Олег Данильченко, специалист по решениям бизнес-­‐аналитики, отдел ПО, IBM EE/A Клиентская аналитика: практики исследований удовлетворенности, расширенные возможности прогнозирования и моделирования. Структура • Основные тренды и задачи современного целевого маркетинга • Роль целевого маркетинга в жизненном цикле клиента • Аналитический подход к управлению доходностью клиентов – Задача увеличения перекрестных продаж – Задача сегментирования клиентской базы – Задача уменьшения оттока • Решение компании IBM для задач повышения доходности и удержания клиентов. • Примеры проектов 2 Прогнозная аналитика: Тенденции 2013 Тренд №1: Инновационные пути применения аналитики Помимо стандартных методов применения аналитики в маркетинге, борьбе с мошенничеством и кредитном скоринге появляются новые места применения углубленной аналитики, позволяющие организации получать дополнительную выгоду. Тренд №2: Данные, Данные, Данные Новые источники данных, например, неструктурированные текстовые данные и данные из социальных сетей . Тренд №3: Новые методологи Методы углублённой аналитики постоянно расширяют область своего применения и глубину анализа. Например, пуассоновская регрессия, анализ выживаемости, и оптимизационные модели. Предпосылки целевого маркетинга – Взгляд на клиента Интересная статистика* • Только 4% клиентов жалуются в случае проблем • В случае проблемы клиент в среднем рассказывает о ней 9ти знакомым • Довольные клиенты в среднем рассказывают 5ти знакомым о высоком качестве сервиса • Стоимость привлечения нового клиента в 5-7 раз больше стоимости удержания существующего • Стоимость найма и обучения нового сотрудника может быть до 10 раз больше стоимости удержания существующего Выявление причин неудовлетворенности – ключ к успеху * По данным OC Marketing Analytics (http://analyticsoc.com/2012/are-you-listening-to-you-customers/) Ключевые тренды • Насыщенность рынка • Снижение темпов продаж • Демпинг цен • Снижение выручки • Многообразие предложений • Высокий отток клиентов Типовые задачи • Как повысить эффективность продаж? • Каких клиентов развивать и что нужно продвигать? • Как снизить отток? • Какие инструменты удержания внедрить? • Какие клиенты уходят? • Как повысить долю рынка? • Какие услуги внедрить? • … * По данным Advanced Communications & Media на 02.2010 6 Использовать покупательский опыт для повышения лояльности клиентов и роста продаж Как у нас есть информация для создания профиля клиента Как создать шаблон поведения клиентов для повышения продаж? Как монетизировать возможности перекрестных или дополнительных продаж? Какова разница между моим прибыльным клиентом и всей базой? Как влияет программа лояльности на поведение моих клиентов? 7 ? Как я могу использовать информацию о моих клиентах для оптимизации маркетинговых затрат? Правильно ли я трачу средства для продвижения брэнда в конкретном регионе ? Могу ли я провести сценарный анализ прибыльности моих маркетинговых инициатив? Консолидация всех возможных источников информации позволяет построить точный профиль клиента Извлечь Анализировать Извлечь структурированную и неструктурированную информацию Опросы и фокус группы Интернет магазин Чековая информация Программа лояльности E-­‐commerce Web browsing 8 История кредитования Complaints Контактный центр Crowd sensing Анализ социальных медиа Возвраты Предсказать Действовать Проанализировать данные и сделать предсказания о будущем Использовать результаты анализа для повышения эффективности: • Выявление трендов • Ассортиментное планирование • Изучение шаблонов поведения • Выявление внутренних скрытых закономерностей • Повышение эффективности маркетинговых кампаний • Продвижение продуктов • Ценообразование • Выстраивание внешних отношений • Цепочек поставок • … Что же такое углубленный анализ данных? • Анализ данных – дисциплина, занимающаяся изучением «сырых данных» с целью сделать некоторые заключения об информации, содержащейся в них. • Анализ данных в большей степени фокусируется на процессе выведения заключений, основываясь в основном на то, что уже известно исследователям. • Прогнозная аналитика использует специальные технологии, которые позволяют вычислить некоторые прогнозный score-­‐балл для каждого потенциального или реального клиента Клиентские данные Прогнозное моделирование 9 Пример целевой сегментации Название сегмента Высокие 20% Характеристики Наиболее прибыльный • Высокий баланс счета • Двукратное повышение риска оттока относительно среднего Высокая ценность • Высокий баланс счета • Повышение риска оттока в 1,5 раза относительно среднего Средний сегмент • Риск текучести относительно низок в связи с низким процентом на займы Средние 60% Низкие 20% Нижний сегмент • Наименьший баланс текущего счета и высокий баланс по кредитной карте • Необычно высокий процент транзакций • Минимальный уровень оттока • Большое количество звонков в call-центр Отрицательный • Высокий баланс за 60 дней; наивысший уровень сегмент просроченных более 90 дней платежей Пример использования прогнозного моделирования Трехуровневый подход: 1) Прогнозное моделирование 3) Ценность 8.00% 7.00% 72% Proportion Churn Cuml Gains( Caputre) Моделирование позволяет охватить 62% 100 которые клиентов, могут 90 уйти, посредством 80 фокусировки на 70 30% всей клиентской базы 60 62% 48% 50 40 30% 30 6.00% 3 2 3.00% 2.00% 10 0.00% 1 $0 1 2 3 4 5 6 Decile 7 8 9 10 Cluster 2 4.19% of the upgraders 3.17% churn $173.40 avg. ARPU 4.00% 1.00% 0 Cluster 3 22.5% of the upgraders 5.90% churn $36.67 avg. ARPU 5.00% 20 0 2) Сегментация $25 $50 $75 $100 Cluster 1 73.4% of the upgraders 1.80% churn $87.14 avg. ARPU $125 $150 $175 $200 ARPU 1. Моделирование — моделирование текучести позволяет определить клиентов с высоким уровнем риска 2. Сегментация — многовариантная сегментация позволяет проанализировать профиль и модели использования для конкретных целевых аудиторий 3. Ценность — получается на основе прибыли, затрат и ожидаемого срока сотрудничества на основе результатов анализа долговечности, что позволяет сделать правильное предложение нужному клиенту 11 Описание профиля клиента Социо-демографические (из карт лояльности) • Дата рождения • Пол • Семейное положение • Число детей • Адрес • Уровень образования • Дата регистрации • … История заказов Результаты опросов • Число дней с последнего заказа (Recency) • Частота заказов (Frequency) • Общее число заказов • Число различных магазинов, в которых были заказы • Число заказов по утрам • Число заказов по выходным • Число заказов по телефону • Число заказов по e-mail • … Информация о платежах • Число купленных продуктов • Сумма всех покупок (Monetary Value) • Сумма скидок • Сумма оплаты наличными • Сумма оплаты картой • Сумма бонусных баллов • RFM балл • Прибыль для сети от всех покупок • … • Мнения • Потребности • Жалобы • … История взаимодействия • E-mail письма • Использование сайта • Отклики на акции • Предпочитаемый канал оповещения • … Информация о покупках по категориям • Сумма оплаты продуктов для детей • Число покупок продуктов для детей • Сумма оплаты продуктов премиум сегмента • Число покупок продуктов премиум сегмента • Сумма оплаты продуктов эконом сегмента • Число покупок продуктов эконом сегмента • … Признаковое описание состояния клиента в определенный момент времени § (Агрегат) Сумма/Среднее § (Мера) Количество покупок\ Частота покупок § За последние (Неделя, Месяц) 1п.нед/2п.нед/3п.нед/… /1п.мес/2п.мес/3п.мес/… /3мес/6мес § По (Тип дня) рабочим/выходным/праздничным/любым дням § В (Время суток) утреннее/дневное/вечернее/ночное/любое время суток § В (Регион) Ленинградская обл./Нижегородская обл./.../везде Пример: Суммарное кол-во покупок за 1 последний месяц по рабочим дням внутри региона проживания Оценка максимального числа различных простейших признаков, связанных с транзакциями: 2*2*10*4*5*10 = 4 000 !!! Признаки следует строить исходя из бизнес задачи, исключая неинформативные иерархии 13 Анализ чековой информации Задача 1: Какие товары часто покупаются совместно? Метод решения – анализ покупательской корзины Задача 2: Какие товары часто покупаются один за другим? Метод решения – анализ последовательностей покупок (требуется привязка покупок к клиентам) Результат: Повышение продаж за счет предложения продуктов, которых нет в текущей корзине, но с большой вероятностью они там должны быть. 14 Анализ потребительской корзины Баннеры Купи X получи Z всего за 100руб! Специальные предложения – Только в этом месяце 10% скидка на любые из этих наборов: A + B…G + H…. Закономерности • Если A то B • Если C то D • Если E и F то G Все предложения Конкретные предложения 456 6636 3 13 6 12 Конкретные предложения 773 9245 @ þ % $ 1 Gillefe razors þ % $ 2 L’Oreal shampoo þ % $ 3 House brand shampoo þ % $ 4 House brand hair color þ % $ 5 Colgate toothpaste þ % $ 6 Nivea skin care þ % $ 7 Men’s fragrance þ % $ 8 Woman’s fragrance þ % $ 9 House brand sun care 12 ? 15 ? þ % $ 10 Op}cian 11 ? 3 ? þ % $ 11 Feminine hygiene þ % $ 12 Online photo service þ % $ 13 Family planning þ % $ 14 Pampers diapers þ % $ 15 House brand diapers Транзакции по всем клиентам Транзакции конкретного клиента • Владелец карты с YYYYMM • Срадний оборот по транз • Месячный оборот • Покупаемые категории • Покупаемые брэнды История взаимодействий • Веб регистрация • Веб посещения • Контакты с поддержкой • Предпочитаемый канал Отношения • Оценки удовлетворенности • Покупательский тип Управление жизненным циклом клиента Стимулирование Удержание Прибыльность Привлечение Возврат Время Модели: Модели: • выбора клиентов для привлечения • прогнозирования вероятности отклика • сегментации потенциальных клиентов • прогнозирования LTV • прогнозирования отклика на предложение • поведенческой сегментации 16 Модели: • прогнозирование склонности к уходу • прогнозирования отклика на предложение по удержанию Модели: • выделения склонных к возврату • прогнозирования отклика на предложение по возврату Аналитическая платформа IBM по управлению доходностью клиентов Клиенты Каналы Планирование Мониторинг @ Отчетность Website Call Center Терминалы @mail Next Best Offer Управление кампаниями/ коммуникациями Прогнозные модели • Скоринг • Сегментация • Проверка гипотез • Прогноз оттока • Прогноз cross\up sell • ... Витрины данных по клиентам История платежей История обращений Данные клиента SMS - MMS Почта 17 Чековая информация Основные преимущества технологической платформы • Простота использования / интуитивный визуальный интерфейс – Визуальный подход – не нужны навыки программирования – Полный набор инструментов Data mining – Разнообразные возможность внедрения моделей • Автоматизация моделирования – Автоматическая подготовка данных – Автоматическая настройка нескольких моделей и поддержка выбора оптимального решения – Автоматическая сегментация • Открытая масштабируемая архитектура – Нет необходимости в специализированной базе данных – Data mining в стандартных базах данных с использованием технологии SQL pushback – Максимальное использование ITинфраструктуры: многопоточность, кластеры и использование встроенных алгоритмов 18 Подход IBM к оптимизации взаимодействия с клиентами C Модель ухода Кампания по удержанию: Если <вероятность ухода> больше 50% Лучшее предложение? <данные об операции> Текущие Potental Campaign кампании C <профиль клиента> 19 Business Бизнес Rules правила Margin LTV Response Вероятность Probability отклика Expected Ожидаемая Value прибыль A -­‐ -­‐ -­‐ -­‐ -­‐ -­‐ -­‐ -­‐ B 90 54% 49 CC 200 32% 64 Модель LTV Модель отклика ПРИМЕР ОПТИМИЗАЦИИ ЦЕНОВЫХ ПРЕДЛОЖЕНИЙ Постановка задачи Провести анализ акций в магазинах, их классификацию Создать календарь акций для каждого магазина Построить модель оценки эффективности акций • Можно ли заранее предсказать, какие акции в каких магазинах будут убыточны? • Как посчитать финансовый эффект от использования модели? Задача для проекта: • Можно ли в автоматическом режиме на регулярной основе заранее выбирать наиболее прибыльные акции для каждого магазина? Описание состояния магазинов Каждый магазин на каждую дату описывается следующими показателями: Агрегированные признаки по продажам • Сумма покупок в штуках • Сумма покупок в рублях • Сумма скидки • Доли покупок различных категорий товаров • Количество чеков • Количество посетителей магазина Признаки по акциям • Количество дней проведения каждой акции • Количество дней с последней акции • Учет параллельных акций Статические признаки магазина • Тип • Расположение • Размер Модель прогноза успешности акции Сегмент 8: 22 акции Доля успешных: 88.4% 450 акций Доля успешных: 38.2% Сегмент 15: 106 акций Доля успешных: 11.3% Интерпретация некоторых фрагментов модели • В среднем акция «X» успешна в 38.2% случаев § Сегмент 15: – Если • Aбсолютная маржа (с учетом изменения трафика) за неделю увеличилась более чем на 36280 рублей <Маржа растет> И • С момента открытия магазина прошло более 496 дней <Магазин давно открыт и о нем давно всем известно> И • Отношение суммы среднего чека за последнюю неделю к предыдущей больше 0.86 <Средний чек растет> То акция «X» через неделю будет успешна с вероятностью 11.3% <то есть скорее всего будет НЕ успешной, что логично, поскольку в магазине и так идет хороший рост> Интерпретация некоторых фрагментов модели • Сегмент 8: – Если • Aбсолютная маржа (с учетом изменения трафика) за неделю увеличилась менее чем на 36280 рублей <Маржа падает или немного растет> И • На текущий момент в магазине идет не более одной акции <В магазине почти нет акций> И • За последние 4 недели более 51% покупок проводилось без скидок <Редко делают скидки> То акция «X» через неделю будет успешна с вероятностью 88.4% <то есть скорее всего будет успешной, что логично, поскольку в магазине маржа падает и давно не проводились акции> ПРИМЕР ПРОГНОЗИРОВАНИЯ ОТТОКА КОРПОРАТИВНЫХ КЛИЕНТОВ РОЗНИЧНОГО БАНКА Результаты проекта по прогнозированию ухода SME клиентов Входные данные: • Всего SME клиентов: ~42 000 * • Средняя чистая прибыль (PNL) от 1 клиента в 1 месяц: ~1250 руб.** • Среднее число уходящих клиентов в 1 месяц: ~1.5% * 42 000 = 630 *** Построенная модель прогноза ухода через месяц в течении месяца позволяет****: • Выделить сегмент 1% (420) клиентов, содержащий 46% (290) уходящих клиентов (точность прогноза 70%) • Выделить сегмент 5% (2 100) клиентов, содержащий 60% (378) уходящих клиентов (точность прогноза 18% * Суммарное количество клиентов в выборке для обучения (30 465) + для проверки (11 590) ** Средний PNL от 1 клиента в 1 месяц, рассчитанный на основе выборки для обучения *** Рассчитано на основе данных обучающей выборки **** Расчет выполнен на основе сравнения прогноза модели с фактом на отложенных данных, см след слайд Расчет экономического эффекта от клиентов Всего SME клиентов: удержания 42 000 Средняя прибыль с удержанного клиента за год: 12 * 1250 = 15 000 руб. Уровень оттока в год: 1.5%*12 = 18% Предположение: Уровень отклика на удерживающее воздействие: 30%* Удерживать все 42 000 клиентов ежемесячно нереально (нет ресурсов). Модель позволяет ежемесячно выделять сегмент 5% (2 100) всех клиентов, содержащий 60% (378) уходящих в 1 месяц клиентов. В 1 месяц удерживаем 378 * 0.3 = 113 клиентов В 1 год удерживаем 113 * 12 = 1 356 клиентов Прибыль к концу первого года от удержания клиентов составит: 1 356 * 15 000 / 2 = 10 170 000 руб. ** * Предполагается, что при персональном обращении, каждый третий клиент будет согласен остаться ** Деление на 2 необходимо и является приближением, так как, например, клиенты, удержанные в 11 месяце, принесут только 1 месяц чистой прибыли к концу года, см след слайд Необходимые условия успешности проекта по удержанию SME клиентов Технологические требования Бизнес требования Мотивация менеджеров Наличие мотивации у клиентских менеджеров на удержание клиентов Обновление моделей Необходимо ежемесячно перестраивать модель ухода Моделирование Возможность построения моделей In-­‐database processing Возможность подготовки данных в БД (Не нужно выгружать данные на клиента) Регулярный скоринг Необходимо ежедневно/еженедельно применять модель ухода для удержания клиентов при появлении первых признаков склонности к уходу Автоматизация Автоматизация применения моделей для регулярного скоринга клиентов