Customer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu

Customer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu Filip Trojan Applied Analytics Manager, Deloitte Advisory Listopad 2012

Obsah 1. Představení 2. Marketing versus analýza dat 3. Proč používat analýzu dat? 4. Příklady analytických úloh pro marketing 5. Shrnutí

1 Představení Filip Trojan Deloitte Analytics Vystudoval aplikovanou matematiku (PhD) a ekonomii (Mgr). Více než 13 let praxe v oboru aplikované matematiky a statistiky. Pracoval v oboru bankovnictví a financí v ČR v oblasti credit risk management. Od roku 2007 pracoval jako konzultant s postupným rozšiřováním záběru mimo credit risk (např. marketing), mimo bankovnictví (např. pojišťovnictví) a mimo ČR (Evropa, střední východ). V Deloitte pracuje od roku 2012. 3 Customer Intelligence

2 Marketing versus analýza dat V marketingu se vyskytují dva typy marketérů kreativci pracují s barvami, emocemi, podněty, analytici pracují s čísly, daty, tabulkami a grafy. Oba typy lidí jsou v oboru potřeba a výborně se doplňují. Já sám patřím ke skupině analytiků. V této přednášce si kladu za cíl přiblížit kreativcům typ analytika, vysvětlit jeho smysl a proč se výborně doplňují. Dalším cílem této přednášky je pomoci všem marketérům orientovat se v nabídce softwarových balíků pro marketing, protože ty pracují podobně jako analytici s čísly, daty, tabulkami a grafy. Nebudu dávat přehled softwarových balíků, ale přiblížím metody, které implementují. 5 Customer Intelligence

3 Proč používat analýzu dat? A: Analýzu dat v marketingu používáme proto, že zlepšuje výsledky response rate, ROI, cost per lead. Výsledky analýzy dávají navíc nahlédnout problematiku z jiné perspektivy a získat znalost zákazníka. Q: Proč zlepšuje analýza dat výsledky marketingu? A: Protože dat je hodně, je v nich ukrytá cenná informace a jde o to ji správně využít A Decade of Digital Universe Growth: Storage in Exabytes Příklad: Identifikace segmentu zákazníků, kteří nemají rádi aktivní marketing. Source: IDC's Digital Universe Study, sponsored by EMC, June 2011 7 Customer Intelligence

4 Příklady analytických úloh pro marketing Aktivní retence Identifikace zákazníků s vysokou náchylností k odchodu, snížení odchodovosti zákazníků s růstovým dopadem do rozvahy a výsledovky. Segmentace Základ pro poznání zákaznického chování. Využití pro marketing, CRM, customer service, reporting i finance. Propensity modely Identifikace zákazníků s vysokou pravděpodobností pozitivní odezvy na nabídku. Použití pro direkt kampaně na cross-sell a up-sell. Optimalizace kampaní Maximalizace obchodního dopadu kampaně při daném rozpočtu. Doporučení optimálního lead listu pro každý kanál. 9 Customer Intelligence

4 Příklady analytických úloh pro marketing 4.1 Aktivní retence Analýza aktivní retence (také churn analýza) se snaží vysvětlit, jaká fakta pro daný profil zákazníka předchází jeho odchodu. Zákazníkům s rizikem odchodu se dávají zvláštní nabídky formou retenčního hovoru. Zákazník je ovlivněn svým okolím používá se analýza sociálních sítí, která výrazně zlepšuje výkon modelu (například v sektoru telekomunikací). Mobilní operátor typicky ztrácí 4% svých zákazníků ročně. Roční ztráta tak činí 200 CZK / měsíc * 12 měsíců * 1 mil zákaznická báze * 4% = 96 mil. CZK Pokud churn model označí 50% z nich a podaří se udržet 25% z nich o jeden rok déle, pak hodnota takového modelu je 96 mil. CZK * 50% * 25% = 12 mil. CZK 10 Customer Intelligence

4 Příklady analytických úloh pro marketing 4.2 Segmentace Cílem je najít skupiny zákazníků, které se uvnitř liší co nejméně, ale vzájemně naopak co nejvíce. Podobnost se sleduje buď mezi zákaznickými daty vzájemně (unsupervized learning), nebo mezi zákaznickými daty a definovanou vysvětlovanou proměnnou, např. loyalita (supervized learning). Použití je takové, že pro jiný segment se použije jiný přístup (kanál, nabídka, cena, balíček, servis) rozděl a panuj. Segmentovaný přístup je efektivní. Self Organizing Map (SOM) loyalita zákazníků 11 Customer Intelligence

4 Příklady analytických úloh pro marketing 4.3 Propensity modely Propensity model předpovídá pravděpodobnost, že zákazník bude reagovat na nabídku. Přesnost (výkon) propensity modelu se výrazně zvýší použitím zákaznického průzkumu metodou conjoint analysis. Před oslovením s nabídkou se kromě kladné odezvy zvažuje také zákaznický potenciál (customer lifetime value modely, share of wallet, size of wallet). Efektivita cílené kampaně snižuje náklady např. 60% úspora při zachování 60% responsí. 12 Customer Intelligence

4 Příklady analytických úloh pro marketing 4.4 Optimalizace kampaní Optimalizátor kampaní řeší úlohu komu předložit nabídku jaký kanál použít při omezení na rozpočet kampaně fyzické omezení marketingových kanálů s cílem maximalizovat finanční výtěžnost kampaně Optimalizátor musí zvládat miliony zákazníků a desítky nabídek. Některé produkty podporují i proces realizace a vyhodnocení kampaní. 13 Customer Intelligence

4 Příklady analytických úloh pro marketing 4.4 Optimalizace kampaní příklad Nabídka 1 X 1 =100 Nabídka 2 X 2 =100 Nabídka 3 X 3 =100 Očekávaný zisk na zákazníka: p 11 =0.10 p 12 =0.07 p 13 =0.03 p 21 =0.50 p 22 =0.03 p 23 =0.10 Očekávaný zisk za celou kampaň: p 31 =0.01 p 32 =0.02 p 33 =0.05 p 41 =0.20 p 42 =0.05 p 43 =0.03, Maximální očekávaný zisk za celou kampaň, 1 nabídka na zákazníka: 99 14 Customer Intelligence

5 Shrnutí Analýza dat prokazatelně zlepšuje výsledky marketingu. Poptávka po analytics celosvětově enormně roste a je daná růstem objemu dat. Enormně roste také požadavek na rychlost analýz. Analytika potřebuje nejen nástroje, ale také analytiky lidi co tomu rozumí a dokážou dostupné nástroje správně používat a interpretovat výsledky. Bez kreativců by marketing neměl obsah. Bez analytiků by nebyl efektivní. Proto se kreativci a analytici tak dobře doplňují. Dnes jsme si představili 4 vybrané analytické úlohy z oblasti marketingu: Aktivní retence prevence odchodu Segmentace poznejte zákazníka a přizpůsobte se mu Propensity modely pravděpodobnost reakce na nabídku Optimalizace kampaní jak s co nejnižšími náklady prodat co nejvíce 16 Customer Intelligence

Deloitte označuje jednu či více společností Deloitte Touche Tohmatsu Limited, britské privátní společnosti s ručením omezeným zárukou, a jejích členských firem. Každá z těchto firem představuje samostatný a nezávislý právní subjekt. Podrobný popis právní struktury společnosti Deloitte Touche Tohmatsu Limited a jejích členských firem je uveden na adrese www.deloitte.com/cz/onas.