Анализ и моделирование клиентской базы в системе управления бонусной программой

0

Факультет экономики и управления

Кафедра математических методов и моделей в экономике

ДИПЛОМНАЯ РАБОТА

Анализ и моделирование клиентской базы в системе управления бонусной программой (на примере ООО «Стройсити»)

Аннотация

Дипломная работа посвящена анализу и моделированию клиентской базы в системе управления бонусной программой лояльности на примере ООО «Стройсити».

Работа состоит из введения, трех глав и заключения.

Во введении обоснована актуальность выбранной темы, сформулирована цель, поставлены задачи, определены объект и предмет исследования, описана информационная база, перечислены применяемые методы и инструментальные средства.

В первой главе раскрыто понятие лояльности, затронуты вопросы зарождения и развития программ лояльности, дана классификация программ лояльности, рассмотрены подходы к измерению лояльности покупателей и особенности создания бонусных программ лояльности. Дан обзор существующих в литературе математических методов анализа лояльности и приведено описание математического инструментария, используемого в дипломной работе для решения поставленных задач.

Во второй главе проведен статистический анализ структуры клиентской базы, исследовано влияние качественных характеристик клиентов, влияющих на их лояльность, проведено моделирование клиентской базы владельцев бонусных карт.

В третьей главе с целью выявления экономического эффекта от внедрения бонусной программы проведено моделирование и прогнозирование объема продаж компании как в целом по предприятию, так и по отдельным товарным направлениям и категориям товаров.

В заключении содержатся основные выводы по итогам проведенного исследования.

Дипломная работа изложена на 126 страницах, содержит 16 рисунков, 47 таблиц, 2 приложения. Список литературы включает 54 наименования работ отечественных и зарубежных авторов.

Annotation

Thesis is devoted to the analysis and modeling of the customer base in the management bonus loyalty program for example ООО "Стройсити".

The work consists of an introduction, three chapters and a conclusion.

In the introduction the urgency of the chosen theme, articulated goals and objectives of the thesis, identified the object and the subject of the study, described the study information database, lists the methods applied and the tools.

In the first chapter discloses the concept of loyalty, touched on the origin and development of loyalty programs, the classification of loyalty programs, discuss approaches to measuring customer loyalty and bonus features create loyalty programs. A review of existing literature, mathematical methods of analysis of loyalty and a description of the mathematical tools used in the research paper for the task.

In the second chapter, the statistical analysis of customer base, investigated the effect of high-quality customer characteristics that affect their loyalty, simulated customer base loyalty card holders.

In the third chapter to identify the economic impact of the introduction of the bonus program used to simulate and forecast the company's sales in the whole enterprise, and in selected product areas and product categories.

In conclusion, contains the main conclusions of the study.

Degree work is set out on page 126, contains 16 figures, 47 tables, 2 appendices. Bibliography includes 54 titles of works of Russian and foreign authors.

Содержание

Введение

1 Основные задачи бонусной программы лояльности и методы их решения

1.1 Понятие, развитие и классификация программ лояльности

1.2 Особенности создания бонусных программ лояльности

1.3 Обзор основных методов анализа данных в системах управления бонусными программами лояльности

2 Анализ и моделирование клиентской базы ООО «Стройсити»

2.1 Статистический анализ структуры клиентской базы

2.2 Выявление лояльных категорий клиентов

2.3 Моделирование клиентской базы владельцев бонусных карт

3 Анализ влияния бонусной программы на объем продаж ООО «Стройсити»

3.1 Моделирование и прогнозирование объема продаж компании

3.2 Моделирование и прогнозирование объема продаж по отдельным товарным направлениям

3.3 Оценка экономического эффекта от внедрения бонусной программы на примере отдельных категорий товаров

Заключение

Список использованных источников

Приложение А Структура клиентской базы

Приложение Б Анализ и моделирование объема продаж ООО «Стройсити»

Введение

В эпоху усиления конкуренции в большинстве сфер бизнеса ценовые методы формирования конкурентных преимуществ отходят на второй план, всё большее развитие получают технологии, позволяющие формировать долгосрочные взаимовыгодные отношения с клиентом. Поскольку постоянные клиенты значительно выгоднее для бизнеса, чем новые, многие компании ориентируются на удержание имеющихся потребителей.

На смену традиционному «транзакционному» подходу, рассматривающему взаимоотношения с потребителем исключительно в рамках совершения сделки в условиях ограниченной или отсутствующей коммуникации, пришел новый подход, делающий основной акцент на установление прочных и долгосрочных отношений с потребителем. В рамках нового подхода важную роль играют маркетинговые технологии, нацеленные на формирование лояльности потребителей.

Программа лояльности в современном понимании представляет собой систему мер и инструментов, направленных на увеличение приверженности клиента к определенной торговой точке или продукту. Назначением программы лояльности может стать удержание клиента в клиентской базе и увеличение его покупательской активности. Кроме того, программа может быть направлена на увеличение доли компании в тратах клиента, а также на возвращение клиента в клиентскую базу в случае его потери. Все эти цели могут быть достигнуты с помощью продуманной системы управления программой лояльности, учитывающей особенности поведения клиентов.

Инструменты усиления потребительской лояльности постоянно эволюционируют. Все существующие подходы можно разделить на две категории: программы, предусматривающие материальное поощрение участия, и программы, основанные на психологическом вознаграждении, причем такое разделение не отрицает возможности сочетать оба способа стимулирования. Дисконтные программы и розыгрыши призов одни из наиболее часто используемых методов удержания потребителей и поддержания их лояльности. Альтернативой дисконтным программам являются бонусные программы, подразумевающие накопление покупателем специальных бонусных баллов, которые он может использовать для совершения следующих покупок.

Современный уровень развития информационных технологий позволяет компаниям внедрять программы лояльности, учитывающие различные действия клиентов и позволяющие их дифференцировано поощрять, используя активность клиентов в выгодном для компании русле. В основе построения таких программ лояльности лежит серьезный инструментарий анализа клиентской базы, т.е. современные математико-статистические методы анализа многомерных данных различной природы.

Далеко не все компании могут себе позволить внедрить дорогостоящую программу, разработанную фирмой, специализирующейся на создании индивидуальных программ лояльности для предприятий. Перед такими компаниям встает задача создания системы лояльности собственными усилиями. А для этого им необходимо овладеть арсеналом методов, в том числе математических, которые помогут принимать правильные решения по управлению программой лояльности.

Вопросам изучения лояльности в литературе уделяется большое внимание. Основными учеными в этой области являются Ф. Котлер, Б.А. Соловьев, Ф. Райхельд, С. Бутчер, Ю.В. Васин, А.Г. Андреев, А.В. Цысарь, Д. Ли, Д. Гриффин, Ж. Хофмейер, Б. Райс и другие. Эти авторы заложили и активно развивают новое направление исследований в экономике – бизнес, основанный на лояльности. Несмотря на то, что идея о необходимости ориентации бизнеса на удовлетворение потребностей клиентов не нова и неоднократно освещалась в литературе, вопросы формирования и измерения лояльности, а также оценки экономических последствий лояльности остаются актуальными и сейчас.

Анализируя периодические издания по маркетингу, а это в первую очередь такие журналы как «Маркетинг», «Маркетинг и маркетинговые исследования», «Маркетинг в России и за рубежом», «Маркетолог», «Практический маркетинг», можно сделать вывод, что тема изучения лояльности покупателей является весьма актуальной. Имеется большое количество публикаций по изучению лояльности потребителей на различных рынках товаров и услуг: продовольственном рынке, рынке банковских, образовательных, телекоммуникационных услуг, рынке транспортных средств и других. В периодических изданиях последних лет часто встречаются статьи, посвященные методам оценки лояльности покупателей и построения систем лояльности, методам организации работы с клиентами с целью повышения их лояльности, программным средствам и технологиям создания систем лояльности. Однако в большинстве случаев публикации носят теоретический характер. Практические исследования, посвященные изучению лояльности, проводятся, как правило, без использования математического инструментария, позволяющего сделать обоснованные выводы, опираются преимущественно на опросы покупателей, результаты которых обрабатываются методами описательной статистики.

Подводя итог всему вышесказанному, можно сделать вывод о том, что выбранная тема дипломной работы «Анализ и моделирование клиентской базы в системе управления бонусной программой (на примере ООО Стройсити»)» является актуальной.

Целью исследования в дипломной работе является выработка рекомендаций по совершенствованию бонусной программы ООО «Стройсити».

Объектом исследования являются владельцы бонусных карт ООО «Стройсити».

Предметом исследования являются методы и модели анализа данных о владельцах бонусных карт.

В соответствии с поставленной целью сформулированы следующие задачи исследования:

1) статистический анализ структуры клиентской базы владельцев бонусных карт и выявление качественных характеристик клиентов, влияющих на их лояльность;

2) моделирование вероятности активного пользования бонусами и ранжирование категорий клиентов по их лояльности;

3) анализ влияния покупательской активности на пользование бонусами;

4) анализ влияния бонусной программы на объем продаж ООО «Стройсити».

Поставленные задачи исследования в дипломной работе решаются с помощью следующих методов:

- непараметрические методы проверки однородности распределения двух независимых совокупностей;

- непараметрический однофакторный дисперсионный анализ;

- методы анализа таблиц сопряженности;

- анализ соответствий;

- методы регрессионного анализа на основе линейной модели множественной регрессии и на основе моделей бинарного выбора;

- методы моделирования и прогнозирования одномерных временных рядов.

Информационную базу для исследования составили данные о владельцах клубной карты ООО «Стройсити», зарегистрированных в период с даты начала действия бонусной программы 15 марта 2012 года по 1 февраля 2013 года в городе Петрозаводске; а также ежемесячные данные об объеме продаж ООО «Стройладния» за период с 2006 по 2012 годы.

Вся информация о владельце клубной карты ООО «Стройсити» фиксируется в карточке персонального учета и вносится в базу данных, в которой накапливается информация по всем клиентам. Эта информация содержит следующие характеристики клиента: пол, возраст, семейный положение и род деятельности. В базе данных хранится информация о количестве совершённых клиентом покупок, сумме покупок и среднем чеке, а также информация характеризующая степень участия клиента в бонусной программе: количество и сумма покупок с использованием бонусов, количество и сумма покупок с использованием скидки.

Для решения поставленных в дипломной работе задач и оформления дипломной работы применялось следующее программное обеспечение: статистические пакеты «Statistica», «Eviews», табличный процессор «Microsoft Excel», текстовый редактор «Microsoft Word», браузер «Microsoft Internet Explorer».

Первая глава дипломной работы посвящена рассмотрению понятия «лояльность потребителя» и роли маркетинга лояльности в современных условиях деятельности компаний. В первой главе также описывается история зарождения и развития программ лояльности, дается классификация и характеристика особенностей различных программ лояльности, в том числе бонусной программы лояльности. Кроме этого в первой главе рассмотрены особенности создания программ лояльности, такие как, основные этапы создания программ лояльности, различные подходы к оценке уровня лояльности, основные маркетинговые задачи, решаемые при внедрении бонусной программы лояльности; дана краткая характеристика основных компаний, специализирующихся на создании и использовании программ лояльности. Завершается первая глава обзором существующих методов решения основных задач системы управления бонусной программой лояльности и описанием предлагаемого в дипломной работе математического инструментария анализа клиентской базы владельцев бонусных карт.

Во второй главе дипломной работы проведен статистический анализ структуры клиентской базы, по результатам которого дано описание портрета типичного владельца бонусной картой в зависимости от пола, возраста, семейного положения и рода деятельности клиента. Далее во второй главе с целью выявления лояльных категорий клиентов исследовано влияние качественных характеристик клиента на сумму покупки, сумму накопленных бонусов и на пользование бонусами. Третий параграф второй главы посвящен моделированию клиентской базы владельцев бонусных карт, включающему моделирование вероятности активного пользования бонусами, моделирование суммы накопленных бонусов, вероятности пользования бонусами и вероятности активного пользования бонусами.

В третьей главе дипломной работы с целью оценки экономического эффекта от внедрения бонусной программы проведено моделирование и прогнозирование объема продаж как в целом по предприятию, так и по отдельным товарным направлениям, таким как плитка, обои, краска.

1 Основные задачи бонусной программы лояльности и методы их решения

1.1 Понятие, развитие и классификация программ лояльности

Социальная направленность современных экономик, ориентация на клиента, на установление с ним долгосрочных «партнерских отношений», использование социально ориентированного маркетинга – вот отличительные особенности современного мира. Расхожее выражение – «клиент всегда прав» – все чаще становится подтекстом деятельности любой компании, работающей в сегменте товаров и услуг массового спроса и ориентированной на дальнейший рост.

Маркетинг управления взаимоотношениями с потребителем отодвинул на второй план базовые понятия традиционного маркетинга, а именно: product (товар), price (цена), place (распространение), promotion (продвижение) [53]. Важнейшая роль в настоящее время отводится маркетинговым технологиям, направленным на повышение лояльности потребителей.

Модель бизнеса на основе лояльности адекватно объясняет причины удач и провалов в современном бизнесе. По результатам маркетинговых исследований в большинстве отраслей компании с максимальным уровнем лояльности потребителей получают и максимальные прибыли. Причем уровень лояльности гораздо теснее связан с показателем прибыли, чем доля рынка, масштаб деятельности, сравнительный уровень издержек на единицу продукции и любые другие традиционные экономические показатели [39, 27].

Учёными США и стран Европы, в результате проведённых исследований, было установлено, что организации располагающие устойчивой клиентской базой в большинстве отраслей занимают лидирующее положение. Именно этот фактор успеха называется эффектом лояльности. Многие учёные полагают, что этот фактор успешной деятельности компании является более мощным, чем выручка и доля рынка.

В условиях конкуренции каждая компания большое внимание уделяет работе с клиентами, внедрению различных программ, направленных на их привлечение и удержание. То, что принято называть маркетингом лояльности или маркетингом удерживания, маркетингом отношений, face to face маркетингом, повторяющимся маркетингом – это по сути одно и то же. Главная их цель – удержать покупателя как можно дольше и увеличить долю своих покупателей на рынке.

Лояльность (от англ. «loyal» - верный, преданный) можно определить как характеристику потребителя, обозначающую его приверженность к продукту, услуге либо в целом к компании, которая является не только следствием рациональных факторов, но и психологических, бессознательно воспринимаемых факторов [49].

В последнее время российские потребители требовательны не только к качеству обслуживания, но и к программам стимулирования собственной покупательской активности. Эти программы называют «программами лояльности». Под программой лояльности понимается комплекс мероприятий по созданию и развитию долгосрочных личностных отношений между компанией и клиентами [26].

Понятие лояльности зародилось ещё с появлением рыночных отношений. Этот процесс удержания клиента не сразу получил своё современное название, но непременно находил место в арсенале каждого успешного предпринимателя. Каждый продавец хорошо знал своих постоянных покупателей, их интересы и старался предложить именно, тот товар, который был им нужен. Кроме этого, предлагались те или иные выгоды, ценные именно для конкретного покупателя. Продавец мог предоставить скидку или предложить редкий товар. Все это помогало удерживать постоянных покупателей и делать торговлю более стабильной. Но по мере роста населения и увеличения самих магазинов, отношения между покупателем и продавцом становились всё более обезличенными.

Впоследствии, рынок перестал расти прежними темпами, конкуренция становилась всё жёстче. В результате покупателей не стало хватать на всех. Тогда перед управляющими торговых компаний возникла задача индивидуализировать отношения с покупателем. Одним из первых шагов в этом направлении стало предоставление кредитов. Некоторые компании наиболее богатым клиентам начали выдавать специальные карточки.

Специализированные программы лояльности стали появляться и внедряться многими крупными компаниями не так давно. Впервые программы лояльности появились у авиаперевозчиков. Крупные авиакомпании всеми силами стремились удовлетворить запросы пассажиров, они выясняли, на чём основывается выбор пассажиром той или иной авиакомпании. Разработанные программы еще не позволяли полностью отследить те или иные запросы пассажиров, но они уже позволяли ощущать их выбор и, в результате, помогали авиаперевозчикам увеличивать число своих постоянных клиентов [49].

Развитие подобных систем тормозили технические возможности того времени. Тогда еще отсутствовали технические средства для ведения больших клиентских баз. С развитием компьютерных технологий локальные системы стали объединяться в международные и распространились по всему миру. В результате, практически каждая торговая компания имела свою дисконтную систему, устраивала распродажи и выпускала скидочные карты.

Понятие «лояльность» пришло в Россию из-за рубежа и пока мало изучено в условиях экономики нашей страны. В настоящее время в России большинство программ лояльности предлагают клиентам в первую очередь материальные привилегии, которые, по сути являются обыкновенными скидками, которые занимают последнее место в иерархии методов завоевания лояльности. Клиенты, покупающие товары компании только из-за низкой цены, покинут её, как только кто-нибудь предложит им нечто более выгодное. Важно понимать, что достижение долгосрочной лояльности клиентов по отношению к компании возможно только благодаря установлению с ними взаимоотношений, в основе которых будут лежать не только материальные стимулы, но и эмоции, доверие и партнёрство. Таким образом, главная задача программ лояльности – создание у нужных клиентов ощущения избранности, заботы и эмоционального комфорта, которое станет серьёзным психологическим препятствием для перехода к другому поставщику товаров или услуг [22].

Все программы лояльности могут быть разделены на два типа – закрытые и открытые. Какой из них более подходящий зависит от задач программы, выбранной целевой аудитории и частных особенностей программы. Часто для получения права на участие в программе лояльности клиент должен соответствовать определенным критериям (например, для участия клиента в коалиционной программе лояльности, организатором или партнером которой является страховая компания, необходимо иметь страховой полис). Это позволяет тщательно сфокусироваться на главной целевой группе [24].

Открытые программы лояльности не требуют удовлетворения каким-либо условиям, но в результате в них зачастую участвует много клиентов, не приносящих компании прибыль. Создание таких программ идеально в случае, если предполагаемые очерченные целевые группы слишком велики или потенциальные клиенты и клиенты конкурентов тоже включены в главные целевые группы. В то же время отсутствие каких-либо условий для участия в программе делает ее более привлекательной и удобной для многих клиентов.

Сегодня среди множества приемов, направленных на увеличение потребительской лояльности, наиболее актуальными и перспективными становятся технологии, нацеленные на усиление не столько рациональной, сколько эмоциональной лояльности. Безусловно, такие программы на практике могут реализовываться с использованием механизмов материального стимулирования, однако конечной целью и положительным результатом применения данных технологий становится эмоциональная привязанность того или иного клиента к торговой точке или бренду.

Поскольку привилегии участникам, на сегодняшний день являются главным в программе лояльности, остановимся на них более подробно. Как известно, лояльность нельзя купить, тем не менее материальное поощрение способствует поддержанию и повышению уровня приверженности уже лояльного клиента, создавая дополнительный барьер для перехода к конкуренту. Не смотря на то, что программы лояльности чрезвычайно разнообразны, можно выделить несколько систем вознаграждений, лежащих в их основе. В зависимости от способа начисления поощрений все программы лояльности можно отнести к одной из четырех групп:

- бонусная система;

- ступенчатая система;

- клубная система;

- дисконтная система.

Идея бонусной системы состоит в том, что на все продукты компании начисляется определенное значение бонусов – условной единицы вознаграждения. Покупатель накапливает бонусы на своем виртуальном счете, а затем может их обменять на какие-либо товары или услуги. Именно таким образом были организованы знаменитые программы часто летающих пассажиров, в том числе первая из них – компании «American Airlines».

Поощрения клиентов в ступенчатой системе напрямую зависит от достижения ими той или иной ступени, всегда связанной с объёмом покупок. Чем она выше, тем больше вознаграждение получает участник. Примером такой программы лояльности является программа «привилегированный клиент» компании «МОСКО», предусматривающая два уровня – «серебряная карта» и «золотая карта». Для товаров регулярного спроса устанавливается период времени, в течение которого участник программы лояльности должен совершить покупки на определенную сумму, чтобы перейти на следующий уровень.

К достоинствам ступенчатой системы необходимо отнести то, что она имеет четкие условия вознаграждения. Особенно она удобна для компаний, занимающихся промышленными товарами. При достижении определенного объема покупок клиент гарантированно получает привилегии в течении всего последующего периода сотрудничества с фирмой. Основным недостатком является то, что клиенты не имеющие возможности увеличения объема своих закупок, не могут выйти даже на первый уровень, в следствии чего полностью теряют интерес к такой программе лояльности и соответственно, к услугам компании.

Клубная система во многом похожа на ступенчатую, но ее существенное отличие от последней состоит в том, что она не предусматривает движения вверх: став участником клуба, клиент получает сразу весь комплект привилегий. Далее возможны варианты: в одних программах лояльности свое членство необходимо постоянно подтверждать, в других предполагается единоразовое выполнение условий вступления. Таким образом, клуб – это программа для «избранных». Примерами реализации данной системы могут служить клубы «Samsung FunClub», «Pegeot-club», «Audi-club». Далеко не каждый бренд обладает «клубными» свойствами, к примеру, бессмысленно объединять таким образом потребителей FMCG-товаров (от англ. «fast moving customer goods» - товары массового спроса). Считается, что эта форма наиболее приемлема для брендов в сфере туристических услуг, ресторанной деятельности, издательских домов и банков [16]. Как правило, клубные программы – это наиболее затратные по времени и усилиям формы организации программ лояльности, так как требуют постоянного поддержания интереса участников к деятельности клуба. Однако именно такая система в наибольшей степени способствует формированию эмоциональной составляющей лояльности.

Дисконтная система вознаграждения является наиболее распространенной и наименее прогрессивной с точки зрения формирования лояльности потребителей. Это связано в первую очередь с тем, что скидка в восприятии потребителей дискредитирует товар. Кроме того, дисконтная система является самым невыгодным для производителя способом стимулирования и не предусматривает никаких механизмов для построения перцепционной лояльности. Такие программы сочетают в себе большое разнообразие принципов поощрения потребителей, однако объединены в одну группу по тому, что в качестве вознаграждения используется именно дисконт.

Описанные выше системы материального поощрения могут встречаться как в чистом виде, так и в различных комбинациях. Нематериальное поощрение помогает вывести отношения «клиент-продавец» из области чистой коммерции, делая их более живыми, что для формирования «скидок на объем».

На сегодняшний день в России скидка является самым распространенным инструментом поощрения покупательской активности. У нее есть свои плюсы, основным из которых является реализация принципа «здесь и сейчас». Но при этом есть и минусы. Во-первых, скидка дискредитирует цену на товары, т.е. продавец как бы заранее говорит, что товар столько не стоит и может быть продан дешевле. Во-вторых, рентабельность бизнеса далеко не всем позволяет продавать товар на 5-10% ниже его установленной цены, а скидка 1-3% не очень интересна для покупателя. В-третьих, скидка – это отказ от денег, которые клиент мог бы потратить. Ему сложно подсчитать, какую суммарную скидку он получил за тот или иной период, а это могло бы оказать положительное эмоциональное воздействие. Что касается бонусов, то они позволяют воздействовать на покупателей в первую очередь эмоционально.

Бонусы радуют клиента минимум дважды: при их накоплении и при их расходовании. Если в момент зачисления бонусов на счет покупателя будет приходить СМС-сообщение следующего содержания: «На выш счет зачислено 20 бонусов. Теперь ваш баланс составляет 345 бонусов», – то трижды. Это значит, что существенно повышается количество положительных эмоций, вызванных у покупателя. Положительные эмоции – это один из основных факторов, необходимых для достижения клиентской лояльности.

За счет того, что бонусы тратятся только в сетях-партнерах, которые их начислили, они обходятся дешевле чем скидка, а значит их можно давать больше.

Покупку на бонусы клиент воспринимает как подарок, поэтому чаще всего с их помощью приобретаются товары из других, не характерных для данного покупателя товарных групп. Это приводит к расширению потребительской корзины клиента.

Покупатель придет потратить бонусы на конкретный товар и, скорее всего, купит что-то еще. Кроме того, использование бонусов дает возможность реализовывать различные приемы, такие как начисление дополнительных бонусов при покупке конкретного товара. При продвижении нового продукта можно начислять за его покупку «неприлично» большое количество бонусов, при этом покупатель привыкает платить за него полную стоимость, что благоприятно сказывается на продажах после прекращения действия акции. Этим во многом объясняются современные тенденции перехода от скидочных схем к бонусным [20].

Программа лояльности, ее правильное построение и успешное внедрение – это целая наука и отличный маркетинговый инструмент в борьбе за покупателя. А дисконтная система – это, мягко говоря, частный случай программы лояльности. Поэтому следует обращаться к специалистам в этой области. Существует большое количество различных методов для достижения целей маркетинга, уникальные комбинации которых позволят узнать потребности покупателя и в максимальной степени удовлетворить эти потребности.

1.2 Особенности создания бонусных программ лояльности

Наиболее эффективный способ завоевать и удержать потребителей — это предлагать им индивидуализированные вознаграждения, учитывая то, что потребители действительно ценят. Предлагая различные типы вознаграждений различным группам покупателей, компания выделяет себя среди других и предоставляет людям повод снова обратиться за ее услугами. Например, предоставление приоритетного доступа к кассе в магазине самообслуживания может стать более действенным способом завоевать лояльность человека, чем отложенная скидка.

Для того чтобы создавать максимально индивидуальные программы лояльности, компании должны понимать, что движет разными группами потребителей во время осуществления покупок. Для получения этой информации можно исследовать мотивацию покупателей, проанализировать данные, которые потребители предоставляют в регистрационных формах программ лояльности, а также изучить истории транзакций по счетам покупателей.

На базе исследования мотиваций французских покупателей с 2005 по 2007 гг. выделяются пять типов потребительской мотивации:

1) экономическая мотивация: главной целью является экономия денежных средств;

2) гедонистическая мотивация: целью становится достижение удовольствия;

3) мотивация уклонения от риска или «приверженность привычному распорядку», которым руководствуются покупатели, стремящиеся избежать возможного разочарования покупкой и сохраняющие лояльность любимому бренду или магазину;

4) «родственная» мотивация: покупатели стремятся установить взаимоотношения с торговой точкой или персоналом для получения признания в качестве привилегированного клиента;

5) функциональная мотивация: потребитель нацелен на сокращение времени и усилий, затрачиваемых на совершение покупок [17].

Мотивация может варьироваться в зависимости от характера покупки. Например, человек может быть «функциональным» потребителем в продовольственном магазине и «гедонистическим» в магазине одежды.

Компании могут использовать данные о возрасте, доходах, половой принадлежности и других показателях для того, чтобы выявить факторы, приводящие человека к той или иной покупке. В продовольственных магазинах более молодые люди обычно ведут себя как экономные покупатели, в то же время проявляя гедонистические мотивы потребления. Клиенты старшего возраста с высокими доходами склонны к поиску устойчивых контактов с компанией, а также к сохранению привычного способа потребления, однако они же проявляют себя как покупатели, руководствующиеся функциональными мотивами. Потребители с низкими доходами обычно ориентированы на экономию средств, но женщины руководствуются гедонистическими мотивами. Мужчины, в особенности занимающие руководящие посты, обычно стремятся сократить время на приобретение покупки.

Успех программы лояльности обусловлен созданием сильной, ориентированной на ценности клиентов программы, направленной на установление прочных эмоциональных взаимоотношений с клиентами и награждение их настоящими привилегиями. Опираясь на опыт действующих на рынке программ, следует отметить, что ключевыми факторами успеха программы лояльности являются следующие:

1) четко определённые стратегические цели (количественные, идеологические, воспитательные, имиджевые и т.д.);

2) продуманный механизм функционирования (система учёта, идентификации, график взаимодействия), наполнение программы (конкурсы, акции, бонусы, выпуск периодического издания и т.д.);

3) привлекательный призовой фонд (материальные и нематериальные виды вознаграждения).

На начальном этапе формирования программы лояльности четко формулируются ее цели, впоследствии это поможет оценить успешность программы. Ключевая цель любой программы лояльности состоит в увеличении прибыли компании, ее доходов и доли рынка. Среди других важных целей, способствующих достижению ключевых целей, - удержание существующих и привлечение новых клиентов, накопление обширной базы данных о них и оказание информационной поддержки другим подразделениям компании, создание возможности обмена информацией между организацией и ее клиентами [36].

Как известно, нельзя понравиться всем. Есть категории клиентов, для которых важно лишь качество обслуживания, они мало обращают внимание на ценники. Другие напротив, настолько стремятся сберечь свой бюджет и минимизировать расходы, что не обращают внимание на качество товаров и обслуживания. Очень трудно угодить и тем и другим. Соответственно, приняв решение о создании программы лояльности, первое, что нужно сделать – это определить целевую аудиторию, т.е. сегменты покупателей, на которые будет ориентирована программа [20]. Основной целевой группой программ лояльности должны быть самые прибыльные клиенты компании. Укрепление отношений именно с ними будет залогом успешного развития компании в будущем. Именно этой группе клиентов следует уделять основное внимание и при создании программы лояльности ориентироваться в первую очередь на удовлетворение их потребностей. Решение о том, насколько узкий или широкий охват должен быть у целевых групп программы лояльности компании, в значительной степени зависит от целей ее создания.

В России одной из крупнейших компаний, специализирующихся на применении программ лояльности, является ООО «СПК «Золотая Середина» – оператор российской системы лояльности «Золотая Середина» на основе карт лояльности «Золотая Середина». Компания основана в 2000 году и специализируется на использовании программ лояльности на основе карт лояльности «Золотая Середина», разработке и реализации индивидуальных программ лояльности для предприятий. «Золотая Середина» - наиболее крупная российская система лояльности, представленная в регионах страны, являющихся экономически значимыми. Общее количество городов, в которых компания ведёт свою деятельность, составляет 75. Из них 30 филиалов компании, расположенных в крупнейших административных центрах России. На сегодняшний день системой эмитировано свыше 600 000 карт, реализовано более 500 кобрендинговых проектов с предприятиями из различных отраслей бизнеса. Партнерами компании «Золотая Середина» являются крупнейшие российские банки, крупные производственные предприятия, операторы связи, страховые компании, предприятия розничной и оптовой торговли.

Сегодня «Золотая Середина» это одна из немногих российских компаний, разрабатывающих и внедряющих персональные клиентские сервисы для торговых предприятий всех отраслей рынка. В качестве технологической платформы система лояльности компания использует арендуемую у компании «Manzana Group» новую версию решения «Manzana Loyalty» на базе «Microsoft Dynamics CRM».

«Manzana Group» – это консалтинговая компания, обладающая высшим партнерским статусом «Microsoft» - «Microsoft Gold Certified Partner», является эксклюзивным представителем в России и странах СНГ компании «Tectura» – крупнейшего партнера «Microsoft Business Solutions» в мире. Компания предлагает своим клиентам спектр решений и продуктов для управления программами лояльности «Manzana Loyalty», взаимоотношениями с клиентами «Microsoft Dynamics CRM», управления бизнес-процессами и документооборотом «Microsoft Sharepoint», «Nintex Workflow», бюджетирования, планирования, прогнозирования, консолидации и отчетности «Clarity», управления предприятием «Microsoft Dynamics NAV», «Microsoft Dynamics AX».

На базе решения «Manzana Loyalty» успешно реализован целый ряд программ лояльности, включая такую программу оператора «Золотой Середины» как «Карта Ремонта». Успешное использование «Manzana Loyalty» позволило предложить ее как основу для построения программ лояльности не только розничных сетей, но собственной программы лояльности Торговых Комплексов, таких как ТВК «ЭКСПОСТРОЙ на Нахимовском», один из крупнейших специализированных ТЦ Москвы.

Программа лояльности для постоянных покупателей в ТВК «ЭКСПОСТРОЙ на Нахимовском» называется «Карта ремонта Экспострой», она является коалиционной и объединяет арендаторов комплекса в партнерскую сеть, начисляющую и списывающую бонусы за покупки.

Другой крупный клиент ООО «СПК «Золотая Середина», внедривший технологию монетизации клиентской базы «Золотая Середина», является сеть мебельных салонов «Квартира 48».

В наши дни каждый слышал фразу «бонусная программа». Но даже специалисту сама по себе она ни о чем не говорит. Поскольку в переводе с английского bonus – это премия, подарок или приз, то становится ясно, что данная программа подразумевает вручение ее участникам неких призов и вознаграждений [20].

Бонусная программа на первый взгляд может показаться сложной для клиента, запутанной и незнакомой, однако практика доказывает, что все зависит исключительно от схемы предоставления вознаграждения и возможности расходования бонусов. Иными словами, если изначально создать сложную, понятную исключительно разработчикам схему начисления и расходования бонусов ради получения мнимой выгоды, то, безусловно, клиенту будет тяжело ее усвоить, у него будет расти недоверие к программе с изучением каждого нового непонятного ему аспекта ее действия. Если схема не подразумевает сложных систем конвертации баллов через три кросс-курса по определенным для каждого вида товаров правилам, различающихся в зависимости от времени суток, а иногда и от настроения кассира, и клиенту просто и удобно в дальнейшем расходовать полученные бонусы, то вознаграждение принимается с радостью и в конечном итоге оказывается для потребителя более интересным по сравнению со скидкой в силу обладания уникальным способом вовлечения в сотрудничество, общение, игру с компанией.

Использование бонусной программы лояльности подразумевает решение организацией следующих маркетинговых задач:

- расширение спектра коммуникационных возможностей по сравнению с применением систем скидок;

- удержание клиента посредством «привязанности» к конкретной организации или клубу, в котором накоплены его бонусы: он никогда не забудет, что фирма должна ему деньги;

- исключение дискредитации ценности товара и его стоимости;

- исключение вероятности вывода средств из оборота в момент начисления бонусов и в зависимости от финансовой и правовой схемы в момент их расходования;

- минимизация издержек, связанных с предоставлением вознаграждения или скидок [10].

Перед использованием программы лояльности необходимо оценить настоящий уровень лояльности потребителей к данной фирме. Поэтому в качестве одной из задач бонусной программы лояльности можно отметить оценку степени лояльности клиента или оценку его приверженности. Однако, следует отметить, что уровень лояльность очень сложно измерить. Для этого нужно определить критерии, по которым её оценивать. В связи с этим вопросы выбора методов оценки лояльности покупателей, сегодня, очень актуальны. Невозможно измерить лояльность каким-то одним количественным или качественным показателем. Вместе с тем, в литературе предлагаются следующие подходы к измерению лояльности.

В литературе описываются несколько методов измерения лояльности. Одним из самых распространенных является метод «разделения потребностей», возникший в США в 50-е годы. Метод предполагает определение степени лояльности потребителя в численном представлении. Т.е., если человек купил товар компании X семь раз из десяти, считается, что X занимает 70% от потребностей данного покупателя. Определение лояльности основывается на том, сколько раз потребитель должен купить тот или иной товар, чтобы считаться лояльным.

Многие исследователи считают, что если доля повторных покупок равна 67%, то такой покупатель обязательно является лояльным. При уровне повторных покупок меньше 67% потребителей относят к «перебежчикам».

Минус данного метода, состоит в том, что потребители не всегда покупают тот или иной бренд, потому что являются по-настоящему лояльными по отношению к нему.

Ещё одним методом является так называемый «традиционный подход». Основу его составляет определение «намерения о покупке» того или иного бренда перед самим совершением покупки. Если намерение покупателя определяется как «высокие», то это принимается за утверждение того, что потребитель может быть лоялен или испытывать приверженность бренду. Но недостатком данного метода является то, что иногда только этот бренд в силу тех или иных причин является доступным потребителю (особенно в странах третьего мира). Таким образом, у потребителя может не быть реального выбора. Поэтому данный подход к измерению степени приверженности способен исказить реальную картину.

Еще одним методом измерения приверженности можно считать конверсионную модель «Conversion Model TM», предложенную Ж. Хофмейером и Б. Райсом, позволяющую измерять степень/уровень приверженности [2]. В модели используются четыре основных показателя:

1) удовлетворенность торговой маркой. Чем выше степень такой удовлетворенности, тем выше вероятность перехода ее в приверженность. Однако удовлетворенность плохо соотносится с поведением, и поэтому понимание природы удовлетворенности полностью не раскрывает причин тех или иных поступков потребителей. Тем не менее удовлетворенность является важнейшим компонентом в понимании взаимоотношений между потребителем и брендом;

2) альтернативы. Одной из причин, по которым потребители не меняют бренд на другой, является следующая: они чувствуют, что альтернативы так же плохи, как и бренд, который они приобретают, или даже хуже его. Оценка бренда происходит не в изоляции от конкурирующих брендов. Также необходимо помнить, что высокая степень удовлетворенности не всегда означает, что связь с потребителем непоколебима: если потребитель видит конкурирующий бренд в более выгодном свете, это может привести к уходу от данного бренда;

3) важность выбора бренда. Если выбор бренда не представляет для потребителя никакого значения, то достичь приверженности будет нелегко. Выбор бренда, как и продуктовой категории, должен представлять для потребителя какой-то интерес. Только в таком случае можно говорить о наличии приверженности. Чем большее значение для потребителя имеет выбор бренда, тем больше вероятность того, что он потратит время на то, чтобы принять окончательное решение относительно того, какой бренд выбрать. В случае неудовлетворенности приобретенным брендом приверженный потребитель будет проявлять большую толерантность по отношению к нему. Поэтому можно сделать вывод о том, что чем выше уровень приверженности, тем выше уровень толерантности/терпимости по отношению к бренду в случае неудовлетворенности им;

4) степень неуверенности или двойственности отношения. Этот показатель является ключевым в модели приверженности. Чем более неуверен потребитель по поводу выбора того или иного бренда, тем более вероятно то, что он будет откладывать окончательное решение о покупке до последнего момента. Поэтому для таких потребителей необходим стимул, который они получают уже непосредственно в магазине, так как именно там происходит окончательный выбор.

По мнению Ж. Хофмейера и Б. Райса, при оценке степени приверженности потребителя правомерно задать несколько вопросов [23]:

– «каким образом вы оцениваете свой бренд с точки зрения потребностей, которые он удовлетворяет, и ценностей, которые у вас присутствуют?»;

– «является ли решение относительно того, какой бренд использовать, важным для вас?»;

– «имеются ли другие (подобные бренды), которые вам нравятся?».

Но и данный метод не даст четкого количественного ответа, поскольку будет сложно получить такие ответы на вопросы, касающиеся, например, «важности выбора бренда» или «степени неуверенности». Эта проблема настолько сложна, что в одном из исследований было предложено более 50 разных вариантов определений приверженности марке и способов ее измерения. В результате авторы, которые в попытке определить степень приверженности опирались на одни и те же объективные данные о покупках, пришли к разным результатам [3]. Сложность проблемы заключается также и в том, что склонность хранить верность марке у всех потребителей различна. К маркам некоторых продуктовых категорий потребители демонстрируют большую приверженность. К таким продуктам относятся продукты, предоставляющие социальные, символические или эмоциональные выгоды (сигареты), или же продукты, имеющие особый гедонический вкус (кофе). По мнению этих авторов, приверженность марке может также зависеть от покупательской ситуации, так как некоторые потребители предпочитают использовать различные торговые марки в разных случаях. Все это осложняет измерение степени приверженности марке [52].

Анализируя рассмотренные методы оценки лояльности покупателей, можно сделать следующие выводы:

– ни один из рассмотренных методов не даст четкого количественного ответа о лояльности потребителей;

– большая часть методов основывается на качественных исследованиях не подкреплённых математическим аппаратом.

Наиболее конкретное и измеримое определение лояльности дает Джил Гриффин [1]. По её мнению лояльный потребитель тот, который:

- совершает повторные покупки брэнда, в отношении которого оценивается лояльность;

- совершает покупки в рамках представленного ассортимента продукции и услуг брэнда;

- рекомендует брэнд;

- демонстрирует иммунитет по отношению ко всем остальным конкурентам.

Такое определение лояльности позволило сформировать Джонатану Ли набор показателей для анализа лояльности абонентов операторов сотовой связи (на примере рынка сотовой связи Франции) [4]. Это исследование нашло продолжение в статье Христофорова И.О., посвященной измерению и анализу лояльности абонентов операторов сотовой связи на примере сети «МегаФон» [39]. В этой статье определены следующие критерии, соответствие которым говорит о лояльности абонента оператору сотовой связи:

1) оценка «отношения» к оператору: отсутствие намерения абонента сменить оператора, желание рекомендовать оператора, нежелание менять оператора на другого, даже в случае, если последний предлагает большую ценность для абонента;

2) поведенческая составляющая: доля расходов потребителя на рассматриваемого оператора среди всех расходов абонента на сотовую связь.

Очевидно, что эти критерии могут использоваться и в других сферах торговой деятельности.

Чтобы программа лояльности, разработанная на предприятии, была эффективна, а не базировалась только на скидках, необходимо создать систему, управляющую этой программой. В этой системе должны быть реализованы функции, позволяющих провести сегментацию и ранжирование клиентов, выявить закономерности в поведении клиентов, анализировать их предпочтения, оценить различные сценарии корректировки условий начисления и использования бонусов. Создание такой системы возможно только на базе современных методов и технологий анализа данных.

1.3 Обзор основных методов анализа данных в системах управления бонусными программами лояльности

Изучению лояльности покупателей посвящено много статей. Имеются публикации по изучению лояльности потребителей банковских услуг [38, 23], покупателей розничных магазинов [33, 51], потребителей на рынке образовательных услуг [11, 12], рынке транспортных средств [19, 7], рынке телекоммуникационных услуг [40, 45]. Большое количество статей посвящено методам оценки лояльности покупателей и построения систем лояльности [41, 54, 31, 8, 9, 22, 20]. В статьях [37, 29, 32] описываются методы организации работы с клиентами с целью повышения их лояльности. Программным средствам и технологиям создания систем лояльности посвящены статьи О.Я. Цуневской [46, 47, 48]. Вопросам применения математических методов в исследовании лояльности клиентов уделяется мало внимания, в числе таких публикаций можно отметить статьи И.О. Христофорова, Ю.А. Зака, И.Г. Костерина [44, 21, 28].

Большинство торговых компаний, особенно небольших, для создания общей картины функционирования обычно ограничиваются регулярным анализом среднего чека. Выявляется изменение в структуре и цене чека по дням недели и в зависимости от сезона. Кроме анализа динамики средней цены чека проводится сегментация покупателей магазина и анализ покупательских корзин (состав чеков различных групп покупателей).

Очевидно, что этого недостаточно для анализа лояльности клиентов. Рассмотрим, какие задачи и с помощью какого математического инструментария должна решать бонусная программ лояльности.

Одна из основных задач бонусной программы лояльности – это сегментация клиентов по степени их лояльности. Сегментации клиентской базы пользователей кредитных банковских карт на основе факторов поведенческой лояльности посвящена статья Балашова К.А. [8]. В основу сегментации легли три показателя: давность осуществления последней транзакции; частота осуществления транзакций; средний процент используемого кредитного лимита. На основе этих показателей клиентская база пользователей кредитных карт разделяется на 27 технологических сегментов, каждому из которых присваиваются критериальные характеристики по двум маркетинговым переменным (склонность клиентов к оттоку и их ценность для банка), каждая из которых имеет три уровня возможных значений (низкий, средний, высокий). Затем предлагается экспертным путем на основе перекрестного анализа двух переменных построить несколько маркетинговых сегментов, в отношении которых в дальнейшем будут проводиться целевые акции. При этом каждому из построенных маркетинговых сегментов ставятся в соответствие какие-то из 27 исходных технологических сегментов.

Из описания предлагаемого подхода к сегментации можно заключить, что он не опирается ни на один из известных методов многомерной классификации. И хотя обоснованию выбора признаков для сегментации в статье уделяется большое внимание, в остальном подход неформализован, поскольку не описаны правила соотнесения исходных и итоговых маркетинговых сегментов. Это решается субъективно привлекаемыми экспертами, они же определяют и конечное число сегментов.

Сегментации абонентов сети «МегаФон» по уровню их лояльности, проводимой по результатам маркетингового исследования методами кластерного анализа, посвящена статья Христофорова И.О. [44]. Основная проблема, с которой сталкиваются при проведении кластерного анализа на практике – это обоснование выбора метрики расчета расстояния между объектами. Эта проблема особенно актуальна при проведении классификации на основе результатов анкетирования, поскольку большинство вопросов анкеты, как правило, предполагают выбор одного из предлагаемых вариантов ответов. Вследствие этого большинство признаков, по которым будет проводиться классификация являются качественными. Поэтому при проведении сегментации клиентов по степени их лояльности целесообразно обратиться к другим методам анализа данных.

В дипломной работе для выделения однородных групп клиентов, различающихся по степени лояльности, исследуется какие из характеристик клиентов влияют на лояльность и как влияют. Поскольку большинство характеристик клиента – это качественные признаки, то для проведения этого исследования в дипломной работе предлагается использовать непараметрические методы статистики. Если измерить лояльность с помощью количественного показателя, например, сумма покупки или сумма накопленных бонусов, то решение этой задачи можно свести к проверке однородности распределения независимых совокупностей. Похожая задача решается при исследовании влияния качественных характеристик безработного на продолжительность поиска работы и описана в работах [13, 14, 34].

Рассмотрим поставку задачи проверки однородности распределения двух независимых совокупностей. Ставится задача на основе выборочных данных, извлеченных из двух независимых совокупностей X и Y, проверить однородность распределения случайных величин X и Y.

Две совокупности X и Y однородны, если они имеют одинаковый закон распределения. В некоторых случаях целесообразно проверять не совпадение функций распределения, а совпадение некоторых характеристик случайных величин X и Y – математических ожиданий, медиан, дисперсий и др. Однородность математических ожиданий означает, что справедлива гипотеза:

(1.3.1)

где M(X) – математическое ожидание случайной величины X;

M(Y) – математическое ожидание случайной величины Y.

Если нулевая гипотеза отвергается, то X и Y неоднородны.

В параметрическом случае для проверки нулевой гипотезы используется t-критерий Стьюдента. Поскольку на практике далеко не всегда выполняется требование нормального закона распределения, то для проверки однородности распределения необходимо использовать методы, не зависящие от закона распределения генеральных совокупностей, т.е. непараметрические методы.

К основным непараметрическим методам проверки однородности распределения двух независимых совокупностей относятся: критерий серий Вальда–Вольфовица, критерий Смирнова, критерий Манна–Уитни [43].

При больших объемах выборок для проверки гипотезы об однородности распределений можно пользоваться нормальными аппроксимациями критериев.

Нормальная аппроксимация статистики Вальда–Вольфовица имеет вид:

 

(1.3.2)

где N – число серий.

Нормальная аппроксимация статистики Манна-Уитни имеет вид:

(1.3.3)

где

(1.3.4)

– сумма рангов первой выборки;

– сумма рангов второй выборки.

Критерий Колмогорова–Смирнова представляет собой максимальную разницу между эмпирическими функциями распределения, построенными по выборкам:

(1.3.5)

Если и , то при

(1.3.6)

Для проверки однородности распределения более двух независимых совокупностей используется дисперсионный анализ. Непараметрическими альтернативы однофакторного дисперсионного анализа являются критерий ANOVA Краскела-Уоллиса и медианный тест [43].

Критерий Краскела-Уоллиса проверяет однородность распределения k случайных величин при альтернативной гипотезе сдвига. Статистика Краскела–Уоллиса имеет вид:

(1.3.7)

где

(1.3.8)

– сумма рангов i-ой выборки,

При справедливости нулевой гипотезы и имеет приблизительно распределение «Хи-квадрат» с числом степеней свободы .

Медианный тест обладает меньшей мощностью и основан на подсчете числа наблюдений каждой выборки, которые попадают выше или ниже общей медианы выборок, и вычисляет затем значение статистики «Хи-квадрат» для таблицы сопряженности, где k – число рассматриваемых случайных величин.

Если лояльность клиента измерить качественным признаком, например, пользуется он бонусами или нет, то исследование влияния качественных характеристик клиента на его лояльность можно провести методами анализа таблиц сопряженности. Анализ таблиц сопряженности состоит в построении выборочной таблицы сопряженности, проверке гипотезы о независимости признаков и в расчете и интерпретации коэффициентов связи [6].

Рассмотрим два категоризованных номинальных признака X и Y. Признак X может принимать значения признак Y – . Тогда общий вид выборочной таблицы сопряженности имеет вид (рисунок 1.3.1):

Рисунок 1.3.1 – Общий вид выборочной таблицы сопряженности

В таблице изображенной на рисунке 1.3.1 используются следующие обозначения:

– наблюдаемая частота, т.е. число объектов в выборочной совокупности, характеризующихся i-ой категорией признака X и j-ой категорией признака Y,

– маргинальная частота, характеризующая сколько объектов в выборочной совокупности обладают i-ой категорией признака X;

– маргинальная частота, характеризующая сколько объектов в выборочной совокупности обладают j-ой категорией признака Y;

Для поверки независимости признаков выдвигаются следующие гипотезы:

(признаки X и Y независимы);

(признаки X и Y зависимы).

При большом объеме выборки для проверки нулевой гипотезы можно использовать критерий Пирсона, статистика которого имеет вид:

(1.3.9)

где – теоретические частоты, т.е. те частоты, которые были бы при справедливости нулевой гипотезы,

(1.3.10)

Статистика при справедливости нулевой гипотезы и имеет распределение Хи-квадрат с числом степеней свободы

Интерпретацию связи двух номинальных признаков удобно делать на основе карт соответствия, построенных методом анализа соответствий [25].

Задачи выявления факторов, влияющих на лояльность покупателей, может решаться не только в рамках сегментации клиентов, но и как самостоятельная задача. В статьях, посвященных анализу лояльности, её предлагается решать с помощь множественного регрессионного анализа, которому предшествует очень трудоемкий этап сбора исходных данных путем анкетирования и построения системы показателей [39].

Кроме сегментации клиентов и исследования влияния факторов, в системе управления бонусной программой должна быть реализована возможность ранжирования категорий клиентов по степени их лояльности. Задачи ранжирования объектов, характеризующихся набором показателей, чаще всего решается на основе построения интегрального показателя эффективности функционирования (уровня развития) в форме работоспособной первой главной компоненты или экспертно-статистическим методом [34, 5]. Однако оба эти подхода традиционно предполагают, что исходные признаки являются количественными. Большинство же признаков, характеризующих клиентов, являются качественными.

Несмотря на это, следует отметить, что современный взгляд на измерение лояльности клиентов основан на оценке общего латентного фактора лояльности методом главных компонент или методами факторного анализа [39]. Факторный анализ использовался, например, Джонатаном Ли для оценки общего фактора лояльности и выявления параметров, влияющих на данный фактор (в частности, издержек на переключение бренда) [4].

В дипломной работе ранжирование категорий клиентов по степени их лояльности в случае, если результативный показатель является бинарным, предлагается проводить на основе модели бинарного выбора [5, 50].

Задача моделирования связи бинарной результативной переменной y и факторовсводится к задаче моделирования условной вероятности того, что результативная переменная принимает значение 1. Существуют различные варианты модели бинарного выбора, к примеру: пробит- модель в случае стандартного нормального распределения вероятностей и логит-модель в случае логистического закона распределения вероятностей. Если изучаемая вероятность не слишком близка к нулю или единице, логит- и пробит модели дают похожий результат.

Оценка функции регрессии для логит-модели имеет вид:

(1.3.11)

Для оценки вектора параметров используют метод максимального правдоподобия, для проверки значимости параметров – тест Вальда.

Следующая задача, которая должна решать в системе управления бонусной программой – это оценка эффективности бонусной программы, т.е. соответствия результатов программы поставленным задачам. Следует отметить, что в практике оценки эффективности программ лояльности универсальной методики не существует. Чаще всего используется подход, основанный на оценке экономической эффективности, т.к. расходы на разработку и внедрение программы лояльности представляют собой маркетинговые инвестиции [35]. Оценка экономической эффективности предполагает следующее:

- проведение анализа динамики продаж;

- расчет индекса возврата маркетинговых инвестиций;

- сравнительный анализ поведения клиентов до и после внедрения программы;

- вычисление прибыли от прихода новых клиентов.

Другой подход к оценке эффективности программы лояльности основан на измерении неэкономических (маркетинговых, коммуникационных) показателей, такие как, например, доля постоянных клиентов, доля неудовлетворенных клиентов, известность компании, намерение принять участие в программе лояльности, число упоминаний компании и программы лояльности в средствах массовой информации, структура цитирования и др.

Описанию и анализу различных методик оценки эффективности программ лояльности посвящены работы Федорова В.К. [42], Кочкаревой Ю. [30], Бугорской Ю. [15], Добровидовой М.А. [18]. Предлагаемые методики характеризуется своими особенностями, однако объединяет их все то, что они не требуют использования сложного математического аппарата и высококвалифицированных сотрудников, а, следовательно, они являются упрощенными и весьма ограниченными.

Для оценки эффекта от введения бонусной программы в дипломной работе предлагается проанализировать изменение основных показателей продаж как в целом по предприятию, так и по отдельным категориям товаров, сравнивая уровни продаж до введения бонусной программы и после начала её действия. Решить эту задачу можно методами анализа временных рядов.

Общим вопросом исследования в анализе временных рядов является исследование значимости эффекта внешнего события на последующие наблюдения. В нашем случае необходимо установить, привело ли внедрение бонусной программы к увеличению объема продаж. Решение задачи анализа «прерванных временных рядов» подробно описали в МакДовал, МакКлири, Мэйдингер, и Хэй (1980). Эти специалисты различают три основных типа возможных воздействий: постоянные резкие, постоянные постепенные, резкие временные. Основным методом решения подобных задач является анализ временных рядов с использованием фиктивных переменных, которые учитывают влияние внешнего события.

В дипломной работе для моделирования одномерных временных рядов использовался подход Бокса-Дженкинса с введением в модель фиктивных переменных.

Методология прогнозирования Бокса-Дженкинса отличается от большинства методов, поскольку в ней не предполагается какой-либо особенной структуры в данных временных рядов, для которых делается прогноз. В ней используется итеративный подход к определению допустимой модели среди общего класса моделей. Потом выбранная модель сопоставляется с историческими данными, чтобы проверить, точно ли она описывает ряды. Модель считается приемлемой, если остатки, в основном, малы, распределены случайно и, в общем, не содержат полезной информации. Если заданная модель не удовлетворительна, процесс повторяется, но уже с использованием новой, улучшенной модели. Подобная итеративная процедура повторяется до тех пор, пока не будет найдена удовлетворительная модель.

Самой обобщенной моделью семейства моделей Бокса-Дженкинса является авторегрессионная модель проинтегрированного скользящего среднего (ARIMA – autoregressive integrated moving average), которая имеет следующий вид:

(1.3.12)

Первый шаг в построении модели ARIMA(p,d,q) для одномерного временного ряда состоит в выборе порядков p, d, q, который осуществляется в два этапа. Сначала определяют порядок разности d, при котором достигается стационарность процесса. Этот порядок называется порядком интеграции и обозначается I(d). Он определяется с помощью расширенного критерия Дикки-Фуллера. Затем определяют порядки модели ARMA p и q для разностей порядка d. Дж. Бокс и Г. Дженкинс делали это на основе изучения коррелограммы временного ряда. Однако сейчас выбор порядков p и q осуществляется на основе информационного критерия Акайка или байесовского критерия Шварца.

Подводя итог первой главе, можно сделать вывод, что в условиях рыночной экономики задача налаживания долгосрочных отношений с клиентом исключительно важна для любой компании, но очень непроста в своем решении. Одним из современных маркетинговых инструментов по работе с клиентами являются бонусные программы лояльности. Однако, для того, чтобы бонусная программа лояльности, разработанная на предприятии, была эффективна, необходимо создать целую систему по управлению этой программой. Создание такой системы возможно только на базе современных методов и технологий анализа данных. Однако методическая сторона данного вопроса разработана слабо, большинство предлагаемых подходов к решению основных задач системы управления бонусной программой поверхностны и неформализованы. Во второй главе дипломной работы предложено решение задач выявления качественных характеристик клиентов, влияющих на их лояльность, и ранжирования категорий клиентов по их лояльности, с использованием современных математико-статистических методов на примере компании ООО «Стройсити».

2 Анализ и моделирование клиентской базы ООО «Стройсити»

2.1 Статистический анализ структуры клиентской базы

Компания «Стройсити», на фоне ежедневно возрастающей конкуренции, стремится к полному удовлетворению желаний своих клиентов, постоянно расширяя ассортимент продукции, повышая качество обслуживания и внедряя комплекс новых мероприятий, одно из которых – программа клиентской лояльности «Клубная карта». Программа была запущена компанией «Стройсити» 12 марта 2012 года. За год активными пользователями клубной карты стали более 180 тысяч клиентов. Каждый месяц участников клуба становится в среднем на 20 тысяч больше. Каждая вторая покупка в магазинах «Стройсити» совершается с использовотает программа клиентской лояльности компании «Стройсити».

Программа «Клубная карта» – это не просто программа лояльности, это целая система по привлечению новых клиентов, их мотивации на совершение более регулярных и дорогостоящих покупок. В основе системы лежит бонусный принцип: процент от общей суммы покупки (7%), он же бонус, ложится на бонусный счет клиента в момент приобретения чего-либо, тем самым стимулируя к новой покупке, ведь за нее частично или полностью можно рассчитаться бонусными средствами, которые становятся эквивалентны денежным средствам.

Начисление бонусов владельцам клубной карты компании «Стройсити» осуществляется следующим образом:

- бонусы начисляются только при предъявлении карты в момент оплаты покупки за наличный расчет и расчет по банковской карте;

- бонусные счета не объединяются, однако бонусы суммируются;

- начисление бонусов не производиться на товар по специальной цене и товар со скидкой;

- бонусные рубли не подлежат обмену на наличные денежные средства;

- бонусные рубли можно использовать частично: при оплате бонусными рублями части покупки, бонусы начисляются только на ту часть покупки, которая была оплачена деньгами (или банковской картой);

- бонусами нельзя оплачивать услуги;

- бонусными рублями можно оплатить до 50% стоимости покупки;

- если в течение двенадцати месяцев не пополняется бонусный счет, все накопленные, бонусы сгорают. При этом можно использовать остальные преимущества карты и набирать бонусы снова.

Кроме накопления бонусов при любых покупках владельцы клубных карт пользуются следующими преимуществами: покупка товаров по специальным ценам; получение скидок по акциям; получение скидок у партнеров.

В настоящее время уже более 200 тысяч клиентов в 10 городах России являются участниками бонусной программы «Клубная карта». Объем выборки для исследования, проводимого в дипломной работе, составил 11987 человек проживающих в городе Петрозаводске. В рассмотрение не вошли клиенты, не пожелавшие оставить свои персональные данные в полном объёме.

Структура клиентской базы в зависимости от пола, возраста, семейного положения и рода деятельности представлена на рисунках А.1-А.4 приложения А. Мужчины составляют 72% (8624 человека), женщины – 28% (3363 человека). Клиенты в возрасте до 30 лет составляют 20% (2434 человека), в возрасте от 30 до 50 лет – 61% (7299 человек), от 50 лет и старше – 19% (2254 человека). Среди владельцев клубной карты 80% (9597 человек) семейных и 20% (2390 человек) несемейных. Среди владельцев клубной карты 6% (698 человек) не работающих, 2% (242 человека) рабочих, 20% (2452 человека) руководителей, 53% (6319 человек) служащих и 19% (2303 человека) частных предпринимателей.

Структура клиентской базы в зависимости от пола и возраста представлена в таблице 2.1.1.

 

Таблица 2.1.1 – Половозрастной состав клиентской базы (человек)

Пол

Возраст

До 30

От 30 до 50

От 50 и старше

Общий итог

1

2

3

4

5

Женский

660

1954

749

3363

Мужской

1774

5345

1505

8624

Общий итог

2434

7299

2254

11987

 

Анализируя таблицу 2.1.1, можно сделать следующие выводы:

- из 2434 человек в возрасте до 30 лет 660 (27%) женщин и 1774 (73%) мужчины;

- из 7299 человек в возрасте от 30 до 50 лет 1954 (27%) женщины и 5345 (73%) мужчин;

- из 2254 человек в возрасте от 50 лет и старше 749 (33%) женщин и 1505 (67%) мужчин;

- наибольший удельный вес (45,5%) в клиентской базе составляют мужчины в возрасте от 30 до 50 лет (5345 человек).

Диаграмма половозрастного состава клиентской базы представлена в приложении А на рисунке А.5.

В таблице 2.1.2 представлена структура клиентской базы в зависимости от пола и семейного положения.

Анализируя таблицу 2.1.2, можно сделать следующие выводы:

- из 9597 человек, состоящих в браке, 2581 (27%) женщина и 7016 (73%) мужчин;

- из 2390 человек, не состоящих в браке, 782 (33%) женщины и 1608 (67%) мужчин;

- наибольший удельный вес (58,5%) в клиентской базе составляют женатые мужчины (7016 человек).

 

Таблица 2.1.2 – Структура клиентской базы в зависимости от пола и семейного положения (человек)

Пол

Семейное положение

Женат/Замужем

Холост/Не замужем

Общий итог

1

2

3

4

Женский

2581

782

3363

Мужской

7016

1608

8624

Общий итог

9597

2390

11987

 

Диаграмма структуры клиентской базы в зависимости от пола и семейного положения представлена в приложении А на рисунке А.6.

Структура клиентской базы в зависимости от семейного положения и возраста представлена в таблице 2.1.3.

 

Таблица 2.1.3 – Структура клиентской базы в зависимости от семейного положения и возраста (человек)

Семейное положение

Возраст

До 30

От 30 до 50

От 50 и старше

Общий итог

1

2

3

4

5

Женат/Замужем

1405

6214

1978

9597

Холост/Не замужем

1029

1085

276

2390

Продолжение таблицы 2.1.3

1

2

3

4

5

Общий итог

2434

7299

2254

11987

 

Анализируя таблицу 2.1.3, можно сделать следующие выводы:

- из 2434 человек в возрасте до 30 лет 1405 (58%) состоят в браке и 1029 (42%) не состоят в браке;

- из 7299 человек в возрасте от 30 до 50 лет 6214 (85%) состоят в браке и 1085 (15%) не состоят;

- из 2254 человек в возрасте от 50 и старше 1978 (88%) состоят в браке и 276 (12%) не состоят;

- наибольший удельный вес (51,7%) в клиентской базе составляют люди, в возрасте от 30 до 50 лет, состоящие в браке, (6214 человек).

Диаграмма структуры клиентской базы в зависимости от семейного положения и возраста представлена в приложении А рисунке А.7.

В таблице 2.1.4 представлена структура клиентской базы в зависимости от рода деятельности и пола.

 

Таблица 2.1.4 – Структура клиентской базы в зависимости от рода деятельности и пола (человек)

Род деятельности

Пол

Женский

Мужской

Общий итог

1

2

3

4

Не работает

259

439

698

Рабочий

26

216

242

Руководитель

454

1971

2425

Служащий

2197

4122

6319

Продолжение таблицы 2.1.4

1

2

3

4

Частный предприниматель

427

1876

2303

Общий итог

3363

8624

11987

 

Анализируя таблицу 2.1.4, можно сделать следующие выводы:

- из 698 неработающих клиентов 259 (37%) женщин и 439 (63%) мужчин;

- из 242 клиентов рабочих профессий 26 (11%) женщин и 216 (89%) мужчин;

- из 2425 руководителей 454 (19%) женщины и 1971 (81%) мужчина;

- из 6319 служащих 2197 (35%) женщин и 4122 (65%) мужчины;

- владельцами бонусной карты являются 2303 (19,21%) частных предпринимателя, из них 427 женщины и 1876 мужчин;

- наибольший удельный вес (34,4%) в клиентской базе составляют мужчины, служащие.

Диаграмма структуры клиентской базы в зависимости от рода деятельности и пола представлена в приложении А на рисунке А.8.

Структура клиентской базы в зависимости от рода деятельности и семейного положения представлена в таблице 2.1.5.

 

Таблица 2.1.5 – Структура клиентской базы в зависимости от рода деятельности и семейного положения (человек)

Род деятельности

Пол

Женат/Замужем

Холост/Не замужем

Общий итог

1

2

3

4

Не работает

361

337

698

Продолжение таблицы 2.1.5

1

2

3

4

Рабочий

200

42

242

Руководитель

2006

419

2425

Служащий

5201

1118

6319

Частный предприниматель

1829

474

2303

Общий итог

9597

2390

11987

 

Анализируя таблицу 2.1.5, можно сделать следующие выводы:

- из 698 неработающих клиентов 361 (52%) состоят в браке и 337 (48%) не состоят в браке;

- из 242 клиентов рабочих профессий 200 (83%) состоят в браке и 42 (17%) не состоят в браке;

- из 2425 руководителей 2006 (83%) состоят в браке и 419 (17%) не состоят в браке;

- из 6319 служащих 5201 (82%) состоят в браке и 1118 (18%) не состоят в браке;

- из 2303 частных предпринимателей 1829 (79%) состоят в браке и 474 (21%) не состоят в браке;

- наибольший удельный вес (43,4%) в клиентской базе составляют служащие, состоящие в браке (5201 человек).

Диаграмма структуры клиентской базы в зависимости от рода деятельности и семейного положения представлена в приложении А на рисунке А.9.

В таблице 2.1.6 представлена структура клиентской базы в зависимости от рода деятельности и возраста.

Диаграмма структуры клиентской базы в зависимости от рода деятельности и возраста представлена в приложении А на рисунке А.10.

 

Таблица 2.1.6 – Структура клиентской базы в зависимости от рода деятельности и возраста (человек)

Род деятельности

Возраст

До 30

От 30 до 50

От 50 и старше

Общий итог

1

2

3

4

5

Не работает

382

110

206

698

Рабочий

36

147

59

242

Руководитель

357

1591

477

2425

Служащий

1231

3893

1195

6319

Частный предприниматель

428

1558

317

2303

Общий итог

2434

7299

2254

11987

 

Анализируя таблицу 2.1.6, можно сделать следующие выводы:

- из 698 неработающих клиентов 382 (55%) в возрасте до 30 лет, 110 (16%) в возрасте от 30 до 50 лет и 206 (29%) в возрасте от 50 и старше;

- из 242 клиентов рабочих профессий 36 (15%) в возрасте до 30 лет, 147 (61%) в возрасте от 30 до 50 лет и 59 (24%) в возрасте от 50 и старше;

- из 2425 руководителей 357 (15%) в возрасте до 30 лет, 1591 (66%) в возрасте от 30 до 50 лет и 477 (19%) в возрасте от 50 и старше;

- из 6319 служащих 1231 (19%) в возрасте до 30 лет, 3893 (62%) в возрасте от 30 до 50 лет и 1195 (19%) в возрасте от 50 и старше;

- из 2303 частных предпринимателей 428 (18%) в возрасте до 30 лет, 1558 (68%) в возрасте от 30 до 50 лет и 317 (20%) в возрасте от 50 и старше;

- наибольший удельный вес (32,5%) в клиентской базе составляют служащие в возрасте от 30 до 50 лет.

В таблице 2.1.7 представлены 5 категорий владельцев клубной карты, занимающих наибольший удельный вес в клиентской базе.

 

Таблица 2.1.7 – Категории владельцев клубной карты с наибольшим удельным весом

Пол

Возраст

Семейное положение

Род деятельности

Количество

человек

%

1

2

3

4

5

6

Мужской

От 30 до 50 лет

В браке

Служащий

2292

19,1

Мужской

От 30 до 50 лет

В браке

Руководитель

1161

9,7

Женский

От 30 до 50 лет

В браке

Служащий

1060

8,8

Мужской

От 30 до 50 лет

В браке

Частный предприниматель

1044

8,7

Мужской

От 50 лет и старше

В браке

Служащий

682

5,7

Проведенный статистический анализ структуры клиентской базы по полу, возрасту, семейному положению и роду деятельности позволяет описать портрет типичного владельца клубной (бонусной) карты: это мужчина, состоящий в браке, в возрасте от 30 до 50 лет, род деятельности которого – служащий.

2.2 Выявление лояльных категорий клиентов

Для выявления лояльных категорий клиентов, т.е. категорий клиентов активно пользующихся клубной картой клиента, причем не только как дисконтной картой, а как бонусной картой, исследовано влияние качественных характеристики клиентов на сумму покупки, сумму накопленных бонусов и на пользование бонусами.

Для анализа были выбраны следующие характеристики клиента:

- пол: мужской, женский;

- возраст: до 30 лет, от 30 до 50 лет, от 50 лет и старше;

- семейное положение: женат/замужем, холост/не замужем;

- род деятельности: не работает, рабочая профессия, руководитель, служащий, частный предприниматель.

В соответствии с этими характеристиками сформированы качественные признаки с несколькими уровнями возможных значений, группирующими выборочные данные на однородные классы.

Исследование влияния факторов на сумму покупки и сумму накопленных бонусов проведено с помощью непараметрических методов проверки однородности распределения независимых совокупностей. Для этого был использован пакет прикладных программ Statistica.

Для установления, влияет ли пол клиента на сумму покупки, были введены в рассмотрение две случайные величины: сумма покупки мужчины и сумма покупки женщины.

Для установления, влияет ли возраст клиента на сумму покупки, были введены в рассмотрение три случайные величины:

- сумма покупки клиента в возрасте до 30 лет;

- сумма покупки клиента от 30 до 50 лет;

- сумма покупки клиента в возрасте от 50 лет и старше.

Аналогичным образом были определены случайные величины при исследовании влияния семейного положения и рода деятельности на сумму покупки. В том случае, когда рассматривались две случайные величины, для проверки однородности распределения этих случайных величин были реализованы критерии Вальда–Вольфовица, Смирнова и Манна–Уитни. При рассмотрении более двух случайных величин для исследования влияния соответствующей качественной характеристики на сумму покупки был реализован непараметрический однофакторный дисперсионный анализ (критерий Краскела-Уоллиса и медианный тест).

Результаты проверки гипотез об однородности распределения случайных величин с помощью критериев Вальда–Вольфовица, Смирнова, Манна-Уитни, Краскела-Уоллиса и медианного теста, позволяющих сделать вывод о наличии влияния качественных характеристик клиентов на сумму покупки, представлены в таблице 2.2.1.

 

Таблица 2.2.1 – Результаты исследования влияния качественных характеристик клиентов на сумму покупки

Наименование критерия

Значение статистики

Уровень значимости

Вывод

1

2

3

4

пол клиента не оказывает значимое влияние на сумму покупки

Критерий Вальда–Вольфовица

 

 

принимается

Критерий Смирнова

не выдается

 

принимается

Критерий Манна–Уитни

 

 

отвергается

семейное положение не оказывает значимое влияние на сумму покупки

Критерий Вальда–Вольфовица

 

 

 

Критерий Смирнова

не выдается

 

 

Критерий Манна–Уитни

 

 

Продолжение таблицы 2.2.1

1

2

3

4

возраст клиента не оказывает значимое влияние на сумму покупки

Критерий Краскела–Уоллиса

 

 

отвергается

Медианный тест

 

 

принимается

род деятельности не оказывает значимое влияние на сумму покупки

Критерий Краскела–Уоллиса

 

 

отвергается

Медианный тест

 

 

отвергается

 

Принимая во внимание результаты реализации всех критериев, можно сделать вывод, что пол клиента, семейное положение и возраст не оказывают значимое влияние на сумму покупки. По всем критериям на сумму покупки влияет только род деятельности клиента.

Аналогичным образом было проведено исследование влияния пола, возраста, семейного положения и рода деятельности клиента на сумму накопленных бонусов. Результаты исследования влияния качественных характеристик клиентов на сумму накопленных бонусов представлены в таблице 2.2.2.

 

Таблица 2.2.2 – Результаты исследования влияния качественных характеристик клиентов на сумму накопленных бонусов

Наименование критерия

Значение статистики

Уровень значимости

Вывод

1

2

3

4

пол клиента не оказывает значимое влияние на сумму накопленных бонусов

Продолжение таблицы 2.2.2

1

2

3

4

Критерий Вальда–Вольфовица

 

 

принимается

Критерий Смирнова

не выдается

 

отвергается

Критерий Манна–Уитни

 

 

отвергается

семейное положение не оказывает значимое влияние на сумму накопленных бонусов

Критерий Вальда–Вольфовица

 

 

принимается

Критерий Смирнова

не выдается

 

принимается

Критерий Манна–Уитни

 

 

принимается

возраст клиента не оказывает значимое влияние на сумму накопленных бонусов

Критерий Краскела–Уоллиса

 

 

принимается

Медианный тест

 

 

принимается

род деятельности клиента не влияет на сумму накопленных бонусов

Критерий Краскела–Уоллиса

 

 

отвергается

Медианный тест

 

 

отвергается

Аналогично полученным ранее результатам, оказывается, что по всем критериям значимое влияние на сумму накопленных бонусов оказывает только род деятельности клиента. Для интерпретации различий в сумме покупки и в сумме накопленных бонусов клиентов рассчитаны средние значения этих признаков для каждой из категорий клиентов. Результаты представлены в таблице 2.2.3.

 

Таблица 2.2.3 – Средние значения суммы покупки и суммы накопленных бонусов для клиентов, различающихся по роду деятельности (в рублях)

Род деятельности клиента

Средняя сумма покупки

Средняя сумма накопленных бонусов

1

2

3

Не работает

3211,70

109,27

Рабочая профессия

3421,81

80,33

Руководитель

4087,63

316,86

Служащий

3842,24

154,84

Частный предприниматель

4948,74

310,40

 

Таким образом, наибольшее среднее значение суммы покупки соответствует клиентам, занимающимся предпринимательской деятельностью, затем идут клиенты, занимающие на предприятиях и в организациях руководящие должности, затем – клиенты-служащие. Наименьшее среднее значение суммы покупки соответствует неработающим клиентам, к которым относятся безработные, домохозяйки, студенты, пенсионеры, инвалиды.

Наибольшее среднее значение суммы накопленных бонусов соответствует клиентам, занимающим на предприятиях и в организациях руководящие должности, затем идут клиенты, занимающиеся предпринимательской деятельностью, затем – клиенты-служащие. Наименьшее среднее значение суммы бонусов соответствует клиентам с рабочими профессиями.

Следует отметить, что пользуются бонусами только 745 человек, что составляет всего лишь около 6% владельцев клубной картой. Большинство владельцев клубной картой – это 11242 человека или 94% от общего числа владельцев, используют карту не как бонусную, а как дисконтную. Это указывает на то, что клиентов компании «Стройсити» не привлекает предлагаемая бонусная программа. Накоплению бонусов они предпочитают получить скидку при покупке, т.е. они выбирают меньшую выгоду, но сегодня, чем большую, но при последующих покупках. Однако это не является однозначным индикатором низкой лояльности покупателей. Причин этому может быть много. Возможно, клиенты просто плохо ознакомлены с работой бонусной программы. А возможно причины кроются в психологических особенностях сегодняшних покупателей. Клиенты привыкли получать моментальную выгоду. Вместе с тем, такая ситуация должна насторожить работников отдела аналитического маркетинга компании «Стройсити» и настроить их на скорейшее выяснение причин незаинтересованности клиентов к накоплению бонусов. Это может быть темой отдельного исследования.

Возвращаясь к задачам исследования, сформулированным в дипломной работе, выясним, влияют ли пол, возраст, семейное положение и род деятельности клиента на пользование бонусами. Результативный признак Y – пользование бонусами может принимать одно из двух значений (0 – клиент не пользуется бонусами; 1 – клиент пользуется бонусами). Так как и факторные и результативный признаки являются номинальными, то решение поставленной задачи сводится к проверке независимости двух номинальных признаков на основе выборочных таблиц сопряженности с помощью критерия Хи-квадрат. Выборочные таблицы сопряженности признаков представлены в таблицах 2.2.4-2.2.7.

 

Таблица 2.2.4 – Выборочная таблица сопряженности признаков «Пол» и «Пользование бонусами»

Пол

Пользование бонусами

Не пользуется

Пользуется

Общий итог

1

2

3

4

Мужской

7974

650

8624

Женский

3268

95

3363

Общий итог

11242

745

11987

 

На основе данных выборочной таблицы сопряженности признаков «Пол» и «Пользование бонусами» можно сделать вывод о том, что бонусами пользуются 7,54% мужчин и 2,82% женщин.

 

Таблица 2.2.5 – Выборочная таблица сопряженности признаков «Возраст» и «Пользование бонусами»

Возраст

Пользование бонусами

Не пользуется

Пользуется

Общий итог

1

2

3

4

До 30

2150

104

2254

От 30 до 50

6795

504

7299

От 50 и старше

2297

137

2434

Общий итог

11242

745

11987

 

На основе данных выборочной таблицы сопряженности признаков «Возраст» и «Пользование бонусами» можно сделать вывод о том, что бонусами пользуются 4,61% клиентов в возрасте до 30 лет, 6,90% клиентов в возрасте от 30 до 50 лет и 5,63% клиентов в возрасте от 50 и старше.

 

Таблица 2.2.6 – Выборочная таблица сопряженности признаков «Семейное положение» и «Пользование бонусами»

Семейное положение

Пользование бонусами

Не пользуется

Пользуется

Общий итог

1

2

3

4

Женат/Замужем

8997

600

9597

Холост/Незамужем

2245

145

2390

Общий итог

11242

745

11987

 

На основе данных выборочной таблицы сопряженности признаков «Семейное положение» и «Пользование бонусами» можно сделать вывод о том, что бонусами пользуются 6,25% семейных клиентов и 6,07% клиентов, не имеющих семьи.

 

Таблица 2.2.7 – Выборочная таблица сопряженности признаков «Род деятельности» и «Пользование бонусами»

Род деятельности

Пользование бонусами

Не пользуется

Пользуется

Общий итог

1

2

3

4

Не работает

661

37

698

Рабочий

221

21

242

Руководитель

2230

195

2452

Служащий

6021

298

6319

Частный предприниматель

2190

194

2303

Общий итог

11242

745

11987

 

Таким образом, бонусами пользуются 5,30% неработающих клиентов; 8,68% клиентов с рабочей профессией; 7,95% клиентов, занимающих руководящие должности; 4,72% клиентов служащих и 8,42% клиентов, занимающихся предпринимательской деятельностью.

Результаты проверки гипотез о независимости признаков представлены в таблице 2.2.8.

Таким образом, на уровне значимости можно сделать вывод, что пол, возраст и род деятельности клиента оказывают значимое влияние на пользование бонусами, а семейное положение клиента не влияет на пользование бонусами.

 

Таблица 2.2.8 – Результаты проверки гипотез о независимости признаков «Пользование бонусами» и качественных характеристик клиента

Качественная характеристика клиента

Наблюдаемое значение статистики

Наблюдаемый уровень значимости p

1

2

3

Пол

92,17

0,00

Возраст

17,31

0,00

Семейное положение

0,11

0,74

Род деятельности

61,03

0,00

 

Для интерпретации силы связи признаков рассчитаны коэффициенты связи. Сила связи признаков «Пол» и «Пользование бонусов» была измерена с помощью коэффициента ассоциации (коэффициента Юла) Q, а признаков «Возраст», «Род деятельности» и «Пользование бонусами» - с помощью коэффициента Крамера K. Формулы для расчета выборочных значений коэффициентов имеют вид:

 

 

Результаты расчетов представлены в таблице 2.2.9.

 

Таблица 2.2.9 – Значения коэффициентов связи признаков «Пол», «Возраст», «Род деятельности» и «Пользование бонусами»

Названия признаков

Выборочное значение коэффициента связи

1

2

«Пол» и «Пользование бонусами»

 

«Возраст» и «Пользование бонусами»

 

«Род деятельности» и «Пользование бонусами»

 

 

Отрицательное значение коэффициента Юла признаков «Пол» и «Пользование бонусами» указывает на то, что к использованию бонусов более склонны мужчины, нежели женщины. Силу связи признаков «Пол» и «Пользование бонусами» можно интерпретировать как умеренную. Значения коэффициента Крамера указывают на очень слабую связь признаков «Возраст» и «Пользование бонусами», «Род деятельности» и «Пользование бонусами». Однако т.к. связь признаков является статистически значимой, то далее дадим интерпретацию связи.

Для интерпретации связи признаков «Пол», «Возраст», «Род деятельности» и «Пользование бонусами» с помощью метода анализа соответствий построены карты соответствия категорий признаков, представленные на рисунках 2.2.1-2.2.3.

 

Рисунок 2.2.1 – Карта соответствия категорий признаков «Пол» и «Пользование бонусами»

По рисунку 2.2.1 можно сделать вывод, что к использованию бонусов более склонны мужчины, нежели женщины.

 

Рисунок 2.2.2 – Карта соответствия категорий признаков «Возраст» и «Пользование бонусами»

По рисунку 2.2.2 можно сделать вывод, что к использованию бонусов более склонны клиенты в возрастной категории от 30 до 50 лет.

 

Рисунок 2.2.3 – Карта соответствия категорий признаков «Род деятельности» и «Пользование бонусами»

По рисунку 2.2.3 можно сделать вывод, что бонусами пользуются преимущественно клиенты рабочих профессий, частные предприниматели и работники, занимающие на предприятиях и организациях руководящие должности.

Итак, клиенты с рабочими профессиями более склонны к использованию бонусов. Однако, как было доказано ранее, эта категория клиентов характеризуется наименьшим средним значением суммы бонусов. Такая ситуация связана с тем, что клиенты с рабочими профессиями совершают покупки, как правило, на небольшую сумму (от 43 до 51118 рублей).

Таким образом, можно заключить, что наиболее лояльными категориями клиентов являются мужчины, среднего возраста, занимающиеся предпринимательской деятельностью, или занимающие на предприятиях и в организациях руководящие должности. Эти категории клиентов более склонны к использованию бонусов и совершают более дорогостоящие покупки, чем остальные категории клиентов.

2.3 Моделирование клиентской базы владельцев бонусных карт

В предыдущем параграфе было проведено исследование влияния качественных характеристик клиента на его лояльность с помощью непараметрических методов проверки однородности распределения независимых совокупностей и с помощью методов анализа таблиц сопряженности. При этом внимание было сосредоточено на анализе парной связи, т.е. изучалось влияние на результативный признак каждой качественной характеристики клиента в отдельности. Это не позволяет учитывать взаимосвязи различных категорий клиентов. Проведем исследования влияния одновременно всех качественных характеристик клиента на его склонность к использованию бонусов.

Полученные в параграфе 2.2 результаты наталкивают на мысль, что для предприятия важно не только пользуется ли клиент бонусами, но и как активно он ими пользуется. Активность пользования бонусами можно охарактеризовать показателем «Сумма накопленных бонусов». Выборочные значения основных числовых характеристик показателя представлены в таблице 2.3.1.

Следует отметить, что показатель «Сумма накопленных бонусов» характеризуется большим разбросом относительно среднего значения и асимметричностью распределения. В этом случае в качестве характеристики положения целесообразнее взять непараметрическую характеристику – медиану, выборочное значение которой составило 50,5 рублей.

 

Таблица 2.3.1 – Выборочные значения основных числовых характеристики показателя «Сумма накопленных бонусов»

Среднее значение, руб.

Медиана, руб.

Минималь-ное значение, руб.

Максималь-ное значение, руб.

Дисперсия, руб.

Среднее квадратиче-ское отклонение, руб.

1

2

3

4

5

6

233,29

50,50

1

12458

475472,70

689,54

 

Возьмем значение суммы накопленных бонусов в 50 рублей за пороговое и сформируем результативный признак y следующим образом: , если сумма накопленных бонусов больше 50 рублей, и , если сумма накопленных бонусов не превышает 50 рублей. Так как результативный признак является дихотомическим, то моделирование зависимости склонности пользования бонусами от пола клиента, возраста, семейного положения и рода деятельности целесообразно провести на основе модели бинарного выбора. Поскольку все перечисленные факторные признаки являются качественными, то сформирован следующий набор индикаторных объясняющих переменных:

если пол женский; если пол мужской;

если возраст до 30 лет; если другой возраст;

если возраст 50 лет и старше; если другой возраст;

если нет семьи; если есть семья;

если клиент не работает; иначе;

если у клиента рабочая профессия; иначе;

если клиент занимает руководящую должность; иначе;

если клиент служащий; иначе.

Таким образом, в качестве эталона выбран клиент мужчина в возрасте от 30 до 50 лет, семейный, занимающийся предпринимательской деятельностью.

С помощью пакета Statistica найдена оценка логит-модели, имеющая вид:

 

(2.3.1)

Оценка pseudo-. Несмотря на невысокое значение аналога коэффициента детерминации, модель является значимой . Адекватность модели подтверждает и критерий Хосмера–Лемешоу. Наблюдаемое значение статистики Хосмера–Лемешоу, рассчитанное по асимптотическому распределению «Хи-квадрат», равно 2,79,. Построенная модель правильно классифицирует 60,6% клиентов с суммой накопленных бонусов не превышающей 50 рублей, и 60,2% клиентов с суммой накопленных бонусов больше 50 рублей.

Результаты проверки значимости коэффициентов модели представлены в таблице 2.3.2.

 

Таблица 2.3.2 – Результаты построения логит-модели вероятности активного пользования бонусами

Обозначение фактора

Оценка коэффициента модели

Стандартная ошибка коэффициента

Значение статистики Вальда

Наблюдаемый уровень значимости

1

2

3

4

5

 

-0,49

0,24

4,30

0,0380

Продолжение таблицы 2.3.2

1

2

3

4

5

 

0,10

0,21

0,25

0,6183

 

0,09

0,23

0,17

0,6763

 

0,15

0,20

0,52

0,4714

 

-1,13

0,40

8,18

0,0042

 

-0,83

0,48

3,06

0,0800

 

0,09

0,21

0,18

0,6745

 

-0,68

0,19

12,51

0,0004

 

Таким образом, по тесту Вальда на уровне 0,1 значимыми являются коэффициенты при - это признаки, отвечающие за пол и род деятельности. Значимым коэффициентам можно дать следующую интерпретацию:

- женщины мене склонны к накоплению бонусов, чем мужчины;

- наименее склонны к накоплению бонусов неработающие клиенты, затем идут клиенты с рабочими профессиями и клиенты служащие.

На основе построенной логит-модели можно ранжировать все категории клиентов по их склонности к накоплению бонусов.

Результаты ранжирования категорий клиентов, различающихся по полу, возрасту, семейному положению, роду деятельности, по снижению оценки вероятности активного пользования бонусами представлены в таблице 2.3.3.

Таким образом, по результатам ранжирования категорий клиентов по снижению оценки вероятности активного пользования бонусами можно сделать вывод о том, что наиболее активно пользуются бонусами мужчины в возрасте до 30 лет, занимающие руководящую должность. Наименее активными пользователями бонусов являются не работающие женщины в возрасте от 30 до 50 лет.

 

Таблица 2.3.3 – Результаты ранжирования категорий клиентов по снижению оценки вероятности активного пользования бонусами

Категория клиентов

Оценка вероятности

Пол

Род деятельности

1

2

3

Мужской

Руководитель

0,60

Мужской

Частный предприниматель

0,58

Женский

Руководитель

0,48

Женский

Частный предприниматель

0,46

Мужской

Служащий

0,41

Мужской

Рабочий

0,38

Мужской

Не работает

0,31

Женский

Служащий

0,30

Женский

Рабочий

0,27

Женский

Не работает

0,21

 

В параграфе 2.2 была сформулирована гипотеза о том, что клиенты более склонные к использованию бонусов совершают покупки на меньшую сумму, чем те, которые менее склонны к использованию бонусов. Проверим это предположение.

Для начала проведен регрессионный анализ зависимости суммы накопленных бонусов (y, рублей) от количества покупок с использованием бонусной системы, количества покупок с использованием скидки 5% и суммы покупки . Оценка уравнения регрессии имеет вид:

(2.3.2)

Оценка коэффициента детерминации составила 0,70. Уравнение регрессии значимо , значимы все коэффициенты при объясняющих переменных (таблица 2.3.4).

 

Таблица 2.3.4 – Результаты проверки значимости коэффициентов логит-модели вероятности активного пользования бонусами

Обозначение фактора

Оценка коэффициента модели

Стандартная ошибка коэффициента

Значение t-статистики

Наблюдаемый уровень значимости

1

2

3

4

5

 

117,22

11,90

9,85

0,0000

 

-94,98

8,00

-11,87

0,0000

 

0,04

0,0019

21,72

0,0000

 

Дадим интерпретацию коэффициентов уравнения регрессии:

- при увеличении количества покупок с использованием бонусной системы на 1, сумма накопленных бонусов увеличивается в среднем на 117 рублей. Значение коэффициента позволяет вычислить среднюю сумму покупки по бонусам, она составляет согласно модели 1674 рубля;

- при увеличении количества покупок со скидкой 5% на 1, сумма накопленных бонусов уменьшается в среднем на 95 рублей;

- при увеличении суммы покупки на 100 рублей, сумма накопленных бонусов увеличивается в среднем на 4 рубля. Этот результат указывает на то, что не все покупки клиент совершает по бонусной системе, иначе прирост суммы накопленных бонусов составил бы 7 рублей.

Таким образом, в результатах регрессионного анализа суммы накопленных бонусов не найдено подтверждения выдвинутой гипотезу.

Далее построены логит-модели вероятности пользования бонусами , если клиент пользуется бонусной системой, если клиент не пользуется бонусной системой и вероятности активного пользования бонусами , если сумма накопленных бонусов больше 50 рублей, если сумма накопленных бонусов не превышает 50 рублей) в зависимости от количественных признаков:

Оценка логит-модели для вероятности пользования бонусами имеет вид:

(2.3.3)

Оценка pseudo-=0,20. Несмотря на невысокое значение аналога коэффициента детерминации, модель является значимой. Адекватность модели подтверждает и критерий Хосмера–Лемешоу. Наблюдаемое значение статистики Хосмера–Лемешоу, рассчитанное по асимптотическому распределению «Хи-квадрат», равно 9,93, Общий процент правильной классификации клиентов для построенной модели составляет 93,80%. Значение коэффициента при указывает на то, что при увеличении суммы покупки вероятность пользования бонусами снижается.

Оценка логит-модели для вероятности активного пользования бонусами имеет вид:

(2.3.4)

Оценка pseudo-=0,66. Модель является значимой. Адекватность модели подтверждает и критерий Хосмера–Лемешоу. Наблюдаемое значение статистики Хосмера–Лемешоу, рассчитанное по асимптотическому распределению «Хи-квадрат», равно 12,73, Построенная модель правильно классифицирует 72,80% клиентов. Результаты проверки значимости коэффициентов модели представлены в таблице 2.3.5.

 

Таблица 2.3.5 – Результаты проверки значимости коэффициентов логит-модели вероятности активного пользования бонусами

Обозначение фактора

Оценка коэффициента модели

Стандартная ошибка коэффициента

Значение статистики Вальда

Наблюдаемый уровень значимости

1

2

3

4

5

 

-1,5558

0,2299

45,79

0,00

 

0,2750

0,0634

18,78

0,00

 

-0,00009

0,000022

16,05

0,00

 

Все коэффициенты модели значимы и позволяют сделать следующие выводы:

- при увеличении количества покупок с использованием бонусной системы, вероятность активного пользования бонусами снижается;

- при увеличении количества покупок со скидкой 5%, вероятность активного пользования бонусами увеличивается;

- при увеличении суммы покупки, вероятность активного пользования бонусами снижается.

Полученные результаты подтверждают гипотезу о том, что клиенты, совершающие покупки на большую сумму, менее склонны к использованию бонусов. Эти клиенты предпочитают сразу получить скидку в 5%, нежели положить 7% стоимости покупки на бонусный счет.

Подводя итог второй главе, можно сформулировать следующие выводы:

1) типичным владельцем бонусной карты является мужчина, состоящий в браке, в возрасте от 30 до 50 лет, род деятельности которого – служащий;

2) наиболее лояльными категориями клиентов являются мужчины, среднего возраста, занимающиеся предпринимательской деятельностью, или занимающие на предприятиях и в организациях руководящие должности;

3) наиболее активно пользуются бонусами мужчины в возрасте до 30 лет, занимающие руководящую должность, а наименее активными пользователями бонусов являются неработающие женщины в возрасте от 30 до 50 лет;

4) клиенты, совершающие покупки на большую сумму, менее склонны к использованию бонусов.

3 Анализ влияния бонусной программы на объем продаж ООО «Стройсити»

3.1 Моделирование и прогнозирование объема продаж компании

Основной целью, которую преследует фирма, вводя ту или иную программу лояльности, является привлечение новых покупателей, удержание старых и как следствие увеличение продажи своей продукции. Следовательно, результатом внедрения бонусной программы должно стать увеличение объема продаж ООО «Стройсити». Для выявления наличия положительного эффекта от бонусной программы проанализируем объем продаж ООО «Стройсити» в городе Петрозаводске по месяцам за 2006-2012 годы.

Динамика объема продаж ООО «Стройсити» в городе Петрозаводске за 2006-2012 годы представлена на рисунке 3.1.1.

 

Рисунок 3.1.1 – Динамика объема продаж ООО «Стройсити» в городе Петрозаводске за период с января 2006 года по декабрь 2012 года

На основе графика можно сделать предположение о наличии трендовой и сезонной составляющей. Наибольший объем продаж приходится на август каждого года.

Средний объем продаж ООО «Стройсити», рассчитанный за период с января 2006 года по декабрь 2012 года по городу Петрозаводску, составляет 29,829 млн. руб. При этом отклонение индивидуальных наблюдений от среднего арифметического составляет в среднем 6,315 млн. руб.

По графику изменения значений абсолютного прироста, представленному на рисунке 3.1.2, можно сделать вывод о том, что увеличение объема продаж с января 2006 года по январь 2009 года происходит достаточно равномерно, за исключением ежегодного повышения в летний период. В январе 2009 года наблюдался спад объема продаж и смена тенденции, но с января 2009 года по декабрь 2012 года увеличение объема продаж так же происходит достаточно равномерно с ежегодными повышениями в летний период.

 

Рисунок 3.1.2 –Значения абсолютного прироста объема продаж ООО «Стройсити» в период с января 2006 года по декабрь 2012 года

Рассмотрим автокорреляционную функцию для определения наличия тренда, а так же измерения тесноты связи между уровнями временного ряда объема продаж ООО «Стройсити». Найдем оценку автокорреляционной функции и частной автокорреляционной функции, а также построим их коррелограммы (приложение Б, рисунок Б.1). Для расчета воспользуемся пакетом «Statistica».

По рисунку нельзя говорить о наличии, либо отсутствии тренда, т.к. автокорреляционная функция объема продаж убывает с увеличением лага не монотонно, а у частной автокорреляционной функции значимы коэффициенты не только первого порядка, но можно говорить о наличии сезонности по выбросу на 12 лаге, кратному периоду сезонности. Для более точного определения воспользуемся формальными критериями выявления наличия тренда и сезонности.

Существуют различные тесты для выявления трендов, основной признак их классификации – нормальность закона распределения исходного временного ряда. С этой точки зрения все тесты подразделяются на параметрические и непараметрические. При использовании параметрических тестов будем предполагать асимптотически нормальное распределение, так как число наблюдений достаточно велико.

На основе графика, отражающего динамику объема продаж ООО «Стройсити», представленного на рисунке 3.1.1, можно предположить наличие в ряду тренда. Проверим это предположение с помощью параметрических и непараметрических критериев стационарности математического ожидания и дисперсии временного ряда. При этом в выводах будем отдавать предпочтение результатам, полученным с помощью непараметрических тестов.

Результаты проверки гипотезы об отсутствии тренда математического ожидания, полученные с использованием различных методов, сведены в таблицу 3.1.1.

Таким образом, все непараметрические критерии подтвердили наличие в ряду тренда математического ожидания.

 

Таблица 3.1.1 – Проверка гипотезы о постоянстве математического ожидания временного ряда

Тест

Наличие тренда

1

2

Параметрические критерии

Критерий Стьюдента

нет

Критерий Фишера

нет

Непараметрические критерии

Критерий Манна-Уитни

есть

Критерий ранговой корреляции

есть

Критерий восходящих и нисходящих серий

есть

Критерий, основанный на медиане выборки

есть

Критерий Кокса-Стюарта

есть

Критерий Фостера-Стюарта

есть

 

Результаты проверки гипотезы об отсутствии тренда дисперсии, полученные с использованием различных методов, сведены в таблицу 3.1.2.

 

Таблица 3.1.2 – Проверка гипотезы о постоянстве дисперсии временного ряда

Тест

Выводы

1

2

Параметрические критерии

Двухсторонний критерий Фишера

Тренд дисперсии есть

Критерий Кокрена

Тренд дисперсии есть

Продолжение таблицы 3.1.2

1

2

Критерий Барлетта

Тренда дисперсии нет

Непараметрические критерии

Критерий Сиджела-Тьюки

Тренда дисперсии нет

 

Таким образом, будем считать, что тренда дисперсии нет.

На основе визуального анализа предположим наличие сезонности с периодом в 12 месяцев. Проверим это предположение с помощью критериев. Сезонные колебания имеют место при наличии явлений, повторяющихся из года в год. Характерной чертой сезонных колебаний является наличие нескольких идущих подряд отклонений одного знака, сменяющихся примерно таким же количеством отклонений противоположного знака. Результаты проверки на наличие сезонности, полученные с помощью специальных критериев, представлены в таблице 3.1.3.

 

Таблица 3.1.3 – Проверка гипотез об отсутствии сезонности в объеме продаж

Тест

Выводы

1

2

Критерий «пиков» и «ям»

Есть влияние сезонности

Дисперсионный критерий

Есть влияние сезонности

 

Таким образом, по результатам проверки гипотез делаем вывод о наличии в ряду сезонной компоненты.

Далее сгладим периодические и случайные колебания и тем самым выявим присутствующую в развитии тенденцию. Один из наиболее простых приемов сглаживания заключается в расчете скользящих или, как иногда их называют, подвижных средних (рисунок 3.1.3). После проведения сглаживания четко прослеживается один тренд со структурным скачком, сезонные колебания отсутствуют.

 

Рисунок 3.1.3 – Результаты сглаживания ряда методом простой скользящей средней и медианным сглаживанием по 12 точкам

После проведения сглаживания четко прослеживается один тренд со структурным скачком, сезонные колебания отсутствуют.

Откажемся от использования взвешенной скользящей средней, потому что у нас имеется зависимость линейного характера. Для фильтрации данных было проведено сглаживание исходного временного ряда методом медианного сглаживания и простой скользящей средней по 12 точкам. Выбор 12-точечного сглаживания обусловлен тем, что при его использовании можно удалить периодические колебания (в ряду предполагается наличие сезонности с периодом в 12 месяцев), а так же удалить выбросы.

Проведем аналитическое выравнивание временного ряда при помощи кривых роста. На основе визуального метода подберем такую кривую, форма которой соответствует фактическому развитию процесса. На основе графика, представленного на рисунке 3.1.1, видно, что процесс динамики объема продаж ООО «Стройсити» характеризуется монотонным развитием и не имеет предела насыщения. Следовательно, будем подбирать модель кривой роста из первого класса. Среди кривых роста первого класса рассмотрим полиномы степени p.

Визуально анализируя рисунок 3.1.1, можем предположить наличие двух разных тенденций, что может объясняться экономическим кризисом, который происходил в середине рассматриваемого периода.

Пусть степень полинома равна 1. Модель будет иметь вид:

(3.1.1)

Введем фиктивную переменную, которая учитывает кризисный период, т.е. интервал времени до января 2009 года и после:

(3.1.2)

Так же при помощи введения дополнительной фиктивной переменной выявим наличие эффекта проводимой программы лояльности, введенной в марте 2012 года:

(3.1.3)

Осуществим оценку параметром модели, учитывая введенные в рассмотрение фиктивные переменные. В пакете программ «Statistica» получены следующие оценки параметров линейной модели множественной регрессии (таблица 3.1.4):

 

Таблица 3.1.4 – Результаты оценки параметров линейной модели множественной регрессии

Обозначение параметра

Оценка коэффициента модели

Стандартная ошибка коэффициента

Наблюдаемый уровень значимости

1

2

3

4

-

6,906

49,91

0,8902

 

4,554

0,59

0,0000

 

170,524

25,21

0,0000

 

28,763

23,97

0,2336

 

Коэффициент при фиктивной переменной, отвечающей за ввод в действие программы лояльности, незначим и необходимости в его использовании нет. Исключим его из модели и продолжим исследование.

Включим фиктивную переменную в модель аддитивно и оценим модель (таблица 3.1.5).

 

Таблица 3.1.5 – Результаты оценки параметров модели (фиктивная переменная включена аддитивно)

Обозначение параметра

Оценка коэффициента модели

Стандартная ошибка коэффициента

Наблюдаемый уровень значимости

1

2

3

4

-

54,922

29,92

0,0702

 

4,137

0,48

0,0000

Продолжение таблицы 3.1.5

1

2

3

4

 

158,99

23,37

0,0000






 

Качество модели невысоко, оценка коэффициента детерминации равна: .

Включим фиктивную переменную в модель мультипликативно и оценим модель (таблица 3.1.6).

 

Таблица 3.1.6 – Результаты оценки параметров модели (фиктивная переменная включена мультипликативно)

Обозначение признака

Оценка коэффициента модели

Стандартная ошибка коэффициента

Наблюдаемый уровень значимости

1

2

3

4

-

153,655

14,878

0,0000

 

2,526

0,260

0,0000

 

4,777

0,553

0,0000

 

Качество модели улучшилось, оценка коэффициента детерминации равна:

Не смотря на увеличение значения коэффициента детерминации качество модели не высоко, так как в модели не учитывается наличие сезонности.

Так как качество модели с фиктивной переменной, введенной мультипликативно, выше, чем качество модели с аддитивно введенной фиктивной переменной, то при дальнейшем анализе будем использовать мультипликативную модель. Оценка модели выглядит следующим образом:

( 3.1.4)

График выявленного тренда представлен на рисунке 3.1.4.

 

Рисунок 3.1.4 – Подбор кривой роста в виде полинома первой степени с фиктивной переменной

Далее, используя классический подход, оценим уровни сезонности. Основная идея заключается в том, что ряд детрендируется, и по оставшимся данным оценивается сезонность. В результате анализа были получены следующие сезонные индексы, представленные в таблице 3.1.7.

 

Таблица 3.1.7 – Результаты оценки сезонных индексов

Месяц

Сезонный индекс

1

2

Январь

-55,778

Продолжение таблицы 3.1.7

1

2

Февраль

-63,618

Март

-46,384

Апрель

-36,656

Май

-12,839

Июнь

14,630

Июль

56,690

Август

72,448

Сентябрь

49,977

Октябрь

30,674

Ноябрь

-1,959

Декабрь

-7,187

 

Построим диаграмму сезонных индексов (рисунок 3.1.5).

 

Рисунок 3.1.5 – Диаграмма сезонных индексов ряда динамики объема продаж

Анализируя диаграмму сезонных индексов можно заметить, что с сентября по февраль объем продаж ООО «Стройсити» снижается, а с марта по август – повышается. Максимальное увеличение объема продаж ООО «Стройсити» наблюдается в августе, а максимальное снижение – в феврале. Окончательно прогнозная модель выглядит следующим образом:

(3.1.5)

Графики исходного временного ряда и полученного по прогнозной модели представлены на рисунке 3.1.6.

 

Рисунок 3.1.6 – Графики исходного временного ряда и полученного по прогнозной модели

Проверим гипотезу о нормальном законе распределения случайной компоненты (приложение Б, рисунок Б.2) и построим оценки автокорреляционной и частной автокорреляционной функции (приложение Б, рисунок Б.3). Наблюдаемое значение статистики «Хи-квадрат» составило, наблюдаемый уровень значимости составил 0,63>0,05. Следовательно, случайная компонента распределена по нормальному закону. По оценкам автокорреляционной и частной автокорреляционной функции можно говорить об отсутствии автокорреляции остатков. Можно утверждать, что модель является адекватной.

Проведем прогнозирование объема продаж ООО «Стройсити» в период с января 2013 года по декабрь 2013 года на основе полученной прогнозной модели. Результаты прогнозирования представлены в таблице 3.1.8.

 

Таблица 3.1.8 – Прогнозные значения объема продаж

Период времени

Точечный прогноз

Интервальный прогноз

Нижняя граница

Верхняя граница

1

2

3

4

Январь 2013 г.

312,5820

256,9070

368,2570

Февраль 2013 г.

307,2684

251,5934

362,9434

Март 2013 г.

327,0277

271,3527

382,7027

Апрель 2013 г.

339,2818

283,6068

394,9568

Май 2013 г.

365,6249

309,9499

421,2999

Июнь 2013 г.

395,6207

339,9457

451,2957

Июль 2013 г.

440,2063

384,5313

495,8813

Август 2013 г.

458,4904

402,8154

514,1654

Сентябрь 2013 г.

438,5453

382,8703

494,2203

Октябрь 2013 г.

421,7682

366,0932

477,4432

Ноябрь 2013 г.

391,6612

335,9862

447,3362

Декабрь 2013 г.

388,9591

333,2841

444,6341

 

Построим график прогнозных значений объема продаж ООО «Стройсити» (рисунок 3.1.7).

 

Рисунок 3.1.7 – График прогнозных значений объема продаж ООО «Стройсити»

Опираясь на результаты полученного прогноза, можно говорить о том, что в период с января 2013 года по август 2013 года ожидается общая тенденция к повышению объема продаж ООО «Стройсити», а с сентября 2013 года по декабрь 2013 года ожидается общая тенденция к снижению объема продаж.

В параграфе 3.1 было проведено моделирование и прогнозирование объема продаж ООО «Стройсити», которое позволило раскрыть характерные его черты, сформулировать выводы относительно влияния на него бонусной программы, а также сделать адекватный прогноз объема продаж.

Результаты моделирования показали, что присутствует общая тенденция роста объема продаж, однако влияние на объем продаж введенной в 2012 году бонусной программы не выявлено.

Для более детального изучения вопроса оценки экономического эффекта от внедрения бонусной программы проведем анализ объема продаж по отдельным товарным направлениям.

3.2 Моделирование и прогнозирование объема продаж по отдельным товарным направлениям

Ассортимент товаров для дома и строительства ООО «Стройсити» очень широк, поэтому существует большое число товарных направлений. Одним из перспективных и прибыльных из них является «Обои». Поэтому для анализа была выбрана именно эта товарная группа. Структура объема продаж в зависимости от товарной группы ООО «Стройсити» за 2012 год представлена на рисунке 3.2.1.

 

Рисунок 3.2.1 – Структура объема продаж в зависимости от товарной группы ООО «Стройсити» за 2012 год

Динамика объема продаж обоев ООО «Стройсити» в городе Петрозаводске за период с января 2010 года по декабрь 2012 года представлена на рисунке 3.2.2.

Анализируя динамику объема продаж можно заметить, что периоды роста объема продаж обоев часто сменяются периодами падения, но общая тенденция к росту объема продаж все же прослеживается. В среднем объем продаж обоев за период с января 2010 года по декабрь 2012 года составил 979,622 тыс. руб. А стандартное отклонение равно 186,102 тыс. руб. Минимальный объем продаж был в феврале 2011 года и составил 653,674 тыс. руб., а максимальный – в декабре 2012 года и составил 1418,658 тыс. руб.

 

Рисунок 3.2.2 – Динамика объема продаж ООО «Стройсити» по товарному направлению «Обои»

Оценка автокорреляционной функции, частной автокорреляционной функции, а также коррелограмма представлены в приложении Б на рисунке Б.4. По рисунку автокорреляционной функции нельзя сказать, что тренд есть, т. к. автокорреляционная функция объема продаж убывает с увеличением лага недостаточно медленно, но по рисунку частной автокорреляционной функции можно говорить о наличии тренда, так как он типичен для рядов с трендом. Для более точного определения воспользуемся формальными критериями выявления наличия тренда.

Результаты проверки отсутствия тренда в объеме продаж обоев за период с января 2010 года по декабрь 2012 года представлены в таблицах 3.2.1, 3.2.2.

 

Таблица 3.2.1 – Результаты проверки гипотезы о постоянстве математического ожидания временного ряда «Объем продаж обоев»

Тест

Наличие тренда

1

2

Параметрические критерии

Критерий Стьюдента

нет

Критерий Фишера

нет

Непараметрические критерии

Критерий Манна-Уитни

есть

Критерий ранговой корреляции

есть

Критерий восходящих и нисходящих серий

есть

Критерий, основанный на медиане выборки

есть

Критерий Кокса-Стюарта

есть

Критерий Фостера-Стюарта

есть

 

Таким образом, все непараметрические критерии подтвердили наличие в ряду тренда математического ожидания.

 

Таблица 3.2.2 – Проверка гипотезы о постоянстве дисперсии временного ряда «Объем продаж обоев»

Тест

Выводы

1

2

Параметрические критерии

Двухсторонний критерий Фишера

Тренд дисперсии есть

Продолжение таблицы 3.2.2

1

2

Критерий Кокрена

Тренд дисперсии есть

Критерий Барлетта

Тренда дисперсии есть

Непараметрические критерии

Критерий Сиджела-Тьюки

Тренд дисперсии нет

 

Все параметрические критерии подтвердили наличие в ряду динамики наличие тренда дисперсии.

Проверим ряд динамики объема продаж на наличие в нем сезонной составляющей. Результаты проверки гипотез об отсутствии сезонности представлены в таблице 3.2.3.

 

Таблица 3.2.3 – Результаты проверки гипотезы о наличии сезонности в объеме продаж обоев

Тест

Выводы

1

2

Критерий «пиков» и «ям»

Нет влияния сезонности

Дисперсионный критерий

Нет влияния сезонности

 

Таким образом, по результатам проверки гипотез делаем вывод об отсутствии в ряду сезонной компоненты.

Далее приступим к моделированию и прогнозированию объема продаж обоев. Определим к какому типу рядов принадлежит ряд динамики объема продаж TS или DS. Проверку на тип временного ряда осуществим с использованием тестов Дики-Фуллера и Филипса-Перрона с помощью программы «EViews». Величина p определяется автоматически в пакете. Результаты реализации приведены в таблицах 3.2.4, 3.2.5.

 

Таблица 3.2.4 – Результаты реализации критерия Дики-Фуллера для ряда динамики объема продаж обоев

Ряд

Вид модели

Тренд + константа

Константа

Без константы и тренда

Уровень значимости

Вывод

Уровень значимости

Вывод

Уровень значимости

Вывод

1

2

3

4

5

6

7

 

0,001

TS

0,000

TS

0,001

TS

 

0,000

TS

0,0001

TS

0,000

TS

 

0,17

DS

0,44

DS

0,28

DS

 

Таким образом, ряд динамики объема продаж обоев по результатам оценки критерия Дики-Фуллера является рядом типа DS с порядка интегрированости равного 1.

 

Таблица 3.2.5 – Результаты реализации критерия Филипса-Перрона для ряда динамики объема продаж обоев

Ряд

Вид модели

Тренд + константа

Константа

Без константы и тренда

Уровень значимости

Вывод

Уровень значимости

Вывод

Уровень значимости

Вывод

1

2

3

4

5

6

7

 

0,0001

TS

0,0001

TS

0,000

TS

 

0,0001

TS

0,0000

TS

0,0000

TS

Продолжение таблицы 3.2.5

1

2

3

4

5

6

7

 

0,12

DS

0,054

DS

0,07

DS

 

Ряд динамики объема продаж обоев по результатам оценки критерия Филипса-Перрона является рядом типа DS с порядка интегрированости равного 1.

Таким образом, по совокупности тестов исследуемый ряд относится к типу DS, порядок интегрированности равен 1.

Прогнозирование объема продаж по товарному направлению «Обои» осуществлен на основе моделей Бокса-Дженкинса с введением фиктивной переменной, предназначенной для учета эффекта от введенной в 2012 году программы лояльности:

(3.2.1)

Поскольку ряд нестационарный, строить модель будем в классе моделей авторегрессии проинтегрированного скользящего среднего (АРПСС (p,d,q)).

В результате перебора были получены следующие модели.

1. АРПСС (1,1,1). Оценка коэффициентов модели представлена в таблице 3.2.6.

Из результатов оценки параметров модели можно сделать вывод о том, что коэффициенты параметров АР(1) и СС(1) являются значимыми, а коэффициент при фиктивной переменной, учитывающий влияние введенной бонусной программы незначим.

 

Таблица 3.2.6 – Результаты оценки параметров модели АРПСС (1,1,1)

Обозначение параметра

Оценка коэффициента модели

Стандартная ошибка коэффициента

Наблюдаемый уровень значимости

1

2

3

4

 

0,6514

0,1787

0,0009

 

0,9471

0,1008

0,0000

 

132,6931

178,6597

0,463

 

2. АРПСС (1,1,2). Оценка коэффициентов модели представлена в таблице 3.2.7.

 

Таблица 3.2.7 – Результаты оценки параметров модели АРПСС (1,1,2)

Обозначение параметра

Оценка коэффициента модели

Стандартная ошибка коэффициента

Наблюдаемый уровень значимости

1

2

3

4

 

0,5160

0,2838

0,0086

 

0,7571

0,2979

0,0162

 

0,1880

0,2765

0,0216

 

172,6661

159,2198

0,2865

 

Из результатов оценки параметров модели можно сделать вывод о том, что коэффициенты параметров АР(1), АР(2) и СС(1) являются значимыми, коэффициент при фиктивной переменной незначим.

Далее построим и проверим адекватность моделей без использования фиктивной переменной.

В результате перебора были получены следующие модели.

1. АРПСС (1,1,1). Оценка коэффициентов модели представлена в таблице 3.2.8.

 

Таблица 3.2.8 – Результаты оценки параметров модели АРПСС (1,1,1)

Обозначение параметра

Оценка коэффициента модели

Стандартная ошибка коэффициента

Наблюдаемый уровень значимости

1

2

3

4

 

0,6055

0,3236

0,0000

 

0,8475

0,2443

0,0014

 

Проверим гипотезу о нормальном законе распределения случайной компоненты (приложение Б, рисунок Б.5). Случайная компонента распределена по нормальному закону. По оценкам автокорреляционной и частной автокорреляционной функции (приложение Б, рисунок Б.6) можно говорить об отсутствии автокорреляции остатков. Можно утверждать, что модель является адекватной.

2. АРПСС (1,1,2). Оценка коэффициентов модели представлена в таблице 3.2.9.

 

Таблица 3.2.9 – Результаты оценки параметров модели АРПСС (1,1,2)

Обозначение параметра

Оценка коэффициента модели

Стандартная ошибка коэффициента

Наблюдаемый уровень значимости

1

2

3

4

 

0,5160

0,2838

0,0053

Продолжение таблицы 3.2.9

1

2

3

4

 

0,7571

0,2979

0,0162

 

0,1880

0,2765

0,0216

 

Проверим гипотезу о нормальном законе распределения случайной компоненты (приложение Б, рисунок Б.7). Случайная компонента распределена по нормальному закону. По оценкам автокорреляционной и частной автокорреляционной функции (приложение Б, рисунок Б.8) можно говорить об отсутствии автокорреляции остатков. Можно утверждать, что модель является адекватной.

Так как получены две адекватные модели, то осуществим выбор на основе информационных критериев Акайка (Akaike Information criterion - AIC) и байесовского критерия Шварца (Schwarz Bayesian criterion - SBC). Результаты представлены в таблице 3.2.10.

 

Таблица 3.2.10 – Результаты оценки критериев Акайка и Шварца

Название критерия

Прогнозная модель

АРПСС (1,1,1)

АРПСС (1,1,2)

1

2

3

AIC

0,5160

0,2838

SBC

0,7571

0,2979

 

Исходя из результатов реализации критериев Акайка и Шварца, выбираем в качестве прогнозной модель АРПСС (1,1,1):

( 3.2.2)

Проведем прогнозирование объема продаж обоев в период с января 2013 года по декабрь 2013 года на основе полученной модели. Результаты прогнозирования представлены в таблице 3.2.11.

 

Таблица 3.2.11 – Прогнозные значения объема продаж обоев

Период времени

Точечный прогноз

Интервальный прогноз

Нижняя граница

Верхняя граница

1

2

3

4

Январь 2013 г.

672,4578

472,7265

872,1891

Февраль 2013 г.

711,0442

432,6760

989,4124

Март 2013 г.

677,3053

372,3033

982,3073

Апрель 2013 г.

703,0887

352,8992

1053,2783

Май 2013 г.

746,6557

344,9430

1148,3683

Июнь 2013 г.

745,9579

322,0366

1169,8792

Июль 2013 г.

781,8713

315,2540

1248,4886

Август 2013 г.

824,5300

311,5117

1337,5483

Сентябрь 2013 г.

789,7575

284,9992

1294,5158

Октябрь 2013 г.

791,5839

271,9075

1311,2603

Ноябрь 2013 г.

812,7841

265,3127

1360,2556

Декабрь 2013 г.

813,7603

254,2912

1373,2294

 

В период с января 2013 года по декабрь 2013 года ожидается общая тенденция к повышению объема продаж обоев, при этом максимальное значение ожидается в августе 2013 года. Согласно прогнозу к концу 2013 года объем продаж составит 1577,588 тыс. руб. или с надежностью 90% находится в интервале от 758,897 тыс. руб. до 2336,28 тыс.руб.

Построим график прогнозных значений объема продаж ООО «Стройсити» (рисунок 3.2.3).

 

Рисунок 3.2.3 – Прогноз объема продаж ООО «Стройсити» по товарному направлению «Обои» на основе модели АРПСС(1,1,1)

Таким образом, по результатам анализа, проведенного в параграфе 3.2, сделаны следующие выводы: объем продаж по товарному направлению «Обои» с января 2010 года по декабрь 2012 года имел общую тенденцию к возрастанию, но влияния введенной в 2012 году бонусной программы на объем продаж, также как и в предыдущем параграфе, не выявлен.

В следующем параграфе проведен анализ наличия эффекта от введения бонусной программы на примере отдельных категории товаров товарного направления «Обои».

3.3 Оценка экономического эффекта от внедрения бонусной программы на примере отдельных категорий товаров

Обои являются одним из самых модных и востребованных отделочных материалов применяемых в индивидуальном строительстве. На рынке происходит острая конкурентная борьба торговых марок и анонимных производителей обоев. Все изделия товарного направления обои делятся по ценовым категориям: эконом (низкая ценовая категория), средний класс (средняя ценовая категория) и элит (высокая ценовая категория).

Компания «Стройсити» занимается розничной продажей обоев всех перечисленных категорий. Для анализа влияния программы лояльности на объем продаж обоев разных ценовых категории были выбраны три группы товаров: «Обои 100 Эконом» (обои низкой ценовой категории), «Обои 100 Средний» (обои средней ценовой категории), «Обои 100 Элит» (обои высокой ценовой категории).

Для изучения динамики объема продаж товарного направления «Обои» по основным ценовым категориям в городе Петрозаводске построим график (рисунок 3.3.1).

 

Рисунок 3.3.1 – Динамика объема продаж обоев ООО «Стройсити» по трем ценовым категориям в городе Петрозаводске в период с января 2010 года по декабрь 2012 года

Анализируя динамику объема продаж различных категорий обоев, можно сделать выводы о том, что: с января 2010 года по декабрь 2012 года изменение объема продаж по ценовым категориям «Эконом» и «Средний» не монотонное, и периоды роста объема продаж часто сменяются периодами падения, но общая тенденция к росту объема продаж все же прослеживается, а изменение объема продаж обоев из ценовой категории «Элит» монотонно со слабо прослеживающейся тенденцией. В среднем объем продаж обоев из категории «Эконом» за период с января 2010 года по декабрь 2012 года составил 343,705 тыс. руб., из категории «Средний» - 310,818 тыс. руб., из категории «Элит» - 85,446 тыс. руб.

Графики автокорреляционной функции и частной автокорреляционной функции, а также их коррелограммы для временных рядов объема продаж обоев из разных ценовых категорий представлены в приложении Б на рисунках Б.9-Б.11.

По рисунку автокорреляционной функции для рядов динамики объема продаж обоев ценовых категорий «Эконом» и «Средний» можно говорить о наличии тренда, т.к. автокорреляционная функция объема продаж, убывает с увеличением лага достаточно медленно. По рисунку частной автокорреляционной функции так же можно говорить о наличии тренда, так как он типичен для рядов с трендом. По рисунку автокорреляционной функции и частной автокорреляционной функции для ряда динамики объема продаж обоев из ценовой категории «Элит» заподозрить наличие тренда нельзя, есть подозрение на стационарность ряда.

Результаты проверки наличия сезонности в ряду динамики объема продаж обоев из ценовой категории «Эконом» представлены в таблице 3.3.1.

 

Таблица 3.3.1 – Результаты проверки гипотезы об отсутствии сезонности в объеме продаж обоев из ценовой категории «Эконом»

Тест

Выводы

1

2

Критерий «пиков» и «ям»

Нет влияния сезонности

Дисперсионный критерий

Нет влияние сезонности

 

Результаты проверки наличия сезонности в ряду динамики объема продаж обоев из ценовой категории «Средний» представлены в таблице 3.3.2.

 

Таблица 3.3.2 – Результаты проверки гипотезы об отсутствии сезонности в объеме продаж обоев из ценовой категории «Средний»

Тест

Выводы

1

2

Критерий «пиков» и «ям»

Нет влияния сезонности

Дисперсионный критерий

Есть влияние сезонности

 

Результаты проверки наличия сезонности в ряду динамики объема продаж обоев из ценовой категории «Элит» представлены в таблице 3.3.3.

 

Таблица 3.3.3 – Результаты проверки гипотезы об отсутствии сезонности в объеме продаж обоев из ценовой категории «Элит»

Тест

Выводы

1

2

Критерий «пиков» и «ям»

Нет влияния сезонности

Дисперсионный критерий

Есть влияние сезонности

 

Таким образом, по результатам проверки гипотез, делаем вывод об отсутствии в ряду сезонной компоненты.

Далее приступим к моделированию и прогнозированию объема продаж обоев по основным ценовым категориям. Определим, к какому типу рядов принадлежат ряды динамики объема продаж TS или DS. Проверку на тип временного ряда осуществим с использованием тестов Дики-Фуллера и Филипса-Перрона. Результаты реализации приведены в таблицах 3.3.4, 3.3.5.

 

Таблица 3.3.4 – Результаты реализации критерия Дики-Фуллера для рядов динамики объема продаж обоев из различных ценовых категорий

Наименование ряда динамики

Тип ряда

1

2

Объем продаж обоев «Эконом»

DS ряд, порядок интегрированности 1

Объем продаж обоев «Средний»

DS ряд, порядок интегрированности 1

Объем продаж обоев «Элит»

TS ряд

 

Таким образом, ряды динамики объема продаж обоев ценовых категорий «Эконом» и «Средний» по результатам оценки критерия Дики-Фуллера являются рядами типа DS с порядка интегрированости равного 1, а ряд динамики объема продаж обоев ценовой категории «Элит» является рядом типа TS.

 

Таблица 3.3.5 – Результаты реализации критерия Филипса-Перрона для рядов динамики объема продаж из различных ценовых категорий

Наименование ряда динамики

Тип ряда

1

2

Объем продаж обоев «Эконом»

DS ряд, порядок интегрированности 1

Объем продаж обоев «Средний»

DS ряд, порядок интегрированности 1

Объем продаж обоев «Элит»

TS ряд

 

Таким образом, по совокупности тестов исследуемые ряды динамики объема продаж ценовых категорий «Эконом» и «Средний» являются рядами типа DS порядка интегрированности 1, а ряд динамики объема продаж ценовой категории «Элит» является рядом типа TS.

Прогнозирование объема продаж по категориям будем осуществлять на основе моделей Бокса-Дженкинса с введением фиктивной переменной, предназначенной для учета эффекта от проводимой программы лояльности. Так как ряды объема продаж обоев из ценовых категорий «Эконом» и «Средний» нестационарные, то строить модели будем в классе моделей авторегрессии проинтегрированного скользящего среднего (АРПСС (p,d,q)). Ряд динамики объема продаж обоев ценовой категории «Элит» стационарный, для него будем строить модели в классе авторегрессии скользящего среднего (АРСС (p,q)).

В результате перебора была получена одна адекватная модель со значимой фиктивной переменной для ряда динамики объема продаж ценовой категории «Эконом» АРПСС(1,1,2). В рядах динамики объема продаж ценовых категорий «Средний» и «Элит» адекватных моделей со значимой фиктивной переменной не выявлено. Так как третья глава посвящена оценке эффективности бонусной программы, то дальнейшее исследование сосредоточим на модели АРПСС(1,1,2), построенной для ряда динамики объема продаж обоев из ценовой категории «Эконом». Оценка коэффициентов модели представлена в таблице 3.3.6.

 

Таблица 3.3.6 – Результаты оценки параметров модели АРПСС (1,1,2) для временного ряда объема продаж обоев из ценовой категории «Эконом»

Обозначение параметра

Оценка коэффициента модели

Стандартная ошибка коэффициента

Наблюдаемый уровень значимости

1

2

3

4

 

0,103

1,636

0,0009

 

0,140

1,633

0,0000

 

-0,055

0,36

0,0000

 

25,225

0,227

0,023

 

Из результатов оценки параметров модели можно сделать вывод о том, что все коэффициенты являются значимыми.

Запишем полученную модель:

(3.3.1)

Проверим гипотезу о нормальном законе распределения случайной компоненты (приложение Б, рисунок Б.12). Случайная компонента распределена по нормальному закону. По оценкам автокорреляционной и частной автокорреляционной функции (приложение Б, рисунок Б.13) можно говорить об отсутствии автокорреляции остатков. Можно утверждать, что модель является адекватной.

Прогнозные значения объема продаж обоев из ценовой категории «Эконом» в период с января 2013 года по декабрь 2013 года представлены в таблице 3.3.7.

 

Таблица 3.3.7 – Прогнозные значения объема продаж обоев из ценовой категории «Эконом»

Период времени

Точечный прогноз

Интервальный прогноз

Нижняя граница

Верхняя граница

1

2

3

4

Январь 2013 г.

638,77

518,77

758,77

Февраль 2013 г.

722,25

602,25

842,25

Март 2013 г.

740,34

620,34

860,34

Апрель 2013 г.

792,18

672,18

912,18

Май 2013 г.

764,26

644,26

884,26

Июнь 2013 г.

759,25

639,25

879,25

Июль 2013 г.

746,50

626,50

866,50

Продолжение таблицы 3.3.7

1

2

3

4

Август 2013 г.

873,78

753,78

993,78

Сентябрь 2013 г.

842,44

722,44

962,44

Октябрь 2013 г.

815,22

695,22

935,22

Ноябрь 2013 г.

933,11

813,11

1053,11

Декабрь 2013 г.

917,32

797,32

1037,32

 

Далее построим прогноз по данной модели (рисунок 3.3.2).

 

Рисунок 3.3.2 – График прогнозных значений объема продаж ценовой категории «Эконом» товарного направления обои ООО «Стройсити»

Опираясь на результаты полученного прогноза, можно говорить о том, что в период с января 2013 года по декабрь 2013 года ожидается общая тенденция к повышению объема продаж обоев из ценовой категории «Эконом».

Анализ влияния бонусной программы на объем продаж при помощи введенной фиктивной переменной, проведенный в параграфе 3.3, показал, что после 2012 года объем продаж обоев из ценовой категории «Эконом» увеличился в среднем на 25,225 тыс. руб. по сравнению с объемом продаж до 2012 года, что свидетельствует о наличии положительного эффекта от внедрения бонусной программы. В ценовых категориях «Средний» и «Элит» эффект от внедрения бонусной программы не выявлен.

Таким образом, в результате анализа влияния бонусной программы на объем продаж ООО «Стройсити» можно сделать вывод, что не смотря на общую тенденцию к возрастанию, введение бонусной программы пока не оказывает существенного влияния на значение данного показателя. Такой же результат получен и для объема продаж по товарному направлению «Обои». Связно это, скорее всего, с небольшим сроком действия бонусной программы. Положительный эффект от внедрения бонусной программы выявлен только для дешевых обоев класса «Эконом».

Заключение

В ходе проведенного анализа и моделирования клиентской базы владельцев бонусных карт были получены следующие результаты.

1. Анализ структуры клиентской базы по полу, возрасту, семейному положению и роду деятельности позволил составить портрет типичного владельца бонусной карты: это мужчина, состоящий в браке, в возрасте от 30 до 50 лет, род деятельности которого – служащий.

2. Исследование влияния качественных характеристик клиента на сумму покупки, сумму накопленных бонусов и на пользование бонусами показало:

- пол клиента, семейное положение и возраст не оказывают значимое влияние на сумму покупки. На сумму покупки влияет только род деятельности клиента;

- пол, возраст и род деятельности клиента оказывают значимое влияние на пользование бонусов, а семейное положение клиента не влияет на пользование бонусами;

- наиболее лояльными категориями клиентов являются мужчины, среднего возраста, занимающиеся предпринимательской деятельностью, или занимающие на предприятиях и в организациях руководящие должности. Эти категории клиентов более склонны к использованию бонусов и совершают более дорогостоящие покупки, чем остальные категории клиентов.

3. В результате исследования влияния одновременно всех качественных характеристик клиента на его склонность к использованию бонусов на основе логит-модели доказано, что:

- женщины мене склонны к накоплению бонусов, чем мужчины;

- наименее склонны к накоплению бонусов неработающие клиенты, затем идут клиенты с рабочими профессиями и клиенты служащие.

4. По результатам ранжирования категорий клиентов по снижению оценки вероятности активного пользования бонусами сформулирован вывод о том, что наиболее активно пользуются бонусами мужчины в возрасте до 30 лет, занимающие руководящую должность. Наименее активными пользователями бонусов являются неработающие женщины в возрасте от 30 до 50 лет.

5. В ходе исследования была выдвинута гипотеза о том, что клиенты более склонные к использованию бонусов, совершают покупки на меньшую сумму, чем те, которые менее склонны к использованию бонусов. Эта гипотеза была проверена с помощью регрессионного анализа суммы накопленных бонусов на основе линейной модели множественной регрессии, а также построения логит-моделей вероятности пользования бонусами и вероятности активного пользования бонусами.

Результаты регрессионного анализа суммы накопленных бонусов не дали подтверждения выдвинутой гипотезе. Однако на основе логит-модели вероятности активного пользования бонусами сформулированы следующие выводы:

- при увеличении количества покупок с использованием бонусной системы, вероятность активного пользования бонусов снижается;

- при увеличении количества покупок со скидкой 5%, вероятность активного пользования бонусами увеличивается;

- при увеличении суммы покупки, вероятность активного пользования бонусами снижается.

Таким образом, действительно, клиенты, совершающие покупки на большую сумму, менее склонны к использованию бонусов. Эти клиенты предпочитают сразу получить скидку в 5%, нежели положить 7% стоимости покупки на бонусный счет.

6. Анализ влияния бонусной программы на объем продаж ООО «Стройсити» проведен на основе моделирования и прогнозирования объема продаж в целом, а также по отдельным товарным направлениям и отдельным категориям товаров. Признаком наличия положительного эффекта от внедрения бонусной программы является значимость и положительное значение оценки коэффициента при фиктивной переменной в модели временного ряда, учитывающей временной период до внедрения бонусной программы и после внедрения. Предлагаемый подход был реализован для товарного направления «Обои» и для трех категорий обоев класса «Эконом», «Средний» и «Элит». Положительный эффект от внедрения бонусной программы выявлен только для дешевых обоев класса «Эконом». Это согласуется с полученными ранее результатами исследование влияния покупательской активности на пользование бонусами.

Результаты исследования, полученные в дипломной работе, позволяют выработать ряд рекомендаций руководству отдела маркетинга ООО «Стройсити» по совершенствованию бонусной программы. Рекомендуется следующее:

1) выяснить причины незаинтересованности клиентов к накоплению бонусов;

2) разработать мероприятия по расширению круга клиентов, использующих клубную карту не только как дисконтную, а как бонусную. Возможно, клиенты просто плохо ознакомлены с работой бонусной программы;

3) сосредоточить внимание на наименее льяльных категориях клиентов, к которым относятся преимущественно женщины, а также мужчины не работающие, с рабочими профессиями или служащие;

4) проанализировать возможность отказа от фиксированного процента пополнения бонусного счета, а менять его в зависимости от суммы совершаемой покупки. Это позволит повысить лояльность клиентов, совершающих дорогостоящие покупки;

5) по истечении года снова провести моделирование и прогнозирование объема продаж компании, поскольку отсутствие в настоящее время значимого эффекта от внедрения бонусной программы, скорее всего, связно с коротким сроком её действия.

Список использованных источников

1. Griffin, J. Customer loyalty: how to earn it, how to keep it - second edition / J. Griffin // San Francisco: Jossey-bass - 2002. - P. 252.

2. Hofmeyr, J. Commitment-Led Marketing / J. Hofmeyr, B. Rice // John Wiley and Sons. - 2000. - P. 22-25.

3. Jacoby, J. Brand Loyalty: Measurement and Management / J. Jacoby, R.W. Chestnut // New York: Wiley. - 1978. - P. 507-529.

4. Jonathan, Lee The influence of switching costs on customer retention: a stady of the cell phone market in France / Lee Jonathan, Lee Janghyuk // European Advances in Consumer Research. - 1999. - volume 4. - P. 277-283.

5. Андреев, А. Г. Лояльный потребитель - основа долгосрочного конкурентного преимущества компании / А. Г. Андреев // Маркетинговые исследования. - 2003. - №2. - С. 16.

6. Аптон, Г. Анализ таблиц сопряженности / Г. Аптон // М.: Финансы и статистика. - 1982. - 143 с.

7. Балашов, А.А., Программы лояльности на транспортном рынке и место Бенчмаркинга в определении схемы построения программ лояльности / А.А. Балашов, А.А. Губанова // Маркетинг и маркетинговые исследования. - 2011. - № 3. - С. 242-252.

8. Балашов, К. Сегментация клиентской базы на основе факторов поведенческой лояльности / К. Балашов // Маркетинг. - 2007. - № 1. - С. 40-47.

9. Балашов, К.А. Построение системы лояльности клиентов / К.А. Балашов // Маркетинг. - 2007. - № 2. - С. 78-90.

10. Беляев, С. М. Конкурентное преимущество и дистанцирование на рынке при помощи программ персональной работы с покупателями / С. М. Беляев // Маркетинговые коммуникации. - 2009. - №4 - С. 236-241.

11. Борисова, С.Г. Исследование лояльности персонала как ключевого маркетингового актива ВУЗА / С.Г. Борисова // Маркетинг и маркетинговые исследования. - 2012. - № 3. - С. 218-233.

12. Борисова, С.Г. Программы лояльности - важнейший актив современного ВУЗА / С.Г. Борисова // Маркетинг. - 2009. - № 5. - С. 113-122.

13. Бравичева, О.С. Использование непараметрических методов статистики для оценки детерминант продолжительности безработицы / О.С. Бравичева // Научные школы и результаты в российской статистике: Материалы Международной научно-практической конференции. - СПб: Знание. - 2006. - С. 237-239.

14. Бравичева, О.С. Методы и инструментальные средства исследования влияния факторов на продолжительность поиска работы / О.С. Бравичева // Вестник Петрозаводскского государственного университета: Научно-практический журнал. - 2006. - №2. - С. 140-144.

15. Бугорская, Ю. От стимулирования сбыта - к повышению лояльности потребителей: программы поощрения / Ю. Бугорская // Маркетинговые коммуникации. - 2003. - №3 (15). - С. 30.

16. Бутчер, А. Стефан программы лояльности и клубы постоянных клиентов / А. Бутчер // М.: Издательский дом "Вильямс". - 2004. - С. 81.

17. Васин, Ю.В. Эффективные программы лояльности. Как привлечь и удержать клиентов / Ю.В. Васин // Изд-во: Альпина Бизнес Букс. - 2004. - 152 с.

18. Добровидова, М.А. Эффективные технологии повышения лояльности потребителей / М.А. Добровидова // Маркетинг и маркетинговые исследования. - 2003. - № 3 (45). - С. 52-53.

19. Емельянов, К.А. Программы лояльности на автомобильном рынке / К.А. Емельянов // Маркетинг. - 2009. - № 1. - С. 83-96.

20. Загидуллин, Р.Р. Современные тенденции программ лояльности и CO-BRAND-ПРОЕКТОВ / Р.Р. Загидуллин // Маркетинг и маркетинговые исследования. - 2006. - № 6. - С. 606-615.

21. Зак, Ю.А. Методы обработки нечисловой информации в маркетинговых исследованиях / Ю.А. Зак // Маркетинг и маркетинговые исследования. - 2013. - № 1. - С. 20-33.

22. Ивашкова, Н.И. От программ лояльности потребителей к программам взаимодействия с контактными аудиториями / Н.И. Ивашкова, И.М. Гончарова // Маркетинг и маркетинговые исследования. - 2007. - № 5. - С. 364-372.

23. Ивашкова, Н.И. Методы оценки удовлетворённости и лояльности потребителей: модификация аналитических возможностей SERVQUAL применительно к банковским услугам / Н.И. Ивашкова, И.В. Лопатинская //Маркетинг и маркетинговые исследования. - 2013. - № 1. - С. 34-47.

24. Карасев, Я. Коалиционные программы лояльности / Я. Карасев // Маркетинговые коммуникации. - 2005. - №3. - С. 37-41.

25. Клишина, Ю. Применение анализа соответствий в обработке нечисловой информации / Ю. Клишина // Социология. - 1991. - 4М. - № 2. - С. 105-119.

26. Князев, Д. Кобрендинг как программа лояльности [Электронный ресурс]. - Режим доступа: http://www.marketing.spb.ru.

27. Ковалевский, В.П. Анализ и моделирование демографических и миграционных процессов в контексте национальной безопасности (региональный аспект). / В.П. Ковалевский, О.В. Буреш, А.Г. Реннер, О.И. Бантикова, В.И. Васянина // Под редакцией А.Г. Реннера. - Самара: Изд-во СамНЦ РАН. - 2009. - 226 с.

28. Костерин, И.Г. Пространственный анализ предпочтений покупателей розничных магазинов на территории города / И.Г. Костерин // Практический маркетинг. - 2007. - № 10. - С. 2-12.

29. Котляров, И.Д. Лояльность и повторяющиеся покупки / И.Д. Котляров // Маркетинг и маркетинговые исследования. - 2010. - № 6. - С. 480-486.

30. Кочкарева, Ю. Программы вознаграждения потребителей как инструмент повышения лояльности к бренду [Электронный ресурс]. - Режим доступа: http://www.bi-marketing.ru.

31. Красовская, Л.С. Красовская Оценка потребительской лояльности на основе Макроатрибутивной модели / Л.С. Красовская // Маркетинг. - 2008. - № 3. С. 58-65.

32. Куликова, З. О принципах эффективного управления лояльностью / З. Куликова // Маркетинг и маркетинговые исследования. - 2008. - № 2. - С. 90-96.

33. Малышев, А.А. Исследование потребительской лояльности к торговой сети "Магнит" на рынке Пензы / А.А. Малышев, Е.Ю Маслинцина // Маркетинг и маркетинговые исследования. - 2013. - № 1. - С. 60-67.

34. Реннер, А.Г. Математические методы моделирования социально-экономических процессов (региональный аспект) / А.Г. Реннер, О.И. Бантикова, О.С. Бравичева, О.И. Стебунова, Л.М. Туктамышева // Самара: Изд-во СамНЦ РАН. - 2008. - 182 с.

35. Нагорная, Е.С. Оценка эффективности программы формирования потребительской лояльности / Е.С. Нагорная // Наука о человеке: гуманитарные исследования. - 2011. - № 2 (8). - С. 44-50.

36. Никишкин, В. В. Лояльность покупателей и ее формирование в розничной торговле / В. В. Никишкин, И. П. Широченская // Маркетинг и маркетинговые исследования. - № 3. - 2004. - C.18-24.

37. Палавин, К.В. Правила работы с клиентами, обеспечивающие их лояльность / К.В. Палавин // Маркетинг и маркетинговые исследования. - 2010. - № 2. - С. 120-124.

38. Пирцхалаишвили, К.З. Программы лояльности в банковском секторе / К.З. Пирцхалаишвили, Д.П. Ромащенко // Маркетинг и маркетинговые исследования. - 2006. - № 5. - С. 472-478.

39. Райхельд Фредерик, Ф. Эффект лояльности: движущие силы роста, прибыли и непреходящей ценности / Ф. Райхельд Фредерик // Вильямс. - 2005. - 384 С.

40. Скляр, Е.Н. Оценка уровня удовлетворённости и лояльности массового сегмента компании "РОСТЕЛЕКОМ" / Е.Н. Скляр // Маркетинг и маркетинговые исследования. - 2012. - № 6. - С. 470-482.

41. Тимофеев, В.С. Анализ покупательской лояльности при перепозиционировании Торговой Компании / В.С. Тимофеев, А.Ю. Колесникова // Маркетинг и маркетинговые исследования. - 2012. - № 3. - С. 234-240.

42. Федоров, В.К. Создание программы лояльности на основе принципа маркетинга отношений / В.К. Федоров, Г.П. Бендерский, Е.К. Епанешникова // Инновационный менеджмент. - 2008. - № 11. - С. 47.

43. Холлендер, М. Непараметрические методы статистики / М. Холлендер, Д. Вулф // Пер. с англ. Д.С. Шмерлинга; Под ред. Ю.П. Адлера и Ю.Н. Тюрина; Предисл. Ю.П. Адлера, Ю.Н. Тюрина и Д.С. Шмерлинга. - М.: Финансы и статистика. - 1983. - 518 с.

44. Христофоров, И.О. Кластерный анализ в исследовании удовлетворённости потребителей / И.О. Христофоров // Маркетинг. - 2008. - № 1. - С. 26-38.

45. Христофоров, И.О. Лояльность абонентов операторов сотовой связи: сущность и влияющие факторы / И.О. Христофоров // Практический маркетинг. - 2008. - №6. - С. 12-21.

46. Цуневская, О.Я. Автоматизация программ лояльности на основе CRM-технологий / О.Я. Цуневская // Маркетинг и маркетинговые исследования. - 2008. - № 6. - С. 478-494.

47. Цуневская, О.Я. Повышение лояльности клиентов на основе использования специальных программ и Ко-Бренд-Проектов / О.Я. Цуневская // Маркетинг. - 2009. - № 6. - С. 44-58.

48. Цуневская, О.Я. Повышение лояльности клиентов на основе использования специальных программ и КО-БРСИД-ПРОЕКТОВ / О.Я. Цуневская // Маркетинг. - 2007. - № 6. - С. 44-58.

49. Цысарь, А.В. Лояльность покупателей: основные определения, методы измерения, способы управления / А.В. Цысарь // Маркетинг и маркетинговые исследования. - 2002. - № 5. - С. 55-61.

50. Чудинова, О.С. Ранжирование категорий безработных по степени их востребованности на рынке труда / О.С. Чудинова // Вестник Петрозаводскского государственного университета: Научно-практический журнал. - 2011. - №8. - С. 205-208.

51. Шальнова, О.А. Формирование потребительской лояльности к специализированному магазину / О.А. Шальнова // Маркетинг. - 2008. - № 3. - С. 44-58.

52. Широченская, И.П. Основные понятия и методы измерения лояльности / И.П. Широченская // Маркетинг в России и за рубежом. - 2004. - №2. - С. 36-45.

53. Эль-Смайли, Д.П. Потребительские программы лояльности: технологии эффективного функционирования / Д.П. Эль-Смайли // Вестник РУДН, серия Экономика. - 2009. - № 1. - С. 87-93.

54. Яшкина, П.В. Методики оценки лояльности потребителей. Использование NPS-метода при анализе клиентской лояльности / П.В. Яшкина, Е.Н. Скляр // Маркетинг и маркетинговые исследования. - 2012. - № 1. - С. 28-40.

Приложение А

(обязательное)

Структура клиентской базы

Приложение Б

(обязательное)

Анализ и моделирование объема продаж ООО «Стройсити»

Скачать: Analiz-i-modelirovanie-klientskoy-bazy-v-sisteme-upravleniya-bonusnoy-programmoy.doc

Категория: Дипломные работы / Дипломные работы по экономике

Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.