KWIECIEŃ 2015 Big Data Small Data Jak efektywnie nawigować w oceanie danych
emnos Warszawa (2003) (2009) 2
PAYBACK 2009 2000 2012 2014 2010 Nagrody i bony u partnerów Nagrody PAYBACK Miles & More Organizacja charytatywna 3
Big Data 4
narysował Charles Joseph Minard w 1869 roku Drawn by Charles Joseph Minard, Inspector General of Bridges and Roads in retirement. Paris, 20 November 1869. 5
Algorytmy "Data Science" Rok Algorytm/Metoda powstania Analiza Czynnikowa (Factor) 1920 Analiza koszykowa (asocjacyjna) 1991 Analiza sekwencji 1994 Analiza Składowych Głównych (PCA) 1901 Drzewa Decyzyjne 1959 Korelacja 1880 PageRank 1998 Regresja (MNK) 1805 Segmentacja (k-means) 1957 Sieci Neuronowe 1943 SVM 1963 Rok powstania Algorytm/Metoda 1805 Regresja (MNK) 1880 Korelacja 1901 Analiza Składowych Głównych (PCA) 1920 Analiza Czynnikowa (Factor) 1943 Sieci Neuronowe 1957 Segmentacja (k-means) 1959 Drzewa Decyzyjne 1963 SVM 1991 Analiza koszykowa (asocjacyjna) 1994 Analiza sekwencji 1998 PageRank 6
Zmiana efektywności pozyskania i utrzymania danych ANALITYKA LOKALIZACJI POS PAYBACK jest akceptowany w 6.000 punktów Konkurencja partnerów PAYBACK, pogrupowana w TOP-50 sieci konkurencyjnych to ponad 20.000 punktów DYNAMIKA INFORMACJI Chcemy mieć aktualną & poprawną informację o POS konkurencji Średnio POS funkcjonuje 2-3 lata (nowe, remonty, relokacje) Ponad 200 POSów konkurencji zmienia swoją aktualność/lokalizację co tydzień Podejście klasyczne Specjalista d.s. analizy konkurencji Dzień wypełniony wspaniałą pracą "kopiuj & wklej", okraszony na koniec dnia geokodowaniem znalezisk Niska wiarygodność i świeżość informacji 100% Etatu Podejście Big Data Data Scientist Przegląda, czy parsery HTML w dalszym ciągu bezbłędnie analizują strony i ew. dopasowuje kod do zmienionej strony Informacja aktualna i poprawna 3% Etatu 7
Lokalizacja klienta Komu po drodze do AÏOLI Śródmieście Północne Data Base: Advanced Analytics: Big Data: 10k PAYBACK'owiczów mieszka w okolicy +40k PAYBACK'owiczów kupuje w okolicy (z czego 20k mieszka daleko 30km+) +80k PAYBACK'owiczów przebywa w okolicy http://tasteaffair.pl/wp-content/uploads/2014/01/aioli_cantine_warszawa_tasteaffairpl_03.jpg 8
Lokalizacja klienta Komu po drodze do AÏOLI Śródmieście Północne Data Base: Advanced Analytics: Big Data: 10k PAYBACK'owiczów mieszka w okolicy +40k PAYBACK'owiczów kupuje w okolicy (z czego 20k mieszka daleko 30km+) +80k PAYBACK'owiczów przebywa w okolicy Small Data: Jest to dobra rekomendacja dla mnie na wyjście dziś wieczorem http://tasteaffair.pl/wp-content/uploads/2014/01/aioli_cantine_warszawa_tasteaffairpl_03.jpg 9
SMALL DATA McKinsey Insights & Publications: How digital is transforming retail: The view from ebay, July 2014 It s not about big data, it s about small data. Big data is useless. Big data is about big data sets that represent large groups of people and large behaviors. [ ] You don t want to be part of a big data set; you re just looking to buy a shirt. 10
Big Data o bazie klientów PAYBACK Retail Ruch online & mobile Zachowanie na stronie Parametry urządzenia ecommerce Wykorzystanie serwisów/usług PAYBACK Reakcja na kampanie Partner / Produkt / Oferta Komunikat / Miejsce / Czas Lokalizacja deklaratywna transakcyjna mikro-lokalizacja Dane zewnętrzne GIS & more Lokalizacja konkurencji Prognoza pogody 11
Każdy produkt to kolejny rozdział opowieści o konsumencie Kategoria Kosmetyki Kategoria Akcesoria Moto Kategoria Alkohole 12
Personalizacja 1-2-1: Small Data moich zakupów Aktualna Baza Promocji Indywidualne historyczne zachowania zakupowe 13
Czy to na pewno dobrze działa? 14
Partnerstwo = Trudny balans pomiędzy korzyściami dla firmy i dla klientów Sklep wygrywa (0:1 dla Sklepu) Oferta jest nieadekwatna dla klienta: daleka od potrzeb klienta (spam) trudna, niedostępna, niespełnialna Postrzegana wartość oferty dla Klienta jest niska (i/lub cena nieakceptowalna) Sklep realizuje politykę produktową niezależnie od potrzeb klienta Wygrana-Wygrana (1:1) Klient otrzymuje adekwatne oferty ze względu na: potrzebę zakupową dostępność spełnienia Postrzegana wartość korzyści dla klienta koresponduje z ceną Sklep realizuje sprzedaż z akceptowalną marżą Klient wygrywa (1:0 dla Klienta) Zadanie stawiane klientowi jest niezwykle łatwe do osiągnięcia (oferta ogólna lub niewykraczająca poza podstawowy wzorzec zakupowy) Duży benefit dla klienta przy atrakcyjnej cenie Wysokie koszty dla Sklepu Walk-in cost Niska marża Trudno utrzymać na dłuższą metę Klienci odchodzą Partnerstwo (zwane lojalnością) Sklep plajtuje 15
Wciąż istnieje potrzeba generalizacji Segmentacja cyklu życia, jako jeden z wielu wymiarów klienta 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 16
Liczba transakcji w ostatnim okresie Segmentacja RFV: Jakim jest zazwyczaj klientem? Segment 5: Highly Engaged Segment 6: VIPs Segment 2: Kiosk visitors Segment 3: Regulars Segment 1: Least Engaged Segment 4: Gift Buyers Średnia wartość pojedynczej transakcji (w PLN) 17
Segmentacja Potrzeb: Jak i Jakie potrzeby zazwyczaj realizuje? Family Buying Buying for children Premium Premium Buying for babies Time Poor Convenience All but not fresh Sweets Modern Spec. Interest Budget Price Sensitive Healthy Foodies Meat & Budget Dairy Fresh Foodies 18
Szerokość/Głębokość misji zakupowej Segmentacja Misji: Jaką misję zakupową mam teraz? Big main shop Booze Cruise Non-Food promotional shop Top up shop Fresh products top up Before closing-time Candlelight dinner Lunch break Rodzaj potrzeb, Funkcjonalność, Emocjonalność 19
Składanie wymiarów klienta daje nam Zarządzaną strategię komunikacji 1-2-1 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 Szczegółowy plan komunikacji 20
Personalizacja 1-2-1: Small Data moich wymiarów segmentacyjnych: jestem aktywny Aktualna Baza Promocji Jestem na tym ACTIVE etapie, że rozumiem Utrzymanie i rozwój Moje potrzeby Indywidualne wskazują historyczne na obszar do zachowania zakupowe powiększenia współpracy 21
Personalizacja 1-2-1: Small Data moich wymiarów segmentacyjnych: bo gdy jestem nowym klientem. 1 2 3 4 5 NEW CUSTOMERS Rozwój i edukacja 22
Big Data Small Data Small Data to możliwość zaoferowania wyjątkowego doświadczenia klienta i wzajemnie korzystać z wygenerowanej współpracy Big Data to fundament technologiczny do efektywnej budowy Small Data, prawdziwego zrozumienia klienta 23
DZIĘKUJĘ! Rafał Latkowski emnos GmbH Złota 59 00-120 Warszawa Phone +48 519 340 625 rafal.latkowski@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 www.emnos.com 24