Analityka predykcyjna w marketingu i sprzedaży

Transkrypt

1 Analityka predykcyjna w marketingu i sprzedaży Marcin Górzyński Partner Zarządzający Jędrzej Traczykowski Partner Zarządzający

2 Czym jest data mining i analizy predykcyjne? Analiza dużej ilości danych w celu wyszukania w nich ukrytych wzorców, nieznanych relacji czy anomali i zamienienia ich w konkretne decyzje biznesowe. Uczymy się z historii zdarzeń zapisanej w danych a zdobytą w ten sposób wiedzę wykorzystujemy w celu przewidywania, co wydarzy się w przyszłości. Tak podejmujemy bardziej świadome decyzje oparte na faktach. 2

3 Wykorzystanie data mining w biznesie Bankowość Analiza zachowań klienta (x-sell, up-sell) - większy przychód Media Dostosowywanie indywidualnej treści dla czytelników i widzów VOD Telekomunikacja Przewidywanie odejścia klienta do konkurencji Energetyka Przewidywanie popytu na energię - minimalizacja kosztów Windykacja Oceny jakości oraz rentowności portfeli wierzytelności 3

4 Wykorzystanie analityki w handlu? Zarządzanie doświadczeniem klienta Jak pozyskać najbardziej wartościowych klientów? Jak zwiekszyć satysfakcję klientów? Jak zbliżyć się do oczekiwań klientów (segmentacja) Kampanie marketingowe Jak bardziej precyzyjnie wyselekcjonować klientów do kampanii marketingowej, aby zwiększyć jej efektywność? Jakie produkty zaproponować jakim grupom klientów? Analizy koszykowe produktów Które produkty powinny być oferowane wspólnie? Jak zarządzać promocjami na tych produktach? Utrzymanie klienta Jak przewidzieć prawdopodobieństwo rezygnacji klienta z poszczególnych usług? Jak utrzymać klienta? 4

5 Analizy dają szerokie możliwości wsparcia procesów biznesowych Analiza Klienta, Produktu Modele Segmentacyjne Modelowanie Predykcyjne Optymalizacja, Planowanie Analizy Big Data Customer Value Calculation Behavioral Segmentation Propensity Modeling (x-sell, up-sell) Planning & Forecasting Text Mining RFM Analysis Churn Modeling Value, Loyalty Segmentation Value Pricing Optimization Social Network Analysis Market basket analysis Credit Scoring Collaboration and Deployment Services 5

6 Czego możemy się dowiedzieć o kliencie, który robi u nas zakupy? 6

7 Analizy koszykowe Większe zyski ze sprzedaży wiązanej - stworzenie optymalnych koszyków Transakcje wszystkich klientów Model analiz koszykowych Zbudowane reguły Stworzone reguly Zakupy Reguła Jeżeli A i C i G to W Rekomendacja C A C A G G W 7

8 Segmentacje 8

9 Rodzaje segmentacji Rentownościowa Wyróżniająca grupy klientów pod kątem ich potencjału rentownościowego Demograficzna Oparta o cechy demograficzne Behavioralna Opierająca się na sposobie korzystania klientów z produktów Portfelowa Biorąca pod uwagę rentowność, cykl życia i zróżnicowanie strategii obsługi klienta Skłonnościowa Grupująca klientów zgodnie z aktualną przewidywaną skłonnością klienta do np. retencji, x-sell, up-sell Bazująca na oczekiwaniach Grupująca klientów zgodnie z ich potrzebami np.: oczekujących porady, wrażliwych cenowo czy profilu ryzyka

10 Segmentacja klientów i punktów sprzedaży IBM SPSS Charakterystyki Segmentów Rozkład Segmentów Interpretacja Segmentów SEGMENT 3 SEGMENT 2 SEGMENT 5 papierosy miasto kobieta alkohol poranek drobne zakupy slodycze slodycze przekaski 10

11 Wsparcie kampanii marketingowych oraz retencyjnych Korzyści: Wyliczenie prawdopodobieństwa odpowiedzi na ofertę Zwiększenie skuteczności kampanii Zmniejszenie kosztów kampanii Identyfikację cech klientów wpływających istotnie na prawdopodobieństwo pozytywnego zareagowania na ofertę 11

12 Analityka zarabia pieniądze. Zwiększanie ilości wizyt w sklepach Zwiększanie częstotliwości zakupów Poprawa skuteczności pozyskania i utrzymania klientów Zwiększenie średniej wartości koszyka Zwiększenie liczby klientów Wiedza o kliencie, produkcie oraz interakcjach Zmniejszenie liczby klientów odchodzących Zwiększenie udziału w portfelu klienta Zwiększenie rentowności Zwiększenie współczynnika akceptacji promocji Zwiększenie pozytywnego wpływu promocji na całkowite przychody. 12

13 Dlaczego akurat teraz? 13

14 Stopień rozwoju środowiska analitycznego Źródło: Książka Competing on Analytics ; Thomas H Davenport & Jeanne G. Harris; Boston: Harvards Business School 14

15 Rozwój analityki 15

16 Przykłady wykorzystywania analiz Pokaz na żywo 16

17 Zintegrowana platforma analityczna wiedzy o kliencie oraz wsparcia procesów decyzyjnych. Moduł raportowania, wizualizacji, interaktywnych kokpitów oraz automatyzacji i dystrybucji raportów. (IBM Cognos BI) Wydajne środowisko ładowania, obróbki i przechowywania dużej ilości danych na potrzeby analiz. (IBM PDA powered by Netezza) Moduł optymalizacji, czyli poszukiwanie najlepszego rozwiązania Moduł ten pozwala na optymalizację dowolnych procesów biznesowych, a nie tylko planowania i harmonogramowania (IBM ilog) Moduł zaawansowanych analiz, modelowania i symulacji na potrzeby segmentacji, analiz koszykowych, prognozowania i wsparcia kampanii marketingowych. (IBM SPSS) 17

18 Moduł zaawansowanych analiz, modelowania i symulacji IBM SPSS Modeler IBM SPSS Modeler 18

19 IBM SPSS Modeler Moduł zaawansowanych analiz, modelowania i symulacji Budowa modeli data-mining w oparciu o metodologię CRISP-DM Proste pozyskanie danych Gotowe procedury przygotowania danych Szeroka paleta gotowych modeli analitycznych Możliwość pisania dowolnych modeli z wykorzystaniem jezyka R Wdrożenie Szeroki zakres dostępnych algorytmów Predykcja (kampanie marketingowe i retencyjne) Analiza skupień (segmentacje) Szeregi czasowe (prognozowanie popytu) Analiza asocjacji (mechanizm rekomendacji) Dostosowanie do użytkowników o różnym poziomie zaawansowania Intuicyjny Interface (algorytmy reprezentowane przez węzły) Procedury automatyczne Integracja z R i Python Możliwość przechowywania zbudowanych modeli w repozytorium 19

20 Moduł analiz statystycznych i ekonometrycznych IBM SPSS Statistics IBM SPSS Statistics 20

21 Co nas wyróżnia w IBM SPSS 1. Dostosowanie do użytkowników o różnym poziomie zaawansowania. Od zautomatyzowanych procedur wyboru najlepszego algorytmu, poprzez możliwość bardzo szczegółowego ustawiania wszystkich parametrów algorytmów oraz weryfikacji ich wyników, aż do możliwości pisania dowolnych węzłów i algorytmów w języku R. 2. Wsparcie użytkowników w pozyskaniu, przygotowaniu i obróbce danych do analiz Bardzo dużo procedur przygotowania danych analitycznych, łączenia danych z różnych baz daz danych i plików zewnętrznych, audytu danych oraz wypełniania braków 3. Centralne zautomatyzowane repozytorium tzw. Fabryka Modeli Odciążające analityków od codziennej żmudnej weryfikacji jakości uruchomionych modeli oraz zapewniające zautomatyzowane procesy uruchamiania analiz. 21

22 Sprawdź jak to działa. Skontaktuj się z nami. pl.linkedin.com/in/mgorzynski pl.linkedin.com/in/jtraczykowski

23