Сравнительная характеристика подходов к управлению клиентской базой компании
Для проведения сравнительного анализа рассмотренных в первых двух разделах моделей к управлению клиентской базой компании необходимо выявить сильные и слабые стороны каждой из моделей, в том числе, с точки зрения соответствия требованиям бизнеса к таким моделям.
Обобщенные результаты проведенного анализа существующих подходов к управлению клиентской базой компании и схема существующих направлений исследования задачи управления клиентской базой и подходов к ее решению приведены ниже (рис.4).
Рисунок 4. Схема существующих направлений исследований задачи управления клиентской базой компании.
Результаты сравнительного анализа двух подходов по таким показателям, как эффективность использования, сложность расчета и практика применения в компаниях приведены в таблице ниже (Таблица 1).
Таблица 1. Сравнительная характеристика двух подходов к управлению клиентской базой компании
| Характеристика для сравнения | Показатель лояльности | Показатель CLV |
| Эффективность | Средняя | Высокая |
| использования | (Не отражает затратную сторону управления клиентской базой) | (Не отражает качественную сторону управления клиентской базой в части лояльности и приверженности компании) |
| Сложность расчета | Невысокая | Высокая (Более сложная модель расчета. Требует прогнозирования денежного потока от клиентов и детальных расходов на обслуживание клиента) |
| Практика применения | Часто | Редко |
Так, в части эффективности использования для решения поставленных задач показатель лояльности клиента имеет более слабые показатели в сравнении с показателем CLV за счет того, что он не учитывает затраты компании на управление клиентской базой и не имеет единой методики оценки.
При этом по показателю сложности расчета показатель долгосрочной стоимости клиента требует более значительных вычислительных затрат, так как необходимо прогнозирование денежного потока от клиентов и детальный учет расходов на обслуживание клиента. Показатель лояльности основан на оценке прошлого поведения.
За счет последнего показателя - простота расчета, по частоте использования в компаниях модели управления клиентской базой на основе показателя лояльности опережают модели на основе показателя долгосрочной стоимости клиентской базой.
Но необходимо отметить, что без введения дополнительного параметра, характеризующего соотношение затрат на клиента и его реального дохода, может возникнуть ситуация, при которой затраты на удержание и последующее увеличение лояльности клиента превысят совокупный доход от этого клиента.
Таким образом, для решения задач компании в части максимизации прибыли от клиентской базы при сокращении затрат на маркетинговые мероприятия наиболее эффективными являются модели, использующие значение показателя CLV в качестве критерия оптимальности.
Модели на основе показателя лояльности смогут отразить только качественные характеристики клиентской базы, поэтому их целесообразно применять как дополнительный критерий для принятия управленческих решений.
Результаты сравнения моделей управления клиентской базой компании на основе показателя долгосрочной стоимости клиента по таким параметрам как сложность расчета, точность прогнозирования, чувствительность к исходным данным и гибкость настройки параметров модели приведены в таблице (Таблица 2). Для составления таблицы использовались обзоры и сравнение существующих моделей в работах Фадера и Харди [96], Дипак и Сидтхарта [88], Гупта и др. [99].
Таблица 2. Сравнительная характеристика подходов к управлению клиентской
базой компании на основе показателя CLV
| Параметр сравнения | Регрессионная модель | Парето/NBD модель | MCM модель |
| Сложность расчета | средняя | высокая | низкая |
| Точность прогнозирования | средняя | высокая | высокая |
| Чувствительность к данным | высокая | высокая | средняя |
| Г ибкость | средняя | низкая | высокая |
По параметру сложности расчета наименьшие вычислительные затраты имеют модели на основе марковских цепей, далее идут
регрессионные модели и наибольшие затраты при расчете требуют вероятностные ПаретоЖВЭ-модели.
При этом наибольшей точностью прогнозирования обладают Парето/ЫВЭ-модели, сопоставимую точность прогноза имеют модели марковских цепей и менее точные показатели на долгосрочном интервале времени у регрессионных моделей.
Низкие показателя точности регрессионных моделей объясняются также высокой чувствительностью к исходным данным. Парето/NBD - модели также требовательны к качеству входной информации. При этом модели на основе марковских цепей дают более стабильные результаты по сравнению с другими подходами и менее требовательны к информационной базе исследования, что актуально для компаний с большим объемом транзакционных данных.
По параметру гибкости и времени адаптации для использования в компании наибольшее предпочтение авторы отдают марковским моделям, как наиболее понятного для руководства и топ-менеджмента организации математического инструментария. На второе место по гибкости и длительности по времени настройки относят регрессионные модели, а наименее гибкими и требовательными к внедрению считаются вероятностные Парето/NBD модели. Стоит отметить, что данный класс моделей активно развивается в работах Фадера и Харди [95], в частности, в пакете Excel был предложен инструментарий для автоматизации процесса поиска решения задачи управления клиентской базой с использованием данного метода.
1.4.