今天,经济和科技的迅速发展加剧了某些产业的竞争,其某些局部市场也逐渐地趋于饱和,而一个饱和的市场也就意味着一个公司利益的获得都来自于另外一个竞争公司利益的损失,最后胜利者将是那些在理解和对客户要求的反应方面,进行不断改善和提高的公司。传统的大众化粗放型的营销策略已难于奏效,现代营销的工作重点开始从获得新顾客转向保留老顾客,从注重交易价值转向挖掘顾客终生价值,从顾客满意到顾客保留,最终实现顾客忠诚。 一般来说,忠诚的客户具有如下特征:不购买或极少购买其他公司的产品和服务,重复购买本公司的产品和服务,推荐他人购买本公司的产品和服务。显然,拥有忠诚客户,也就意味着你拥有较大的客户占有率。在客户流失严重的市场竞争中,忠诚的客户能使企业的利润产生累积效应,使企业持续赢利,于是,如何获得忠诚的客户,便成为今天企业竞争的焦点。 在激烈的饱和市场中,企业和客户之间的关系经常变动,一旦一个人或者一个公司成为你的客户,你就要尽力使其成为你的忠诚客户。一般来说你可以通过以下三种方法:最长时间地保持这种关系;最多次数地和你的客户交易;最大数量地保证每次交易的利润。也就是说,我们要对已有的客户进行交叉销售。
关于交叉销售
一般意义上,交叉销售是指借助各种分析技术和经验判断,发现现有客户的多种相关需求,通过满足其需求而销售多种相关产品和服务的一种营销理念。在现代营销意义上,交叉销售是指在深入地分析目标客户的各种个性化需求的基础上,充分利用一切可能的资源来进行营销活动,这些资源既可以包括自己现有或正在开发的,也可能包括合作伙伴的。正如图所示,新产品和老产品,与老顾客和新顾客的不同组合,组成了营销中的不同策略,其中,新产品与老顾客的组合即成为营销活动意义上的交叉销售。交叉销售通过研究客户的产品使用情况、消费行为特点,发现老客户的潜在需求,通过产品之间的关联,利用数据挖掘中的关联规则分析,得出不同产品之间的关联概率矩阵,以寻找实现产品捆绑销售的机会,为新产品寻找已有用户中的目标群体。 交叉销售如何提升客户忠诚度
在客户关系管理中,交叉销售是一种有助于形成客户对企业忠诚关系的重要工具,有助于企业避开“挤奶式”的饱和竞争市场。由于客户从企业那里获得更多的产品和服务,客户与企业的接触点也就越多,企业就越有机会更深入地了解客户的偏好和购买行为,因此,企业就能比竞争对手更高效率地提高满足客户需求的能力。 对银行业的研究表明,客户关系的年限与其使用的服务数目之间、银行每个账户的利润率,存在着较强的正相关性。企业通过对现有客户进行交叉销售,客户使用企业的服务数目就会增多,客户使用银行服务的年限就会增大,每个客户的利润率也随着增大。进一步的研究表明,如果顾客在银行中只有一个支票账户,银行留住顾客的概率是1%;如果顾客在银行只有一个存款账户,留住顾客的概率是0.5%;如果顾客同时拥有这两个账户,则银行留住顾客的概率会增大到10%;如果顾客享受到3种服务,概率将会增大到18%;一旦银行让顾客享受4种或者4种以上的服务,则银行留住顾客的概率将会增大到100%。这就像是一个增强的反馈链:随着企业提供的客户满意的服务增多,客户就倾向于从银行购买更多的服务,企业与客户相互适应将使客户产生更大的转换成本,因此,结束与银行的关系将越不具有吸引力,因而,客户保留率将提高,这就给予企业更好的了解客户的机会,从而增强了企业满足客户需求和提高客户忠诚度的能力,使得竞争对手对该客户的吸引力减小,而这又增强了客户的忠诚度,提高了客户的利润率。 显然,交叉销售可以提高企业满足客户多种个性化需求的能力、增加客户向竞争对手转换的成本,因而可以提高客户的忠诚度,增加客户对企业的利润率和终生价值。
策略找对人、说对话、做对事
既然交叉销售可以提升客户忠诚度,那怎样才能高效地实现交叉销售呢? 很多企业都有自己的数据库,但长久以来,企业往往是用其来储存数据或进行一些简单的查询,而未意识到这是一座巨大的金矿。而融合了数理统计、数据库技术、计算机存储技术、数据可视化技术等多种交叉学科的数据挖掘技术,使得这座金矿能迅速的变成金山。 企业与现有客户交易所形成的交易数据库里的海量数据,储存了有关客户的大量的历史交易信息,隐藏着客户的消费偏好和价值利益倾向,借助数据挖掘工具,我们可以高效地挖掘出客户潜在的相关需求,实现交叉销售。我们知道,产品间的相关性除了产品设计本身存在的商业逻辑之外,还受到来自用户的职业、年龄、经济能力、投资心理、生活习惯、个人经历等多种因素的影响,要想逐一分析这些因素对每一种产品的影响显然是不切实际的。然而,由于影响产品间相关性的多种因素已经充分地反映在用户的购买和使用行为中,而记录用户购买和使用行为的数据也已悉数收录在企业的数据库中。利用数据挖掘技术对这些数据进行关联规则分析,建立相关模型,便可将产品与客户之间的关联性、产品与产品之间的关联性进行系统的归纳总结。而这些关联规则直接运用到一线的市场活动和客户服务工作中,即可迅速地取得满意的市场效果,帮助企业赢得忠诚的客户。 以移动通信企业为例,利用数据挖掘技术实现交叉销售,一般是从分析现有客户的移动通话行为数据开始的,其着眼点在于从这些海量的数据中,挖掘出客户与产品之间的关联性以及产品与产品之间的关联性,最终帮助运营商解决如何结合自身的产品,识别和锁定目标客户群,从而为目标客户提供它们所期望的价值,以达到双赢的目的。 现代营销讲究“精确营销”,所谓“精确”,其实就是“合适”,也就是“找对人、说对话、做对事”。要实现交叉销售,就是要帮助移动运营商在推广业务时“找对人、说对话、做对事”。针对产品发展的不同阶段和不同的营销目的,移动通信企业实现交叉销售一般可运用以下三种方法。
方法一:“找对人”
在产品研发或新业务推广阶段,企业面临的最主要问题是:该业务的目标客户是谁?在以客户为中心和讲求精确的现代营销中,找不到明确的客户群,接下去的“精确营销”便只能是空谈。而通过分析客户通信服务产品的使用特征,运用通话频率、时长、联络广度、长途通话等因素可以将几百万客户聚类成组内特征相似、组间特征各异的组群,由此,我们便可寻找出针对不同用户群的产品销售机会。 例如,某地在进行一项呼转业务的推广,凭经验,对金卡、银卡等高端用户推出了主动设置的促销活动,但真正使用该业务的客户却很少;且由于技术上的一点小障碍,使用的客户中投诉率也非常高,反而影响了运营商和高端客户的关系。后来,通过运用客户行为细分,从所有客户分组中寻找出“短信专家组”、“新生潜力组”等四组客户群体进行主动设置开通,活动结束后,目标客户中高达80%以上的客户使用了这项业务,经过技术上的改进,不仅投诉率大大降低,使用该产品的客户对此项业务带给他们的便利也大加赞赏,从而加深了客户对运营商的依赖。
某移动全球通GPRS定向销售提升图 又如,某移动全球通公司对GPRS业务进行定向销售分析,对其存储的历史交易数据利用数据挖掘工具得到如下的提升图,从图中我们可以直观地看出,进行用户群特征研究并建立了相应的模型后的市场活动响应率,比无模型预测情况的市场活动响应率,具有很大的提升。通过具体数据我们可以清楚看出,在无预测模型情况下,对10%的客户进行市场活动,获得的客户响应人数百分比只能是10%;而进行了用户群特征研究并建立了相应模型后,我们对10%目标客户做市场活动,就可以获得约53.4%的客户响应率。显然,采用定向销售分析后,不仅提高了市场活动的命中率,也减少了市场活动的经费。
方法二:“说对话”
在“找对人”以后,要引起客户注意,必须要讲“对路”的话。所谓“讲对话”,就是用客户偏好的媒介对目标客户开展产品的宣传活动。在移动通信市场上,常见的促销方式有短信群发、报纸软文、报纸宣传、户外海报等等。虽然这些促销宣传方式到达客户的成本相对较低,但由于针对性不强,客户响应率往往较低。如果我们通过较少成本的投入做些营销成本收益比分析,就可以帮助我们对客户“说对路的话”,吸引客户购买运营商想推广的产品。 如某运营商在做WAP推广的时候,首先利用客户细分寻找出目标客户,在此基础之上,选取了小样本的目标客户利用不同的促销方式开展业务宣传,如短信PUSH、机场传单、账单夹寄广告传单等。通过收集响应客户数据,分析响应特征,同时对比几种促销渠道的有效性,发现其中两种渠道有效性最高。最终在大规模推广活动中,确定使用这两种渠道,并利用定向销售模型选取目标客户开展了促销,结果营销效果远远优于以前。
方法三:“做对事”
我们“找对人”、“说对话”,为的是要“做对事”,也就是向客户推销他们期望的产品。利用数据挖掘,进行产品与产品关联规则的研究,可以从现有的客户购买和使用数据中找到产品与产品之间内在的关联规则,从而帮助运营商找到产品组合或捆绑销售的机会。 现在,每家移动运营商的数据库中都保留了海量的客户使用业务行为的数据,这些数据其实就是体现客户消费需求差异的外在表现因素。通过数据挖掘,寻找产品与产品之间的关联规则,便可有效帮助运营商找到产品组合销售的机会。如某移动运营商对彩信、GPRS、IP、全球呼、手机银行、移动秘书和语音信箱进行了产品关联规则分析,发现了不同业务之间的互补性和替代性关系,据此进行产品的最优组合,实现了产品的捆绑销售。 以上关于移动通信企业如何实现交叉销售的案例,仅为抛砖引玉之用。交叉销售可以广泛的应用于各个行业,如商品零售、银行储蓄、汽车保险、人寿保险、汽车修理、医疗保健等等;“找对人、说对话、做对事”的分析方法,也具有很大的通用性。 此外,企业在实现交叉销售过程中,有两点需要特别提醒营销人员注意的。其一是,要使交叉销售模型对企业有意义,公司必须要有多样化产品,这样才能吸引一大群客户;并且各个产品之间最好是互补,至少不能互斥。其二是,历史交易数据库中的数据不仅是客户内在消费需求的体现,也会受到前期促销政策、竞争者行动等外部市场因素的影响,因此,在构建数据的关联规则模型时,也要考虑到这些外在因素的影响。^
|