Предлагаем вашему вниманию третью статью из серии «Все о B2B ценообразовании».

В одном канале продаж могут быть различные сегменты клиентов, которые отличаются продолжительностью отношений и объемом бизнеса с компанией, а также разным покупательским поведением. Некоторые клиенты делают частые, но небольшие заказы, в то время как другие предпочитают делать редкие, но большие заказы. Наша задача — определить оптимальную скидку для каждого клиента, которая удовлетворит его потребности и при этом принесет максимальную маржу для бизнеса.

Методология отбора факторов для кластеризации базируется на расчете коэффициента Silhouette для каждого из предполагаемых факторов и выбор наиболее разделяющих признаков. Такими факторами могут быть:

1. Количество заказов в историческом периоде

2. Среднее количество заказов в историческом периоде, в котором были заказы

3. Количество категорий, в которых были произведены покупки в историческом периоде

4. Выручка в историческом периоде

5. Прибыль в историческом периоде

6. Количество проданных товаров в историческом периоде

7. Количество дней с последнего заказа

8. Кластер клиента (по существующей в компании классификации)

9. Среднее количество дней между заказами в историческом периоде

А сколько должно быть таких кластеров? Два, три или равное количеству клиентов? Поскольку заранее невозможно сказать, какое количество кластеров будет оптимальным, расчет метрики для каждого параметра проводится по нескольким количествам кластеров и усредняется. Мы используем алгоритм k-means, который зарекомендовал себя как простой и надежный в реализации. Таким образом, модель подбирает оптимальный набор кластеров, исходя из объема параметров и степени дифференциации этих параметров для разных Клиентов. Обратной стороной кластеризации является специфика продаж: бывают случаи, когда обширная кластеризация идет во вред лояльности, ценовая дискриминация слишком очевидна клиенту и в этом случае это может быть ограничением, которое закладывается в модель.

Для эффективной кластеризации клиентов необходимо собирать и сохранять всю доступную информацию о клиентах, поскольку основой кластеризации являются параметры, характеризующие клиентов с разных сторон. Важно систематически сохранять логи сессий клиентов в информационной системе, чтобы иметь полную информацию о поведении клиентов, а также фиксировать отказы клиентов. Кроме этого, систематический сбор информации о ценах конкурентов позволит рассчитать ряд дополнительных характеристик, таких как чувствительность к ценам конкурентов, что поможет определить оптимальный подход к ценообразованию.

Дополнительной моделью к модели кластеризации является модель, которая учитывает состояние клиента при определении оптимальной скидки. Например, при заключении первой сделки с клиентом может быть целесообразно предложить ему большую скидку, чем в обычных ситуациях, для того, чтобы привлечь его внимание и обеспечить долгосрочное сотрудничество.

Для определения текущего состояния клиента формируется определенный вектор, который содержит переменные, «кодирующие» клиента. Количество переменных, описывающих клиентов, может изменяться в зависимости от условий ведения бизнеса и понимания клиентов. Результаты исследований показывают, что количество переменных, описывающих клиентов в сфере B2B, может значительно варьироваться — от 5 до 171 (Predicting customer churn from valuable B2B customers in the logistics industry: a case study. KuanchinChen, Ya—HanHu ,Yi—ChengHsieh).

Указанные выше факторы кодируют текущее состояние клиента, позволяя оценить тренды поведения и оценить дальнейшее поведение (например, риск ухода). Рассчитанные параметры передаются в виде вектора на вход последующих моделей ценообразования, что делает их более “персональными”.

Кодирование состояния клиентов используется в качестве входных параметров для модели «Предсказание вероятности покупки клиентом». Текущее состояние клиента является важным фактором, поскольку лояльные клиенты могут быть готовы совершить покупку по более высокой цене, чем нелояльные, которые готовятся прекратить отношения с компанией. Кроме того, кодирование состояния клиентов может использоваться для модели «Предсказание оттока клиентов», поскольку текущее состояние клиента является ключевым фактором, который позволяет учитывать динамику взаимоотношений с клиентом и предсказывать вероятность ухода клиента в ближайшем будущем.