и вести работу в новом ключе. Наличие индивидуального подхода повысит лояльность потребителей, а также увеличит прибыль.
Используем K-means для длительных периодов и большого количества кластеров. Если клиентам дается оценку по трем показателям с тремя уровнями, то в общей сложности будет 27 комбинаций. Посредством алгоритма K-Means, число сегментов можно уменьшить до определенного количества (обычно пять категорий).
Разработаны два приложения, реализующие сегментацию клиентов. Первое (Приложение А) позволяет работать с относительно небольшой базой данных о клиентах средствами MS Excel. Достоинством является то, что от сотрудника не требуется специальных навыков, кроме навыков работы с MS Excel. Второе приложение (Приложение Б) требует специальных навыков по работе с данными.
Получены результаты кластеризации клиентов.
Таким образом, можно говорить, что все поставленные задачи решены, цель работы достигнута.
1. Анализ клиента. URL: https://www.marketing91.com/customer- analysis/ (дата обращения 17.04.2023)/
2. Барнс Д. Путь к сердцу клиента. Стратегия отношений, когда лояльности мало. М.: Изд-во Юрайт, 2009.
3. Бринк Хенрик, Ричардс Джозеф, Феверолф Марк. Машинное
обучение. - СПб.: Питер, 2017. - 336 с.: ил. - (Серия «Библиотека
программиста»).
4. Буч Гради, Рамбо Джеймс, Якобсон Ивар Язык UML. Руководство пользователя. - М.: ДМК Пресс, 2007. - 388 с.
5. Венэбльз Y.W. Н., Смит Д.М. Рабочая группа разработки R Введение в R Заметки по R: среда программирования для анализа данных и графики Версия 3.0.2 Patched (2014-01-27) Перевод и редакция А.А.Фоменко. - Москва, 2014. 109 с. - (серия технической документации).
6. Данные о покупках клиентов с платформы Kaggle:
https://www.kaggle.com/jihyeseo/online-retail-data-set-from-uci-ml-repo (дата обращения 17.04.2023)/
7. Индекс лояльности NPS: подробный гайд и советы экспертов. URL: https://skillbox.ru/media/marketing/my-izmerili-indeks-loyalnosti-klientov- nps/ (дата обращения 17.04.2023).
8. Кластеризация: расскажи мне, что ты покупаешь, и я скажу кто ты? URL: https://habr.com/ru/companies/datawiz/articles/248863/ (дата обращения 17.04.2023)/
9. Ламбен Ж.Ж. Менеджмент, ориентированный на рынок // Маркетинг в России и за рубежом, 2008. 146 с.
10. Лояльность клиентов: что это и как её увеличить? URL: https://kontur.ru/compass/spravka-compass/25088- loyalnost_klientov_chto_eto_i_kak_eyo_uvelichit (дата обращения 17.04.2023)
11. Мастицкий С.Э., Шитиков В.К. (2014) Статистический анализ и визуализация данных с помощью R. URL: http://r-analytics.blogspot.com (дата обращения 17.04.2023).
12. Методы оценки лояльности покупателей торговых компаний. URL: https://web.snauka.ru/issues/2017/01/77372 (дата обращения 17.04.2023).
13. Мюллер А., Гвидо С. - Введение в машинное обучение с помощью
Python. Руководство для специалистов по работе с данными - 2017.pdf. 393.с. URL: https://github.com/amueller/introduction_to_ml_with_python (дата
обращения 17.04.2023).
14. Применение Data Mining для повышения лояльности клиентов.
URL: https://basegroup.ru/community/articles/data-mining-loyality (дата
обращения 17.04.2023).
15. Разделяем клиентов по лояльности с помощью RFM-анализа. URL: https://habr.com/ru/articles/497356/ (дата обращения 17.04.2023).
...
Всего источников 28