Новый взгляд аналитики

РЕАЛЬНАЯ ЦЕННОСТЬ КЛИЕНТОВ

 

Много лет производственная компания занимается оптовыми продажами готовых молочных продуктов. У неё уже сложился большой круг покупателей. Несколько сотен совершенно различных заказчиков. Совокупность всех их запросов даёт надёжную информацию о потребностях всего рынка.

Они представлены как отдельные предприятия, так и целые объединения, имеющие в своём составе множество филиалов. Эти филиалы действуют самостоятельно, предоставляя свои графики приездов для вывоза продукции.

Одна часть покупателей работает по предоплате, другая часть оплачивает по факту отгрузки. Для остальных в договоре записана наиболее предпочтительная форма оплаты. Это кредит, то есть отсрочка оплаты. Расчёт ведётся по банковским и календарным дням.

Учёт и анализ деятельности клиентов ведётся помесячно. Многие обязательства сохраняются. Исключением являются сроки оплаты, установленные по договору. Они часто сдвигаются по различным причинам. Также меняется её равномерность в течение учётного периода. В первой половине месяца сроки выдерживаются, во второй появляется отставание.

Поставщик заинтересован в стабильности продаж и поступлений денежных средств от своих покупателей. И, прежде чем заключить договор, потенциальный заказчик должен предоставить о себе дополнительную информацию. Такую как длительность работы на рынке, размер уставного капитала, численность сотрудников, размер торговых площадей и прочее.

Внимательно отслеживается реальное взаимодействие. Проводится независимая оценка партнёров одновременно по нескольким показателям. Для этого применяется моделирование. Составление такой модели необходимо для выработки критериев для будущих заказчиков. Следует проводить тщательную оценку и отбор. Это позволит сохранить их качество на определённом уровне.

Для построения компьютерной модели использовались следующие показатели. Это ассортимент (ширина), прибыль и отсрочка (оплаты). Сначала собрана информация за месяц, в данном случае с высокой активностью. За этот период работало 369 клиентов. Для исключения редких искажений и повышения точности модели сначала удалены аномалии. Это дочерние структуры и плательщики со сроками оплаты более 60 дней. После этого осталось 96%.

Опережающим фактором является ассортимент. Он наглядно показывает лояльность покупателя. Чем он шире, тем больше связей с поставщиком. Его ширина зафиксирована в договоре покупателя. Благодаря этому есть возможность получения дополнительных выгод. Это скидки и разные формы оплаты. Кредит по оплате предоставляется только при определённых условиях.

Обычно продавцом учитывается только выручка. В данном случае запаздывающим фактором значится прибыль. Всегда имеется прямая зависимость между ними. Последняя является более точной мерой. Здесь учитываются затраты на утилизацию возвратов, расходы на рекламные и промоакции и другие.

Выручка представляет собой совокупность денежных поступлений от клиентов. Покупатель часто напрямую увязывает размер заказа с отсрочкой оплаты (числом дней) стоимости заказа. Величина этой задолженности отрицательно воздействует на стабильность и размер оборотных средств компании.

Всё это приводит к увеличению текущей дебиторской задолженности. Это сумма, которую должны выплатить партнёры за полученный товар. Важно отслеживать текущее состояние дел по этому направлению. Поэтому ещё одним показателем стала фактическая величина отсрочки оплаты. Необходимо наблюдать как отдельных клиентов, так и группы. Это позволяет сохранять установленные для них границы.

Далее проведём сегментацию. Выделим кластеры, то есть группы похожих клиентов по указанным показателям. Поможет это сделать самоорганизующаяся нейронная сеть. Она самостоятельно в пространстве признаков формирует группы элементов. Благодаря возможности самоорганизации она умеет сама понимать структуру данных. В процессе постепенно подбирались параметры сети для минимизации ошибки.

В результате выделено несколько кластеров. Минимальная ошибка при построении модели была достигнута различными значимостями каждой из характеристик. Их границы сформировались самой моделью. Значимость прибыли составляет 100%. Определяются значимости отсрочки оплаты в 90% и ширины ассортимента в 50%. Это показывает, что сокращение отсрочки для компании также важно, как и сама прибыль.

Ниже представлен набор цветовых карт компонент. Это карты размещения клиентов по отдельным показателям и карта кластеров. Лучший кластер 2 окрашен зелёным цветом, здесь собрались партнёры (2,5%) с наибольшей прибылью. В группе 3 собрались покупатели (8,2%) с наибольшим ассортиментом. Кластер 0 (13,3%) отличается большой отсрочкой оплаты. Наибольшее количество заказчиков (76%) имеет кластер 1. Он не имеет никаких ценных характеристик.

Далее показано размещение клиентов в многомерном пространстве. Их обозначения для всех групп различны. Они имеют свои формы и соответствующие кластерам цвета. В работе использовалась программа Deductor.

Цветовые карты признаков
Дашборд продаж по дням за месяц
Размещение в пространстве признаков

Далее представлен оперативный дашборд работы коммерческого отдела компании за месяц. Здесь можно увидеть пропорции по нескольким характеристикам.