Сегментация клиентской базы. На какие категории разделить клиентов? Разделение клиентов на однородные группы по определенным критериям Как разбить клиентов по ценовым группам

Артем Эмануэль

АВС-анализ – это один из самых доступных методов группировки клиентов по степени важности. В первую очередь, он полезен тем компаниям, где существуют сложности с обработкой данных специализированным программным обеспечением. Однако у начинающих специалистов, которые впервые столкнулись с необходимостью проанализировать продажи с помощью этого метода, он нередко вызывает массу вопросов. Попробуем разобраться, что именно приводит к сложностям и как их преодолеть.

Беглый анализ

АВС-анализ – это один из методов ранжирования клиентской базы на группы с разным удельным весом, в зависимости от того или иного критерия. В литературе чаще всего можно встретить примеры проведения АВС-анализа по показателям продаж в натуральном выражении, оборота или прибыли.

Одним из вариантов интерпретации АВС-анализа является диаграмма Паретто. Дело в том, что АВС-анализ базируется на принципе Паретто, который означает, что 20% усилий дают 80% результата, а остальные 80% усилий - лишь 20% результата. Однако при проведении АВС-анализа клиенты, как правило, распределяются не на две, а на три группы А – 75%, В – 20% и С – 5%. Откуда берутся эти цифры? «Из головы». На самом деле, число таких групп и процентные отношения между ними могут быть произвольными, в чем мы сможем убедиться чуть ниже.

Для макетолога, который является экспертом в своей отрасли, подобной технологии ранжирования клиента совершенно достаточно для общей оценки ситуации на конкретном предприятии. Но для специалиста, который только начинает свое знакомство с тем или иным рынком, может быть полезен более глубокий анализ. В этом мы имели возможность убедиться на собственном опыте. Вкратце объясним те сложности, с которыми мы и наши коллеги сталкивались при проведении анализа описанным выше методом.

Во-первых, при произвольном изменении процента покрытия групп «А», «В» и «С» меняется их состав, причем зачастую довольно существенным образом. Как с этим быть, какие выводы делать и какие рекомендации предлагать предприятию, становится непонятным. Кроме того, если использовать деление на группы для оценки «важности клиентов», на первый взгляд, очень сложно понять, почему группа «А» должна вносить вклад в размере 75%, а, например, не в размере 80%.

Во-вторых, если мы используем заданный процент для анализа динамики поступлений от клиентов в течение времени , может получиться так, что какой-нибудь отдельно взятый клиент с одним и тем же стабильным объемом покупок (или прибылью) попадает в разные группы, в зависимости от взятого периода.

Пример такой ситуации приведен в группе таблиц №1. В ней мы рассматриваем реальную ситуацию, сложившуюся в компании, которая занимается продажей тканей, и приводим анализ пяти ее клиентов по критерию объема закупок в натуральном выражении за год. При этом в данном случае, проводя АВС-анализ, клиентов мы будем «разбивать» в соотношении 70:20:10.

Группа таблиц №1

А) Данные по продажам ткани в динамике: простой список клиентов

Б) Данные по продажам ткани в динамике: ранжированный список клиентов

В) Предварительное распределение клиентов по группам

С какими проблемами мы сталкиваемся в данном примере? Проблема первая: анализируя ситуацию в динамике, невозможно точно отнести клиентов к той или иной группе. По данным на 2000 г., «Клиент №1» формирует группу «А», но также вносит свой вклад в долю группы «В». Но в следующие два года «Клиент №1», наоборот, вносит очень незначительный вклад в группу «А», хотя при этом у него наблюдается положительный рост объема продаж. Неопределенной является ситуация и с «Клиентом №2»: в первый год он попадает в группу «В», а в третий - в группу «С», хотя объем его закупок не изменился.

Конечно, можно обратить внимание на то, что в 2001 г. у компании появился новый клиент – «Клиент №5», который существенным образом повлиял на расклад ситуации. Поэтому можно попытаться решить проблему «миграции» групп путем раздельного анализа старых и новых клиентов, но и это позволяет решить имеющуюся проблему лишь частично.

Проблема номер два : если нам, к примеру, понадобится проанализировать историю клиентов и по объемам продаж, и по показателям прибыли, и по срокам погашения дебиторской задолженности, то мы не сможем этого сделать. В данном примере невозможно анализировать клиентов по нескольким параметрам одновременно, хотя такой многомерный анализ является сутью грамотного разбиения клиентов на группы.

Таким образом, описанный нами вариант ранжирования клиентов по фиксированному проценту покрытия оптимален, когда нам необходимо провести анализ клиентов в рамках одного периода. А вот анализ показателей в динамике в этом случае затруднен.

Как обойти описанные выше сложности? Это возможно, если за основу для разбиения по группам взять не заданный процент, а фиксированный объем продукции в натуральном выражении. Вернемся к нашему примеру. Предположим, мы хотим, чтобы в группу «А» были включены клиенты, чей годовой объем закупок превышает 1000 м, в группу «В» – клиентов с закупками от 100 до 999 м, а в группу «С» – клиентов, покупающих менее 100 м ткани.

Тогда по итогам 2000 г. в группу «А» войдет клиент №1, в группу «В» – клиенты №2 и №3, а в группу «C» – клиент №4. Как видно, этот вариант разбиения клиентов снял проблему невозможности четко определить, в какую группу относится клиент. Также отсутствует проблема «перехода» клиента из одной группы в другую без реального изменения объема продаж. Но возникает ряд других сложностей. В 2001 г. в группу «А» вошли клиенты №1 и №5, в группу «В» – №2, №3 и №4. В 2002 г. в группу «А» попали клиенты №4, №1 и №5, в группу «В» – №3 и №2. Как это повлияло на распределение процентных долей наших групп? Данные представлены в таблице №2.

Таблица №2. Данные по продажам ткани и ранжирование клиентов исходя из фиксированных показателей объема закупок

Вводя фиксированный объем закупок в качестве границ для групп, мы можем увидеть, насколько существенно различается вклад каждой группы из года в год. При этом определение базовых объемов закупок, которые берутся за основу для разделения клиентов на группы, будет критичным для анализа.

Углубленный анализ

Метод, о котором мы рассказали в предыдущем разделе, хорош для быстрого, поверхностного анализа динамики клиентов. Предположим, нам надо посмотреть, как менялась структура клиентов по заданному параметру (например, объем продаж) в течение нескольких лет. Сначала мы проводим анализ последнего года по первому методу, то есть исходя из заданного процента покрытия групп (70:20:10). Потом мы анализируем группу «А» и выбираем базовый объем продаж. В нашем случае в качестве базового периода был принят 2000 год, а исходя из беглого анализа клиентов, мы пришли к выводу, что критичными являются объемы продаж в 1000 и 100 метров.

И, наконец, проводим разбиение с использованием выбранного критического значения нужного параметра по всем годам (в приведенном примере это объем продаж в натуральном выражении). Видно, что группа «А» существенно увеличила свой вклад в объемы продаж фирмы.

Кстати, этот же анализ можно провести с учетом дополнительных параметров «новый клиент», «старый клиент», «потерянный клиент» и «вернувшийся клиент». Но об этом мы расскажем чуть позже. А пока посмотрим, как можно повысить качество ранжирования, если обосновать выбор критических значений.

Мы предлагаем один из самых простых и интуитивно понятных способов решения этой задачи – будем разбивать клиентов с использований квартилей . А сделаем мы это на примере случайной выборки из 22 клиентов компании (данные представлены в группе таблиц №3).

Группа таблиц №3.

А) Исходные данные: продажи по клиентам

Б) Распределение значений

Интуитивно можно предположить, что пороговыми значениями будет 1000 и 10 000.

Проверим. Вычисляем выбросы по формуле:

Выброс = «Верхний квартиль» + 1,5 * (Верхний квартиль - Нижний квартиль) = 2093,75.

То есть, все числа, превышающие 2093,75, - выбросы.

Нижние выбросы в данном случае нас не интересуют. На практике они часто не учитываются, потому что:

Нижний выборос = Нижний квартиль - 1,5 * (Верхний квартиль - Нижний квартиль) = - 410.

В) Рассматриваем продажи по клиентам, попавшим в верхние выбросы

Г) Итоговое разбиение клиентов

Несколько пояснений к расчетам. Приведенный список клиентов сортируется по мере уменьшения объемов покупок. После этого для приведенных показателей определяются: среднее значение, медиана, нижний и верхний квартиль . Все эти вычисления можно делать с помощью стандартных функций «КВАРТИЛЬ» и «СРЗНАЧ» в Microsoft Excel.

Если посмотреть на значения из списка бегло, можно предложить разбить клиентов на группы по следующему принципу:

• Группа А – от 10 000 м,
• Группа В – от 1 000 до 9 000,
• Группа С – от 999 и ниже.

Теперь считаем выборосы и получаем, что критическим значением для верхнего выбороса является (округленно) число 2094. Благодаря этому вычислению мы можем для начала разбить клиентов на две группы: в первую попадут те, чей объем покупок выше указанного значения, во вторую - те, чей объем ниже. В приведенном примере первая группа будет обеспечивать 87% всех продаж в натуральном выражении (общая сумма продаж равняется 55 160 метрам, а на первую группу приходится 47 900 из них). Мимоходом заметим, что подобная ситуация характерна для сырьевых рынков и рынков расходных материалов.

Что теперь? Проведение дальнейшего анализа зависит от поставленных задач. В целом можно пойти двумя путями. Можно первую полученную группу назвать группой «А», а оставшуюся часть, при необходимости, разбить еще на две группы - это уже субъективное решение. А можно полученные выбросы опять проанализировать с помощью квартилей, как мы и поступили. В некоторых случаях это дает очень полезные данные. К примеру, в нашем случае был выделен один клиент, чей объем продаж сильно отличается от всех остальных (см. таблицы 3-В и 3-Г).

По итогам анализа мы видим, что в группу «А» вошел только один клиент. Если мы встречаемся с такой ситуацией на практике, мы всегда стараемся понять, откуда взялся такой клиент, который вносит целых 54% в продажи и по сути формирует собой целую группу. Для начала мы советуем обратиться к исходным данным и проверить, нет ли там ошибки.

Но в данном случае все проще. Специфика деятельности взятого нами сырьевого рынка в том, что на нем действительно присутствует небольшая группа клиентов, которая обеспечивает непропорционально высокий вклад в продажи. Отметим, что в данном случае мы имеем дело с небольшой выборкой из 280 клиентов компании, а на самом деле таких крупных заказчиков, как в группе «А», у нее 7 и они обеспечивают 88-процентный вклад в продажи.

Так как анализ с помощью квартилей и выбросов помогает выделить клиентов, чей объем продаж сильно отличается от общей группы, повторный анализ этим методом позволяет определить клиентов, к которым надо относиться ОЧЕНЬ внимательно. На практике мы часто проводим повторный анализ с помощью квартилей, чтобы выделить клиентов в особую группу VIP, которую мы добавляем к традиционным А, В и С.

Теперь пойдем дальше. К настоящему моменту мы осуществляли общий анализ вклада клиентов в продажи. Теперь же рассмотрим выборки клиентов за три года и проанализируем показатели в динамике (данные представлены в группе таблиц №4).

Группа таблиц №4

А) Показатели продаж в динамике, исходные данные

Примечание. Казалось бы, наблюдается явное несоответствие в группировке клиентов по годам, если мы будем осуществлять ее на основе анализа квартилей по каждому отдельно взятому году. В 2000 году в группу "В" попадет любой клиент, чей объем покупок выше 3000 м, а в 2001 году - те, у кого объем продаж выше 4000 м. Но это лишь на первый взгляд.

Для начала проверим адекватность разбиения клиентов по группам. Для этого проведем описанный выше анализ для каждого года отдельно.

Б) Квартили и выбросы: анализ по годам

В) Ранжирование по группам

Г) Вклад каждой группы в продажи:

Что мы сделали? В качестве исходных данных для анализа мы снова взяли реальные показатели продаж тканей за три года. Если информация о покупках для некоторых клиентов за какой-то год отсутствует, это означает, что в этот период они не купили ничего.

В таблице №4-Б представлены данные анализа клиентов по квартилям и разбросам за каждый год отдельно. Что можно сказать о динамике продаж без анализа новых, старых, упущенных и вернувшихся клиентов? Если посмотреть на объемы продаж, то мы видим резкий рост в 2001 году по сравнению с 2000, и примерно один и тот же уровень в 2002. Но если сравнить выбросы №1 и №2 за три года, мы видим, что их динамика отличается от общей динамики продаж. Это говорит о значительных изменениях в структуре клиентов компании (выбросы №2 в первом и третьем периоде практически одинаковы, а во втором – резко повышаются).

Если работать с таким относительно небольшим диапазоном данных, как в данном примере, такую тенденцию легко обнаружить невооруженным взглядом, даже без анализа динамики квартилей. Но если список клиентов исчисляется сотнями, то можно использовать рекомендованными нами несложный подход, чтобы быстро оценить внутренние изменения клиентской базы за разные периоды.

Данные в таблице №4-Г интересно рассмотреть более детально. Из нее мы видим, что для данного примера в группу «А» входит только 1 клиент. Это нетипичная ситуация, и как объяснялось ранее, она возникла потому, что мы используем выборки из реальных данных сырьевого предприятия, а также разбиваем клиентов на группы с помощью повторного анализа выбросов. Если такая ситуация возникает на практике, то такого клиента (или очень малое число клиентов, значительно превосходящих по объемам продаж основную группу), полезно рассматривать отдельно, к чему мы еще вернемся.

Кроме того, из таблицы №4-Г можно заключить, что вклад группы «В» в общий объем продаж постепенно растет, хотя динамика последних двух лет незначительна, а количество клиентов не меняется. Повышается и средний размер покупки, хотя и здесь в два последние периода рост незначителен.

Если посмотреть на значения стандартного отклонения и коэффициента вариации, мы можем сделать вывод, что в 2002 году группа «В» по объему покупок достаточно гомогенна, а в 2001 году разброс объема продаж внутри группы наиболее выражен. Из этого мы можем сделать два предположения: либо мы имеем дело с различными сегментами клиентов, либо мы имеем дело с различной эффективностью работы нашей компании с этой группой клиентов. Забегая вперед, скажем, что для того, чтобы сделать окончательный вывод, нужно проводить несколько иной вид анализа, который мы рассмотрим позже.

В группе «С» ситуация иная. Внутри этой группы наблюдается значительный разброс по показателям продаж. С одной стороны, это может говорить о том, что разбиение клиентов на группы выполнено неверно. Но если мы уверены в корректности ранжирования, мы можем констатировать, что клиенты данного сегмента значительно разнятся между собой. Динамика по ее вкладу в продажи положительна, но с количеством клиентов такой четкой зависимости нет.

Итак, для наиболее полного анализа клиентов полезно совместить все три описанных выше подхода: первый – на основе заданного процентного вклада в группу, второй – на основе заданного вклада в абсолютном выражении, третий – на основе анализа распределения с использованием квартилей. Не вдаваясь в подробности, скажем лишь, что последний вариант разбиения клиентов хорошо подходит для относительного анализа динамики клиентов, но не может быть использован для отнесения клиентов в группы для того, чтобы использовать их как индикаторы «значимости» клиентов.

Нужно учитывать, что повторный анализ выбросов может сформировать очень небольшую группу клиентов. Тогда ее полезно выделить в отдельную группу VIP, а разбиение оставшейся части делать немного по-другому. Обычно, когда повторный анализ выбросов дает группу из очень небольшого числа клиентов, то структура продаж будет очень неоднородной. Этих клиентов стоит рассматривать отдельно и анализировать, почему возникла такая ситуация. Очень часто это может говорить о том, что компания «доросла» до нового этапа – для работы с очень крупными заказчиками и эта группа VIP сильно отличается от всех прошлых клиентов.

Возможны, конечно, и другие варианты. В общем случае, еще раз повторимся, эту группу надо рассматривать отдельно. Тогда на данном этапе у нас получатся только две основные группы. Первая – группа «А», которую мы выделили исходя из анализа выбросов первый раз. Чтобы «разбить» оставшуюся «внизу» группу на две части, полезно посмотреть, какой вклад в продажи вносит уже готовая группа «А». Если группа «А» занимает в структуре продаж больше 70%, то полезно пытаться разбить оставшуюся группу так, чтобы клиенты «В» занимали от 20 до 25%.

Тут возникает проблема, которой мы пока не касались. Предположим, у Вас есть список:

• Клиент 1 – 800
• Клиент 2 – 750
• Клиент 3 – 600
• Клиент 4 – 550
• Клиент 5 – 500
• Клиент 6 – 450
• И т.д.

В такой ситуации разница между каждой парой клиентов очень невелика. И если мы скажем, что клиенты с 1 по 3 – это группа «В», а ниже – «С», то будет неясна разница между клиентом 4 и 3. Почему 4-й это уже группа «С», а 3-й еще «В»? Проблема действительно серьезная, потому что предполагается, что разбиение клиентов осуществляется не просто так. К тому же, разделив клиентов на группы, вы будете по разному к ним относиться и предлагать им разные условия работы. Возможный выход из ситуации – введение в анализ дополнительных данных по клиентам. В общем виде эти данные должны исходить из отдела маркетинга и представлять критерии разбиения клиентов на сегменты.

Очень часто полезен и такой подход. В качестве дополнительных двух критериев вы можете ввести потенциальный объем потребления клиентом вашего товара (за оцениваемый период) и его отраслевую принадлежность. Этот вариант особенно хорош, если вы занимаетесь продажами сырья или расходных материалов, то есть продукции, которую один и тот же клиент использует постоянно в своем производстве. Тогда менеджеры компании могут оценивать ориентировочные объемы продаж по данному клиенту, а кроме того – они довольно точно могут указать их отрасль.

Введение этих двух дополнительных параметров имеет ограничение: если каждый менеджер по продажам работает с сотнями клиентов, то получение подобной информации затруднительно. Как вариант, можно попросить их указать данные по потенциальным объемам продаж только для тех клиентов, которые могут покупать много, но в реальности покупают у вас мало. Но это уже несколько другой анализ.

На самом деле есть большая вероятность, что после разбиения клиентов на группы по признаку УЖЕ СОВЕРШИВШИХСЯ ПРОДАЖ – будь то прибыль, оборот в денежном или натуральном выражении, - вы совершаете одну большую неточность. Ведь среди ваших клиентов есть группа, которая у вас покупает МАЛО, но РЕАЛЬНО потребляет много. Этот особенно характерно для тех отраслей, где возможности дифференциации по продуктам низки, например, тех же сырьевых.

Чем выше степень коммодизации сырья, тем проблема актуальнее. К примеру, если вы торгуете биржевым товаром, то подобная проблема стоит особенно остро. В связи с этим мы рекомендуем все-таки проводить подобный анализ, где в качестве критерия анализа выступает степень покрытия потребности клиента вашей продукцией. В рамках такого анализа для каждого клиента необходимо высчитать коэффициент, который получается путем деления объема продаж вашей продукции этому клиенту на общую потребность клиента в этой продукции.

Пример. Допустим, вы продаете бумагу для типографий. Если вы продали типографии 100 тонн бумаги в год, а ее потребность – 1000 тонн в год, то коэффициент покрытия равен 0,1. То есть, вы обеспечиваете клиенту 10% его потребности в продукции. Почему так? Об этом стоит подумать. Возможно, этот клиент представляет не основной целевой сегмент компании (тогда стоит проанализировать перспективы выхода в этот сегмент), а может быть, это показатель неэффективной работы службы продаж.

Очень часто при проведении такого анализа возникает проблема – где взять данные о реальных потребностях клиентов? На это вопрос ответим кратко: если в вашем отделе продаж работают профессионалы, они ДОЛЖНЫ знать реальные потребности своих клиентов. Точка.

Обобщим вышесказанное. На первом этапе АВС-анализа необходимо выбрать критерии для оценки. Это может быть один простой критерий (например, прибыль) или же некий обобщенный показатель. Какие критерии делать базой для анализа, решать только вам. Но именно от этого будет зависеть практическая полезность выводов, сделанных в результате итогового анализа.

Например, в ситуациях, когда менеджеры по продажам получают фиксированный процент от оборота, а для компании важна краткосрочная прибыль, те оценки значимости клиентов, которые дают менеджеры, могут не соответствовать целям организации. Часто бывает, что менеджеру важно просто заключить как можно больше контрактов и он будет давить и давить на руководство, требуя возможности снижения цен, предоставления отсрочек и т.д. Не вдаваясь в дискуссии на тему того, насколько приемлема эта ситуация, отметим: в таком случае может быть полезно проведение анализа клиентов на основе критерия «прибыль». Во-первых, это поможет лучше понять, к каким клиентам действительно нужно менять отношение (не полагаясь на субъективное мнение менеджеров). Во-вторых, это может стать фундаментом для разработки мотивационной схемы оплаты труда менеджеров, которая будет лучше подходить целям фирмы.

Как мы уже отметили, что у маркетологов также есть возможность использовать некий интегральный критерий ценности клиента, включающий в себя все другие. Предположим, нужно одновременно учесть и прибыль, и оборот, и скорость возврата дебиторской задолженности. Для этого следует присвоить каждому критерию свой весовой коэффициент и ввести для расчетов обобщенный показатель.

Приступая ко второму этапу анализа , важно понимать, что вы хотите получить на выходе. Если нужно проанализировать данные за один период, то достаточно воспользоваться простым процентным методом. Дополнительный анализ распределения показателей внутри каждой группы используйте для самопроверки, он позволит увидеть, насколько грамотно выбраны проценты разбиения долей.

Как бы то ни было, одна лишь эта группировка вряд ли даст вам сколько-нибудь значимые результаты, которые можно применить на практике. Поэтому анализ одного периода необходимо дополнить таким же анализом по степени покрытия клиентов, а также провести оценку в разрезе отрасли и менеджеров. В итоге, простой процентный анализ должен быть дополнен еще тремя-четырьмя.

В целом мы можем говорить о том, что в рамках АВС-анализа есть несколько необходимых видов ранжирования:

• Обобщенный анализ, процентный метод. Вы смотрите несколько вариантов группировок – 75%, 20%, 5%. 80, 15, 5. 70, 25, 5 и т.д. вплоть до 80, 20. Анализ распределения и вариативности каждой группы а также обычный здравый смысл подскажет вам, какой вариант наиболее соответствует вашей ситуации. Результаты устраивают? Прекрасно. Тогда не надо больше тратить на это время. Есть потребность в более глубоком анализе данных? Идем дальше.
• Попробуйте ввести параметр «Отрасль». Посмотрите, есть ли отрасли, которые попадают только в группу «С»? Только в «А»? Над этим стоит подумать. Такого нет? Все отрасли распределены примерно одинаково? А грамотно ли вы дифференцируетесь? Сделайте анализ для каждой отрасли отдельно.
• Можно ввести параметр «Менеджер». Есть ли менеджеры, чьи продажи сосредоточены только в группе «С»? Только в «А»? Обдумайте это. Такой зависимости нет? Проведите анализ для каждого менеджера отдельно. Сделайте для всех такую же группировку клиентов по группам, какую вы уже делали для каждой отрасли. Это поможет проверить, насколько приоритеты, которые расставляют менеджеры для своих клиентов, соответствуют целям компании.
• Все еще недостаточно данных? Сделайте все эти анализы для процента покрытия потребностей клиентов. Для этого попросите менеджеров оценить клиентов данного периода по уровню потребности в товаре, подобном вашему. (Или используйте доступные базы данных).
• Если же Вы хотите посмотреть динамику клиентов, то для начала сделайте описанный выше общий анализ для каждого периода. Динамика средних, количества клиентов, вклада каждой группы и коэффициента вариации может многое сказать о том, как меняются ваши продажи.
• Если вы хотите пойти более глубоко, анализ вариативности можно сделать для отраслей и менеджеров, или и для отрасли и для менеджера вместе. К примеру, вы сможете увидеть, что большинство клиентов из отрасли «Х» входят в группу «А». Но из этой отрасли есть клиенты, которые попали в группу «С». Может быть, с ними работает какой то конкретный человек?
• Есть и более логичный подход – стройте распределения не на основе процентного метода, а на основе заданного общего для всех периодов количества проданной продукции в натуральном выражении (можно использовать значения, приведенные в денежном выражении, но у них есть свой недостаток – замучаетесь с поправками на инфляцию, курсы валют и т.п.). Здесь вы выбираете для каждой группы клиентов некое критическое значение, превышение которого позволяет отнести клиента к заданной группе.

Будьте осторожны с выбором порогов. Например, если вы относите к группе «А» клиентов, чей объем продаж за год превысил 100 единиц чего-либо, в группу «В» - купивших от 10 до 99 единиц, а в группу «С» - купивших менее 10, вам может быть довольно сложно объяснить, почему клиент с объемом 99 единиц – это группа «В», а с объемом 100 – уже «А».

Что делать? Для начала подойдет такой путь. Возьмите за основу для анализа данные за первый из рассматриваемых периодов (то есть, если вы хотите проанализировать продажи за пять лет – 2001, 2002, 2003, 2004 и 2005, - начните с 2001 года). Попробуйте проанализировать эти данные описанными выше методами (процентным и с помощью квартилей). Ваша цель – выявить критические точки для разбиения клиентов по группам. Помните, что, если вы воспользуетесь квартилями, это поможет вам разбить клиентов на две группы. Верхнюю группу полезно обозначить как «А», а оставшихся клиентов разбить вручную на «В» и «С».

Есть и другой вариант. Посмотрите на порядок значений, определяющих покупки самого крупного клиента. Предположим это 567.300 единиц продукции. Далее постройте ориентировочную гистограмму продаж. Если клиентов с объемами одного порядка – в данном случае от 100 000 и выше – будет хотя бы 5-10%, это будет группа «А». Далее ищите клиентов, чья объемы на порядок ниже. В данном случае это от 10 000 до 99 000. Если количество таких клиентов будет от 50 до 80%, перед вами группа «В». Оставшиеся клиенты будут составлять группу «С».

• После определения критических значений для разбиения клиентов по группам, проведите анализ по всем рассматриваемым периодам , а также для каждого клиента укажите отрасль и менеджера, с которым он работает. Помимо этого, введите еще одну характеристику для каждого клиента за все периоды: «новый клиент», «старый клиент», «упущенный клиент» (если в течение одного из периодов он не сделал ни одной покупки) и «вернувшийся клиент».

Для каждого периода также подсчитайте общий объем покупок, средний объем покупок, количество клиентов и коэффициент вариации. Проделайте то же самое для каждой группы в каждый период. При всей кажущейся сложности, даже при использовании обычной офисной программы Excel, эти операции занимают не так уж много времени. В итоге у вас должна получиться таблица, похожая на таблицу №5.

Таблица №5: сводная (пример)

Пояснения к таблице:

1. В поле, которое здесь названо «метраж», вы указываете объем покупок всех клиентов в натуральном выражении (это может быть кол-во единиц продукции в штуках, в тоннах, кг, метрах и т.д.)

2. Для каждого периода указываете общее количество клиентов, средний объем покупки одного клиента, стандартное отклонение и коэффициент вариации.

3. Проделываете то же самое для каждой группы отдельно.

4. В полях «динамика» указываете движение клиентов по каждой группе (какое количество клиентов в данной группе пришло, ушло, было потеряно или было возвращено). При желании эти данные можно дополнить информацией по объемам продаж. Это даст возможность увидеть, насколько вы удерживаете клиентов.

5. В полях «рост», «падение» и «неизм» вы указываете движение клиентов из группы в группу. В данном случае рассматриваются ТОЛЬКО старые клиенты по сравнению с прошлым годом. Здесь вы получаете информацию о том, как происходит изменение в динамике объема покупок клиентами, которые остаются с вами на протяжении хотя бы двух лет. По сути, эти поля являются более детальным анализом клиентов, формирующих поле «Старые» в полях «динамика».

Такие же таблицы можно сделать отдельно по отраслям и по менеджерам, а также по тем и другим одновременно. Помимо них, можно использовать любые макро- и микро-показатели, которые вы сочтете нужным – от географии клиентов до степени целевого использования продукции. Кроме того, полезно провести анализ покрытия потребности клиентов за каждый год. Единственное, что здесь клиентами группы «А» будут те, у кого коэффициент покрытия минимальный, ведь именно на них надо обратить пристальное внимание. По сути, дальнейшие действия полезно проводить совместно начальнику отдела продаж и начальнику отдела маркетинга.

Так, из полученных данных можно делать выводы о грамотности сегментирования клиентов или же искать группы клиентов, схожих между собой для проведения сегментации. Кроме этого можно смотреть на эффективность работы фирмы по отраслям, географии и любому другому признаку, а также проводить совместный анализ. Отдельный анализ по группам позволит понять динамику крупных, средних и мелких клиентов, а анализ новых и старых поможет увидеть более реальную картину происходящего. Логику возможных расчетов мы приводим в еще одном примере (группа таблиц №6).

Таблица №6

А) Сводная таблица продаж в динамике с разбивкой по отраслям, менеджерам и категориям клиентов

Пояснения.

• В первом столбце вместо порядковых номеров вы проставляете названия клиентов, во втором – название отрасли, к которой клиент относится, в третьей – имя менеджера, который работает с данным клиентом.
• Четвертый и пятый столбцы в данном случае отводятся под значения оборота в натуральном выражении за соответствующий период.
• Обозначения в шестом столбце: N – новый клиент (new), D – упущенный клиент (disappeared), O – старый клиент (old), R – возвращенный клиент (returned).
• Седьмой столбец – динамика клиентов за два года по группам.

Б) Сравнительный анализ отраслей:

(отражает количество клиентов в каждой группе по каждой отрасли)

В) Сравнительный анализ работы менеджеров:

(отражает количество клиентов каждой группы у каждого менеджера)

Г) совмещенный анализ по менеджерам и отраслям:

(отражает, какие группы клиентов есть у данного менеджера в данной отрасли)

• в разрезе менеджеров

Как видно на приведенным примере, из данных таблицы №6-А можно получить еще три распределения. К этой информации можно добавить не просто количество клиентов, а количество клиентов разбитых по группам. Скажем, потеря клиента «С» намного менее значима, чем потеря клиента «А». То же и для привлечения: если менеджер привлек клиента в группу «А», это намного лучше, чем если он привлек клиента в группу «С».

Существенный вопрос - миграция клиентов между группами. В частности, полезно посмотреть, насколько менеджеры повышают покрытие клиентов. Если клиент был в группе «С», а попал в группу «А», менеджер сработал хорошо. Но это только в том случае, если повысился коэффициент покрытия потребностей клиентом.

Пример. В 2004 году клиент покупал у вас 100 единиц продукции и был в группе «С», а его потребность составляла 1000 метров. В следующем году он стал приобретать у вас 1000 единиц продукции и попал в группу «А», но при этом и его потребность повысилась до 10000 единиц. Говорит ли рост сбыта об эффективной работе с клиентом, - большой вопрос. Скорее всего, он стал покупать больше вовсе не благодаря хорошей работе менеджера.

Что еще? Результаты данного анализа можно использовать для установления конкретных целевых задач для каждого менеджера по удержанию клиентов в разных группах, по привлечению и возвращению утерянных клиентов. Также эти задачи можно конкретизировать в разрезе отраслей, регионов и т.п. Подобный подход можно использовать и для распределения клиентов между менеджерами. Может быть, Вы обнаружите, что тот или иной менеджер показывает низкую эффективность работы с отраслью «Х», но очень высокую в отрасли «Z». Или же один менеджер «работает» на привлечении новых клиентов, которые быстро уходят, а другой – на удержании старых, но не привлекает новых.

Так или иначе, мы надеямся, что описанный здесь методологический подход будет полезен Вам.

Или любого другого, который будет принят как базовый.

Квартиль - граница на шкале измеряемого показателя, отделяющая 25% испытуемых от общей выборки. Различаются три квартиля: Q1 - первые 25%, Q2 - 50% (медиана), Q3 - 75%.

При желании можно провести стандартный анализ разброса данных, но об этом – ниже.

Рассчитывается как стандартное отклонение, поделенное на среднее отклонение.

Любая компания, планирующая построить успешный бизнес, рано или поздно столкнется с необходимостью сегментации своей базы клиентов. Важность ведения клиентской базы нужно осознать еще на заре истории компании и всех своих покупателей добавлять в единую базу для информирования о новостях и привлечении к совершению дальнейших покупок.

При работе с базой данных необходимо провести тщательный анализ клиентов с использованием индивидуального подхода. Для построения качественных и плодотворных отношений с клиентами и получения максимальной отдачи от рекламы необходимо поделить клиентов по категориям и выбрать индивидуальные методы воздействия для каждой из групп.

Что такое сегментация клиентов

Процесс сегментирования – это разделение общей базы клиентов на отдельные категории по общим признакам или запросам.

Сегментация может проводиться по таким признакам:

• по объемам закупок (определение клиентов в группу оптовых или мелкооптовых, а также розничных)
• сегментация для покупателей, которые совершали повторные покупки, работа с такой категорией должна быть направлена на установление лояльности.
• географическое положение клиента позволяет разделить базу на несколько крупных групп (по областям, районам, городам и т.д). Такая сегментация позволяет выяснить, в какой области реклама будет наиболее эффективной.
• товары и услуги. Здесь необходимо исследовать наиболее интересную для клиента продукцию и применить определенные маркетинговые ходы.
• маржинальность — результат всех перечисленных показателей, классический анализ клиентской базы.

Сегментация необходима для эффективной работы с базой клиентов и экономии средств на маркетинг, ведь разделив базу на группы по категориям можно применять особый подход в работе с каждой группой. Осуществив правильную сегментацию можно добиться наилучшей отдачи от рекламы при минимальных затратах.

Виды сегментации клиентов

Очевидно, что разным клиентам необходимы разные товары. Очень хорошо в этом случае работает закон Парето. Суть в том, что 20% потребителей покупают 80% товаров, а оставшиеся 80% клиентов покупают всего 20% товаров. Все производители ориентируются на эти 20% основных клиентов. Такая маркетинговая стратегия наиболее эффективна.

Классификация клиентов по группам помогает сэкономить средства на привлечение клиентов. В зависимости от критериев сегментации, выделяют основные виды сегментирования:

Методы сегментации

Самый простой способ – разделить клиентов на 3 группы: это VIP – клиенты, которые часто пользуются услугами компании или покупают продукт и приносят наибольшую прибыль; обычные клиенты – те, которые покупают периодически и каждый раз их необходимо убеждать, что они должны купить именно у вас, и проблемные клиенты. Последние могут приносить неплохую выручку, но хлопот с ними больше, чем с двумя предыдущими группами. Не стоит списывать со счета таких клиентов, но нужно учитывать, что они требуют индивидуального подхода.

К VIP-клиентам также нужен особый, уважительный и при этом доверительный подход. Нужно стимулировать их покупать снова, для этого можно предложить им программу лояльности, регулярно информировать об акциях и рекламных предложениях, поздравлять с днем рождения и всячески поддерживать интерес.

Это самый простой способ сегментации клиентов. Не стоит забывать, что в каждой группе есть клиенты, потенциально готовые перейти в другую группу, и вы можете повлиять на это благодаря правильной сегментации.

Ведение базы

Как вести клиентскую базу и какие шаги необходимо предпринять, чтобы сегментировать клиентов:

1. Нужно составить список всех клиентов. Наиболее удобный формат – это электронная клиентская база данных. Отфильтруйте список, исходя из того, какую прибыль приносит вам клиент. Начиная с самых крупных и заканчивайте мелкими.
2. Классифицируйте клиентов по основным характеристикам, в зависимости от ваших потребностей. Например, по территории, по полу, возрасту, интересам.
3. Поделите всех клиентов на демографические группы, ведь в основном спрос на определенные товары определяется местом проживания, возрастом и уровнем образования.
4. Разделите клиентов по регионам. Определить район, город или целую страну, в зависимости от предлагаемого вами продукта. Учтите плотность населения и климат территории.
5. Можно объединить в один сегмент людей, используя принципы психографики. Благодаря социальным сетям, можно многое узнать о образе жизни человека, его личных качествах и предпочтениях.
6. Изучите историю покупок клиента. Поделите на сегменты людей, в зависимости от частоты и особенностей потребляемых товаров.
7. Также, можно распределить клиентов по сегментам, в зависимости от выгоды определенных товаров для потребителя.
8. Не относите одного потребителя к нескольким сегментам одновременно. Это снизит эффект маркетинговых инициатив.
9. Проанализируйте, какие сегменты приносят вам наибольшую прибыль и соответственно в них вкладывайте маркетинговые средства. Если ценность сегмента невысока, не тратьте на него много средств.
10. В интернете существует множество сервисов и инструментов для сегментации. Используйте их, чтобы ускорить кропотливый процесс сегментации.

После того, как вы выделили по заданным критериям, необходимо определить профиль реакции потребителей на ваш товар. То есть сделать анализ и описание каждого сегмента. Люди из одного сегмента должны одинаково относиться к товару с точки зрения найденных в нем достоинств, одинаково реагировать на рекламу и на стоимость продукта. Тогда такую сегментацию можно считать удачной. Реакцию потребителей можно узнать с помощью социальных опросов, анкет.

Правильная сегментация должна выглядеть так:

• Клиенты одного сегмента одинаково реагируют на продукт;
• Можно дать четкую характеристику клиентов одного сегмента;
• Сегмент имеет большую численность клиентов, чтобы оправдать затраты на рекламу и принести прибыль;
• Можно менять поведение членов сегмента с помощью рекламы.

Примеры сегментации

Сегментация очень важна при использовании email-маркетинга. Чтобы достичь успеха, нельзя посылать одинаковые письма всем адресатам. Разве есть смысл в том, что новый подписчик и давний клиент получат одинаковое письмо?

Такие сервисы рассылок, как Mail Chimp, AWeber, Drip имеют встроенные инструменты сегментации адресатов.

Смотрите от сайт.

Например, сегментация . Компания Snappa разделяет подписчиков в сервисе Drip в три этапа: на первый этап попадает пользователь, который только зарегистрировался. Он получает информативные письма о продукте. На втором этапе пользователи, которые первый раз попробовали Snappa, им посылаются письма, цель которых – подвести клиента к покупке. Для этого демонстрируются дополнительные возможности и выгоды от приобретения продукта. На третий этап попадают пользователи, которые уже приобрели платный продукт: они получают письма с обучающей информацией.

Любая компания, нацеленная на ведение эффективного бизнеса, всегда приходит к осознанию необходимости сегментации клиентов в базе данных. Конечно, на первых порах особое внимание уделяется привлечению максимального числа новых клиентов, которые после заключения контракта становятся частью клиентской базы данных - системы, содержащей информацию о действующих заказах и стимулирующей повторные продажи.

Практические исследования доказывают низкую эффективность затрат в случае, если адресуемые покупателям маркетинговые сообщения не учитывают их интересы и характер.

В связи с этим все работы с клиентской базой данных требуют тщательного анализа и индивидуального подхода. Чтобы построить наиболее успешные отношения с текущими заказчиками и получить максимум отдачи от затрат на рекламу, почтовые рассылки и иные маркетинговые шаги, следует поделить клиентов на ряд категорий. Потом для каждой из целевых групп клиентов нужно подобрать соответствующие методы воздействия.

Что такое сегментация?

Процессом сегментирования называется «разбивка» покупателей (действующих или потенциальных) на отдельные группы или сегменты, в пределах которых они имеют похожие или аналогичные запросы, удовлетворяемые за счет комплекса маркетинговых работ.

Сегментация производится по различным признакам, эффективно группирующим покупателей. Приведем несколько возможных признаков группировки:

Сегментация, проводимая по закупочным объемам , предлагает распределение клиентов крупного или мелкого опта, а также розничных покупателей.

Сегментация, направленная на установление лояльности клиента , основывается на выявлении фактов повторных покупок.

Сегментация по географическому фактору предполагает деление рынка на несколько географических единиц (переменных). Сюда относятся:

-регионы (например, Урал и Сибирь),

-области (Ленинградская, Московская и Нижегородская),

-районы (Коломенский и Воскресенский),

-размер города (население меньше 5000 человек, от 5 000 до 20000, 20000-50000 и т.д.),

-плотность населения (города, сельская местность),

-климат.

Данная разбивка позволит выявить области, где маркетинг будет наиболее эффективен.

Сегментация по типу товаров и услуг для потребителя. Здесь необходимо исследовать наиболее интересную для клиента продукцию и применить определенные маркетинговые ходы.

Сегментирование по маржинальности. Данный вид сегментирования может вытекать из вышеперечисленных показателей и является классическим ABC анализом клиентской базы.

Как сегментировать базу клиентов?

Среди клиентов каждой фирмы или компании найдутся такие, которые приносят наибольшую прибыль. Такие «ценные» клиенты совершают частые покупки и/или покупают редко, но высокомаржинальные товары. Безусловно, подобные клиенты заинтересованы в Ваших услугах, равно, как и Вы в них.

Огромную эффективность для привлечения и удержания имеющихся ценных покупателей принесут такие маркетинговые шаги, как:

Сотрудничество с привилегированными покупателями не должно ограничиваться только рамками офиса. Отношения следует сделать более неформальным и доверительным, правда, без панибратства. В данном случае будут уместны поздравления с праздниками, вручение приятных сувениров и т. п. Так Вы выразите свою лояльность и заинтересованность в продолжении партнерства.

Следующую категорию составляют обычные клиенты , которые порой приостанавливают свою покупательскую деятельность, а затем возвращаются вновь. Это так называемая «текучка», которую постоянно требуется убеждать в преимуществах предлагаемых товаров и услуг по сравнению с конкурентной продукцией. Именно на них и следует направить активность менеджеров по продажам.

Заключительную группу значимой клиентуры составляют «сложные» покупатели , которые приносят приличную выручку, но и проблем доставляют немало. Многие менеджеры предпочитают отказываться от подобных клиентов, однако делать этого не рекомендуется. Профессиональный подход и соответствующее воздействие могут стать эффективным методом для перевода сложных клиентов в разряд обычных, а в перспективе и VIP покупателей.

Деление клиентов на группы по вышеперечисленным критериям можно значительно повысить эффективность работы с потенциальными и действующими покупателями. Определяя, к которой из групп отнести клиента, следует опираться на следующие важные показатели:

количество приобретенных товаров;

сумма, которую клиент потратил за определенное время.

После того как Вы определите наиболее значимые для Вас сегменты, возможно получение максимальной отдачи от покупателей с минимальными усилиями и затратами на их привлечение.

Отдельно стоит остановиться на сегментации клиентской базы методом abc анализа , о котором упоминалось выше. Абсолютно ясно, что среднестатистический отдел продаж любой компании в силу ряда обстоятельств не может обслуживать всех клиентов на VIP-уровне. Согласно закону Парето, 80% прибыли компании обеспечивают 20% клиентов, и именно им следует уделять повышенное внимание. Задачу выявления этих 20% и решает АВС анализ клиентской базы.

Для начала необходимо отсортировать всех клиентов в порядке убывания приносимой ими прибыли. Клиенты, находящиеся вверху списка, суммарная выручка которых составляет 80%, отделяются в группу А. Далее от оставшейся суммы находятся еще 80% (16% от общей прибыли) и аналогичным образом определяется группа B. Оставшиеся клиенты - это группа С. Подобным способом можно произвести XYZ анализ клиентской базы, по результатам которого клиенты будут поделены на группы в зависимости от регулярности потребления товаров или услуг.

Для компаний, работающих с небольшим числом клиентов в узком сегменте, вопрос тщательной сегментации клиентов не стоит так остро. Иное дело компании, имеющие несколько тысяч покупателей, у каждого из которых свои потребности и интересы. И вот тут как нельзя лучше подойдет система сегментации корпоративных клиентов с помощью средств data mining.

Big Data и сегментация на практике

Банк PNC в США приступил к анализу больших данных для сегментации клиентов банка по демографическому фактору, предлагая им индивидуальные услуги виртуального кошелька. По рассказам Брайана Ланца , вице-президента по цифровому маркетингу, банк занялся строительством новой платформы управления информацией, поступающей из различных источников. Данная система контролирует поведение покупателей на сайте виртуального кошелька, обрабатывая данные о приобретаемых пользователях в Интернете. Для расширения источников данных банком было установлено партнерство с медиахолдингом Heart Media , после чего был получен доступ к таким сведениям, как подписка на журналы потенциальных покупателей.

После сбора данной информации банк сфокусировался на поколении 90-х и домохозяйках, то есть той категории, которая проводит массу времени в Интернете. Следовательно, разрабатывая особую маркетинговую стратегию для данной группы, можно сократить бюджет на рекламу.

Это одна из первых банковских кампаний, задействовавшая исключительно цифровые каналы продвижения. После того как подходящий под целевую аудиторию клиент найден, ему предлагается ключевое сообщение с помощью рекламы в Facebook или Twitter.

Многие банки РФ (за исключением банка «Тинькофф Кредитные Системы») в настоящий момент не пользуются технологиями Big Data для сегментирования клиентской базы и персонализации своих услуг. Однако интерес к данному вопросу растет с каждым днем.

Индивидуализация сегментов клиентуры осуществляется на основании сведений из соцсетей, поведения клиентов на сайте банка и т.д. Данный процесс дает возможность улучшить качество оценки кредитного скоринга, сократить время обработки заявки на кредит и в целом повысить лояльность клиента.

Сегодня мы добавим в анализе еще один аспект - сегментацию и кластеризацию клиентской базы. Как я уже не раз писал, анализ клиентской базы остается не полным, если мы смотрим на наших клиентов, как на большую кучу одинаковых людей. Клиенты разделяются на типы и по-разному потребяют продукт. Кто-то покупает часто, но не много, кто-то быстро уходит, кто-то покупает много и часто. Для увеличения эффективности стоит выяснить, какие есть группы клиентов и затем разобраться, как ваши действия позволят вам привлечь нужных вам клиентов. Используют два основных способа разобраться в группам ваших клиентов: эвристики и кластеризация

Метод 1: Эвристики и экспертные оценки

В рамках этого подхода вы на основе опыта, логики использования вашего продукта и клиентских историй, придумываете различные портреты потребителей и затем оцениваете, сколько у вас клиентов попадают под эти определения. Или же можете использовать более численные подходы, основанные на анализе показателей клиентов. Несколько популярных численным эвристик подходов это:

ABC-XYZ

Основная идея разделить клиентов по общему вкладу в вашу выручку и по динамике роста показателей. ABC отвечает за вклад в выручку, XYZ отвечает за стабильность выручки. Это формирует 9 сегментов

AX - самые большие и со стабильной выручкой
AZ - Большие, но они редко делают покупки, выручка не стабильна
CX - самые мелкие, но со стабильной выручкой
CZ - мелкие и выручка не стабильна, покупки совершают редко

В сегмент А определяют клиентов, кто формирует 80% выручки, в сегмент B, кто дает еще 15% и в сегмент C, кто дает 5%. В сегмент X - наименьшую вариативность выручки (можно взять 33 перцентиль), Z - наивысшая вариативность (соответственно верхний 33 перцентиль). Под вариативность я подразумеваю величину дисперсии выручки.

Что дает этот анализ: он позволяет разделить ваших клиентов на группы по степени важности для вашего бизнеса. Клиенты из группы AX, AY, AZ самые большие и вы должны уделять им больше всего внимания. Клиенты групп BX, BY требуют дополнительного внимания, их можно развивать. Внимание к группам в других категориях можно снижать. Особенно хорошо, если вам удастся выделить общности между клиентами в разных сегментах, что позволит вам таргетировать усилия по привлечению нужных клиентов.

RFM (Recency-Frequency-Money)

Основная идея разделить клиентов по 3-м свойствам: как давно была продажа клиенту (recency), как часто он покупает товары (frequency), какой объем выручки он сгенерировал(money). В целом подход напоминает ABС-XYZ, но несколько под другим углом.

В рамках этого подхода вы разделяете клиентов по группам Recency, например:

• 0-30 дней
• 31-60 дней
• 61-90 дней

По кол-ву покупок, например:

• Более 15
• 10-14

По объему выручки:

• 1000+
• 600-1000
• 200-599
• 0-199

Понятно, что для каждого конкретного продукта, приложения или товара вам нужно установить свои границы.
В итоге вы сможете разделить клиентов на множество сегментов, каждый из которых характеризует клиента по степени важности для вас.

Матрица BCG

• Звезды - крупнейшие клиенты с высоким темпов роста выручки. Это клиенты, кому надо уделять наибольшее внимание. Это сильная точка роста
• Дойные коровы - крупные клиенты, с низкими или отрицательными темпами выручки. Эти клиенты будут формировать ядро вашей текущей выручки. Проглядите коров и потеряете бизнес.
• Темные лошадки - пока мелкие клиенты, но с большим темпом роста. Это группы клиентов, на кого надо обращать внимание, т.к. они могут вырасти до звезд или дойных коров.
• Собаки - мелкие клиенты с низкими или отрицательными темпами роста. Это клиенты, кому можно уделять наименьшее внимание и применять к ним массовые методы обслуживания, для сокращения издержек.

Преимущества всех эвристических методов - относительная простота реализации и возможность разделить своих клиентов на понятные с точки зрения бизнеса группы.

Недостатки в том, что мы используем всего лишь несколько свойств клиентов, для их описания и исключаем из рассмотрения прочие факторы. В добавок, чаще всего клиенты оказываются в сегментах временно, меняют позицию, а установить реальную общность внутри сегмента оказывается сложно.

Метод 2: Кластеризация

Основная идея - найти группы клиентов без использования предварительных гипотез о структуре клиентской базы, найти натуральные кластеры среди свойств клиентов исходя из имеющихся данных.

Существует набор методов (K-mean, C-mean, иерархическая кластеризация и т.п.), которые позволяют вам определить близость объектов друг друга на основании их свойств. В общем случае вы описываете вашего клиента как вектор, каждый элемент этого вектора описывает какую-то характеристику клиента (будь то выручка, кол-во месяцев сотрудничества, адрес регистрации, купленные продукты и т.п.). После чего вы преобразуете этот вектор в нужный формат для вашего алгоритма, натравливаете алгоритм на данные (и настраиваете его для кластеризации) и получаете на выходе разделение клиентов на кластеры.

Хотя процесс не выглядит сложным, детали методов и их интерпретация имеет большое значение. Выбранные метрики “расстояния”, способ трансформации данных и кол-во выбранных факторов могут сильно менять картину. Так как в конечном итоге в многомерных данных нет однозначно “правильного” решения задачи кластеризации, вам в конечном итоге придется самостоятельно оценивать качество кластеров, а именно в итоге искать для них “бизнес” интерпретацию, если вы собрались использовать эти кластеры в принятии решений людьми.

По опыту могу сказать, что не стоит использовать сложные и логически не связанные свойства клиентов, а также хитрые трансформации. Несмотря на вероятные, элегантные решения по линии алгоритмов на выходе вы можете получить сложно интерпретируемые кластеры, которые ничего вам не надут в бизнес контексте. Возможно ваш метод и хорош, если кластера будут использоваться для входных параметров другой системы машинного обучения. Но когда вы хотите разделить клиентскую базу и сформулировать маркетинговую стратегию, то такие хитрые кластера вас никуда не приведут.

Сам процесс кластеризации это итеративный процесс.