Димитри Маекс - Ключевые цифры. Как заработать больше, используя данные, которые у вас уже есть

В итоге мы хотели выявить различные сегменты, у участников которых имелись свои уникальные приоритеты с точки зрения потребностей. Для этого использовался кластерный анализ – моя любимая статистическая процедура. Вы позволяете данным самим говорить за себя и самостоятельно формировать различные группы клиентов. После этого вам необходимо принять здравое суждение о том, насколько осмысленно и правильно объединять людей в такую группу. Именно комбинация данных и их интерпретации делает эту процедуру столь забавной – ведь, по сути, это наполовину наука и наполовину искусство.

Предположим, мы проинтервьюировали представителей тысяч небольших и средних компаний, задав им вопрос о единственно важной потребности – эффективном управлении цепочкой поставок (которую нужно было оценить по шкале от 1 до 10). Их ответы (представленные точками на иллюстрации ниже) выглядели примерно так, как представлено ниже.

В данном случае ясно, что существуют два сегмента: компании, считающие управление цепочкой важным делом, и те, для кого это неважно. Кластерный анализ в данном случае будет крайне простым. Мы можем легко обозначить границами два четко сформировавшихся кластера.

Теперь давайте предположим, что мы задали участникам два независимых вопроса: первый – о важности управления цепочкой поставок; второй – о возможности сотрудникам постоянно работать за пределами офиса. Ответы на эти вопросы выглядели так, как представлено ниже.

Вы довольно легко можете увидеть три сегмента: первый – люди, считающие управление цепочкой важным (справа); второй – люди, не считающие управление цепочкой важным, но отдающие должное важности мобильности рабочей силы (вверху слева); третий – люди, не считающие важным ни один из вопросов (внизу слева).

Нам было нужно придать этим результатам визуальную форму. Но справиться с этой задачей на компьютере не так-то просто. Один вариант может состоять в том, чтобы нарисовать границы с помощью определения сравнительного расстояния. При проведении кластерного анализа мы давали компьютеру следующие инструкции:

• минимизировать расстояние между точками, принадлежащими к одной и той же группе , что позволяет более четко выразить суть групп, а значит, позволяет и вам легче их выявить;

• максимизировать расстояние между центрами различных групп , чтобы группы стали более заметными и вам было проще их найти.

Если вопрос заключался бы в оценке всего двух-трех потребностей, то нам вообще не понадобился бы компьютер. Мы могли бы увидеть и нарисовать нужные точки самостоятельно, а затем провести границы вокруг кластеров. Но вы наверняка помните, что мы хотели изучить не две потребности, а целых семнадцать. Это нам не по силам. (Вы мне не верите? Попытайтесь оценить хотя бы половину – и вы рискуете сойти с ума.)

Заставив компьютер обработать данные по всем семнадцати параметрам, мы обнаружили, что у нас сформировалось пять основных кластеров. Они значительно различаются между собой, когда речь заходит о сравнительной важности каждой из семнадцати потребностей, однако внутри каждого кластера потребности участников были крайне схожи между собой.

• Сегмент 1

Базовые потребности (16 %)

Небольшие компании, работающие «для удовольствия» владельцев и обеспечивающие их постоянной занятостью и доходом. Небольшой уровень потребностей в информационно коммуникационных технологиях.

• Сегмент 2

Ориентированность на клиента (16 %)

Компании, занимающиеся сервисом для конечных пользователей и нуждающиеся в укреплении связей с клиентами и улучшении сервиса. Необходимость создания технологии, позволяющей ориентироваться на клиента.

• Сегмент 3

Эффективность работы (14 %)

Компании среднего размера, имеющие потребности в упрощении производственных процессов и улучшении сервиса для клиентов. Большая потребность в технологиях, улучшающих операционную деятельность.

• Сегмент 4

Гибкость и безопасность (18 %)

Оптимистичные и нацеленные на активное использование технологий компании, для которых гибкость бизнеса служит основным приоритетом. Хорошо разбираются в вопросах информационно коммуникационных технологий, обеспечивающих гибкость и безопасность бизнеса; испытывают в них потребность.

• Сегмент 5

Высокие потребности (19 %)

Молодые, технологически подкованные компании, основная мотивация которых связана с ростом и расширением. Масса потребностей во всех направлениях.

Наше исследование позволило компании получить огромную отдачу. Разделив рынок подобным образом, BT получила возможность разговаривать различно с каждой группой. Например, при общении с группой из второго сегмента (сильнее всего сфокусированной на интересах клиентов) мы могли говорить о вопросах безопасности совсем не так, как с группой из третьего сегмента, интересовавшейся улучшением внутренних операций. Если при общении с первыми мы говорили о том, как технологии BT помогут им обеспечить безопасность их клиентов, то, общаясь с другими, мы уделяли внимание тому, как решения BT обеспечивают безопасность внутренних систем.

Такая сегментация по потребностям позволила нам получить мощный инструмент для подбора соответствующих брендовых коммуникаций.

Согласованность ваших методов

Вы можете совмещать анализ потребностей с любой другой работой по сегментации, которую вы уже ведете, чтобы лучше разобраться в интересах своих клиентов. Именно это мы сделали в Cisco. Как вы помните из первой главы, мы провели анализ сегментов, основанный на том, сколько денег они тратили на покупки в данной категории и какая доля покупок приходилась на Cisco. И хотя сотрудники отдела продаж с готовностью приняли на вооружение нашу модель ценностного спектра, некоторые маркетологи поначалу проявили куда меньший энтузиазм – ведь они уже провели сегментирование в соответствии с собственной методикой. Согласно нему, клиенты делились на четыре группы, основанные на их отношении к технологиям: руководствующиеся советом; руководствующиеся ценой; ценители передовых технологий; идущие за лидером (то есть действующие подобно компаниям из списка Fortune 100). В то время как некоторые маркетологи считали, будто эти два типа сегментации конкурируют между собой, мне стало ясно, что они способны помочь друг другу. Модель ценностного спектра позволяла Cisco понять, с какими клиентами стоит говорить, а сегментация по отношению к происходящему давала компании ясное представление, о чем с ними нужно говорить.