REAL TIME BUSINESS INTELLIGENCE REALNY ROZWÓJ BIZNESU. STUDIUM PRZYPADKU W OBSZARZE MARKETINGU RADOSŁAW GRABIEC SAS INSTITUTE

Transkrypt

1 REAL TIME BUSINESS INTELLIGENCE REALNY ROZWÓJ BIZNESU. STUDIUM PRZYPADKU W OBSZARZE MARKETINGU RADOSŁAW GRABIEC SAS INSTITUTE

2 REAL TIME BUSINESS INTELLIGENCE ZAGADNIENIA Co jest potrzebne do realizacji pozornie prostego zadania biznesowego? Za co odpowiadają poszczególne elementy nowoczesnej platformy Realtime Business Intelligence? Gdzie w tej układance jest BIG DATA

3 Rozważmy proste zadanie biznesowe Przedstawmy personalizowaną ofertę klientowi w momencie kontaktu Przykład: przychodzi klient do bankomatu Co jest potrzebne do realizacji tego zadania? Jakie warstwy technologii i wiedzy biorą udział w jego realizacji? Co jest kluczowe dla jego zaadresowania z sukcesem?

4 FORRESTER THE CHALLENGE OUR CUSTOMERS ARE FACING TODAY

5

6 REALTIME MARKETING PRZYCHODZI KLIENT DO BANKOMATU Autoryzacja kartą Integracja online Informacja zwrotna

7 REALTIME MARKETING PRZYCHODZI KLIENT DO BANKOMATU Autoryzacja kartą Integracja online Informacja zwrotna

8 REALTIME MARKETING PRZYCHODZI KLIENT DO BANKOMATU Bankomat przekazuje online informację o identyfikatorze klienta

9 REALTIME MARKETING PRZYCHODZI KLIENT DO BANKOMATU Integracja online realizowana jest technologią np. webservice, kolejkami komunikatów etc

10 REALTIME MARKETING PRZYCHODZI KLIENT DO BANKOMATU Jaka informacja powinna trafić zwrotnie do klienta??? Najlepsza oferta

11 REALTIME MARKETING PRZYCHODZI KLIENT DO BANKOMATU Wiedza o kliencie Standard BI opis klienta transakcje interakcje kampanie reakcje koszyki retrospektywna predykcyjna Realtime BI potencjalne zachowanie potencjalne koszyki potencjalne reakcje kalkulacja on-the-fly

12 REALTIME MARKETING PRZYCHODZI KLIENT DO BANKOMATU Wiedza o kliencie retrospektywna pierwotna analityczna Raporty OLAP modele segmentacyjne koszyki zakupów sekwencje Hurtownia Danych Systemy Operacyjne Analityczna Baza Wiedzy Data Integration (ETL) Data Quality (DQ) Data Federation Data Governance Data Mining Model Deployment Model Lifecycle Mgmt Analytical Knowledge Mgmt

13 REALTIME MARKETING PRZYCHODZI KLIENT DO BANKOMATU Wiedza o kliencie predykcyjna xsell churn NBA Hurtownia Danych Systemy Operacyjne Analityczna Baza Wiedzy Realtime Integration (ETL) Realtime Categorization Realtime Decision Mgmt Scoring Online Pattern matching Self learning

14 REALTIME MARKETING PRZYCHODZI KLIENT DO BANKOMATU Wiedza o kliencie retrospektywna WYBÓR NAJLEPSZEJ OFERTY REALTIME predykcyjna pierwotna analityczna Czy jest Co możemy mu Jaka skłonność xsell zagrożenie churn zaoferować NBA do XSELL? odejścia? dzisiaj? Jak zareagował ostatnio Raporty na ofertę? OLAP Czy klient wysokiej modele segmentacyjne wartości? XSELL Jaka jest skłonność koszyki klienta do cross-sell u sekwencje w całym zakupów portfolio produktów? NEXT BEST ACTION CHURN Jaka jest najlepsza sekwencja produktów do Czy jest wysokie prawdopodobieństwo oferty? rezygnacji z produktu? Która oferta ma największą szansę powodzenia? PROFIL KLIENTA Czy skierowano do klienta ofertę? Na którą ofertę zareagował najlepiej Jakim kanałem się z nim kontaktować? SEGMENTACJA Czy klient jest w segmencie wysokiej wartości? Gdzie znajdował się 3 miesiące wcześniej? Jaka jest struktura produktów w segmencie?

15 REAL TIME MARKETING RZECZYWISTY REALIZACJA W JEDNYM Z POLSKICH BANKÓW 1. Klient wkłada kartę do bankomatu / uruchamia aplikację mobilną. 2. Bankomat / Mobile kontaktuje się z Silnikiem Decyzyjnym (SAS RTDM) 3. RTDM komunikuje się z bazą danych w celu pobrania dodatkowych informacji. 4. RTDM podejmuje DEDYKOWANĄ I PERSONALIZOWANĄ decyzję 5. Klient otrzymuje ofertę promocyjną / reklamę / etc...

16 Proste zadanie biznesowe

17 Proste zadanie biznesowe? ZAAWANSOWANY SILNIK DECYZYJNY WIELOKANAŁOWA KOMUNIKACJA Z KLIENTEM ZINTEGROWANY I SPÓJNY PROFIL KLIENTA ANALITYKA DOSTĘPNA REALTIME

18 Big Data?

19 BIG DATA DRIVERS WIEDZA O KLIENCIE DZISIAJ WCZORAJ! SYSTEM Informacji o Kliencie Dane Organizacji Zakupy / paragony / transakcje Dane klienta Profil analityczny Relacja / kontakty

20 BIG DATA DRIVERS WIEDZA O KLIENCIE DZISIAJ! EKOSYSTEM Informacji o Kliencie Dane Organizacji Zakupy / paragony / transakcje Dane klienta Profil analityczny Relacja / kontakty Dane WWW Analiza logów WWW Perspektywa techniczna Customer Experience Analiza zachowania na stronach WWW Perspektywa biznesowa Dane Social Media Facebook Twitter Analiza sieci (SNA) Analiza sentymentu Blogi Fora internetowe Voice of Customer Analiza reklamacji Analiza pism Analiza notatek sił sprzedaży / wirtualnego doradcy Analiza Voice2Txt Dane Geo-lokacyjne Mobile Apps GPS BTS

21 BIG DATA DRIVERS Średnio w Banku Top10: mln wejśc miesięcznie 3 Mio unikalnych odwiedzających 3 min na stronie WIEDZA O KLIENCIE DZISIAJ! Dane WWW Analiza logów WWW Perspektywa techniczna EKOSYSTEM Informacji o Kliencie Dane Organizacji Zakupy / paragony / transakcje Dane klienta Profil analityczny Relacja / kontakty Dane Social Media Facebook Twitter Analiza sieci (SNA) Analiza sentymentu Blogi Fora internetowe W LICZBACH W Polsce: 10 Mio użytkowników w PL 70% w wieku lat 184 Mio komentarzy miesięcznie źródł:o: Facebook.pl źródło: wirtualnemedia.pl W 2012 roku 10% wszystkich internautów posiadała i preferowała tablet (~400 k) spędzała ponad 8h tygodniowo w mobilnym internecie! Customer Experience Analiza zachowania na stronach WWW Perspektywa biznesowa W Polsce korzystamy: Dane Średnio Geo-lokacyjne 4h tyg. z internetu Mobile Apps w telefonie GPS Z BTS czego >70% - lokalizacja Place of Interest 1 mld odsłon stron mobilnych Voice of Customer Analiza reklamacji Analiza pism Analiza notatek sił sprzedaży / wirtualnego doradcy Analiza Voice2Txt Specjalistyczne fora: 4 Mio komentarzy miesięcznie Ponad unikalnych autorów miesięcznie źródło: SAS Polska źródł:o: Zródło: GfK Polonia, DGP Wirtualnemedia.pl źródł:o: Wirtualnemedia.pl / gemiustraffic, kwiecien marzec 2012

22 BIG DATA DRIVERS EKOSYSTEM INFORMACJI O KLIENCIE = BIG DATA ANALYTICS Wczoraj Dzisiaj New Generation Typy danych transakcje transakcje transakcje geo-lokalizacja click-stream social data interakcja w kanałach mobile apps Format strukturalne strukturalne strukturalne niestrukturalne Zasięg danych tygodniowe miesięczne dni tygodnie real-time Wolumen niski niski średni (GB) ogromny (>>TB) Analityka opisowa predykcyjna predykcja real-time

23 NEW GENERATION ANALYTICS PROSTE PYTANIA ANALITYCZNE ILU SPOŚRÓD KLIENTÓW KUPUJĄCYCH PRZEZ INTERNET JEST ZADOWOLONYCH Z MOICH USŁUG? JAK WIELU WEJDZIE PONOWNIE NA STRONĘ W CIĄGU NASTĘPNEGO MIESIĄCA?

24 NEW GENERATION ANALYTICS DOTYCZĄ ZŁOŻONEGO UNIWERSUM

25 NEW GENERATION ANALYTICS A BARDZIEJ ZŁOŻONE POZOSTAJĄ BEZ ODPOWIEDZI ILU SPOŚRÓD KLIENTÓW KUPUJĄCYCH PRZEZ INTERNET JEST ZADOWOLONYCH Z MOICH USŁUG I W CIĄGU OSTATNIEGO DNIA POJAWIŁO SIĘ W POBLIŻU ODDZIAŁU / SKLEPU / PoS

26 NEW GENERATION ANALYTICS

27 Partner Data Social Data Real Time Contact Natural Language Data NEW GENERATION ANALYTICS New Rich Data Real Time BI

28 Partner Data Social Data Real Time Contact Natural Language Data NEW GENERATION ANALYTICS New Rich Data Real Time BI

29 ROI NEW GENERATION ANALYTICS online offline Analizy ad-hoc Optymalizacja Kampanii Zarządzanie Kampaniami Ryzyko / Basel I/II/III Marketing Zdarzeniowy High Performance Optimization ONLINE Fraud Detection High Performance Analytics Mobile Commerce Personalizacja Kontekstowych Kampanii REAL TIME Eksploracja Wielowymiarowa REAL TIME Analiza danych niestrukturalnych ONLINE Scoring Raportowanie Standardowe Modelowanie Wykrywanie Nadużyć Złożoność Problemu

30 Real Time Data NEW GENERATION ANALYTICS JEDNOLITA ARCHITEKTURA WIELOZADANIOWA DWH Transaction Events Signal Factory Behavioral Events structured Un-structured Event Streaming Engine Big Data Storage Customer insight creation Real Time Business Decision Engine Decisions Offers Scores Ad-hoc Communication Events DWH Content Cathegorization Sentiment Analysis Text Mining

31 NEW GENERATION ANALYTICS PERSONALIZACJA OFERTY W CZASIE RZECZYWISTYM

32 NEW GENERATION ANALYTICS MOBILE.APP NEW GENERATION BANKING 1 Klient: Robert Wiek: 28 lat Segment: Mobilny Poszukiwacz Częsty gość Galerii 2 Dostaje online oferty Wybiera ( kupuje ) właściwy produkt Banku 3

33 NEW GENERATION ANALYTICS ANALITYKA NA DANYCH NIESTRUKTURALNYCH

34 NEW GENERATION ANALYTICS SOCIAL NETWORK DATA SAS Social Media Conversation Center Monitoring FB Analiza Text Mining Kategoryzacja on-the-fly Automatyczne utworzenie LEAD u Operator Social Media Joanna Pasjonatka fotografii Użytkownik Facebook Kupiła lustrzankę SONY 1 2 Szuka NIEDROGIEGO obiektywu szerokokątnego PUBLIKUJE NA OTWARTYM fanpage SONY Procesowanie LEADu Przeliczenie scoringu dla średniej ceny szukanego towaru integracja danych z wyszukiwarek cenowych Bank ONLINE reaguje na PIERWOTNY sygnał ze strony PROSPEKTA 3 OFERUJE kredytowanie zakupu

35 NEW GENERATION ANALYTICS IN-MEMORY ANALYTICS - DATA DISCOVERY!!!

36 NEW GENERATION ANALYTICS IDENTYFIKACJA TRIGGERÓW SALARY IN/OUT FLOW Salary Outflow Salary Inflow Roczne dane transakcyjne dużego banku

37 Number of transactions NEW GENERATION ANALYTICS IDENTYFIKACJA TRIGGERÓW SALARY IN/OUT FLOW Salary outflow Salary inflow

38 Partner Data Social Data High Performance Brand Awarness Real Time Contact High Performance Sales NEW HIGH GENERATION PERFORMANCE ANALYTICS BUSINESS Natural Language Data High Performance Accuracy High Performance Offering High Performance Decisions New Rich Data High Performance Market Coverage Real Time BI

39