IT Operational Excellence, Warsaw, Analityka - pułapki ad-hoc vs. korzyści systematyczności

Transkrypt

1 IT Operational Excellence, Warsaw, Analityka - pułapki ad-hoc vs. korzyści systematyczności Case study PAYBACK i nie tylko

2 emnos 2

3 Analityka, Informatyka, Data Science, Nie zastosowane Zbilansowane Adekwatne wykorzystanie biznesowe 3

4 Przykład 1: Operator telefonii komórkowej w Polsce Duży churn, szczególnie na koniec okresu umowy Budowa systemu analitycznego i modelu anty-churn na koniec umowy Wszyscy polscy operatorzy telefonii komórkowej komunikują wszystkich klientów na koniec okresu promocji, ponieważ jest to działanie opłacalne model nigdy nie został użyty do prowadzenia kampanii Sprawdź opłacalność przedsięwzięcia 4

5 Przykład 2: Inny operator telekomunikacyjny w Polsce x2 Dane przygotowane z dużym wysiłkiem. Zwyczajowo problemy z jakością danych i/lub dostępem do danych. Pierwszy taki projekt w firmie lub dane uzyskane w drodze negocjacji z innymi projektami kluczowymi w firmie. Model przewidujący odejścia cechuje duża skuteczność, która po dalszych ulepszeniach poprawia się do skuteczności niespotykanej w przyrodzie. Analiza reguł modelu ujawnia zastanawiające fakty. Dodatkowa szansa Umiejętne i ręczne analizowanie danych dostarcza czasem informacji o poprawności przetwarzań Realne zagrożenie Zła jakość danych lub brak wystarczających informacji może uczynić projekt wadliwym lub nieopłacalnym 5

6 Przykład 3: Operator telefonii komórkowej w Polsce Zróbmy segmentację wartościową naszych klientów postpaid Propozycja konsultantów: 3 grupy ARPU [0-50PLN, 50.01PLN-150PLN, PLN+] Na mało szczegółowych wykresach wszystko pozornie się zgadza: np. segmenty podobnej wielkości Operator oferuje głównie dwa plany taryfowe: 50PLN i 150PLN Brak sensu biznesowego Osoby nie przekraczające abonamentu (odcięty słupek 50.00PLN) zachowują się prawie tak samo jak osoby przekraczające abonament o kilka groszy Segment 0-50PLN Segment PLN 6

7 Przykład 4: Bank w Polsce Mało kart kredytowych w portfelu banku Pomysł, aby wybrać klientów najlepszych (skłonność & ryzyko) Warto zapytać się danych o odpowiedź zamiast samemu zgadywać z pozycji X-lat doświadczenia klienci najlepsi to już mają kartę w innych bankach Najlepsza metoda to kampania testowa 7

8 Naturalne konsekwencje ciągłego uprawiania analityki Wzrost efektywności procesów biznesowych 90MD 30MD 5MD 1MD Online Rosnąca baza produktów gotowych Dane Analizy Modele Projekty 8

9 Proces rafinacji wniosków 9

10 Segmentacja cyklu życia Klienta Proces rafinacji wniosków jako przykład silnika definicji segmentów POTENTIAL Akwizycja NEW CUSTOMERS Kto to jest nowy klient? Rozwój i edukacja Czy tak samo rozmawiam z nowo poznaną osobą, jak ze znajomym od 10 lat? CHURNED Odzyskanie ACTIVE AT RISK Utrzymanie ACTIVE Utrzymanie i rozwój 10

11 Segmentacja RFM (Recency,Frequency, Monetary Value) Jakościowa zmiana segmentacji dzięki nowemu podejściu analitycznemu 11

12 CAT: Customer Affinity Temperature Zastosowanie klasycznych metod Machine Learning na Big Data Sposób korzystania ze strony i aplikacji mobilnej Chęć konsumowania treści o określonej tematyce Aktywność na forach, tematyka i proaktywność/responsywność Model "temperatury uczuć" klienta wobec firmy Wybór sposobu obsługi, opakowań, kanałów kontaktów Umiejętność udziału w promocjach, preferencje kanałów i narzędzi marketingowych Dodatkowe informacje i logi gromadzone na poziomie klienta Wysoka predyktywność dalszego zachowania niska korelacja z danymi transakcyjnymi Silne zróżnicowanie optymalnego komunikatu 12

13 Łączenie produktów analitycznych dostarcza szczegółowej wiedzy o kliencie 1 Segmentacja RFV Ile moi Klienci są warci i jak często kupują? 3 CAT: Zaangażowanie Jakie są potrzeby komunikacyjne moich klientów? 2 Cykl Życia Klienta Jaki jest etap mojej relacji z Klientem? 13

14 Dokładając jeszcze kilka elementów analitycznych dostajemy produkt końcowy Pełną optymalizację strategii kontaktu Plan Marketingowy Częstotliwość kontaktu Kanał komunikacji Regularna komunikacja / event-triggered Biblioteka Visuali "Key message" Koncepcje layoutów podzielonych na zmienne moduły Zbiór grafik Biblioteka Ofert Treść oferty Mechanizm oferty Poziom nagradzania 14

15 Naturalne konsekwencje ciągłego uprawiania analityki Praktyka Koszt Wartość Infrastruktura 15

16 Germany emnos GmbH Theresienhöhe München Phone +49 (0) Poland emnos GmbH Złota Warszawa Phone +48 (0) Dziękuję! France emnos SARL 97 rue St Lazare Paris Phone +33 (0) info@emnos.com USA emnos USA Corp. 300 N. LaSalle Suite 5575 Chicago, IL Phone info@emnos.com United Kingdom emnos UK Ltd. Avalon House 72 Lower Mortlake Road Richmond, Surrey, TW9 2JY Phone +44 (0) info@emnos.com Spain emnos Iberia S.L. Gustavo Fernández Balbuena Madrid Phone info@emnos.com Disclaimer: This presentation is confidential and protected by copyright. It is intended solely for the internal use of the recipient. Any disclosure or distribution to third parties is not allowed without the prior consent of emnos GmbH or one of its subsidiaries This applies especially to reproduction, translation and storage and processing in electronic systems 16