JTBD: кластерный анализ

Мы в Strikh большие фанаты концепции JTBD. Если вы о ней ни разу не слышали, расскажем в паре предложений (+ ВИДЕО)

Примеры JTBD



Для этого возьмем простой пример: вот Николай, ему 28, он работает в крупной компании, он сотрудник отдела закупок. Его интересы - вейкбординг, кино, мультсериалы. Николай два раза в неделю ходит в спортзал. Он живет с девушкой, и у них дома есть кот.

Очень понятный, казалось бы, социально-демографический профиль. Мы даже знаем интересы пользователя! Однако вот Николай идет в супермаркет и покупает там бутылку “Боржоми”. Почему Николай это сделал? Потому что он работает в закупках? Потому что ему 28 лет? Может быть, потому что у него есть кот или он несвободен? Конечно нет, "задача" этой минеральной воды в этом случае простая - утолить жажду. Ровно такая же задача будет стоять у “Боржоми” для, например, Григория 35 лет или Екатерины 23 лет.

Другой пример: предположим, вы телеком-компания. И у вас есть некий абонент N, который подключает сим-карту для общения по телефону, ему нужно делать много звонков. Этот же пользователь приобретает другую сим-карту, но совсем для другой задачи: для получения доступа в интернет через айпад. И с точки зрения “портрета” или “персоны” это очень разные пользователи, а по факту абонент один. А значит, и портрет и характеристики этого абонента для нас не важны, зато важно его поведение как совершившего покупку и то, какие задачи для него решает та или иная сим-карта.

Концепция JTBD - Jobs To Be Done - опирается как раз на такие “задачи” продукта или “работы, которые должны быть сделаны” (то есть “jobs”). Знание о “работах” позволяет нам предсказывать поведение пользователей и то, что мы называем TX - Transactional Experiense. 

Как выявить JTBD

 

“Вычислить” JTBD можно интуитивно, например, организовав мозговой штурм и придумав множество вариантов пользовательских инсайтов потребления продукта.

Мы же сторонники того, что “работы”, а, значит, и сценарии поведения потребителя должны быть основаны на данных.
Для того, чтобы их рассчитать, нам нужно взять Клиентскую базу и исследовать поведение наших Клиентов, используя такой метод анализа, как кластеризация по k-средним. Этот метод анализа позволяет сгруппировать все случаи по сходным значениям различных переменных: например, среднего чека, количеству покупок, да хоть времени года, в которое эти покупки совершаются.
После этого необходимо взглянуть на получившиеся кластеры и сделать из них выводы поведенческих характеристиках Клиентов на основе того, как, когда, что, как часто, на какую сумму (и так далее, и так далее) они покупали.

Мы сняли видео о том, как сделать такой анализ “на руках” и рассказали в нем, какие выводы можно сделать о кластерах, опираясь на данные. 



Илья Балахнин
Управляющий партнер
Комментарии

Подборки

Показать еще