Откуда брать сегменты клиентов?
Объём безвозмездных передач увеличился с 10,4 млрд рублей в 2020 году до 105,6 млрд рублей в 2024 году (учтённых в налоговой базе).
С точки зрения анализа данных - это утверждение неполное, потому что с одной стороны вроде как появляется ощущение, что что-то знаешь: "В 10 раз увеличился объем сектора", с другой не знаешь ничего: "Что конкретно увеличилось, какие направления?".
Ведь есть НКО, которые совсем за этот период не выросли.
В отчётах SberIndex'a эту проблему часто решают тем, что приводят не просто верхнеуровневые цифры, но рядышком рисуют и факторный анализ.
В исследовании Frank RG & SBER Private Banking & СберПервый есть много полезных цифр про благотворительность. В частности, на скриншоте показана мотивация благотворителей.
К сегментированию это относится следующим образом.
Откуда брать сегменты клиентов (в контексте НКО - доноров)?
Можно выделить два подхода:
1) Придумаем.
Здесь строятся гипотезы про сегменты: "Давайте придумаем сегменты A, B, C, D". Они звучат логично, значит, наверное, они могут быть сегментами. А сколько нужно сегментов? 5, 10, 100? Как, вообще, понять откуда они берутся? Творческий процесс - это всегда хорошо. Интуиция может подсказать качественные сегменты, и выстрелить.
Сегментирование - увеличивает сложность системы. В том смысле, что их же не просто надо придумать, сегменты потом придется тестировать, проверять, что они действительно работают на практике. Поэтому, придумывая, лучше брать малое количество сегментов, там где ваша чуйка точно говорит, что это оно, и вы готовы потратить время и деньги, чтобы это проверить.
2) Анализируем данные.
Если говорить про data science, и анализ данных - подходов много.
Есть один простой, который легко интерпретируется математически.
Сегменты — это результат кластеризации данных по определенным критериям, на основе явной метрики. В качестве базовой метрики, вероятно, выбирают LTV. Дальше пробуют найти корреляцию параметров, построить на этом гипотезы и проверить статистическую значимость. Так выглядит выявление критериев, по которым стоит делать сегментирование, которые влияют на целевую метрику.
Есть и другой подход ещё проще: RFM-анализ. Суть похожа, просто кластеризация идёт по заданным критериям: как давно (R), как часто (F), сколько платили (M).
В этом случае творческий процесс тоже нужен, хотя может показаться, что это не так.
Потому что когда вы разложите данные по полочкам, поймёте какие критерии важны для выделения сегментов, чуйка начнёт работать в эту сторону.
А так же всё равно придется придумать стратегию, что с этими сегментами делать.
Здесь нам могут помочь исследования (которые желательно не проводить самим :), потому что это тоже больших ресурсов требует). В таких исследованиях выявляются аргументы за и против принятия решения (о покупке). Эти аргументы - то о чём имеет смысл "поговорить" с [потенциальными] клиентами. Т.е. это база, по которой можно выстроить УТП и CJM для ваших покупателей. Так как теперь мы можем ответить: какие вопросы есть у сегмента "Потенциальные лоялисты" перед тем, как они смогут перейти в "Лояльные клиенты".
Например, по скрину с результатами исследований:
Для массового сегмента важнее «уверен, куда пойдут деньги» (37,8%) и «простота» (27,2%) — значит, в этом сегменте упор нужно делать на прозрачность и удобство интерфейсов.
А для LHNWI+:
Для сегмента LHNWI+ ключевые мотиваторы — «это принято в моем окружении» (41,7%) и «вдохновила история помощи» (37,5%). Это подсказывает, что для этого сегмента важны эксклюзивные мероприятия, влияние референтных групп и storytelling высокого уровня.
Такие выводы позволяют понять, за счет каких сегментов произошел рост — и за счет каких он может произойти дальше.
Поэтому анализ мотивации (как в исследовании) и анализ поведения (RFM/кластеризация) должны работать в связке.
Сегментирование - это не разовая работа. Ведь и база сегментов обновляется постоянно.
Поэтому проще, когда всё встраивается в процесс.
#business@egorword
