python

Карантин, онлайн-системы и data science. Кто думает об удержании клиентов?

  • пятница, 29 мая 2020 г. в 00:37:31
https://habr.com/ru/post/504188/
  • Python
  • Data Mining
  • CRM-системы
  • R


Карантин явился своеобразной лакмусовой бумажкой для систем онлайн-обслуживания. Многие системы, даже Госуслуги, не выдержали нагрузки (а дистанционное образование вообще отдельная песня, некоторые семьи могли их даже не пережить). Многие системы оказались функционально не готовы к массовому обслуживанию. Проводя ретроспективу, сейчас на каждом углу начали писать про важность онлайн направлений для магазинов, о том, что надо было задумываться об этом ранее. 2 месяца активных онлайн заказов и постепенность последующего выхода вполне могли радикально изменить предпочтения и покупательскую модель жителей больших городов.


Сейчас ИТ может прийти к бизнесу и потребовать десятки и сотни миллионов на внедрение или разработку модных онлайн-систем. Однако окажется ли это все оправданным? Без построения полноценного управления оттоком клиентов (то что в телекоме называлось 'customer churn prediction') эффективность затраченных средств окажется под большим вопросом и вот почему.


В тематике CRM существует два широко употребляемых маркетинговых тезиса:


  • Стоимость привлечения нового клиента в 10 раз выше стоимости продажи существующему клиенту.
  • Довольный клиент приводит двух, а недовольный уводит десятерых.

Если это сразу не учитывать в проектах, есть большой риск, что в результате всех этих действий, бизнес будет платить ИТ большие деньги, качество продукта будет посредственным (на разных этапах). Мы же, теперь уже не как ИТ-шники, а как потребители, будем оплачивать это путем повышения стоимости продукции и самим фактом использования соглашаться с постоянно снижающейся планкой в качестве обслуживания. Не хотелось бы.


Привожу конкретный кейс, подтверждающий проблематику. Кейсов в разных магазинах накопилось много. 'Беру' наиболее интересный, поскольку является продуктом двух крупнейших российских ИТ компаний (как они себя позиционируют) — Яндекс + Сбербанк. И от него ожидается соответствующего качества проработки.


Делаем последовательно заказы:


  1. Заказ 190**460 — батарейки CR2032. Пустяк в обычное время. Но они нужны для брелока машины. Без батарейки не заводится. В условиях карантина и ограничением времени выхода на 2 часа машина является единственным средством решения насущных вопросов.

    Что имеем? Установленный срок доставки в 5 дней сорван до 9. Обращение в "поддержку" с указанием причины беспокойства полностью проигнорировано. Информация о планируемом сроке доставки застыла на первичной дате. В логистическую компанию дозвониться технически невозможно. Есть какая-либо реакция от Беру? Вообще никакой.


  2. Заказы 198**674 и 198**931. Не начислены Беру Бонусы. Вроде бы ерунда, ну не ракета же упала. Должно решаться на раз-два. Однако, в ходе переписки с "поддержкой" выясняется, что "се ля ви", Бонусы должны быть начислены, но почему-то сбой. Ничего поделать нельзя. Открыть тикет нельзя, история переписки с "поддержкой" недоступна в пользовательском интерфейсе.



Это продукт от ИТ лидера рынка? Это ответ от бизнеса? Это такая бизнес модель? Где менеджер продукта? Где NLP? Где AI/ML? Где весь DS? Будь то на R или Python или BigData инструментах?


А может и правда, бизнес прав, не веря во все "ИТ-шные штучки", потому что в 90% случаев система является игрой разума ИТ группы и получается что-то подобное (Wikipedia)?


image


Стыд и позор и полное непонимание бизнес-модели привлечения, обслуживания и удержания клиентов. Деградация по отношению к "физическому" бизнесу.


Ведь что такое по самой сути Беру Бонусы? Это же электронная программа лояльности. Даже накладных на карточки нет. Начисление электронных баллов с кратким сроком их действия, стимулирующих возвращение клиента. И все! Это даже не биллинг или АБС или бухгалтерия.


Для примера, в оффлайн ритейле системы лояльности куда как сложнее внутри, но гораздо проще для клиента.


Там над программой лояльности работает множество человек, есть менеджеры, которые занимаются претензионной работой с клиентами у которых были сбои в системе лояльности. Есть претензионная работа с поставщиком систем лояльности, в маркетинговые программы вбухиваются немалые средства. Строятся партнерские программы. И вопрос с неначислением баллов решается очень оперативно и без каких-либо перепалок и ненужных "позитивных" объяснений.


У каждого менеджера по лояльности будет множество смешных и грустных кейсов, как что-то не работало, как один человек заблокировал продажи в магазине из-за проблем со списанием баллов, как уволили директора, как проводят ликбез по картам для пенсионеров, как разбираются с партнерскими QR кодами и т.д.


Одновременно с этим "казусом" продолжает сыпаться поток рекомендательных писем.


Ау!!! Data Science нужен не только для того, чтобы "впаривать", но и для того, чтобы отслеживать удовлетворенность клиента и управлять оттоком.


Для привязки к теме — эти задачи вполне неплохо решается средствами R, частично упоминал про отток ранее.


Беру, конечно, же не уникален. Лабиринт, например, просто не доукомплектовывал посылки. Бесконтактная передача отдаляет процесс проверки. А канал обратной связи практически отсутствует. Тоже кейс.


P.S. Некоторые читатели могут возмутиться, что "текст без кода" не соответствует тематике Хабра, но я придерживаюсь иного мнения. Не стоит забывать о том, что мы делаем и для кого. Конечная цель большинства инициатив и проектов — ИТ для людей, а не ИТ для ИТ.


Кода тут нет потому что это, фактически, формулировка проблемы. А дальше есть два варианта:


  1. Фиксировать значимость проблем, давно и хорошо известных реальному бизнесу, и их решать по также известным методикам и алгоритмам.
  2. Оставлять все как есть и последовательно и методично скатываться в деградацию сервисов, предоставляемых нам всем. Сами же и будем потреблять сделанное своими же руками.

Второй сценарий как-то не очень радует.


Предыдущая публикация — «Применение R при вычислениях с повышенной точностью».