Анализ дисконтных карт как основа описания клиентской базы аптеки

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