Ричард Коломбо (Richard Colombo) - преподает маркетинг в бизнес-школе Фордхамского университета. Выпускник Кембриджского университета, имеет степень делового администрирования и доктора философии Колумбийского университета.
Вступление
Компании, специализирующиеся на электронной коммерции, внимательно следят за посетителями своих сайтов. Отмечается просмотр каждой страницы, ни один клик не остается без внимания. Согласно теории, эти "отпечатки на песке" дают маркетологам беспрецедентную возможность больше узнать о своих покупателях. На практике же на них зачастую обрушивается лавина информации.
По сравнению с традиционными розничными компаниями, в которых легко отслеживаются только покупки, "виртуальные" розничные компании способны собирать и анализировать посещения и транзакции, чтобы лучше понимать покупателей. Наличие таких данных позволяет извлекать больше выгод от управления отношениями с покупателями (лучшее таргетирование, более высокий уровень обслуживания и удовлетворения покупателей, уменьшение конфликтов с покупателями и т. д.), чем их оффлайновым коллегам. Согласно опубликованным данным, в настоящее время более 500 компаний предлагают программное обеспечение по управлению отношениями с покупателями, чтобы помочь "виртуальным" розничным компаниям лучше использовать возможности, которые несет этот поток информации. Объем продаж программного обеспечения по управлению отношениями с покупателями (CRM) только в США достигнет в 2003 г. $11 млрд [1]. Несмотря на то, что предлагается огромное количество решений, все они сопровождаются трудностями, с которыми сталкиваются маркетологи.
Наиболее характерной особенностью собранных в онлайне данных является их количество. Логи сервера фиксируют каждый клик, каждый элемент просматриваемой страницы. Веб-страница со многими графическими элементами, таким образом, заполняет логи многими актами загрузки файлов, не представляющими интереса для маркетологов. С точки зрения полезности, логи сервера должны быть обработаны не только для фильтрации бесполезной информации, но и для идентификации наиболее важных действий пользователей (например, нажатия на картинку того или иного продукта, чтобы лучше его разглядеть), обобщения информации, "объединения действий по сессиям" и анализа визитов по пользователям (например, через cookies). Даже после такой обобщающей обработки файлов информации остается слишком много.
В управлении отношениями с покупателями важную роль играет индивидуальная информация. Следовательно, необходимо отслеживать посетителей в течение какого-то времени. Использование cookies упрощает эту задачу, однако многие пользователи компьютеров выступают против них, а те, кто не возражает, периодически удаляют их. В результате сопоставление посещений с посетителями далеко не совершенно и не надежно, а качество информации не соответствует предъявляемым требованиям.
Тем не менее, некоторая тщательно отобранная информация все-таки лучше, чем ее полное отсутствие.
Большинство веб-сайтов располагают информацией только о своих посетителях и совершенно не знают, кто посещает другие сайты. То же самое можно сказать и об оффлайновых компаниях. В то же время в ряде других отраслей экономики, в частности пищевой, такие исследовательские компании, как IRI и Nielsen, используют потребительские панели для мониторинга покупок. Участники потребительских панелей записывают информацию о покупке тех или иных брендов, о посещении магазинов и об условиях приобретения. Из панелей маркетологи узнают не только о стоимости приобретенного бренда, но и о ценах в магазине на конкурентные бренды, которые не были куплены. Эта информация чрезвычайно полезна для производителей и розничных компаний, однако очень мало такой информация известно о посещениях веб-сайтов и совершении онлайновых покупок.
Кроме расхождений в наличии информации между онлайновыми и оффлайновыми компаниями, существует также различие в поведении потребителей, которое ставит перед маркетологами ряд проблем. Основное различие заключается в том, что расходов, связанных с поиском, в "виртуальном" мире гораздо меньше. Это главная причина того, что только 3% всех онлайновых покупателей совершают покупки по сравнению с 40% потенциальных покупателей в обычных магазинах [2]. Конечно, существуют и другие обстоятельства, например обеспокоенность сохранением личной информации о себе и безопасность совершения покупки через незнакомый канал, сложности с навигацией по интернет-страницам (один известный веб-сайт имел 47 тыс. страниц, к 44 тыс. из которых не было ни единого обращения в течение месяца), медленная работа сервера и т. д.). Низкие поисковые расходы подразумевают, что онлайновым розничным компаниям необходимо снизить ценовую чувствительность потребителей путем дифференцирования своих сайтов и предоставлением выгод, которые "привязали" бы покупателей [3]. Хорошим тому примером служит американская компания Amazon.com, обладающая простым в использовании сайтом: покупки на нем совершаются с помощью одного клика. Здесь же даются практические рекомендации, основанные на алгоритме сортировки предпочтений, предоставляется возможность сохранять покупательские корзины и получать интересующую пользователя информацию.
Другой проблемой для маркетологов является определение того, что именно стоит измерять. Чтобы разобраться в информации, полученной с сайта по его лог-файлам, необходимо обобщить все данные и представить их в наглядной форме. Для анализа происходящего и управления дальнейшими действиями традиционные оффлайновые компании с учетом своего опыта разработали специальную метрику, в которой используются хорошо знакомые и проверенные временем соотношение цена- доходы, доля рынка и доходы с каждого покупателя.
В "виртуальном" мире мнения по поводу того, насколько метрика полезна для понимания действий пользователей на сайте, расходятся. Хиты, уникальные посетители, продолжительность посещения и клики являются самыми распространенными метриками, однако существует и другие подходы.
Важный вопрос для онлайновых розничных компаний - что именно должно измеряться? Количество хитов за каждый месяц или время, проведенное на той или иной странице, или количество уникальных посетителей, или, возможно, какая-то из многих других предложенных характеристик? Как интерпретировать эти данные? Видимо, большинство онлайновых розничных компаний собирают и используют информацию на самом общем уровне. Однако активность потребителей, отслеженная на индивидуальном уровне, приносит гораздо больше пользы, чем общая информация.
Неопределенность относительно того, что должно измеряться, частично объясняется недостатком теоретических моделей поведения потребителей в онлайновых магазинах. В то же время существует огромное количество различных теорий о том, как потребители ведут себя в оффлайновом мире, и есть веские основания предположить, что аналогичное понимание потребителей чрезвычайно актуально для онлайна. Таким образом, информация, полученная на индивидуальном уровне, вместе с теоретическими исследованиями поведения покупателей, в частности при поиске информации при совершении повторных покупок, позволит лучше понять онлайновую деятельность. Другими словами, вместо общей статистики об онлайновой активности, как это обычно происходит, статистические модели, основанные на данных об активности потребителей, обеспечат получение более полной информации об их активности и помогут маркетологам при принятии тех или иных решений.
В данной статье рассматриваются способы использования информации, полученной с веб-сайтов. Будут представлены два примера: в первом приводится схема модели интернет-данных, во втором показывается ценность качественного моделирования.
Уникальные посетители и продолжительность посещения сайта
Первый пример основан на данных исследовательской компании Nielsen/Netratings о количестве уникальных посетителей сайта и времени, проведенном на сайте, среди 50 первых сайтов за каждую неделю в течение 9 месяцев. Эти данные позволяют определять посещения группы потребителей на любом сайте, в отличие от данных лог-файлов, измеряющих активность потребителей в рамках одного сайта. Таким образом, обеспечивается широкий обзор структуры рынка. На рис. 1 показана средняя продолжительность посещения сайта относительно среднего числа еженедельных уникальных посетителей, на рис. 2 и 3 - предельное распределение. Можно вьщелить следующие особенности:
- количество уникальных посетителей и продолжительность посещения асимметричны (см. рис. 1 - 3);
- существует корреляция между уникальными посетителями и продолжительностью посещения сайта (см. рис. 1).
Среди ведущих сайтов можно выделить две группы (см. рис. 1). Первая привлекает большое количество посетителей, однако их время нахождения на сайте достаточно коротко, в то время как вторая группа имеет меньше посетителей, но время посещения каждым из них дольше. В первую группу входят такие сайты, как AOL и Yahoo, предлагающие огромное количество информации, давно превратившиеся в порталы. Сайт еВау предлагает услуги покупателям и продавцам. Посетитель, воспользовавшийся им, нередко возвращается на него, чтобы, например, посмотреть, как обстоят дела на заинтересовавшем его аукционе. В эту же группу входят финансовые сайты и ряд специализированных сайтов, например Sportsline.com.
Рис. 1. Количество уникальных посетителей и время, потраченное на крупнейших веб-сайтах
Рис. 2. Общее количество уникальных посетителей ведущих сайтов (в неделю) 
Рис. 3. Среднее еженедельное время посещения ведущих сайтов
Несмотря на недостаточное количество данные для однозначного вывода, существует ряд предпосылок, указывающих на то, что веб-сайты находятся в положении победителя, захватывающего весь рынок целиком [4], т. е. несколько крупных сайтов привлекают большую часть посетителей (на три первых сайта, занимающих 6% среди всех приведенных сайтов, приходится одна треть всех уникальных посетителей). Особенностью этих сайтов является то, что они все следуют Zipf-распределению.
В частности, согласно "закону Zipf" размер распространения z (количество уникальных посетителей) обратно пропорционален рангу распространения r: Z ~ r-k.
При этом k обычно близко к 1. Распределение уникальных посетителей на рис. 4 отражается прямой линией, которая и ожидается от распределения Zipf[5].
Рис. 4. Ранжирование Zipf
Говоря более простым языком, подобного рода ситуация (когда победитель захватывает все на рынке) [6] приводит к тому, что компании стремятся максимально увеличивать долю, поскольку лидер получает долю покупателей, которая на порядок выше доли двух следующих игроков. Добиваться доминирующей доли покупателей имеет смысл ровно настолько, насколько значительным источником поступления доходов является реклама. Ситуация, в которой победитель захватывает рынок, возникает в условиях роста Сети. Например, чем больше сайты, подобные еВау, могут дать покупателям и продавцам ценности, тем больше будет покупателей. Американская компания Amazon.com выигрывает от экспансии Сети, поскольку чем больше пользователей будет охватывать система рекомендаций, тем больше будет покупок.
В рамках каждой группы сайтов существует корреляция между уникальными посетителями и продолжительностью посещения сайта (см. рис. 1). Таким образом, чем больше посетителей на сайте, тем дольше они остаются на нем (т. е. тем чаще они его посещают). Это напоминает о феномене двойного риска [7, 8], который хорошо известен на рынке часто покупаемых потребительских товаров. В данном контексте двойной риск означает, что небольшие сайты страдают сразу от двух вещей: небольшой по-"ещаемости и короткого времени пребывания на них каждым из редких посетите лей. Феномен двойного риска; как и явление захвата рынков победителем, подтверждает пользу приобретения большой доли рынка. Кроме того, существование двойной угрозы в Интернете говорит о схожести активности пользователей на сайтах и в других более традиционных областях, где существуют метрика и модели, которые играют определенную роль в понимании поведения покупателей в условиях новой экономики. Поэтому определенный интерес для исследования представляют аналогии между метриками, в частности, с проникновением и средней частотой покупок [9), охватом и частотой [10], продолжительностью посещения сайта, и уникальными посетителями.
Моделирование роста розничных компаний: на примере компании Amazon.com
Во втором примере показаны выгоды метрики, основанной на модели или теории о ключевом процессе, который создает данную метрику.
В статье, опубликованной недавно в газете New York Times [11], сравниваются две метрики, дающие различные результаты. Многие онлайновые розничные компании, например Amazon.com, во всеуслышание говорят о двух возрастающих со временем показателях - доходах и количестве покупателей. База данных клиентов той или иной компании со временем, по мере ее наполнения будет расширяться. Большинство компаний не убирают клиентов из базы данных, по крайней мере на этапе роста, даже если их активность отсутствует. Однако по количеству покупателей можно узнать далеко не все - повторные покупки являются чрезвычайно важными, и ежемесячные доходы отражают это (несмотря на то, что повторные покупки коррелируют с количеством покупателей).
Как правило, месячные доходы и количество покупателей со временем возрастают. Но что если подсчитать показатель ежемесячных доходов на одного покупателя? В статье New York Times отмечается, что для многих компаний, например еВау, Amazon.com и CDNow, показатель доходов на одного покупателя падает, и это плохой признак. Хорошо ли, что общие показатели количества покупателей и совокупного дохода увеличиваются, и, наоборот, плохо ли, что падает доход на одного покупателя? Это, без всякого сомнения, очень важный вопрос, поскольку Бизнес-модели большинства онлайновых розничных компаний требуют повторных покупок. Понимание показателя "доход на покупателя" и его динамики очень важно.
В статье New York Times приводятся два мнения по поводу изменения дохода на каждого покупателя со временем. Пресс-секретарь компании Amazon.com в интервью заявил: "Далеко не каждый человек в каждом квартале совершает покупки. Следовательно, устойчивое снижение этого показателя - именно то, чего стоит ожидать". В то же время официальные представители еВау заявили: "В целом, эта цифра уменьшается, поскольку не все покупатели остаются, но те, кто все же остались, тратят так много, что это перевешивает любой отток".
В этих двух цитатах нет ничего нового. Несмотря на то, что перспективы развития для компаний могут показаться мрачными, снижение доходов на каждого покупателя само по себе еще ни о чем не говорит. На самом деле, данный процесс вполне ожидаем даже для компаний, у которых блестящее будущее. Это обусловлено тем, что покупатели, которые первыми вводятся в базу данных, скорее всего, станут "тяжелыми" (т. е. с высоким уровнем совершения повторных покупок), а те, кто вводятся в базу данных позднее, - "легкими". Давайте подробно рассмотрим эти два типа. Когда Amazon.com впервые начала работать, вероятность того, что "тяжелые" покупатели первыми узнают о компании и совершат покупки, была выше, чем для "легких" покупателей. В период становления Amazon.com в ее базе данных были в основном "тяжелые" покупатели. Однако со временем в нее вошли и "легкие", хотя процесс был продолжительным. Таким образом, база данных будет расти, соответственно будут увеличиваться квартальные доходы, но доходы на каждого покупателя будут со временем падать, по мере того, как база данных будет все больше размываться менее ценными ("легкими") покупателями. Этому предположению может быть дано формальное объяснение с использованием логики, которая ведет к хорошо известному отрицательному биноминальному распределению (NBD), описывающему многие аспекты совершения повторных покупок [12]. Математические подробности приводятся в приложении. С помощью модели, описанной в нем, на рис. 5 показано, что уровень средних покупок (который при неизменных объемах покупок, например, если речь идет о книгах) может использоваться как "суррогат" для среднего дохода с каждого покупателя) имеет тенденцию к снижению.
Рис. 5. Общий уровень совершения покупок
Таким образом, доходы на одного покупателя со временем падают, несмотря на то, что общие доходы и объем базы данных покупателей продолжают расти. Предположим, что уровень покупок не меняется, тогда параметры отрицательного биноминального распределения могут оцениваться по покупательскому поведению первичных покупателей и в последующем использоваться для прогнозирования долгосрочного уровня покупок. Как альтернатива прогнозы отрицательного биноминального распределения могут использоваться в ка' честве контрольных показателей. Если уровень покупок опустился ниже прогноза, это свидетельствует о неожиданном оттоке покупателей.
Модели отрицательного биноминального распределения, хоть она и не лишена рациональности, не хватает валидности. В частности, она прогнозирует, что кривая проникновения (доля покупателей, совершивших покупку, по крайней мере, однажды, в течение определенного времени) вначале стремительно растет, затем начинает падать (т. е. кривая имеет выпуклую форму). Изучение динамики продаж, которая тесно связана с кривой проникновения, для Amazon.com и подобных компаний дает S-образную кривую.
Отрицательное биноминальное распределение может легко трансформироваться в такую кривую. Для этого достаточно предположить, что потенциальным. покупателем Amazon.com становится далеко не каждый, как это неявно подразумевается при построении отрицательного биноминального распределения. В частности, S-образная кривая продаж может быть смоделирована с помощью следующей гипотезы: прежде чем кто-либо совершит покупку в Amazon.com, он должен узнать о самом существовании этого онлайнового магазина. Уровень узнавания в данном случае такой же, как и уровень совершения покупок ("тяжелые" покупатели узнают о новом канале гораздо быстрее, чем "легкие"). Фактически, время, за которое кто-то узнал об Amazon.com, имеет случайный характер (подробности см. в приложении).
Кривая продаж, как это было спрогнозировано моделью "случайного начального времени", была аппроксимирована по данным о продажах для первых нескольких лет работы Amazon.com (см. рис. 6). Данная аппроксимация оказалось достаточно близкой, несмотря на то, что объем информации по продажам недостаточен, чтобы показать резкий S-образный эффект. В связи с тем, что исследователи моделировали проникновение, но располагали при этом только цифрами по продажам, для определения общего объема рынка в процессе аппроксимации использовался дополнительный параметр. Объем всего рынка был оценен в $2,1 млрд, однако, по опыту, к этим данным нужно относиться с определенной долей скептицизма.
Рис. 6. Прогнозируемые и фактические продажи на www.Amazon.com
Модель отрицательного биноминального распределения (и ее модификация) представляет собой модель рынков, на которых уровень совершения покупок потребителями не меняется. В нынешних условиях стремительного роста числа сайтов (и совсем недавнего кризиса многих компаний, специализирующихся на электронной коммерции) стационарная модель, на первый взгляд, кажется не совсем подходящей. Не отказываясь от отрицательного биноминального распределения, его можно трансформировать с учетом эволюции уровня повторных покупок. Например, уровень совершения покупок потребителями за один раз (t) мог бы рассматриваться как (выпуклое) сочетание долгосрочного уровня совершения покупок и их текущего уровня. Долгосрочный уровень совершения покупок представляет собой уровень, на котором потребитель заканчивает совершать покупки в Amazon.com после первоначальной нестабильности в покупательском поведении, вызванной появлением нового канала. Расширение рамок модели не входит в цели данной работы. Вполне понятно, что возможность оценить долгосрочный уровень совершения покупок имеет значительную ценность для менеджмента.
Дискуссия
В данной статье с помощью простых графиков показано, что существует два типа сайтов: информационные/развлекательные и торговые. Для представления информации о росте "виртуальных" компаний в ней использовалась хорошо известная модель, немного модифицированная. Графики на рис. 1, 2 и 3 отражают ситуацию в конкретный период времени. Было бы интересно создать аналогичные графики для разных периодов времени, чтобы изучить, как меняется со временем структура интернет-рынка. Ожидается, что повышение проникновения Интернета приведет к увеличению количества уникальных посетителей, однако влияние на среднюю продолжительность посещения сайта менее ясно. По мере развития сайта за счет поглощения других или разработки дополнительного внутреннего содержания, количество уникальных посетителей будет также расти, а принцип "двойного риска" подсказывает, что одновременно увеличится и средняя продолжительность пребывания пользователя на сайте. Интерпретация метрики требует, чтобы метрика соотносилась с соответствующими контрольными показателями (см. рис. 1). Предметом дальнейшего исследования должны стать следующие вопросы: достаточно ли предположения о двух типах веб-сайтов, чтобы разработать адекватные контрольные показатели, и существуют ли другие способы разделить сайты на категории. С помощью модели отрицательного биноминального распределения показано, как простая модель может внести ясность в довольно расплывчатое определение того, чем именно является данная метрика. Доходы и количество покупателей - точно определенные величины, однако столь простой показатель, как доходы на одного покупателя, уже может вызвать путаницу, если только он не основан на четком представлении или модели поведения покупателей. Необходимы дальнейшие исследования, чтобы понять, какие модели и основанные на них метрики окажутся полезными для мониторинга и диагностики поведения покупателей. Несмотря на то, что моделирование может дать количественный прогноз, его реальная ценность заключается в информации о поведении потребителей. Оно дало однозначный ответ: клиенты, введенные в базу данных позднее, становятся менее ценными, чем более ранние. Таким образом, при значительных расходах на рекламу по приобретению новых клиентов со временем материальная отдача от этого снижается - урок, который уже вынесли для себя многие "виртуальные" компании.
Приложение
Отрицательное биноминальное распределение
Допустим, что покупатели совершают покупки в Amazon.com по распределению Пуассона с параметром 1. Предположим также, что Х колеблется от покупателя к покупателю как гамма-распределение с параметром формы r и параметром масштаба а:
Два указанных предположения подразумевают, что общее количество покупок во время Т описывается отрицательным биноминальным распределением:
Теперь можно высчитать кривую проникновения - вероятность того, что, по крайней мере одна покупка, совершается к времени t. Проникновение есть
и ожидаемая величина л, в условиях, когда, по крайней мере одна покупка, была сделана ко времени t,
Модифицированное отрицательное биноминальное распределение
Предположим, что время t, за которое ктото становится потенциальным покупателем экспоненциально распределяется с параметром Х, схожим с параметром, управляющим уровнем совершения покупок:
Гипотеза, стоящая за этими предположениями, заключается в том, что "тяжелые" покупатели книг, скорее всего, являются более ранними клиентами Amazon.com, чем "легкие". Принимая во внимание это предположение, мы имеем: t = О, когда Amazon.com начинает свой бизнес; t = 7, когда покупатель первый раз узнает о Amazon.com; t = t+ Т, когда он совершает первые покупки.
Теперь мы можем получить кривую проникновения. Обратите внимание, что распределение покупок во времени t для кого-либо с уровнем совершения покупок л и того, кто знает об Amazon.com в период времени, определенный формулой (5), - это пуассоновское распределение. Причем первое событие было "проигнорировано", поскольку оно отражало момент, когда покупатель узнавал о компании.
График данной функции проникновения - это S-образная кривая, аналогичная описываемой формулой (4). Ожидаемое значение уровня совершения покупок в рамках "случайного начального времени" тоже можно получить - оно имеет такую же нисходящую наклонную форму, как кривая на рис. 5.
Перевод из журнала Interactive Marketing Volume 3 Number 1 July/September 2001. Visitor pattern of а profitable website. Richard Colombo, р. 30-41. Печатается с разрешения издательства Henry Stewart Publications.
Литература
1. ebusiness.com (2001). The Economist Intelligence Unit, April. 2. Ibid. 3. Mahajan Vijay and Venkatesh (2000). Marketing modeling for e-business // International Journal of Research in Marketing, No. 17, р. 215-225. 4. Adamic Lala and Bernardo Huberman (2000). The nature of markets in the World Wide Web // Quarterly Journal of Electronic Commerce, Чо1. 1, No. 1, р.5-12. 5. Nielsen Jakob (1997). Do Websites Have Increasing Returns? www useit.com/alterbox/9704b.html. б. Frank Robert and Philip Cook (1995). The Winner-take-all Society, New York, Free Press. 7. Ehrenberg Andrew S. С., Goodhardt Gerald J. and Barwise Т. Patrick (1990). Double jeopardy revisited // Journal оГMarketing, No. 54, July, р. 82-91. 8. Ehrenberg Andrew S. С. (1988). Repeat Buying: Facts, Theory and Applications, London, Charles griffin and Со., New York, Oxford University. Frank, Robert and Philip Cook (1995) The Winner-take-all Society, New York, Free Press 9. Ibid. 10. Rust Roland Т. (1986). Advertising media Models: А Practical Guide, Lexington, МА, Lexington Books. 11. Kaufman, Leslie (1999). Cutting through fog of growth for Net retailers, New York Times, 1 September. 12. Ehrenberg, ref. 8 above.
© У нас в гостях журнал 'Интернет-Маркетинг' №3 (9) г. Москва
