Сервис, который приносит прибыль

Оуэн Ричард

• Если коэффициент корреляции близок к 0 – значит связь слаба или отсутствует. В изменении значений двух анализируемых переменных нет никакой закономерности.

• Коэффициент корреляции, близкий к 1, свидетельствует о наличии сильной положительной связи. По мере увеличения значения одной переменной повышается и значение другой.

• Коэффициент корреляции, близкий к -1, говорит о наличии сильной отрицательной связи. В случае увеличения значения одной переменной значение другой снижается.

На рисунке 6.4 приведены примеры корреляционного анализа. Чем чаще две переменные меняются в равной мере во всей совокупности наблюдений, тем сильнее связь между ними и тем выше коэффициент корреляции (как в первом примере, в котором

определяется связь между качеством продукта и вероятностью рекомендаций). Во втором примере, когда устанавливается корреляция между удовлетворенностью обучением работе с продуктом и вероятностью рекомендаций, обнаруживается менее устойчивая взаимосвязь по всей совокупности наблюдений, что дает более низкий коэффициент. Анализируя этот пример, было бы логично предположить, что качество продукта в большей степени связано с лояльностью клиентов, чем обучение работе с продуктом, поэтому целесообразно и впредь делать все возможное, чтобы клиенты получали продукты такого качества, на которое они рассчитывают.

Высокая корреляция: вероятность рекомендаций меняется вместе с качеством продукта

Низкая корреляция: изменение вероятности рекомендаций и удовлетворенности обучением носит более случайный характер

Рис. 6.4. Два примера корреляционного анализа

Рассмотрим еще один пример. Компания А работает на рынке, на котором произошли существенные изменения после появления новых конкурентов. Следуя своей стратегии, компания соперничает с помощью дифференциации клиентского опыта по самым прибыльным целевым сегментам. Однако руководителям, принимающим решения, не совсем понятно, в какой степени сегодняшние ожидания клиентов обусловлены новой бизнес-моделью, которую используют конкуренты.

Группа руководителей компании А принимает решение провести общий опрос по NPS, включив в анкету вопрос о рекомендациях и дополнительные пункты о каждом ключевом аспекте клиентского опыта с оценкой их важности и удовлетворенности потребителей. Проанализировав закономерности в ответах с помощью корреляционного метода, можно оценить связь между вероятностью рекомендаций и каждым аспектом клиентского опыта.

Те аспекты, для которых коэффициент корреляции окажется самым высоким, вероятнее всего, можно считать истинными факторами повышения NPS и общего уровня лояльности. Именно им необходимо уделить первоочередное внимание во время последующего анализа. В частности, следует подтвердить правильность сделанных выводов с помощью анализа комментариев клиентов и дальнейшего обсуждения с ними соответствующих тем. После получения такого подтверждения руководству нужно уделить более пристальное внимание тем аспектам работы компании, которые были определены как ключевые факторы лояльности, а также сделать больше инвестиций в совершенствование бизнес-процессов и инновации.

Дальнейшая приоритезация ключевых факторов лояльности осуществляется с помощью анализа различий между степенью важности этих факторов и уровнем удовлетворенности клиентов. Факторы, по которым установлена самая высокая корреляция с лояльностью и самый большой разрыв, находятся в верхней части списка корректирующих действий, поскольку в них высокий потенциал в плане повышения лояльности сочетается с самой большой потребностью в улучшении. Аспекты клиентского опыта с высокими показателями удовлетворенности, демонстрирующие хорошую корреляцию с повышением лояльности, образуют центральную группу основополагающих элементов дифференциации.

Самая распространенная ошибка, которую часто допускают при применении этого подхода, – исходить из предположения, что наличие корреляции указывает на причину. Хотя во многих случаях определенная логическая последовательность

событий (например, плохое впечатление о продукте негативно сказывается на долгосрочной лояльности клиентов) действительно существует, так бывает не всегда. Рассмотрим в качестве иллюстрации следующий пример. Установлено, что в жару повышается уровень преступности. Известно также и то, что в таких погодных условиях люди чаще покупают мороженое. Поскольку оба результата (уровень преступности и покупка мороженого) связаны с одним и тем же событием (жаркой погодой), между ними наблюдается очень высокая корреляция. Тем не менее было бы неправильно делать вывод, что повышение уровня преступности влечет за собой увеличение частоты покупки мороженого или что высокая частота покупки мороженого приводит к всплеску преступной активности, в этом случае из рассмотрения исключается истинная причина – температура воздуха. В случае индуктивного анализа факторов лояльности подтверждение сделанных выводов требуется не в меньшей степени, чем при описательном.

Таким образом, подходы к определению факторов NPS, основанные на корреляционном анализе, подталкивают к действиям, даже если нет возможности абсолютно точно установить причинно-следственные связи. Такой анализ факторов используется, как правило, для выявления драйверов лояльности как по всей совокупности сегментов, так и в отдельных группах и позволяет компаниям быстро определить приоритетные задачи, на которых необходимо сфокусировать энергию.

Между тем большинство руководителей интуитивно осознают, какими именно действиями организация способна повысить лояльность клиентов. Если такого понимания нет, можно начать с анализа основных причин лояльности и более глубокого изучения развернутых ответов на вопросы анкет.

Регрессионный анализ

Регрессионный анализ основан на тех же принципах, что и корреляционный. Однако в отличие от корреляции между двумя переменными (например, качеством продукта и лояльностью или обучением работе с продуктом и лояльностью) регрессионный анализ описывает взаимосвязь между несколькими прогностическими переменными (такими как качество продукта, обучение работе с продуктом и поддержка по телефону) и результирующей переменной – например, вероятностью рекомендаций. Регрессия показывает как силу, так и направление взаимосвязей между переменными в виде математического уравнения. Собственно говоря, такой подход позволяет прогнозировать, как изменение одной переменной скажется на другой – например, в какой степени улучшение работы службы поддержки клиентов по телефону повысит общий показатель NPS.

Благодаря этому свойству регрессионное моделирование часто выбирают в качестве инструмента для построения моделей доходности инвестиций и связи между ними и ожидаемыми выгодами в плане повышения лояльности и связанных с ней аспектов поведения клиентов. Имея в своем распоряжении такую информацию, компании могут принимать более взвешенные решения, куда вкладывать деньги и какие инвестиции обеспечат самый высокий доход.

В компании GE Real Estate, помимо анализа комментариев клиентов, применяют регрессионный анализ. Бернхард Вассинк отмечает: «Регрессионный анализ позволил нам определить пять вещей, необходимых нашим клиентам: широкий ассортимент продуктов, приемлемая цена и структура сделки, непрерывное управление взаимоотношениями с клиентами, выполнение заранее оговоренных условий сделки и простой процесс ее заключения. На основании этих факторов мы можем принимать решения, приносящие значительные результаты».

На рисунке 6.5 представлен простой графический пример регрессионного анализа. Уравнение отображает взаимосвязь между общим индексом удовлетворенности продуктом и показателем лояльности. Эта связь достаточно сильна: в случае повышения качества продукта на одну отметку шкалы компания может рассчитывать на повышение общей вероятности рекомендаций примерно на три четверти одной отметки. После этого остается только определить, какие аспекты обеспечивают удовлетворенность клиентов качеством продукта и какой объем инвестиций требуется для значимого повышения индекса удовлетворенности.