Анализ дисконтных карт как основа описания клиентской базы аптеки
Analysis discount cards as a basis for the description of the client base of pharmacy
Авторы
Аннотация
Цель работы - анализ дисконтных карт для выявления структуры клиентской базы. Применение метода SOM позволило на основе предикторов RFM выделить три группы клиентов, имеющих дисконтные карты, и определить их основные характеристики. Показано, что они характеризуется стабильными предикторами RFM. Проведенный анализ позволяет предположить, что наличие дисконтной карты выступает основой для формирования долгосрочных отношений «клиент – аптека», что проявляется в совершении постоянных покупок в рассматриваемой аптечной организации.
Ключевые слова
дисконтная карта, аптечная деятельность, клиентская база, метод SOM, RFM-анализ, сегментирование клиентов, удовлетворение спроса
Рекомендуемая ссылка
Каверина Ирина Сергеевна,Фокин Василий Александрович. Анализ дисконтных карт как основа описания клиентской базы аптеки // Современные технологии управления. ISSN 2226-9339. — №9 (69). Номер статьи: 6903. Дата публикации: 30.09.2016. Режим доступа: https://sovman.ru/article/6903/
Authors
Abstract
Purpose - analysis of loyalty cards to identify the customer base structure. Application of SOM method allowed based on RFM predictors to identify three groups of customers with discount cards and identify their main characteristics. It has been shown that they are characterized by stable predictors of RFM. The analysis suggests that the presence of the discount card is the basis for the formation of long-term relationship "customer - Pharmacy", which manifests itself in the commission of permanent purchases consideration pharmacy organization.
Keywords
discount card, pharmacy operations, customer base, SOM method, RFM-analysis, segmentation of customers, demand
Suggested citation
Kaverina Irina Sergeevna,Fokin Vasiliy Aleksandrovich. Analysis discount cards as a basis for the description of the client base of pharmacy // Modern Management Technology. ISSN 2226-9339. — №9 (69). Art. # 6903. Date issued: 30.09.2016. Available at: https://sovman.ru/article/6903/
Введение
В современных условиях организации (и аптеки) стремятся улучшить свое положение на рынке, как с позиции улучшения качества обслуживания, удовлетворения спроса потребителей, так и с позиции получения коммерческой выгоды. Реализация этих целей обусловлена стратегией построения долгосрочных взаимоотношений «клиент – аптека», под которыми подразумевается взаимовыгодное сотрудничество.
Аптечное учреждение в случае долгосрочных отношений может более эффективно удовлетворять потребности клиента, за счет чего оптимизирует закупки и увеличивает прибыль. Кроме того, при долгосрочном сотрудничестве возникает эффект лояльности потребителей, который ведет к уменьшению издержек по привлечению новых потребителей и увеличению запросов клиентов [3].
Выстраивание долгосрочных взаимоотношений основано на создании клиентской базы (КБ) и ее постоянном анализе и управлении. Обычно анализ КБ заключается в анкетировании клиентов аптеки в течение определенного периода. Однако анкетирование, в силу своей специфики, ориентировано на одномоментный срез КБ. Долгосрочные взаимоотношения предполагают знание покупательского поведения клиента за определённый период. Программное обеспечение, установленное в аптечных учреждениях, позволяет получать такую информацию на основе дисконтных карт клиентов. В различных отчетных документах хранится разнообразная информация по продажам по дисконтным картам: дата, время, сумма, наименование купленных позиций, величина скидки. Выдача дисконтной карты сопровождается заполнением мини-анкеты, содержащей дополнительную личную информацию о клиенте, как правило, это ФИО, пол, возраст, адрес электронной почты или номер телефона [5]. С этой точки зрения дисконтная карта является наиболее надежным и объективным источником информации об истории взаимоотношений потребителя и аптечного учреждения.
Целью настоящей работы является анализ дисконтных карт для выявления структуры КБ.
Материалы и методы
Первичные данные формировались на основе информации, взятой из отчета по продажам по дисконтным картам за календарный год одной из муниципальных аптек г. Томска. В отчет включены сведения о номере дисконтной карты, датах и суммах покупок, совершенных по ней. Долгосрочность взаимоотношений определяется регулярностью обращения клиента в аптечное учреждение, то есть совершение им как минимум одной покупки за заданный период времени. В качестве такого периода можно рассматривать, например, неделю, месяц и т.п. Продажи в аптеках носят выраженный сезонный характер, обусловленный сезонностью заболеваний, поэтому в качестве такого периода нами рассматривались сезоны года.
Данные отчета о продажах по дисконтным картам позволили вычислить для каждого клиента предикторы: давность совершения последней покупки (R), количество совершенных покупок (F), стоимость всех покупок за выбранный период (M). Применение RFM-анализа [2] делит всех клиентов на 125 групп по различному сочетанию показателей предикторов. Такое большое количество групп не всегда позволяет провести содержательный анализ. Для укрупнения групп использовался один из методов Data Mining – Self-Organized Maps. Данный метод удобен при визуализации многомерных данных, т.к. позволяет наглядно увидеть общие закономерности в анализируемом массиве данных [1,4].
Результаты
Были рассмотрены два варианта разделения клиентов на группы по данным о продажах по дисконтным картам. В первый вариант анализа были включены все клиенты, которые совершили хотя бы одну покупку в течение календарного года в любом из сезонов («зима» — 1726 карта, «весна» и «лето» — 1959 карт, «осень» — 2307 карт). Второй вариант проводился для постоянных клиентов рассматриваемого аптечного учреждения. Под постоянными клиентами понимались покупатели, которые совершали покупки регулярно в течение календарного года, то есть как минимум одну покупку в каждом из сезонов (849 карт).
Для каждого варианта был проведен анализ методом SOM с использованием свободно распространяемого программного комплекса Deductor Studio Academic 5.31. Входными данными являлись рассчитанные для каждого клиента предикторы R, F и М.
В результате обработки все клиенты были разделены на 3 кластера: «высокий», «средний» и «низкий» (рис. 1), каждый из которых характеризуется различным диапазоном значений предиктора R. Для кластера «высокий» значение показателя R составило менее одного месяца (R < 28 дней), для «среднего» от одного до двух месяцев (29 ≤ R < 56), для «низкого» – более двух месяцев (R > 57).
Рис. 1. Сегментация клиентов аптеки методом SOM:
0-высокий, 1 – средний, 2 – низкий.
Как видно из рис. 1, выделенные кластеры для постоянных клиентов характеризуются стабильным покупательским поведением вне зависимости от сезона. При первом варианте анализа наблюдается аналогичная структура кластеров у осенне-зимних месяцев и весенне-летних, что может говорить о смене покупательского поведения в указанные периоды.
Кластер «высокий» является самым многочисленным, в то время как кластеры «средний» и «низкий» разделились практически одинаково. На рис. 2 представлено сезонное распределение КБ по кластерам. В первом случае наблюдается стабильное распределение клиентов по кластерам в течение года, за исключением сезона «зима». Второй вариант анализа показал, что в весенне-летние месяцы происходит перераспределение клиентов по кластерам: уменьшается процент клиентов кластера «высокий», при некотором увеличении клиентов «среднего» и «низкого» кластеров.
Рис. 2. Сезонное распределение КБ по кластерам
Для отображения динамики движения КБ были построены матрицы переходов по каждой из смежных пар сезонов. В табл.1 приведен пример такой матрицы для сезонов «зима/весна».
Таблица 1 — Динамика движения КБ (на примере сезонов Зима/Весна)
Сравнение матриц переходов по сезонам по вариантам анализа показал, что постоянные клиенты (второй вариант анализа) составляют большую часть клиентов, сохраняющих свое покупательское поведение (63% в кластере «высокий», 99% в кластере «средний», 70% в кластере «низкий»). При этом первый вариант анализа позволяет проводить прогнозирование состояния КБ на заданный период.
На рис. 3 представлены суммы среднего чека для выделенных кластеров по сезонам.
Рис. 3. Средний чек
Видно, что при первом варианте анализа, сумма среднего чека у кластера «низкий» является наиболее стабильной. Можно предположить, что клиенты, отнесенные к кластеру «низкий» совершают продуманные покупки, т.е. заранее составляют список необходимых товаров аптечного назначения. Кроме того, клиенты, которые реже ходят в аптеку, покупают на бóльшие суммы. Следует отметить, что наиболее изменчива сумма среднего чека у покупателей кластера «высокий», причем в осенне-зимние месяцы сумма среднего чека у них уменьшается.
По второму варианту также наблюдается существенное изменение суммы среднего чека по кластеру «высокий» в зависимости от сезона, причем пик суммы среднего чека приходится на сезон «Лето». В ходе анализа чеков таких клиентов были выявлены так называемые «корпоративные» клиенты. К таким клиентам были отнесены те, у кого предиктор F > 45, то есть клиенты со средней частотой обращаемости стремящейся к двум дням. Такая частота посещений может быть объяснена тем, что покупки совершают не для личного пользования, а для обслуживания определенных групп потребителей, например, закупки, совершаемые социальным работником, организацией и т.п. Поскольку «корпоративные» клиенты не меняют своего поведения в зависимости от сезона, это может являться объяснением повышения суммы среднего чека у покупателей кластера «высокий» в сезоне «лето».
Наиболее стабильным выявленным показателем для покупателей всех кластеров является средняя обращаемость по дням (рис. 4).
Рис. 4. Средняя обращаемость в аптеку, дни
Следует отметить, что обращаемость клиентов несколько увеличивается в весенне-летний период, причем при втором варианте анализа это выражено сильнее. При первом варианте анализа частота обращения клиентов кластеров «низкий» и «средний» для сезонов «зима», «весна» и «лето» остается неизменной и снижается статистически значимо (p<0.001) для сезона «осень».
Полученные результаты свидетельствуют о том, основой описания КБ аптеки могут выступать данные из отчетов по продажам по дисконтным картам. Описание структуры КБ по анализу данных о продажах по всем клиентам позволяет прогнозировать как распределение клиентов по кластерам КБ. При изучении потребностей клиентов целесообразнее выделять данные по продажам по дисконтным картам постоянных клиентов, совершающих покупки регулярно в течение рассматриваемого периода, поскольку постоянные клиенты показывают более стабильное поведение в сравнении со всеми покупателями.
Заключение
Таким образом, применение метода SOM позволило на основе предикторов RFM выделить три группы клиентов, имеющих дисконтные карты, и определить их основные характеристики. Показано, что они характеризуется стабильными предикторами RFM. Проведенный анализ позволяет предположить, что наличие дисконтной карты выступает основой для формирования долгосрочных отношений «клиент – аптека», что проявляется в совершении постоянных покупок в рассматриваемой аптечной организации.
________
1 Официальный сайт компании: http://www.basegroup.ru
Читайте также
Библиографический список
- Kohonen T., Self-Organizing Maps (Third Extended Edition), New York, 2001, 501 pр.
- Lorenz K. RFM Segmentation and Analysis [URL: http://blog.bronto.com].
- Reichheld F. The Loyalty Effect: The Hidden Force Behind Growth, Profits, and Lasting Value. Harvard Business School Aress, 1996.
- Каверина И.С. Анализ клиентской базы аптеки методом самоорганизующихся карт Кохонена // Информационные технологии в науке, управлении, социальной сфере и медицине: сборник научных трудов II Международной конференции «Информационные технологии в науке, управлении, социальной сфере и медицине»/ Часть II/ под ред. О.Г.Берестневой, О.М.Гергет; Национальный исследовательский Томский политехнический университет. − Томск: Изд-во Томского политехнического университета, 2015, с. 191 – 193.
- Каверина И.С. Анализ существующих методов управления клиентской базой для повышения конкурентоспособности аптечной организации // Бюллетень сибирской медицины, 2014, том 13, №4, с. 172 – 180.
References
- Kohonen T., Self-Organizing Maps (Third Extended Edition), New York, 2001, 501 PP.
- Lorenz K. RFM Segmentation and Analysis URL: http://blog.bronto.com.
- Reichheld F. The Loyalty Effect: The Hidden Force Behind Growth, Profits, and Lasting Value. Harvard Business School Aress, 1996.
- Kaverina I.S. Analysis of the customer base pharmacy by Kohonen self-organizing maps [Analiz klientskoj bazy apteki metodom samoorganizujushhihsja kart Kohonena]. Information technologies in science, administration, social services and medicine. Proceedings of the II International Conference Information Technologies in science, administration, social services and medicine. Part II ed. Berestnevoy O.G., Gerget O.M.; National Research Tomsk Polytechnic University. Tomsk. Publishing house of Tomsk Polytechnic University, 2015, P. 191 – 193.
- Kaverina I.S. Analysis of the existing customer base management techniques to improve the competitiveness of pharmacy organization [Analiz sushhestvujushhih metodov upravlenija klientskoj bazoj dlja povyshenija konkurentosposobnosti aptechnoj organizacii]. Bulletin of the Siberian Medicine 2014, Volume 13, №4, P. 172 – 180
