Jak využít data o zákaznících ke zvýšení příjmů z prodeje Michal Kadlec Marek Loukotka Lubomíra Červová www.acrea.cz info@acrea.cz Program Dívejte se na budoucnost, ne jen na minulost 1
Jaká data využíváme? Hodnotná, dynamická data zdroj konkurenční výhody Interakční data -E-mail / chat -Poznámky z call center -Záznamy z webu - Real-time interakce Data o postojích -Názory - Preference -Potřeby & Přání - Spokojenost Popisná data -Atributy - Charakteristiky - Deklarované info -(Geo)demografika Behaviorální data - Objednávky -Transakce - Platební historie - Historie užívání Tradiční data Důležité aspekty správný čas vše dohromady správný zákazník servis správné místo 2
Predictive Customer Analytics Všichni již s daty pracují. Otázkou je jak? 3
Jak využít data o zákaznících Proč jsme tady? www.acrea.cz info@acrea.cz Agenda Obecný přístup ke zvyšování zisku Typy řešení práce se zákaznickými daty Řešení cross sellu / up sellu Praktická ukázka Jednou úlohou to nekončí 4
Jak na zvýšení zisku? Zisk = výnosy -náklady Zvýšení výnosů zvýšení objemu změna ceny změna produktu Snížení nákladů snížení nákladů na aktivity změna produktu snížení počtu pracovníků Pohybujeme se v oblasti 5P: Product-kvalita, sortiment, design, image Place-distribuční cesty, intenzita distribuce Price - poslání ceny, cenové nástroje Promotion-propagace, podpora prodeje, public relations People -know how Jak na zvýšení objemu? Orientací na prodej orientován na produkt orientován na objem jednostranný proces krátkodobé cíle bez rozlišení zákazníků málo se přizpůsobuje prostředí (cena) Orientací na marketing orientován na zákazníka výstup určuje marketingový výzkum oboustranný proces (zpětná vazba se zákazníkem) dlouhodobé cíle (CRM) klade důraz na skupiny zákazníků (segmenty) vhodně se přizpůsobuje prostředí (životní cyklus výrobku) * Role statistiky a data miningu v marketingu 5
Customer relationship management (CRM) obchodní koncept, kdy firma získá ucelenou představu o zákazníkovi pro zlepšení vztahu sním a maximalizaci zisku zněho představuje sadu procesů a technologií podporujících tvorbu dlouhodobého ziskového vztahu se specifickým zákazníkem, ústředním cílem CRM je zvýšení hodnoty zákazníka díky lepšímu pochopení jeho potřeb a preferencí marketing je chápán jako vztahy, vazby, interakce management neustálé obchodní interakce mezi dodavatelem a odběratelem Není to pouze modul v Informačním systému! Jak na zákazníka? Jaké úlohy se řeší v oblasti marketingu a pomáhají k pochopení zákazníka? Cross sell/ up sell Next best offer(action) Segmentace Analýza odchodu zákazníka ke konkurenci (churn) Analýza vlivu faktorů (marketing, konkurence, změna produktu atd.) na prodej 6
Koncept Zvýšení zisku Vyhodnocení Zvýšení prodeje Aplikace Pochopení zákazníka Cross sell / up sell Úlohy pro zvýšení hodnoty zákazníka Zákazník očekává přidanou hodnotu Up sell -zákazníkovi je nabízen produkt nebo služba pokročilejší nebo vyšší verze Cross sell -zákazníkovi je nabízen produkt nebo služba související se základní položkou Proč používat? Schopnost efektivně pracovat se stávajícím zákazníkem vykazuje vyšší profitabilitu než získávání zákazníků na volném trhu nebo od konkurence. 7
Data k úloze Strukturovaná statická osoby, produkty, smlouvy behaviorální nákupy, transakce, spotřeba, komunikace Nestrukturovaná text weby, sociální sítě, blogy, obchodní záznamy, stížnosti, protokoly zvuk telefonní hovory, výpovědi obraz a video fotografie, sociální sítě, kamerové systémy Data mining Data mining je proces objevování významných netriviálních závislostí, vzorů a trendů cíleným prozkoumáváním velkých objemů dat pomocí algoritmů pro odhalování pravidel a pomocí matematických a statistických algoritmů. (Gartner Group) DATA MINING je velice složitý informační systém; vytváření nejrůznějších modelů (Zápisky z přednášky marketingu) 8
Dataminingové přístupy ke cross sellu / up sellu Asociační a sekvenční pravidla hledání asociací mezi nakupovaným zbožím hledání užitečných pravidel mezi mnoha položkami nesupervizované učení analýza nákupního košíku Predikce oslovení kampaní známé chování zákazníků supervizované nebo semi-supervizované učení propenzitní skóre Asociační a sekvenční pravidla Asociační pravidla ukazují, které hodnoty atributů se v datech vyskytují společně závěr <= předpoklad1& předpoklad2 & předpokladn 9
Asociační a sekvenční pravidla Konkrétní využití Výběr zboží pro marketingové akce Výběr zákazníků pro marketingové akce Dodatečné nabídky (next best offer) Balíčky produktů Změna rozložení zboží v kamenných prodejnách / eshopech Všechny případy Splněné předpoklady Vyhodnocení Spolehlivost celého pravidla Podíl případů, kde jsou splněny zároveň předpoklady i závěr Navýšení (Lift) Podíl aposteriorní (spolehlivost) a apriorní pravděpodobnosti závěru Potenciál (Deployability) Podíl případů, pro které jsou splněny předpoklady, ale neplatí závěr Splněný závěr Predikce oslovení kampaní Postup úlohy Historická data Nová data z pilotní kampaně na vzorku náhodně vybraných zákazníků Data z předchozích kampaní za určitých podmínek Zaznamenání výsledků kampaně k příslušnému zákazníkovi Tvorba modelu Tvorba modelu na základě historických dat Hledání faktorů ovlivňující zákazníky Kvantifikace faktorů, ověření modelu Skórování ostatních zákazníků Kampaně Hodnocení na dvou souběžných kampaních 1. kampaň - výběr zákazníků pomocí modelu 2. kampaň - náhodný výběr zákazníků Zaznamenání výsledků kampaně Hodnocení Srovnání výsledků Hodnocení přínosu Návrh dalšího řešení Cíl: Predikovat, kteří zákazníci využijí nabídku + jaké faktory k tomu vedou 10
Predikce oslovení kampaní Konkrétní použití Nabídka nového produktu Nabídka vyšších, odlišných typů Aktivace zákazníků Testování kanálů Vyhodnocení -marketingové grafy Gain Procento zásahů do určitého percentilu skóre Navýšení (Lift) Podíl aposteriorní a apriorní pravděpodobnosti zásahu Úspěšnost (Response) Procento zásahů v hodnocených případech ROI Podíl výnosů a nákladů v kvantilu Důležité je sledovat percentil skóre při interpretaci grafu Shrnutí úlohy cross sell / up sell Co lze očekávat? Jaké jsou výsledky? Asociační pravidla - soubor pravidel (triviální/ užitečné/ těžko pochopitelné) - výsledky lze srovnávat se stavem před změnou, která plynula z výsledků modelu Predikce oslovení kampaní - pravděpodobnost (skóre) přiřazené každému zákazníkovi - výsledky lze srovnávat kontinuálně - orientační evaluační charakteristiky na historických datech 11
Praktická ukázka Tvorba modelu Interpretace modelu Hodnocení přínosů Další úlohy Jednou připravená data (alespoň validovaná) otevírají bránu k dalším úlohám Segmentace Analýza odchodu zákazníka ke konkurenci (churn) Analýza vlivu faktorů (marketing, konkurence, změna produktu atd.) na prodej Kombinování přístupů 12
Segmentace hledání přirozených skupin zákazníků, které jsou na základě určitých charakteristik vnitřně homogenní nesupervizované učení statická a behaviorální data výsledkem je zařazení jednotlivých zákazníků do skupin (segmentů) nejednoznačný výsledek, nutné dále interpretovat Segmentace - proces, jímž je zákaznický kmen rozdělen na odlišné skupiny Targeting - proces měření atraktivity segmentů a výběr jednoho nebo několika segmentů pro akci Positioning - proces uplatnění životaschopného konkurenčního postavení firmy a její nabídky u každého cílového segmentu Analýza odchodu zákazníka ke konkurenci hledání zákazníků, kteří mají v úmyslu rozvázat kontrakt, přestat využívat služby supervizované účení historická data o odchodech výsledkem je pravděpodobnost odchodu v definovaném časovém úseku jednoznačný výsledek Retenční kampaň Snaha udržet zákazníky, u kterých se to vyplatía zároveň neposkytovatvýhodnou nabídku zákazníkům, kteří nemají v úmyslu odejít. 13
Analýza vlivu faktorů na prodej (hledání a) kvantifikace faktorů, které ovlivňují prodeje, využívaní služeb, návštěvnost atd. supervizované účení historická agregovaná data výsledkem je seznam významných faktorů a jejich vliv na zkoumaný jev jednoznačný výsledkem s dobrou interpretovatelností Často kladené otázky: -Má vliv kampaň na objem prodejů/ návštěvnost? Jaký? -Jak jsou prodeje ovlivňovány svátky, kulturními akcemi, ročním období, měsíci v roce? -Vyplatí se pořádat nárazové akce? Jaký je jejich vliv, kolik přinesou? Nástrahy a problémy Lidský faktor nevěří neumí neví Problém s daty chybějící data roztříštěná data Zpožděná reakce trh se vyvíjí změna produktu, prostředí Asociační a sekvenční přístup nesupervizovaná metoda přílišná roztříštěnost produktů kategorizace zobecnění Nasazení do procesů selhává na drobnostech kontrola procesu Vše se dá vyřešit, je ale vhodné na to být připraven. 14
Tipy a triky na závěr Důležité je obchodní hledisko Ne všechny přínosy se dají finančně vyjádřit Opatrný start = pilotní projekt Základ je plán s časovou dotací jednotlivých fází Na konci se podívejte na začátek Kurzy Centra výuky ACREA www.acrea.cz info@acrea.cz 15
Centrum výuky ACREA Naše zkušenosti: v oblasti vzdělávání působíme 20 let lektorský tým tvořený zkušenými analytiky, výzkumníky a vysokoškolskými učiteli Nabízíme profesní vzdělávání v oblastech: statistika a analýza dat software data mining Na co klademe důraz profesionální přístup, vysoká odborná úroveň výuky didaktické schopnosti a kultivované vystupování lektorů srozumitelná forma výuky i pro nestatistiky spojení s praxí a předávání know-how moderní výukové metody široká nabídka témat přizpůsobení aktuálním potřebám zákazníků, vývoji v oboru, novinkám na trhu kvalitní výukové materiály spokojenost zákazníků, příjemné prostředí, ochota a vstřícnost 16
Veřejné kurzy místo konání: Praha, Bratislava délka kurzů: semestrální kurzy, jednodenní, dvoudenní, třídenní úroveň: široké spektrum kurzů od základních až po speciální určeno zájemcům na všech úrovních forma: klasická výuka, praktikum Základní informace maximálně 12 účastníků každý má k dispozici vlastní notebook 1 den = 8 vyučovacích hodin výuka probíhá od 9:00 do 16:30 hodin(hodinu pauza na oběd a dvě krátké přestávky) během přestávek připraveno občerstvení 17
Kurzy na klíč kurz vytvořený na míru podle potřeb zákazníka přizpůsobení obsahu, formy, délky kurzu možnost výuky na vlastních datech ucelená skupina kolegů z jedné firmy místo konání dle potřeb zákazníka Kde je možné získat informace o kurzech přímo zde osobně během přestávky (nebo kdykoliv jindy) webové stránky: http://www.acrea.cz/cz/centrum-vyuky kalendář kurzů tel/fax: +420 234721444 email: kurzy@acrea.cz 18
Doporučované kurzy (1) Data mining semestrální kurz Data mining dolování znalostí z databází (1.10.2015 21.1.2016) pravidelná setkávání každý čtvrtek 9:00-12:30 hodin získání ucelených znalostí z oblasti data minigu užívaný software: IBM SPSS Modeler možnost bezplatného zapůjčení softwaru během kurzu Software IBM SPSS Modeler IBM SPSS Modeler: Příprava dat pro modelování (21.9.2015 23.9.2015) IBM SPSS Modeler: Práce s dataminingovýmimodely (24.11.2015 25.11.2015) Doporučované kurzy (2) Dataminingové modely Dataminingové modely: asociační pravidla a analýza sekvencí (12.10.2015) Dataminingové modely: rozhodovací stromy (9.11.2015) Dataminingové modely: logistická regrese a optimální kategorizace (30.11.2015) Dataminingové úlohy Detekce podvodů (Fraud) (1.12.2015) Prediktivní údržba (plánováno) Dataminingové kurzy v Bratislavě Data mining dolovanie znalostí z databáz (5.-7.10.2015) 19
Doporučované kurzy (3) Statistika a analýza dat semestrální kurz Statistická analýza dat v praxi-od pojmů k interpretaci výsledků (2.10.2015-22.1.2016) pravidelná setkávání každý pátek 9:00-12:30 hodin získání ucelených znalostí z oblasti statistiky užívaný software: IBM SPSS Statistics možnost bezplatného zapůjčení softwaru během kurzu RFM analýza (11.11.2015) Rok neomezeného vzdělávání možnost zúčastnit se neomezeně všech našich veřejných kurzů kromě semestrálních po dobu jednoho roku (v Praze i v Bratislavě) na vybraný kurz je třeba se přihlásit nejméně 10 pracovních dní před zahájením vdobě přihlášení musí být na kurzu volná kapacita (pokud je kurz již obsazen nebo se v daném termínu neotevře, je nabídnuta alternativa) Varianty programu BASIC nepřenosné, vztahuje se pouze na osobu uvedenou na přihlášce MIDDLE přenosné, mohou se zúčastnit všichni zaměstnanci daného pracoviště, vždy však maximálně v počtu odpovídajícím zakoupenému počtu oprávnění MULTI mohou se zúčastnit všichni zaměstnanci daného pracoviště bez omezení počtu až do naplnění kapacity kurzu (max. 12 účastníků) 20
Využijte jeden z mnoha způsobů, jak se s námi spojit: Web: E-Mail: www.acrea.cz info@acrea.cz Telefon: +420 234 721 400 Adresa: Krakovská 7 110 00 Praha 1 Sociální média: ACREA CR @acrea_cr ACREA CR 21