Клиентская аналитика: практики исследований

реклама
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 
Скачать