MODERNÍ METODY SEGMENTACE ZÁKAZNÍKŮ Ing. Miloš Uldrich ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH. StatSoft CR

Transkript

1 Váš pomocník pro analýzu dat MODERNÍ METODY SEGMENTACE ZÁKAZNÍKŮ Ing. Miloš Uldrich StatSoft CR StatSoft StatSoft CR Dodavatel komplexních analytických řešení Výhradní dodavatel softwaru STATISTICA pro ČR a SR Technická a analytická podpora Konzultace Kurzy, školení Pokročilé statistické analýzy

2 Segmentace zákazníků Proč segmentovat? Identifikace nových obchodních příležitostí Image značky Design výrobků a služeb na míru segmentu Cílená produktová nabídka pro stávající zákazníky Volba komunikačního kanálu Volba prodejního a servisního kanálu Úspora nákladů Banking Classic users Shoppers/Transactioners Borrowers Investors Travelers Non active Mobile Heavy users Stars Professional users SMS users Basic users Non active Neexistuje žádná univerzální kuchařka, která pokrývá všechny oblasti podnikání. Segmentace zákazníků Zákaznická segmentace proces rozdělní zákazníků do homogenních podskupin na základě jejich vlastností. Tradiční přístup pro třídění klientů: Demograficky/Geograficky Hodnotově Segmentace Geograficky Demograficky Hodnotově Psychograficky Behaviorálně Kombinace Proměnné stát, region, kraj, město, zvyklosti pohlaví, věk, vzdělání, příjem, zaměstnání, národnost tržba (Gold/Silver/Bronze), potenciál, riziko, loajalita názory, postoje, životní styl počet transakcí,atms, depozity, úvěry, spoření, karty hodnotově& behaviorálně

3 Cíle modelování Přilákat nové zákazníky Eliminovat rizikové zákazníky Optimalizovat pojistné sazby Pochopit stávající zákazníky Zlepšit spokojenost zákazníka Zabránit odchodu klienta Detekovat podvodné jednání Pravděpodobnost pojistné události Cross-up/sell Předpoklady pro modelování: Diferencované potřeby zákazníků Velký počet zákazníků Velký počet transakcí Cíle modelování Model chování zákazníka(trees, Neural Network, SVM ) Proč odešel (Clustering, Principal Component Analysis )

4 Zdroje dat Analytické metody pro práci s daty Cross Tabulation Principal Component Analysis (PCA) Factor Analysis (FA) Cluster Analyse (CLA) Clasiffication And Regression Trees Association rules Neural Network

5 Data mining Soubor pokročilých statistických metod pro odhalení netriviálních informací v datech. Vzorce chování Třídění dat Odchylky od normy Určení profilu klienta Predikční modely Segmentace Dataminingové metody jsou využívány během celého CRM procesu. Data mining Response scoring Churn scoring Profit scoring Credit scoring Fraud scoring Behaviorální scoring I. Definice cíle/porozumění procesům II. Porozumění datům III. Příprava dat IV. Tvorba dataminingových modelů V. Vyhodnocení modelů VI. Deployment

6 Příprava dat Příprava datové základny zahrnuje: Vzorkování cílová skupina je obvykle malé procento z celé populace Čištění a filtrování dat poloha, variabilita, outlier, kvantily pro detekci chybných a odlehlých dat -Spojitá rozdělní a ChD - Kategoriální četnosti, vytvoření nové kategorie pro ChD Nahrazení chybějících hodnot Výběr a transformace proměnných I. Definice cíle/porozumění procesům II. Porozumění datům III. Příprava dat IV. Tvorba dataminingových modelů V. Vyhodnocení modelů VI. Deployment Příprava dat Výběr proměnných: Redukce počtu proměnných - Spojité (chí-kvadrát) - Kategoriální (min. četnosti, chí-kvadrát) Výběr podstatných proměnných

7 Propensitní modely Churn scoring Propensity to Churn Cíl: -Lépe porozumět zákazníkům společnosti - Vytvoření představy o profilu loajálního zákazníka - Stanovení retenční strategie Výsledky modelu: Pravděpodobnost odchodu jednotlivých zákazníků. Indikátory: Vyšší platby než obvykle Více nových účtů za poslední období Větší podíl účtů s nulovým zůstatkem Velký počet disponibilních prostředků Přesun prostředků po obdržení první nabídky Menší podíl účtů s kladnými zůstatky Propensitní modely Fraud scoring Production system Internal data DM model rizikového chování Vysoká škoda/pozdní platby Nedávné ohodnocení majetku Absence stvrzenek Spousta malých pojistných událostí Odcizená velká hotovost Časté změny pojistitele Existence dalšího pojištění Technická kontrola (prošlá/vyprší brzy) Nízký věk držitele Datum cesty je v rozporu s dobou platnosti Typ vozidla neodpovídá živ. stylu Nulový poplatek za odtažení Plnění v hotovosti Časté změny dokumentů

8 Závěr Udržení zákazníka prostřednictvím analýzy dat Modelování celého životního cyklu zákazníka. Vhodné technologie Segmentace zákazníků Definice signifikantních faktorů odchodu Průběžná analýza chování klienta (názory, postoje, přání) Včasná retence v různých komunikačních kanálech Detailní reporting zákazníků Systémy automatického varování Cílená komunikace/zákaznický servis Děkuji za pozornost. milos.uldrich@statsoft.cz