Кластеризация (англ. cluster analysis) - задача группировки множества объектов на подмножества (кластеры) таким образом, чтобы объекты из одного кластера были более похожи друг на друга, чем на объекты из других кластеров по какому-либо критерию.

Для руководителей, маркетологов, предпринимателей знание данного показателя крайне привлекательно, так как решает сразу несколько стратегических задач:

1. высвобождает рекламные ресурсы (пока CAC*<LTV против CAC<CPO) в борьбе за долю рынка,
2. увеличивает привлекательность компании для инвесторов,
3. осмысленно персонализирует маркетинг.

Кластеризация в ручном режиме может быть выполнена с помощью Miro и некоторой интуиции. В примере ниже была база была разбита на 6 групп и 16 подгрупп исходя из размера покупок клиентов, объема накопленных ими бонусов.

А также для подтверждения найденных гипотез разделения может быть проведен анализ зависимости дохода с клиентов, как в примере выше, от баланса баллов и уровня их накопления.

было выяснено, что..

Сегментация базы по признакам однородности позволяет сгруппировать клиентов в крайне похожие друг на друга группы используя все доступные события, которые человек совершал (например, жалобы, использование мобильных приложений, просмотр контента, стратегии использование баллов итд), транзакционные данные (купленная коллекция, размер скидки, время/день покупки итд).

Обычно для сегментации используются стандартные модели RF/RFM или ее аналоги. Однако они сложны для качественной интерпретации и мало-информативны как следствие.

Мы рекомендуем использовать кластеризацию как более надежный подход, учитывающий всё знание компании о клиентах. Пример разработки модели кластеризации . С такой моделью разделения клиентов на группы компания сможет через BI решение регулярно оценивать:

• Сколько клиентов совершает "качественные" переходы (те повышают свою ценность) или наоборот меняют сегмент на менее ценный;
• Корреляцию переходов между сегментами и влияние на LTV/выручку;
• Описать сегменты в целевых метриках и сравнивать их с прошлым периодом;
• Составить популярные пути клиентов по сегментам и их разнообразие.

Таким образом у компании значительно улучшается способность выделять приоритетные группы, оценивать изменения их метрик, сопоставляя с действиями компании как в области ПЛ, так и на всем разнообразии 4P факторов.

По нашему опыту, меньше 30% компаний считают LTV. И даже те кто делают редко удовлетворены текущим результатом по нескольким причинам:

• не интегрированы ключевые типы пользовательских данных в единую БД для старта работ
  
  
• компании сложно подобрать методику расчета, так как нет универсального подхода к подсчету LTV (разберем подробнее далее)
  
  
• при формальном получении LTV по простым формулам, например через churn rate (показатель оттока, пример ниже), остаются не определены факторы непосредственного влияния на метрику
  
  
• аналогично, метрика остается общей для компании, без возможности ее определения на определенные когорты (например, покупатели определенного месяца) или сегменты (как соц-дем группы, так и более узкие, например, покупатели с определенным товаром в первой покупке, или акционные )
  
  
• расчетный показатель не интегрирован в маркетинговые инструменты компании, или в противном случае - не изучается в полной мере на уровне HADI циклов
  
  
• нет системного внутреннего обсуждения какие образом компания может улучшить свои результаты
  
  
• переход от одной модели расчета к другой по мере подключения новых данных чреват значительным изменениями результата, что блокирует дальнейшее его исследование

Цель ₋ выявление скрытых сегментов клиентов и свойственных им закономерностей поведения.

Для достижения выбранной цели поставлены следующие задачи:

1. Определение пространства признаков кластеризации.
2. Проведение кластерного анализа.
3. Интерпретация полученных результатов.

Существующая модель сегментации клиентов на стороне заказчика имеет следующую структуру.

Основным недостатком существующей модели является жёсткая привязка к числу дней от даты последнего заказа без учёта всего имеющегося набора признаков, в связи с чем не представляется возможным адекватно оценивать складывающуюся ситуацию.