INFORMATION TECHNOLOGIES OF ANALYZING CUSTOMER DATABASE OF INSURANCE COMPANY IN TERMS OF LONG-TERM CUSTOMER VALUE
Authors:
1.
Astrakhan State Technical University
2.
Astrakhan State Technical University
(Doctor of Sciences in Technology; Professor of the Department of Applied Informatics )
Astrakhan, Russian Federation
Astrakhan, Russian Federation
Type:
Article
Pages:
from 53
to 63
Status:
Published
Received:
05.07.2019
Accepted:
07.01.2023
Published:
25.07.2019
Subject area:
VAC 05.12.2013 Системы, сети и устройства телекоммуникаций
VAC 05.13.01 Системный анализ, управление и обработка информации (по отраслям)
VAC 05.13.06 Автоматизация и управление технологическими процессами и производствами (по отраслям)
VAC 05.13.10 Управление в социальных и экономических системах
VAC 05.13.18 Математическое моделирование, численные методы и комплексы программ
VAC 05.13.19 Методы и системы защиты информации, информационная безопасность
UDK 004.3
GRNTI 20.01 Общие вопросы информатики
GRNTI 28.01 Общие вопросы кибернетики
GRNTI 49.01 Общие вопросы связи
GRNTI 50.01 Общие вопросы автоматики и вычислительной техники
GRNTI 82.01 Общие вопросы организации и управления
VAC 05.13.01 Системный анализ, управление и обработка информации (по отраслям)
VAC 05.13.06 Автоматизация и управление технологическими процессами и производствами (по отраслям)
VAC 05.13.10 Управление в социальных и экономических системах
VAC 05.13.18 Математическое моделирование, численные методы и комплексы программ
VAC 05.13.19 Методы и системы защиты информации, информационная безопасность
UDK 004.3
GRNTI 20.01 Общие вопросы информатики
GRNTI 28.01 Общие вопросы кибернетики
GRNTI 49.01 Общие вопросы связи
GRNTI 50.01 Общие вопросы автоматики и вычислительной техники
GRNTI 82.01 Общие вопросы организации и управления
Language:
Russian
Keywords:
client, insurance company, lifelong profitability of the buyer, data storage, analysis, customer database
Abstract (English):
The article focuses on the importance of the reliable customer database and financial stability of the insurance company, which form the basis for sustainable development in conditions of market economy. To ensure stable market positions it is necessary to monitor and analyze the customer database regularly. There are several methods of studying the customer database of the company. The indicator of assessment of the long-term buyer value based on open information in insurance company has been considered. For calculating this indicator there is applied an integrated approach using a customer relationship management system and analytical platform: the data storage is designed, scenarios of loading and processing information in storage are developed. The formula of calculating the indicator of lifelong profitability of a buyer is offered, the received results are analyzed. The considered indicator will allow the company’s authority to obtain more complete information about the activity of the company, to define development perspectives for the future, to make management decisions on reducing the outflow of clients and increasing their profitability.
The article focuses on the importance of the reliable customer database and financial stability of the insurance company, which form the basis for sustainable development in conditions of market economy. To ensure stable market positions it is necessary to monitor and analyze the customer database regularly. There are several methods of studying the customer database of the company. The indicator of assessment of the long-term buyer value based on open information in insurance company has been considered. For calculating this indicator there is applied an integrated approach using a customer relationship management system and analytical platform: the data storage is designed, scenarios of loading and processing information in storage are developed. The formula of calculating the indicator of lifelong profitability of a buyer is offered, the received results are analyzed. The considered indicator will allow the company’s authority to obtain more complete information about the activity of the company, to define development perspectives for the future, to make management decisions on reducing the outflow of clients and increasing their profitability.
Keywords:
client, insurance company, lifelong profitability of the buyer, data storage, analysis, customer database
client, insurance company, lifelong profitability of the buyer, data storage, analysis, customer database
По прогнозам Аналитического кредитного рейтингового агентства структура российского страхового рынка стремительно меняется в сторону индивидуального подхода работы с клиентами в секторе розничного страхования. Согласно базовому прогнозу уже в 2022 г. инвестиционное страхование жизни (ИСЖ) принесет страховщикам свыше 1 трлн руб. премий против 332 млрд руб. в 2017 г.; доля этого вида страхования составит 45 % от общего объема страховых премий против 26 % по итогам 2017 г. (рис. 1). Рис. 1. Структура страхового рынка в 2017 и в 2022 гг. [1] На сегодняшний день страхователи взаимодействуют со страховщиками через посредников в виде банков, которые занимаются самым главным - установлением и поддержанием взаимоотношений с клиентами, формированием доверия и репутации компании. Роль банковского канала продаж должна снижаться, у страховщиков появятся независимые собственные клиентские базы для продаж ИСЖ, в том числе за счет максимального сокращения оттока клиентов и перезаключения договоров с имеющимися клиентами уже напрямую [1]. Кроме описанных глобальных структурных изменений рынка страховых услуг в России для удержания стабильных позиций по-прежнему необходимо постоянное совершенствование страхового обслуживания, разработка комплексных программ страхования с учетом нужд конкретных, четко определенных категорий существующих и потенциальных страховых клиентов. Такой подход к страховому бизнесу предполагает накопление и анализ информации о каждом перспективном клиенте, которая должна храниться в единой базе данных. Наиболее перспективной стратегией по налаживанию долговременных контактов с существующими страхователями, застрахованными лицами, а также потенциальными клиентами является стратегия CRM (Customer Relationship Management - управление взаимоотношениями с клиентами), а для подробного анализа клиентской базы более рационально использовать современные технологии информационной бизнес-аналитики. Вопросами клиентской аналитики занимались многие российские ученые: А. В. Андреева [2], С. В. Мхитарян [3] и др. Многие публикации относятся к анализу клиентской базы в различных предметных областях: в банковской сфере [4], образовательных учреждениях [5], телекоммуникационных компаниях [6], торговых организациях [7-9]. В работе [10] показано, что имплементация ипотечного страхования в практику банков в сфере ипотечного кредитования будет иметь существенное влияние на рост клиентской базы банка по ипотечным продуктам за счет снижения процентной ставки по ипотеке, привлечения сегмента «хороших» заемщиков, а также расширения спектра возможностей для организации маркетинговых действий и реализации программ лояльности. Практически отсутствуют исследования по разработке и совершенствованию существующих структур, моделей анализа клиентской базы применительно к страховым компаниям, позволяющих эффективно принимать управленческие решения. Пожизненная доходность покупателя (страхователя) Можно выделить два ключевых подхода к оценке эффективности управления клиентами и стоимости клиентской базы компании [2]: - на основе показателя лояльности клиентов. Модели управления на основе показателя лояльности клиентов представлены в работах Ж.-Ж. Ламбена [11], Ф. Райчхелда [12], А. В. Цысарь [13] и др.; - на основе оценки долгосрочной стоимости клиента. Данный подход рассматривается в работах П. Бергера и Н. Насра [14], Ф. Райчхелда [12], П. Фадера и Б. Харди [15] и многих других. Этот подход позволяет соотнести доходы, полученные от клиентов, с расходами, которые компания несет на их привлечение и обслуживание. Также данный показатель позволяет оценить будущую стоимость клиента, пересчитанную в текущих ценах по ставке дисконтирования. Для страховщика (продавца) стоимость страхователя (покупателя) определяется тем, какой полис он покупает во время сделки. Страховщик также может понимать: существует вероятность того, что в случае удовлетворенности своим приобретением страхователь может в будущем продлить купленный полис либо заключить новые договора страхования. У страховщика может быть желание сформировать долгосрочные отношения с данным страхователем в надежде на получение доходов от будущих продаж и послепродажного обслуживания, но на это необходимы дополнительные расходы страховой компании. На практике четкие и измеримые краткосрочные выгоды, как правило, перевешивают смутные и неопределенные будущие выгоды даже в тех случаях, когда страховщик теоретически признает выгоды построения долгосрочных отношений. Это говорит о необходимости создания более совершенных методов и показателей, позволяющих оценить долгосрочную стоимость клиента. Одним из таких показателей является пожизненная доходность покупателя (страхователя - применительно к предметной области страховых компаний). Пожизненная доходность покупателя (ПДП) - это существующая стоимость всех текущих и будущих расходов, получаемых от покупателя за период его сотрудничества с компанией [16]. Это простое понятие включает в себя несколько аспектов: значение не только текущих, но и будущих доходов; временная стоимость денег; вероятность того, что покупатели могут вообще больше не вести никогда дел с компанией. Можно сформулировать такой подход для оценки стоимости покупателя, который был бы прозрачным как для руководителей компаний, так и для инвесторов. Чтобы получить подобное упрощение, необходимо учитывать три предположения: - размер прибыли остается постоянным на протяжении всего периода жизни покупателя; - коэффициент удержания покупателей с течением времени не меняется; - пожизненная доходность покупателя оценивается относительно бесконечного интервала времени. Если использовать данные допущения, то пожизненная доходность покупателя может быть сведена к следующей простой формуле: , где m - прибыль или доход от покупателя за какой-либо период времени; r - коэффициент удержания; i - ставка дисконтирования. Пожизненная доходность покупателя равна прибыли (m), помноженной на множитель . Этот множитель является коэффициентом прибыли. Этот коэффициент зависит от коэффициента удержания покупателей (r) и ставки дисконтирования компании (i). Коэффициент удержания зависит от качества товара, цены, сервиса и множества других соответствующих маркетинговых действий [17]. Для большинства компаний он составляет 60-90 %. Ставка дисконтирования - это функция стоимости капитала компании, которая зависит от рискованности ее коммерческой деятельности и, кроме того, от отношения задолженности к собственному капиталу компании. Для большинства компаний ставки дисконтирования находятся в диапазоне 8-16 %. Информационное обеспечение страховых компаний Для оценки ПДП необходимы два основных вида сведений: схемы дохода от покупателей и коэффициент ухода. Показатели предполагают сбор информации за большой исторический период, более того, она должна быть структурированной и консолидированной в едином источнике. В страховых компаниях используют специализированные корпоративные информационные системы (например, 1С: Управление страховой компанией), системы управления персоналом и расчета заработной платы (БОСС-кадровик), а также CRM-системы. В некоторых страховых компаниях используются такие CRM-системы, как BPMonline CRM, amoSRM и др., которые обладают инструментами, предоставляющими оперативный доступ к данным о клиенте в процессе взаимодействия с ним в рамках таких бизнес-процессов, как продажи, обслуживание и т. п., а также обеспечивающими сбор этих данных. Пользователю CRM-системы в страховой компании нужно больше, чем просто графики и таблицы - необходимы инструменты, обеспечивающие безопасный доступ к источникам данных и обладающие развитыми возможностями консолидации, анализа, представления данных и дистрибуции готовых аналитических документов как внутри организации, так и за ее пределами. Бизнес-данные информационных систем страховой компании редко накапливаются специально для анализа, содержат ошибки, аномалии, противоречия и пропуски, объемы их очень велики. Поэтому в базовый состав программных продуктов для поддержки деятельности страховой компании требуется включать аналитические платформы, позволяющие консолидировать информацию из разных источников в хранилище данных (рис. 2), содержащие средства извлечения, преобразования, трансформации, визуализации данных, алгоритмы Data Mining, т. е. все средства извлечения закономерностей из сырых данных. Рис. 2. Структурная схема анализа пожизненной доходности покупателя страховой компании Одним из известных решений на рынке программных средств является аналитическая платформа Deductor. Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы - от создания хранилища данных до автоматического подбора моделей [18] и визуализации полученных результатов [19], - а также интегрировать информацию из различных источников и формировать отчетность с помощью интеллектуального анализа данных. Консолидация данных страховой компании В рамках реализации ETL-процедуры (Extract, Transform, Load) спроектировано хранилище данных страховой компании для консолидации информации из системы CRM и других корпоративных систем (рис. 3). Рис. 3. Структура хранилища данных Структура метаданных хранилища данных страховой компании приведена на рис. 4. Рис. 4. Редактор метаданных Далее в хранилище данных Deductor (рис. 5) по разработанным сценариям импортируется информация по клиентской базе из источников данных страховой компании (см. рис. 1). Рис. 5. Сценарий загрузки данных в хранилище После обработки данных (очистка данных, удаление дубликатов) на выходе формируются OLAP-кубы с необходимыми отчетами, в данном случае это исторические данные о схеме доходов от клиента страховой компании и схеме ухода клиента за последние 9 лет. Для анализа клиентской базы предложена методика на основе подхода Knowledge Discovery in Databases (KDD) - извлечение знаний из баз данных [19]. Она описывает последовательность действий, которую необходимо выполнить для обнаружения полезного знания. Подход KDD включает этапы подготовки данных, выбора информативных признаков, очистки, построения моделей, постобработки и интерпретации полученных результатов. Ядром этого процесса являются методы анализа клиентской базы страховой компании в разрезе ПДП, позволяющие обнаруживать закономерности и знания. Последовательность шагов алгоритма анализа ПДП страховой компании приведена на рис. 6. Рис. 6. Этапы анализа пожизненной доходности покупателя в Deductor На рис. 7 представлены сценарии обработки данных в Deductor для схемы доходов от клиента страховой копании и для схемы ухода клиентов страховой компании. Рис. 7. Сценарии обработки данных для схем доходов и ухода клиентов страховой компании (фрагмент) Схема дохода - это доходы (прибыль), получаемые от покупателя за период его сотрудничества с фирмой. Покупатели оставляют компанию по множеству причин, в число которых входят плохое обслуживание, более интересные предложения конкурентов или изменение потребностей и предпочтений. Для того чтобы учесть уход покупателей, необходимо знать схему ухода. Результаты и обсуждение Полученные в результате обработки данных схемы в виде графиков дохода и ухода клиентов страховой компании представлены на рис. 8 и 9 соответственно. Рис. 8. Схема дохода от покупателя Рис. 9. Схема ухода покупателей В первое время страховая компания тратит деньги на привлечение покупателя - 4 тыс. руб. (рис. 8). После того как покупатель приобретает полис, компания получает от него прибыль. Согласно графику, покупатель приносит доход в размере 4,2 тыс. руб. в течение первого года обслуживания, 6,6 тыс. руб. - в течение второго года и т. д. Простым способом оценки долгосрочной ценности данного покупателя является сложение всех доходов на протяжении всего периода сбора данных - в данном случае девяти лет. Другими словами, стоимость этого покупателя равна 4,2 + 6,6 + … + 10,5 = 73,1. Однако при данном подсчете не учитывается временная стоимость денег, т. е. то, что 100 рублей сегодня стоят больше, чем 100 завтра. Необходимо использовать ставку дисконтирования. По графику (см. рис. 8) покупатель сотрудничает с фирмой в течение 9 лет. Но если в течение года «0» компания приобрела 100 покупателей, то на 9-й год в компании останется меньшее количество покупателей. Схема ухода покупателей (см. рис. 9) предполагает, что к концу года «1» из 100 покупателей, привлеченных компанией в течение года «0», останется только 82. Из оставшихся 82 покупателей 6 человек уйдут в следующем году и т. д. В таблице приведены некоторые типичные значения коэффициента прибыли в указанных пределах. Зависимость коэффициента прибыли от коэффициента удержания и ставки дисконтирования Коэффициент удержания, % Ставка дисконтирования, % Коэффициент прибыли 60 10 12 14 16 1,20 1,15 1,11 1,07 70 10 12 14 16 1,75 1,67 1,59 1,52 80 10 12 14 16 2,67 2,50 2,35 2,22 90 10 12 14 16 4,50 4,09 3,75 3,46 Из таблицы видно, что, как правило, коэффициент прибыли находится в диапазоне от 1 до 4,5. Коэффициент прибыли бывает низким при высокой ставке дисконтирования (например, для компаний, ведущих рискованную деятельность) и низком коэффициенте удержания покупателей. И напротив, этот коэффициент имеет низкое значение для компаний, работающих с минимальным риском и с высоким коэффициентом удержания покупателей. Данная таблица предлагает способ оценки пожизненной доходности покупателя. Для того чтобы получить этот расчет, не нужно иметь подробные данные или сложное моделирование. Но эту оценку можно улучшить с помощью использования детальной информации о покупателе. Однако для принятия большинства управленческих решений вполне достаточно приблизительной ПДП, потому что решение не изменяется даже тогда, когда меняются данные [20]. Кроме того, финансовые аналитики и инвесторы могут использовать общедоступную информацию, чтобы получить общее представление о доходности покупателей компании. Они также могут контролировать общее благосостояние компании благодаря отслеживанию ключевых факторов, таких как уход покупателей с течением времени. Из таблицы также видна стоимость удержания. Например, при ставке дисконтирования 12 % и коэффициенте удержания 80 % коэффициент прибыли равен 2,50, при той же ставке дисконтирования и коэффициенте удержания 90 % коэффициент прибыли равен уже 4,09. Это можно интерпретировать так: пожизненная доходность покупателя с годовой прибылью в 100 тыс. руб. повышается с 250 тыс. руб. до 409 тыс. руб., если коэффициент удержания может быть увеличен с 80 до 90 %. Это различие в доходности покупателя может помочь руководству компании в определении того, какое максимальное количество денег следует инвестировать компании в совершенствование процесса удержания покупателей. В типичном диапазоне данных коэффициент удержания оказывает более сильное влияние на доходность покупателя, чем ставка дисконтирования. Иначе говоря, для создания финансовой ценности компании маркетинговые действия и их влияние на удержание покупателей имеют более существенное значение, чем финансовый инжиниринг в области ставки дисконтирования. Заключение Рассмотрен расчет показателя пожизненной доходности покупателя для страховой компании. Анализ показал, что некоторые клиенты поначалу могут не приносить прибыль или их привлечение может быть весьма затратным, но при продолжении взаимоотношений вполне возможно, что они станут более прибыльными. Таким образом, используя данный показатель при анализе клиентской базы страховой компании, можно получить более полную картину деятельности компании и определить перспективы развития, спрогнозировать доходность клиентов, принять управленческие решения по удержанию клиентов или по привлечению новых, а также спланировать маркетинговые акции.
1. Rynok strahovaniya zhizni za pyat' let vyrastet do 1 trln rub. URL: https://www. rbc.ru/ finances/21/05/2018/5afeeb279a7947d82c28a1d5 (data obrascheniya: 19.03.2019).
2. Andreeva A. V. Optimal'noe upravlenie klientskoy bazoy na osnove pokazatelya dolgosrochnoy stoimosti klienta // Biznes-informatika. 2012. № 4 (22). S. 61-68.
3. Mhitaryan S. V. Primenenie statisticheskih metodov dlya analiza i modelirovaniya povedeniya klientov // Innovacii v grazhdanskoy aviacii. 2016. № 1. S. 51-55.
4. D'yakonova L. P., Kuleshova V. S. Klientskaya analitika v bankovskoy sfere // Transportnoe delo Rossii. 2017. № 6. S. 80-81.
5. Seredenkova O. A. Issledovanie metodov analiza klientskoy bazy vuza i razrabotka specializirovannoy CRM sistemy // Evraziyskiy soyuz uchenyh. 2014. № 8-8. S. 102-104.
6. Sklyar E. N., Yashkina P. V. Metodika analiza klientskoy bazy predpriyatiya telekommunikacionnogo sektora // Informacionnye resursy Rossii. 2013. № 1 (131). S. 26-30.
7. Asmolovskiy A. A., Borisov A. D. Ispol'zovanie klientskoy analitiki na primere roznichnoy torgovli // Nauchnoe soobschestvo studentov. Mezhdisciplinarnye issledovaniya: el. sb. st. po materialam XXX Studench. mezhdunar. nauch.-prakt. konf. Novosibirsk: Izd-vo ANS «SibAK», 2017. № 19 (30). S. 54-58. URL: http://www.sibac.info/archive/science/19(30).pdf (data obrascheniya: 19.03.2019).
8. Plohih I. V. Metodicheskie podhody k analizu klientskoy bazy aptechnoy organizacii // Sovremennye problemy nauki i obrazovaniya. 2014. № 2. S. 627.
9. Tuktamysheva L. M., Manbetov A. R. Mnogomernyy statisticheskiy analiz klientskoy bazy neftetorgovoy kompanii // Intellekt. Innovacii. Investicii. 2016. № 12. S. 109-112.
10. Yazykov A. D. Ipotechnoe strahovanie kak drayver prodazh - effekt vliyaniya na rost klientskoy bazy // Bankovskoe delo. 2015. № 7. S. 50-53.
11. Lamben Zh.-Zh. Strategicheskiy marketing. Evropeyskaya perspektiva. SPb.: Nauka, 1996. 590 s.
12. Reichheld F. The Loyalty Effect: The Hidden Force Behind Growth, Profits, and Lasting Value. Harvard Business School Aress, 1996. 352 p.
13. Cysar' A. V. Loyal'nost' pokupateley: osnovnye opredeleniya, metody izmereniya, sposoby upravleniya // Marketing i marketingovye issledovaniya. 2002. № 5 (41). S. 55-61.
14. Berger P. D., Nasr N. L. Customer Lifetime Value: Marketing Models and Applications // Journal Of Interactive Marketing. 1998. V. 12. N. 1. P. 17-30.
15. Fader P. S., Hardie B. G. S. Probability Models for Customer-Base analysis // Journal of Interactive Marketing. 2009. V. 23. P. 61-69.
16. Kotler F., Keller K. L. Marketing i menedzhment. SPb.: Piter, 2007. 184 s.
17. Gupta S., Lemann D. «Zolotye» pokupateli. SPb.: Piter, 2007. 57 c.
18. Scherbatov I. A. Matematicheskie modeli slozhnyh slaboformalizuemyh sistem: komponentnyy podhod // Sistemy. Metody. Tehnologii. 2014. № 2 (22). S. 70-78.
19. Paklin N. B., Oreshkov V. I. Biznes-analitika: ot dannyh k znaniyam: ucheb. posobie. SPb.: Piter, 2010. 704 s.
20. Protas'ev V. B., Bobyr' M. V., Reutov A. A., Totay A. V. Ispol'zovanie indeksa udovletvorennosti potrebiteley dlya ocenki i prognoza proizvodstvennoy deyatel'nosti // Vestn. Bryan. gos. tehn. un-ta. 2018. № 12 (73). S. 100-105.
