Глава 2. Сбор данных своими силами
Опасные средние
Достаточно часто в маркетинге используют понятие «средних», – в среднем по рынку в среднем «X» пользователей предпочитают «Y» товаров, и так далее. Понятие «средних» прочно вошло в жизнь бизнеса, на них строятся маркетинг-планы. На средние показатели ориентируются бизнес-стратегии. И мы настолько привыкли к этим средним, что порой не видим опасности, которую они скрывают.
Рассмотрим пример. В среднем по сети показатель уровня клиентского обслуживания составляет 85%. Хорошая цифра. Можно с гордостью эту цифру демонстрировать и спокойно жить до следующего исследования, аналитика которого построена на средних. Только почему-то, несмотря на высокую оценку клиентского обслуживания, проблемы не решаются, и клиенты недовольны. И самое главное – в процессе работы компании возникают вопросы, на которые нет ответов. Исследование, которое выдало столь высокую оценку, в итоге не дает инструмента для ответов на вопросы. Что произошло? А произошло то, что средние величины бывают коварны и таят в себе множество подводных камней. Ориентироваться на средние показатели стоит лишь в том случае, если вы работаете с узкими, четко описанными сегментами.
Давайте посмотрим, как средние величины могут обмануть исследователя, привести его к ошибочным выводам и неправильным управленческим решениям.
На рис. 4 мы видим, что были проведены исследования уровня клиентского обслуживания на четырех торговых точках. Результаты были рассчитаны с помощью средних величин. Торговая точка 4 показала самые низкие результаты. А остальные три торговые точки показали примерно одинаковые высокие результаты. Итогом такого исследования стало решение руководства премировать торговые точки 1, 2 и 3. А торговой точке 4 объявить взыскание за самый низкий показатель клиентского обслуживания.
Что делать управляющему торговой точки 4 с таким взысканием? Да, уровень клиентского обслуживания – самый низкий по сети, но что конкретно делать – непонятно. Пойти и застрелиться всем коллективом? Ведь результат исследования не дает никакого конкретного инструмента для исправления ситуации.
Теперь посмотрим на рис. 5. Здесь в разрезе тех же торговых точек измерены конкретные показатели, которые непосредственно влияют на уровень клиентского обслуживания. Мы видим, что показатель работы консультантов по торговой точке 4 занимает второе место и отстает от лидера всего на 5%. Что же получается? Основываясь на средних величинах уровня клиентского обслуживания, руководство компании объявило взыскание персоналу, который хорошо работает?! Неудивительно, если после подобных действий этот хорошо работающий персонал уйдет из компании.
В то же время, показатель работы консультантов по торговой точке 2 выдает самый низкий результат. И это та торговая точка, персонал которой руководство поощряло на основании средних показателей уровня клиентского обслуживания. Несомненно, персонал, который не очень старался, но при этом получил поощрение, продолжит дальше работать, не особенно усердствуя. И самое опасное, что другие сотрудники сети, наблюдая, как поощряют тех, кто не старается, будут копировать модель «ненапряжного» отношения к работе.
Осталось выяснить, за счет чего так сильно исказились средние величины. Ответ мы найдем на рис. 6. Торговая точка 2 была оборудована лучше всех по сети, там лучший ремонт и новая мебель.
А в торговой точке 4 давно не делали ремонт, там мебель и оборудование старые. Вот и весь секрет успеха и высоких показателей торговой точки 2. Торговая точка 4, не обладая ресурсами торговой точки 2, показывала высокий уровень работы персонала, который действительно заслуживает поощрения. Но опасные средние принижали показатели тех, кто хорошо работал, возвышая тех, кто более халатно относился к своим обязанностям.
Для того, чтобы не попасть в ловушку средних показателей, не стоит «клеить мягкое с круглым». Что происходило в нашем примере: исследователь, собирая данные клиентского обслуживания, вычислял средний показатель, складывая уровень профессионализма персонала с уровнем оборудования торговой точки, и делил эти данные на количество переменных в числителе. С точки зрения математики, вычисления были верны, но по сути они оказались ошибочны и опасны для бизнеса.
Что нужно учитывать в логике анализа данных, чтобы избежать описанной ситуации? Данные, с которыми вы проводите математические операции, должны быть однородными. Это тот самый принцип однородности, который мы разобрали в первой главе. Если вы анализируете уровень клиентского обслуживания, то можете складывать, вычислять средние и делать прочие математические операции только между данными одной группы. Причем вы можете вычислять средний показатель по всей сети, в одной торговой точке, или сравнивать индивидуальные показатели по каждому консультанту.
Но данные из разных групп вы можете только сравнивать. Например, показатели из группы «Уровень проведения консультаций» сравнить с показателями группы «Оформление информационного стенда». При сравнении может оказаться, что в торговой точке высокий уровень проведения консультаций, но менеджеры плохо работают с оформлением информационных стендов, поэтому их общий балл клиентского обслуживания снижен. В этом случае руководитель и персонал торговой точки точно знают, почему они не получили ожидаемых выплат, и что нужно исправить.
Измерение известности. Ошибка в методологии
Одна из задач, которые часто ставит руководство компании перед исследователями – замер известности участников рынка. Замерить известность легко. Достаточно составить небольшую анкету с набором вопросов и провести количественный опрос в соответствии с правильно рассчитанной выборкой.
Так как проводить опрос с двумя вопросами в анкете – непозволительная расточительность, то в анкету, кроме вопроса «Какие компании вам известны?» добавляют еще несколько вопросов, например, «Услугами какой компании вы пользовались?», чтобы в итоге измерить не только известность, но и доли участников рынка.
На примере исследования рынка застройщиков многоэтажных жилых зданий мы разберем ловушки, которые могут встретиться исследователю.
На рис. 7 показаны некоторые результаты замера известности строительных компаний. На вопрос «Какие строительные компании вы знаете?» были названы 72 компании, которые, по мнению респондентов, являются застройщиками многоэтажных жилых зданий.
Из 72 компаний только 4 перешагнули планку известности в 7%. Остальные 66 компаний известны единицам респондентов. Наличие такого большого количества компаний на рынке создает большой информационный шум в голове у клиентов.
Мы видим на рис. 7, что компания №39 обладает наибольшей известностью.
А компания №68 и компания №40 не просто неизвестны, но еще и не проходят по известности порог в 7%. По всем законам статистики и маркетинга, данные компании не могут претендовать на звание «реальный участник рынка». Компании №68 и №40, доля которых не является значимой для массового рынка, показаны на рисунке не случайно. Именно на примере показателей этих компаний мы и разберем ловушку, которая может встретиться исследователю.
Картина становится более интересной, когда мы начинаем сравнивать доли рынка компаний на уровне известности и продаж. Обратите внимание на рис. 8.
Интересная ситуация складывается с компаниями №40 и №68. Известность у них невысокая, а продажи – на уровне реального участника рынка.
Если мы оставим цифры в таком виде, то рискуем получить вопросы, на которые у нас нет ответов. И скорее всего, несоответствие известности и продаж у компаний №40 и №68 поставит под сомнение все расчеты. Так как существует воронка продаж, которая явно показывает, что известность не может быть меньше продаж.
Итак, что происходит? Ошибка? Да, несомненно, ошибка. Но ошибка была допущена не в расчетах. Она появилась еще на моменте составления инструментария к исследованию.
В опросе участвовали только те, кто в течение года покупал жилье в новостройках. Известность замерялась спонтанно. То есть респондентам предлагалось вспомнить компании, которые, по их мнению, являются застройщиками многоэтажных домов. Пока все идет хорошо. В опросе участвует только конкретно сегментированная группа, которую составляют покупатели. Что происходит дальше?
Для замеров по покупкам предлагалось посмотреть на список строительных компаний. То есть замеры известности проводили спонтанные, а замеры покупок – наведенные (с подсказкой). Именно эта ошибка в методике привела к цифрам, вызывающим вопросы без ответов.
В методике был пропущен блок «Замер наведенной известности». Даже на рынке упакованного печенья наведенная и спонтанная известность сильно отличаются друг от друга. А что говорить про рынок, где люди совершают покупки считанные разы за всю свою жизнь.
Лояльность – это когда клиенты покупают в вашей компании чуть больше, чем у конкурентов.
Пример, который мы сейчас разберем, нужен для того, чтобы при разработке инструментария исследователь извлек из своей работы максимальную пользу для компании. Чтобы в процессе составления анкеты все вопросы были ориентированы на практический результат, важно понимать, какую информацию и в каком объеме вы сможете получить при имеющихся вопросах. Если есть понимание, что в результате сбора данных вы только актуализируете проблему, но не получите ответ на поставленный вопрос, то необходима дальнейшая работа с инструментарием. В примере мы покажем, что вы получите в итоге исследования, если анкета не продумана до конца. И что можно получить, если добавить в нее всего два вопроса.
Итак, другой пример измерения известности и уровня продаж одной из компаний и ее конкурентов. В этом примере вся методика и сбор данных изначально были правильными.
Мы берем в качестве примера рынок, где покупки совершают два-три раза в год. И ситуацию, когда в период кризиса у компании Z произошло снижение продаж.
Возникло несколько версий возникновения этой ситуации:
– люди в целом стали покупать реже
– клиенты ушли к конкурентам
Произведя замеры известности и покупок, компания Z получила следующие данные (рис. 9). Видно, что конкуренты – «Бренды 2, 4 и 5», несмотря на свою большую известность, продают очень мало товара на рынке.
А вот конкуренты «Бренд 1» и «Бренд 3» имеют значимую долю продаж товара на рынке и, соответственно, являются для компании Z реальными конкурентами.
Тем не менее, получив эти цифры (рис. 9), компания Z не получила ответ на главный вопрос и не смогла подтвердить/опровергнуть ни одну из выдвинутых версий.
Затем в анкету включили следующие вопросы: «Сколько раз за год вы покупаете товар „X“?», «Сколько раз в год вы покупали у названных вами конкурентов?»
В результате исследования было выявлено, что большинство респондентов не изменили своей привычке покупать товар «X» более одного раза в год. А те, кто делает вторую или третью покупку товара «X», совершают ее в магазинах конкурентов.
Соответственно, первая гипотеза о том, что люди стали покупать товар реже, не подтвердилась.
Далее было выявлено (табл. 1), что в 2014 году 75,76% клиентов компании Z совершали последующие покупки у конкурента «Бренд 3» и 42,42% клиентов – у конкурента «Бренд 1».
Полученные цифры послужили серьезным основанием для пересмотра стратегии и программы лояльности компании Z. На протяжении года компания Z проводила различные мероприятия по удержанию клиентов.
Что мы получили через год, когда провели такие же замеры? В 2015 году количество клиентов компании Z, которые совершают покупки, в том числе и у конкурентов, уменьшилось в случае с конкурентом «Бренд 3» на 40%, а в случае с конкурентом «Бренд 1» – на 31%.