Уральский государственный экономический университет

В наше время потребительский рынок характеризуется жесткой конкурентоспособной борьбой за потребителя. Информация о клиенте и история его покупок собирается в клиентскую базу данных и предоставляет её владельцу огромное конкурентное преимущество.

Создание и управление такой базой данных, содержащей информацию о клиентах и историю взаимодействия с ними, для прямых предложений товаров и услуг компании, называется директ–маркетингом. При этом компания–владелец базы ставит перед собой задачу: установить длительные взаимоотношения с потребителем с целью увеличения прибыли, получаемой от клиента.

Важнейшее преимущество маркетинга перед традиционными видами позиционирования товаров и услуг – возможность целевого использования маркетинговых инвестиций с максимально возможной, точно рассчитанной отдачей. Маркетинговые усилия фокусируются только на тех клиентах, которые с большой вероятностью откликнутся на коммерческое предложение, при этом меньше внимания уделяют тем клиентам, которые вероятно не отреагируют на данное предложение. В результате оптимизируется прибыль от маркетинговых операций[1].

Рассмотрим следующий пример: СКБ-БАНК собирается уменьшить процентную ставку на получение кредита. Вместо того, чтобы отправить приглашения всем посетителям сайта, зарегистрированных в клиентской базе данных, письма рассылаются на электронную почту только тем покупателям, которые ранее получали кредит. Результатом такого целевого выбора является значительное сокращение затрат на рекламу и акции, соответственно увеличивается доля рентабельности и инвестиций.

Таким образом, директ–маркетинг позволяет принять более верные маркетинговые решения, которые основываются на реальных фактах. Говоря иными словами, знания, которые несут информацию, содержатся в клиентской базе. В результате такого решения увеличивается объем продаж и рентабельность инвестиций.

Различные исследования в области директ–маркетинга приходят к единому выводу: наиболее значительное влияние на принадлежность наблюдений позитивному классу оказывают переменные поведенческой истории клиента, нежели результаты анкетирования клиента. Поэтому, в большинстве случаев все модели сегментации ограничиваются универсальной тройкой переменных, известных как RFM по первым буквам названий переменных[2].

Итак, у нас есть два параметра для сегментации Recency (далее по тексту R) и Frequency (далее по тексту F), оба эти параметра могут предсказывать дальнейшее поведение клиента c определенной точностью[3]. Если объединить их в один параметр RF – то мы сможем увеличить точность в разы:

– параметр R – разбивается на пять частей, и появляются пять значений от 1 до 5;

– 5 – это когда заказ был сделан совсем недавно;

– параметр F – разбивается на пять частей, и появляются пять значений от 1 до 5;

– 5 – это когда клиент сделал в течение определенного периода времени (этот период тоже нужно рассчитать) сделал очень много заказов;

– строится RF сетка (grid): в виде двухзначной комбинации R и F.   55 – сегмент лучших клиентов, 11 – самых худших клиентов;

– вычисляются Transformation rates для каждого сегмента;

– 25 RF сегментов объединяются по Transformation rates в большие сегменты.

На рисунке 1 представлены сегменты оптимального решения процесса сегментации.

Рисунок 1 – RF сегментация

Что можно делать с RF сегментами:

– выделить клиентов, которым нужно слать сообщения, и которым не нужно;

– делать прогнозные модели;

– анализировать не только продажи, но и посещаемость веб сайта;

–  строить программу лояльности.

Классификация по параметру Frequency [4]:

– для каждого клиента определить количество покупок за определённый период;

– разбить полученные данные на 5 групп (квантилей). Клиентам, совершившим наибольшее число покупок, будет присвоен код F=5, наименее активные покупатели получат F=1;

Классификация по параметру Monetary:

– для каждого клиента определить сумму потраченных денег;

– разбить полученные данные на 5 групп (квантилей). Клиентам, потратившим наибольшие суммы, будет присвоен код М=5, клиентам, потратившим наименьшие суммы будет присвоен код М=1;

– cовместить полученные результаты, каждый клиент при этом получит код RFM, состоящий из трёх цифр.

На основании метода RFM сегментации, который базируется на жизненном цикле клиента Ключевой целью концепции директ– маркетинга является достижение и укрепление лояльности потребителей. Исследователи отмечают, что наличие большого количества лояльных по отношению к организации и платежеспособных клиентов может обеспечить методу ряд существенных преимуществ как в кратко-, так и в долгосрочной перспективе.

Лояльность определяется сочетанием «поведенческих» и «воспринимаемых» характеристик. Поэтому лояльными являются те потребители, которые положительно относятся к деятельности компании, предлагаемым ею продуктам и услугам, а также ее персоналу.

Таким образом, применение RFM анализа для сегментации клиентов банка, является важным и актуальным вопросом, решение которого позволит пользователю такой базы данных сделать оптимальный выбор.

Работа или деятельность, в результате которой что-либо создается или изменяется, имеет временную протяженность, то есть является процессом. Отдельные действия процесса взаимообусловлены и направлены на достижение конечного результата.
Наиболее широкое использование в таких результатах получил метод FMEA анализ (аббревиатура получена от Failure Mode and Effects Analysis – анализ видов и последствий отказов). Говоря другим языком – методология проведения анализа и выявления наиболее критических шагов процесса с целью управления качеством.
Рассмотрим применение FMEA-анализа на примере банковской системы и сервиса «Интернет».
Данный метод не анализирует прямо экономические показатели, в том числе затраты на недостаточно высокое качество того или иного сервиса, он позволяет выявить в процессе работы именно те нарушения процессов, которые обуславливают наибольшую причину и риск возникновения нарушения в работе банковской системы и сервиса «Интернет». Анализ поможет определить причины и выработать корректирующие действия по их устранению ещё до того момента, когда нарушение в банковской системе или сервисе «Интернет» проявятся. Таким образом, позволит предупредить затраты на их исправление. FMEA-анализ позволит организации повысить качество работы сервисов, не превышая расходов на оптимизацию и внедрение новых технологий.
Целью практического применения анализа выступит обнаружение вероятных несоответствий при работе с сервисом «Интернет». Выявление причин и последствий, а также сокращение количества и времени обработки поступивших обращений о нарушении работы сервиса «Интернет» с применением FMEA-процесса.
Работа по применению FМЕА-анализа выстроена поэтапно и представлена в таблице 1 «Этапы проведения FMEA-анализа»
Таблица 1. Этапы проведения FMEA-анализа

Работа по применению FМЕА-анализа в банковской системе выстроена поэтапно, согласно следующему алгоритму, представленному на рисунке 1.

Исходя из первичных данных была построена таблица FMEA-анализа на примере банковского сервиса «Интернет» и проведен предварительный расчет эффективности его работы, посчитаны шкалы «S», «O», «D» и приоритетное число риска влияющий на работу сервиса «Интернет». Данные таблицы представлены на рисунке 2, описание и обозначения шкал и «ПЧР» представлены в Приложение 1.

В работе сервиса были выявлены наиболее проблемные участки:

– плохая дисциплина и обучение персонала;

– направление в техническую поддержку некорректно сформулированного обращения;

– отсутствие наблюдаемых первопричин в нарушении работы сервиса «Интернет».

Для достижения желаемого результата и улучшения качества предоставляемого сервиса был проведен анализ экспертами и предложены действия для улучшения действующего процесса, назначена дата внесения изменения и выбраны ответственные лица за исполнение действий.

Действия для улучшения качества работы сервиса «Интернет» представлена на рисунке 3

Расчеты, приведенные в таблице FMEA анализа, свидетельствуют нам о повышении эффективности в работе банковского сервиса «Интернет».
Для наглядности в программном продукте Microsoft Excel были произведены расчеты и построена диаграмма ожидаемого увеличения качества работы сервиса.
Диаграмма ожидаемых изменений с применением FMEA-анализа представлена на рисунке 4.

Рисунок 4 Диаграмма ожидаемых изменений с применением FMEA-анализа на примере сервиса «Интернет»

Из представленной диаграммы видно, что применение FMEA-анализа по сервису «Интернет» позволяет нам значительно повысить эффективность работы улучшив качество сервиса и производительность методом снижения материальных и временных затрат тем самым повысив качество работы на 50 %.

Таблица 2. Рекомендуемая шкала баллов значимости нарушения процессов «S» для FMEA -анализа

При составлении таблицы следует иметь в виду, что по мере снижения значимости нарушений процессов при описании последствий следует переходить к терминам неудовольствия/неудобства пользователей при работе с банковским сервисом, включая в число пользователей персонал, пользователей, участвующих в процессе работы с ним, а также персонал обслуживающий техническое оборудования в эксплуатации.

Таблица 3. Рекомендуемая шкала для выставления балла возникновения «О» (FMEA процесса)

В случае FMEA-анализа, если причиной появления нарушения процесса сервиса является правильность установленного допуска на данный показатель качества и если имеется статистический анализ для аналогичного процесса, то рекомендуемым ориентиром для выставления балла «О» является индеекc Cpk приведённый в Таблице 3.
Примечание – статистический индекс Cpk определяет практические возможности технологического процесса по обеспечению выполнения установленного допуска на данный показатель качества X. Индекс Cpkвычисляют по формуле (1):

 (1)

где U, L – верхнее и нижнее предельные значения поля допуска показателя качества X.
- выборочное средство или оценка положение центра настройки технологического процесс.
- оценка стандартного отклонения процесса.

Таблица 4 – Рекомендуемая шкала для выставления балла обнаружения D (FMEA процесса)

При проведении FMEA –анализа учитываются нарушения процессов и возможность их обнаружения предполагаемыми методами и средствами контроля.
В основе выставления оценок обнаружения D лежит предыдущий опыт членов FMEA-команды по возможностям обнаружения аналогичных причин нарушения процессов при соответствующих методах обнаружения, заложенных в процесс работы банка.

Для нарушения процесса работы сервиса, имеющих несколько причин, определяют соответственно несколько ПЧР. Каждое ПЧР может иметь значения от 1 до1000, т.е. максимальное ПЧР = 10 x 10 x 10 = 1000 – наихудшее состояние; минимальное ПЧР = 1 x 1 x 1 = 1 – лучшее достижимое состояние.
Для приоритетного числа риска должна быть заранее установлена критическая граница (ПЧРгр) в пределах от 100 до 125. Снижение соответствует созданию более высококачественных и надежных объектов и процессов.
На шестом этапе работы составляется перечень нарушений процесса работы сервиса (причин), для которых значение ПЧР превышает ПЧРгр. Для них следует вести контроль отчетов и вводить различные доработки. При доработке можно снизить частоту возникновения и повысить частоту обнаружения для данного нарушения процесса, но иногда удается снизить и значимость.
Цель – снизить любой из показателей: Вероятное нарушение процесса и возможные последствия нарушения этих процессов. При этом следует принимать во внимание, что: 
- усилие действий по проверке или контролю приведет к снижению только ранга обнаружения;
- возможность появления несоответствия можно снизить только устранением или управлением одной, или большим количеством причин вида несоответствия.
Вычисление приоритетного числа риска (ПЧР) производится по следующей формуле:

Где:
S – значимость последствий несоответствия;
О – вероятность возникновения несоответствия;
D – вероятность обнаружения несоответствия по данной причине.
Балл обнаружения изменяется от 10 для практически не обнаруживаемых нарушений процессов (причин) до 1 – для практически достоверно обнаруживаемых нарушений процесса (причин). Результаты анализа заносятся специалистом в матрицу FMEA- анализа.
Ответственный специалист выявляет потенциальные причины несоответствий сервиса, в поле матрицы FMEA-анализа вносит перечень всех возможных причин несоответствий влияющего на работу выбранного сервиса для каждого вида несоответствия.