Data mining v direct marketingu České spořitelny prosinec 2011 Jan Spousta s využitím materiálů Petra Ptáčníka
AGENDA: I. Direct marketing České spořitelny: historie a současnost II. Data mining v ČS: modely, kampaně a analýzy III. Diskuse strana 2
I. Direct marketing v České spořitelně Česká spořitelna Direct marketing: Organizační začlenění a struktura Kompetence a rozvoj strana 3
Česká Spořitelna (ČS) Založena1825 Dnes součástí Erste Bank Group Přes 600 poboček Přes 10 000 zaměstnanců Asi 5 000 000 klientů (nejvíc v ČR) Jmenována Bankou desetiletí strana 4
Kde jsme zařazeni ve struktuře ČS? Divize 5 Drobné bankovnictví (ředitel Jiří Škorvaga) Úsek 5200 Distribuce (ředitel Martin Techman) Odbor 5270 Direct Marketing (vedením pověřen Václav Hrubý) Dva týmy: Campaign Management (Václav Hrubý) a Data Mining (Petr Ptáčník) strana 5
Co kdo v ČS umí a dělá Cognos v ČS DaMi v ČS DWH v ČS strana 6
Odbor Direct Marketing v ČS Direct Marketing Tým Data Mining Tým Campaign Management Tři dílčí týmy Technický (data, sw) Statistické modelování Kampaňoví analytici (podpora kampaní) Profitabilní Data Mining Dvě specializace Kampaňoví manažeři (organizace) Kampaňoví specialisté (technické zajištění kampaní) Sdílené poslání: Maximalizovat dlouhodobý provozní zisk prostřednictvím přímých prodejů stávajícím klientům. strana 7 7
Tým Data mining v ČS aktivní od března 2003 Lidé: Dvanáctičlenný tým, naděje na další rozšíření Data: o všech klientech FS ČS a o jejich produktech Hardware: 1 server pro data mining, 6 serverů pro SAS Marketing Automation, 1 server pro SAS Marketing Optimization Software: SAS, SPSS, atd. strana 8
Počátky DaMi v ČS: od prediktivních modelů k obchodním analýzám s Marketing Automation FTE v Data Miningu 8 7 6 5 4 3 2 1 0 Prediktivní modely Reporting Výběry klientů do kampaní Obchodní analýzy Vyhodnocování MAT kampaní Optimalizace 2003 2004 2005 2006 2007 2008 2009 2010 2011 Analytický core business Rutina IT funkce Base SAS Vznik DaMi týmu SAS EM Rozvoj DaMi týmu SAS MAT Stabilizace DaMi týmu SAS MO Rozšíření FTE na cca dvojnásobek strana 9 9
Stav po první vlně rozšíření Nyní proběhne několikaměsíční zkušební doba Pokud splníme plánované cíle, počítáme s dalším rozšířením Asi léto 2012 Campaign Specialist Tereza Slunécková Campaign Specialist Dana Kovárová Campaign Specialist Michal Tucek CampaignSpecialist MiroslavŠlehof er CampaignSpecialist KaterinaLinhartová CampaignSpecialist SilviaRí hová Campaign Specialist NN CM Team Head Václav Hrubý DaMi Team Head (12,8 FTE) Petr Ptácník (11,2 FTE) Campaign Manager Beige I& MSE BarboraGomolová Campaign Manager BeigeII & MSE Veronika Pješcaková CampaignManager Bei geiii & MSE Tereza Kucerová CampaignManager Blue & Premier KaterinaBurianová CampaignManager PSD & Projects Pavlína Rozehnalová 1 FTE Prevedeno do MKTG Poznámka: Puvodní tým 13 FTE (vcetnero), Povolenénavýšení + 15 FTE = 28 FTE. 1 FTE prevod do 1700, 2 FTE Prevod do IT (Centralizace), takže konecný stav: 25 FTE vcet nero. Campaign Analist NN Campaign Analyst Katerina Krejcová 0.9 Campaign Analyst Jan Rathouský 0.8 Campaign Analyst Lenka Kovaríková Campaign Analyst Michal Foune Campaign Analyst Antoní nkoubek 0.5 ModelingTe am Jan Spousta Business Analyst Hana Kotinová Data Preparation & Support Team Jan Kašprišin Data Specialist Zbynek Jaroš Data Specialist Jaroslav Lžicar MAT Specialist Tomáš Herold K prevodu do IT MAT Speci alist Petra Lambertová K prevodu do IT MAT Specialist Jana Palušová V IT Pozice, které mají v názvu Campaign, budou obarveny strana 10
Datové toky mezi data miningem a CRM/DWH v ČS po implementaci SAS MAT a SAS MO surová data surová data surová data SAS Marketing Automation poznatky Data Mining (SAS) objednávky optim. klienti kampaně poznatky SAS Marketing Optimization strana 11 DWH (Oracle) surová data data o odezvě CRM (Siebel)
Cesta k profitu z Data Miningu v ČS Next Best Product model NBP model to sales channels -$$ +$$$ Mastering high volumes of data High number of campaigns Automation of the campaigning process (MAT) -$$$ +$ -$$$ Analysis of historical data --> client behavior & segmentation insights Predictive models Better targeted campaigns Very high number of small & very well targeted campaigns -$$ -$$ +$$$ Data processing methodology for direct marketing campaigns Precise evaluation of campaign response Precise evaluation of campaign profitability +$$$$$ -$ +$$ Average product lifetime analysis Newly sold product LTV calculations (with controlling) +$$$ -$ -$$ strana 12
II. Oblasti využití data miningu v ČS 1. pro porozumění individuálním potřebám klientů 2. pro dosažení přínosné segmentace 3. pro tvorbu marketingových plánů 4. pro nabídku vhodných produktů ve správnou dobu strana 13
Tři kroky analytiků 1. Dělat správné analýzy formulace zadání 1. Dělat analýzy správně data, statistika 1. Správně analýzy využít prezentace výstupů strana 14
Pět strategických otázek 1. Jaké analýzy přinesou více prodejů? 2. Jaké analýzy umožní zvýšit dlouhodobou hodnotu klientů? 3. Díky jakým analýzám si vybudujeme správné portfolio klientů? 4. Kdo určuje, co se bude analyzovat? Monitorujeme business, abychom byli schopní říkat, co se má dělat, nebo nám jen předávají úkoly k řešení? 5. Pokud nebudeme prosazovat analytické přístupy my, tak kdo? strana 15
Analytické sedmero 1. Pokud vidíme problém, je to naše zodpovědnost, abychom k němu přitáhli pozornost. Je-li to nutné, rozdmýchejme oheň. 2. Mluvme řečí businessu, aby to business správně pochopil. 3. V jednoduchosti je krása. 4. Jeden obrázek je lepší než 1000 slov. 5. Nedodávejme data ani reporty, tvořme analýzy. 6. Sdílejme poznatky, pomáhejme si. 7. Nevymýšlejme kolo. strana 16
1. Využití data miningu pro porozumění individuálním potřebám klientů potenciální klienti stávající klienti bývalí klienti strana 17
Analytické porozumění potřebám klientů Deskripce Korekce Predikce strana 18
Deskripce současného a minulého chování klientů profitabilita pro banku loajalita sociodemografické charakteristiky finanční chování hlavní banka aktivita, sofistikovanost fáze životního cyklu segmentace výzkum trhu strana 19
Predikce budoucího chování klientů budoucí finanční potřeby očekávané nákupy pravděpodobnost koupě jednotlivé produkty převažující typ produktů očekávaný objem očekávaný zisk budoucí využívání stávajících produktů očekávaná délka využívání navyšování/snižování prostředků pravděpodobnost zrušení budoucí hodnota klienta strana 20
Data: 1500 proměnných, 3+ let historie Příklad vlivné proměnné: vlastnění a používání kontokorentu (=overdraft) je dobrým prediktorem toho, zda si klient vezme úvěr (=loan) strana 21
Prediktivní modely a jejich profily strana 22
Korekce chování klientů Jaké produkty klient potřebuje v daný okamžik Jakým způsobem mu je nabídnout Komunikační kanál Čas Benefit Jakým způsobem mu je poskytovat Nastavení produktů Způsob obsluhy klienta Experimentální design Měření dosažené změny strana 23
2. Využití data miningu pro dosažení přínosné segmentace koho segmentovat? za jakým účelem? použitá data! použité techniky! strana 24
Koho segmentovat Celý trh Vlastní klienti Bývalí klienti Klienti vlastnící produkt A Klienti ze segmentu 1 Klienti Klienti vlastnící ze segmentu 2 produkt B strana 25
Za jakým účelem segmentovat? nalezení profitabilních segmentů stanovení obchodních plánů lepší porozumění potřebám klientů nastavení různých úrovní obsluhy klientů diferenciace benefitů pro klienty diferenciace komunikace s klienty Více paralelních segmentací strana 26 Často vzájemně se vylučující požadavky
Použitá data výzkum trhu neklienti analýza dat ze systémů vlastní klienti strana 27
Použité techniky statistická segmentace expertní segmentace strana 28
Segmentační pyramida (dle Bauer-Kelly) Rostoucí komplexita více informací strana 29 Jeden klient Psychografie: postoje, chování, typy lidí Transakční data Sociodemografie: věk, příjem Využívání distribučních kanálů Vlastnictví produktů, zůstatky Masový trh, bez segmentace Čím výše v pyramidě, tím dokonalejší segmentace ČS je nyní zhruba zde
Příklad segmentace: 4 kroky 1. Clarifying Segmentation Purpose: Discussions with business and marketing experts 2. Auditing Data: Suggestion of dimensions describing clients 3. Modeling: Factor analysis K-means Simplification of segment assignment rules strana 30 4. Describing segments: Profitability, size, demographics, product ownership and usage, segment dynamics
Popis výsledných segmentů 1. Very high balance clients Investors 2. (Loan & High Income) or Mortgage Loan Holders 3. High balance and/or High income Solvent Clients 4. Net balance significantly negative Debtors 5. Age < 18 or Student Youngsters & Students 6. Age > 60 or Pension is a primary inc. Pensioners 7. Low balance & Owns a loan product Unsecured 8. Avg. 4+ transactions in a month Transactors 9. Not a mother bank client Daughters Clients 10. Otherwise Depositors strana 31
Počty, výnosy, depozita Velikost bodu = počet klientů v segmentu Barva = bilance průměrného klienta Modrá = kladná Žlutá = kolem nuly Červená = záporná strana 32
3. Využití data miningu pro tvorbu marketingových plánů Objektivní měření efektivnosti kampaní Optimalizace počtu oslovených klientů s využitím prediktivních modelů Optimalizace výběrů strana 33
Konstrukce kontrolních skupin Po aplikaci všech výběrových podmínek musí být náhodně oddělena kontrolní skupina klientů, kteří záměrně nebudou oslovení. Nákupní chování klientů v kontrolní skupině je spontánní. Jeho rozdíl vůči oslovené skupině je pak skutečným výsledkem kampaně. Všichni klienti vyhovující finálním výběrovým podmínkám Oslovení klienti Kontrolní skupina Oddělení umožňuje statistické strana 34 34 vyhodnocení odezvy
Objektivní měření efektivnosti kampaně odezva po týdnech Oslovení vybraní prediktivním modelem, dostali direct maily Kontrolní skupina vybraní prediktivním modelem, bez oslovení Nevybraní k oslovení splňovali podmínky pro poskytnutí úvěru, ale nebyli vybraní prediktivním modelem a nebyli oslovení 6% říjen listopad prosinec 5% 1.11. DM 30,000 4% 3% 2% 1% 24.10. DM 50,000 Skutečný efekt kampaně 0% 26.9 3.10 10.10 17.10 24.10 31.10 7.11 14.11 21.11 28.11 5.12 12.12 19.12 26.12 Oslovení Kontrolní skupina Nevybraní k oslovení strana 35 35
Optimalizace počtu oslovených klientů Předpoklady: LTV prodávaného produktu 2000 Kč náklady na jedno oslovení 30 Kč hraniční akceptovatelné ROI 30 % strana 36 Oslovitelných Navýšení Prodej Zisk Počet Decil klientů kampaně ks (mil. Kč) ROI oslovených 1 100 000 10,0% 10 000 17,0 567% 100 000 2 100 000 6,5% 6 500 10,0 333% 100 000 3 100 000 4,2% 4 225 5,5 182% 100 000 4 100 000 2,7% 2 746 2,5 83% 100 000 5 100 000 1,8% 1 785 0,6 19% 6 100 000 1,2% 1 160-0,7-23% 7 100 000 0,8% 754-1,5-50% 8 100 000 0,5% 490-2,0-67% 9 100 000 0,3% 319-2,4-79% 10 100 000 0,2% 207-2,6-86% Celkem 1 000 000 2,8% 28 187 26,4 88% 400 000 40 35 30 25 20 15 10 5 0 Zisk kumulativně (mil. Kč) ROI 1 2 3 4 5 6 7 8 9 10 600% 500% 400% 300% 200% 100% 0% -100% -200%
Optimalizace výběrů Výběr pro jednu kampaň prediktivní modely + produktové a kanálové hájení + další podmínky Optimalizace napříč kampaněmi může-li týž klient být zařazen do více kampaní, do které je nejvýhodnější ho dát (= podle očekávaného výnosu, ale naivní řešení maximalizací o.v. nefunguje dobře) strana 37
4. Využití data miningu pro nabídku vhodných produktů ve správnou dobu obecná náklonnost k nákupu události v životě klienta předurčující nákup strana 38
Obecná náklonnost k nákupu segmentace prediktivní modely posloupnosti nákupů Direct Marketing kampaně strana 39
Události v životě klienta předurčující nákup změny v datech, z nichž lze detekovat aktuální potřebu klienta sociodemografika transakce expirace produktů pohyb po webu Eventové a real time kampaně strana 40
III. Diskuse Byznys? Organizace práce? Analytické techniky? Skórování a výběry klientů? Vyhodnocení kampaní, marketingové experimenty? IT? strana 41
Děkuji Vám za pozornost Pro další otázky: Jan Spousta jspousta@csas.cz tel. 956 715 105 strana 42