Одна хорошая причина может быть лучше многих

Одна хорошая причина может быть лучше многих

Наши почтовые ящики, электронные или металлические, часто переполнены рекламными листовками, брошюрами, торговыми каталогами и предложениями от эмитентов кредитных карт. Для компаний, нацеливающихся на прошлых и новых покупателей, массовая почтовая рассылка является частью их бизнес-плана. В то же время несфокусированные на целевой аудитории рекламные кампании раздражают людей, не заинтересованных в рекламируемых товарах, и обходятся фирмам весьма недешево. В идеале каждая фирма должна расходовать свои ресурсы на активных, лояльных покупателей, а не на тех, кто больше не будет делать покупок. Но как можно отделить активных покупателей от неактивных в базе данных, содержащей десятки или сотни тысяч имен?

Традиционный подход заключается в решении сложной задачи посредством сложного анализа. Одним из таких инструментов является модель Pareto/NBD[14], используемая экспертами по маркетингу{109}. Каждому покупателю она приписывает вероятность того, что он остается активным – именно эту информацию хотят получать компании. Однако, к ужасу многих экспертов по маркетингу, менеджеры часто полагаются на простые практические правила, основанные на их личном опыте. Менеджеры одной крупной международной авиакомпании полагались на правило «свежести» последней покупки (правило хиатуса[15]):

Если клиент не делал покупок в течение девяти месяцев или больше, его классифицируют как неактивного, в противном случае – как активного.

Это простое правило сосредотачивает внимание всего на одном обстоятельстве: времени совершения покупки. Оно используется в программах частых полетов, а также розничными торговцами одеждой. Но разве это правило не наивно? Ведь оно не учитывает, какую сумму потратил покупатель, каков интервал между покупками и всю прочую информацию, которую тщательно анализируют такие сложные методы, как метод Pareto/NBD, а также результаты сложных вычислений. Правило хиатуса основывается на том, что люди принимают решения иррационально, так как они имеют ограниченные когнитивные способности и не могут обрабатывать всю информацию, необходимую для принятия хорошего решения. Разве может использование одной хорошей причины сравниться с использованием многих причин и сложных вычислений?

Два профессора в сфере бизнеса провели исследование, призванное продемонстрировать превосходство сложного метода над простым правилом. Они проверили, сколько правильных предсказаний позволило получить применение сложного метода по сравнению с применением простого правила авиакомпании розничным торговцем одеждой и онлайновым продавцом CD компании CDNow{110}. Однако результаты оказались не такими, как они ожидали. В двух случаях из трех применение простого правила позволяло сэкономить время и требовало меньше информации, но, несмотря на это, давало более точные результаты. Для крупной авиакомпании простое правило правильно предсказало 77 % клиентов, а сложный метод только 74 % (рис. 6.3). Для розничного торговца одеждой простое правило оказалось еще более эффективным: 85 % правильных предсказаний по сравнению с 75 %. Наконец, для онлайнового продавца CD и простое правило, и сложный метод дали одинаково верные предсказания в 77 % случаев. Вместо того чтобы получить подтверждение своей убежденности в том, что больше информации всегда лучше, авторы обнаружили то, что я называю эффектом меньше значит больше.

Рис. 6.3. Проверка утверждения «меньше значит больше»

Source: Wubben, M., Wangenheim, F., 2008