Analytický marketing – trendy v bankovní praxi Jiří Ochec Saturace českého bankovního trhu se zdá být s příchodem nových bank a jejich forem v letech 2011 a 2012 dostatečná, životní cyklus klientů měl možnost se v prostředí fungující tržní ekonomiky již několikrát zopakovat a banky by tak mohly o svých klientech vědět téměř vše. V praxi je přesto až zarážející, jak nedokonalé informace o svých klientech bankovní a finanční domy mají. Efektivita jejich využití je pak přímo úměrná tomu, jakými způsoby klientská data získávají a zpracovávají. Důkladné marketingové analýzy s akcentem na vytěžování klientských informací se však v poslední době stávají nutnou podmínkou k udržení stávajících zákazníků a ekonomicky efektivnější obhospodařování stávajícího klientského kmene pak přispívá zejména v době hospodářské stagnace k naplňování cílů většiny firem.
Nové marketingové přístupy v bankovnictví Právě důsledky nedávné finanční krize a hrozba dalšího snižování výnosů přiměly také banky, aby změnily přístup ke svým klientům. I na bankovním trhu tak začíná dominovat tzv. vztahový přístup na úkor produktově orientovaného přístupu k zákazníkům. Za touto změnou se skrývá budování dlouhodobého vztahu s klientem na základě poznání jeho potřeb, přání, požadavků či osobních zkušeností. Ve chvíli, kdy si organizace uvědomí, že nejvíce vydělá na zákazníkovi, který přijde pětkrát, osmkrát nebo desetkrát, začne se mnohem víc zajímat o vyřizování zákazníkových stížností takovým způsobem, aby odcházel spokojen nebo dokonce v dobré náladě. Také zvláštní pozornost věnovaná velmi dobrým zákazníkům, jako jsou např. ti, co v bance využívají několik produktů najednou (využívají debetní a kreditní kartu, mají běžný a podnikatelský účet a spoří si např. do penzijního fondu), přispívá k tomu, že se zákazníci vracejí. Statistické údaje z bankovnictví ukazují, že má-li zákazník u banky jeden produkt, je 15% pravděpodobnost, že u ní vydrží více než pět let. Při dvou produktech je tato pravděpodobnost 40% a při třech 90%. Je zřejmé, že pomůžeme-li zákazníkům najít produkt, který potřebují, a máme-li stále na mysli jejich zájmy, udržíme si je s mnohem větší pravděpodobností. Databázové vzorce mohou pomoci předvídat dobu, kdy bude chtít zákazník odejít, a tím dávají organizaci možnost včasného pozitivního zásahu. Zjištění zákazníků, kteří se právě rozhodují, následované pozitivní akcí, pomůže zákazníky udržet. Retenční efekt vnáší do současného bankovního prostředí změnu, která není jen vedlejším produktem logické snahy o udržení zákazníků, kteří firmě budou generovat zisky v dalších letech, nýbrž jedním z cílů. Retenční snahy banky musí zajistit, že:
zákazník neukončí svůj vztah s bankou, nesníží svoji finanční angažovanost.
Mgr. Jiří Ochec - doktorand, katedra marketingu, Fakulta podnikohospodářská, VŠE v Praze
1
S novým přístupem přicházejí i do bankovnictví nové metody a nástroje, jakými jsou například: resegmentace klientů (rozřazení klientů do skupin podle nových, doposud opomíjených či nevyužívaných kritérií), CRM (Customer Relationship Management, dále viz níže), věrnostní programy, campaign management (řízení počtu a sledování kampaní pro jednoho unikátního klienta z pohledu např. úvěrů, spoření či produktů privátního bankovnictví), contact management (nejčastěji platforma využívaná na udržování kontaktů s obchodními partnery – narozeniny, společenská setkání, aktualizace osobních dat atp.), zvýhodněné poplatkování (často ve formě tzv. balíčků služeb / produktů), produktové inovace, automatizované procesy (např. automatický odhad ceny nemovitosti na základě zaslání / vyplnění elektronických podkladů). V rámci komplexní datové péče o klienta je také nasnadě zvýšit klientovu angažovanost a provázanost s firmou konsolidací veškerých jeho produktů pod jednu střechu a doplněním nabídky o produkty např. dceřiných, spolupracujících nebo jinak propojených společností (tzv. cross-sell), např:
pojišťoven, penzijních fondů, investičních fondů, stavebních spořitelen, leasingových společností, private equity společností, popř. produktů privátního bankovnictví apod.
Všechny uvedené aktivity jdou ruku v ruce s úpravami informačních systémů a mají důležitý předpoklad - dostupná, kvalitní a aktuální data. Řídit vztah se zákazníkem efektivně nelze bez informací o tom, jak se chová, jaké využívá produkty, jakým způsobem komunikuje s obchodníkem nebo s bankou, kdy naposledy obdržel produktovou nabídku a jak na ni reagoval nebo jak a zda vůbec využívá internetové bankovnictví, bankomaty, pobočky, klientský servis. V podmínkách bankovních domů mohou neúplné nebo zcela chybějící informace, popř. jejich neefektivní využití vést k tomu, že klient obdrží nabídku úvěrového produktu opakovaně i přesto, že má na spořícím účtu uloženo několik miliónů korun, nebo se například minulý měsíc u svého poradce dotazoval na možnosti lepšího zhodnocení svých úspor. Zatímco složky businessu chrlí jeden nápad za druhým, další lidé v řetězci je musí transformovat do jedniček a nul. Čím větší a rychlejší bude synergie těchto dvou světů, tím rychleji bude firma dosahovat svých cílů. Ke změnám může docházet buď přímo v primárním systému za předpokladu jeho dalšího udržitelného rozvoje, nebo se budují nadstavby, tzv. datové "marty", popř. "tooly", které suplují tyto hlavní platformy. Tento způsob řešení však vede k tomu, že na každý proces či produkt existuje jiný systém, jiná pravidla a jsou potřeba jiné informace, což způsobuje značnou nepřehlednost v systémech banky, složitější procesy a především disintegritu dat.
2
Řízení vztahů se zákazníky - Customer Relationship Management Zkratka CRM se obecně používá pro systémy, které podporují řízení vztahů se zákazníky. CRM znamená proaktivní řízení vztahů s jednotlivými zákazníky, a to ve všech bodech vzájemného kontaktu. Cílem je vybudování dlouhodobého, oboustranně prospěšného vztahu. Řešení CRM v sobě zahrnuje všechny formy přímého marketingu, avšak hlavní důraz je kladen na vytváření věrnostních programů pro loajální zákazníky, neboť ti jsou z obchodního hlediska pro firmu největším přínosem. Customer Relationship Management je především informační systém, který umožňuje sjednotit data o všech událostech mezi zákazníky a firmou do jednoho celku a na základě zpracování těchto dat zlepšit výsledky obchodování. V bankách dnes využívané informační systémy pomáhají identifikovat, integrovat a analyzovat nejrůznější klientské informace, které navíc pocházejí z různých zdrojů. Stupeň integrace a možnosti analýzy dat jsou jedním z měřítek kvality těchto systémů. Systém CRM tak není pouze systém pro správu kontaktů. To je sice jeho primární úloha, ale bez dalších funkcí by nebyl pro podnik žádným přínosem. Kvalitní systém CRM obsahuje většinou velké množství funkcí. Základem je samozřejmě evidence kontaktů, avšak skutečně profesionální systém musí bezpodmínečně umět:
zachycovat každý úkon ve vztahu se zákazníkem (oběma směry - k zákazníkovi i od něho), třídit data, analyzovat data, automatizovat dotazy, propojit položky s jinými subsystémy / aplikacemi napříč firmou.
Naneštěstí pro ty z nás, kteří hledají ono sice neexistující, přesto však tolik lákavé univerzální a všemocné řešení, jsem v dostupné literatuře nenalezl teoreticky definovanou jednotnou formu přístupu k CRM. V praxi je tedy možné rozlišit několik úrovní řízení vztahů se zákazníky: CRM projekt o jedné funkci pro jeden útvar není ničím jiným než zákaznicky orientovanou aplikací. Nejčastěji ji řídí skupina obchodníků a manažerů, nikoliv vrcholových vedoucích pracovníků, a využívána je jedinou organizační jednotkou, například v obchodních odděleních ke sledování produkce třetích stran, externích prodejců či zprostředkovatelů. K vytvoření jednofunkčního CRM pro útvar, který ho potřebuje, bude pravděpodobně možné využít sérii vlastních vývojových procesů a stávající lidské zdroje. Multifunkční CRM projekt pro jeden útvar lze již chápat v širších souvislostech zákaznického chování. Půjde pravděpodobně o vytvoření jakéhosi zákaznicky orientovaného kontaktního centra, které si vyžádá celou škálu nových interních procesů nemluvě o nových softwarových programech a školeních koncových uživatelů. Pod tímto pojmem je možné si představit vícerozměrnou aplikaci pro útvar klientské správy, do které zaměstnanci zaznamenávají veškeré události a požadavky klientů související s jejich úvěry. Vstupy a výstupy mohou být sdíleny např. call-centrem i oddělením vymáhání pohledávek. Jedna CRM funkce aplikovaná napříč celou společností se stává nově používaným pohledem, který je užitečný pro více uživatelů. V bance může například call centrum, marketing, správa rizik a řízení prodeje využívat především informaci o rentabilitě zákazníka v čase - tímto se stává tato sama o sobě prostá funkce komplexní. V praxi se většinou jedná o přidání jednoho atributu/pohledu do primárního datového zdroje, ze kterého je přístupný všem 3
uživatelům. Kromě rentability zákazníka počítané vybranými indikátory může být jiným dobrým příkladem procento odchodovosti – podíl klientů, kteří od banky odešli a aktivních klientů v portfoliu – na úrovni banky, pobočky či obchodníka. Informace je využitelná opět napříč celou společností pro účely více či méně strategických obchodních jednání. Nejkomplexnějším typem CRM je CRM multifunkční a zároveň víceútvarový nebo celopodnikový - celobankovní. Pro iniciátory programu to znamená rozvinout celou škálu nových datových propojení a obchodních pohledů napříč celou společností se zaměřením na nejrůznější zaměstnanecké pozice s nejrůznějším účelem. Požadavky budou komplexní, stejně jako technologie umožňující samotnou realizaci. V praxi to znamená sjednotit různorodé datové agendy participujících oddělení do jedné společné platformy, ke které budou mít přístup všichni zúčastnění. Na trhu se nabízí pestrá škála CRM technologií počínaje produktovými soubory pro sledování jediného produktu a konče internetovým přístupem k ukládání dat v rozsáhlém klientském rozhraní - portálu. Rozšířeným řešením v malých a středních podnicích je například produkt společnosti Microsoft s názvem „Dynamics CRM“, naproti tomu většina velkých českých bank využívá individualizovaná řešení od firem SAP, IBM SPSS, Adastra nebo Ness Technologies, která propojují CRM s datovými sklady a nabízí širokou variabilitu jak datových vstupů a výstupů, tak předdefinovaných statistických modelů. Pro zodpovědné manažery je tedy bezpodmínečně nutné uvědomit si při plánování CRM iniciativ:
výchozí stav využívání klientských informací jejich datový tok a formu současné a budoucí softwarové/hardwarové možnosti ideální stav využívání klientských informací napříč bankou reálné možnosti a omezení firmy
Objektivní posouzení problematiky (možno také využít třetí stranu – konzultantské společnosti) vede především k reálnému vyhodnocení situace a „nestavění vzdušných zámků“, které ve finále společnost zatíží na několik let z pohledu financí i procesů a praktické využití bude mizivé. K popisu současného a žádoucího stavu spolu s vyčíslením nákladů nutných na jeho dosažení a vyčíslením budoucích přínosů pro firmu / banku slouží tzv. „business case“. Jde o souhrnný dokument, na základě kterého se může vedení společnosti rozhodnout o míře implementace CRM systémů a jejich přínosů.
Aktivní práce se zákaznickými daty (Data-Mining) Při pohledu do budoucnosti je za zohlednění současných ekonomických podmínek jasné, že k dosažení vytčených cílů profitability, výnosů, úspory nákladů a risku nepovede stejná cesta jako v minulosti. Dnešní tržní prostředí je charakteristické exponenciálním růstem počtu a variability zákaznických interakcí, které má nebo bude muset mít zákazník směrem k bance k dispozici. Jsem přesvědčen, že v několika příštích letech se vztah klient-banka bude odehrávat v multikanálovém modelu s vysokým objemovým potenciálem. Společnosti budou muset najít nové cesty, jak uspět v konkurenčním boji a to především za využití moderních technologií. Díky lepšímu řízení a vytěžování datových informací, které má banka nebo společnost k dispozici o svých klientech, mohou manageři rozkrývat dříve slepá místa a docházet tak k přesnějším, efektivnějším a komplexnějším rozhodnutím, která mají přímý vliv na obchodní výsledky. Umožní jim to uplatňovat tzv. mikromanagement a získat detailní vhled do datových informací o zákaznických skupinách, jejich obchodních procesech a transakcích. Rozhodnutí o marketingových akcích mohou dnes již přicházet téměř v reálném čase. 4
Praktický marketing v bankovnictví se tak zabývá přesnými fakty a marketingovými analýzami možná ještě o trochu více než marketing jiných oblastí, např. sportu nebo kultury. Analyticko-statistické nástroje na získávání dat identifikují ve vlastním klientském kmeni datové šablony a dodávají nové cenné informace, které mohou společnosti pomoci pochopit samu sebe i její zákazníky. Běžně se využívají k podpoře datových analytiků při hledání vícerozměrných informací, které zatím hledat neumějí anebo je bez předem definované hypotézy ani nalézt nemohou. Soubory matematicko-statistických funkcí, které dataminingové nástroje obsahují, pomohou společnosti odhalit četné nové poznatky počínaje identifikací příštího nákupu zákazníka přes optimální rozložení skladů až po nejvhodnější datum zahájení promítání nového filmu. Pro marketingové využití je k dispozici řada různých typů algoritmů, jde například o metody logistické regrese, rozhodovací schémata či propenzitní modelování. Ačkoliv se samotné specifické algoritmy na základě businessových zadání mohou měnit, typické oblasti, pro které se v bankovní praxi využívají, jsou následující: Pravděpodobnost Jedná se o využívání historických dat k určování budoucího chování zákazníků. Prediktivní (obecně označováno také jako pravděpodobnostní) modelování generuje výstup, který může například indikovat produkt, který zákazník pravděpodobně koupí, na základě informací o minulých nákupech tohoto konkrétního zákazníka i jiných zákazníků, kteří koupili stejné produkty. Velké využití těchto modelů v praxi je také v rizikové politice finančních ústavů. Z takzvaně klasifikovaného (dlužného) chování současných klientů je možné s určitým hodnocením čekat, zda s platební morálkou nových klientů budou či nebudou problémy. V poslední době jsou v bankovnictví prediktivní modely hojně využívány také pro řízení retence zákazníků. Sekvence Sekvenční analýza identifikuje kombinace aktivit, k nimž dochází v konkrétním sledu. Podniky či banky sekvenční analýzu využívají ke zjišťování skutečnosti, zda zákazníci provádějí kroky (chovají se) v určitém konkrétním pořadí. Společnosti to může pomoci ke stanovení modelu chování z událostí zaznamenaných v jednotlivých operačních systémech a stanovit tak typické šablony - vzorce chování. Poznání chování svých zákazníků je tak klíčem k dalšímu rozvoji. Banka nebo telefonní společnost se může například dozvědět více o daném zákazníkovi nebo zákaznickém segmentu prověřením šablon poklesu nákupů nebo odhlašování služeb. Asociace Asociační analýza detektuje skupiny podobných klientů, položek nebo událostí. Může být využita ke zjišťování více událostí, k nimž dochází společně. Asociační algoritmus je v oblasti rychloobrátkového zboží často aplikován na analýzu spotřebitelského koše určenou k tomu, aby podnikům pomohla pochopit, které produkty jsou nakupovány společně. Pochopením zákazníka a jeho produktového zaměření si společnost otevírá cestu k důležitým rozhodnutím, které produkty propagovat, za jakou cenu a na které zákazníky se vůbec zaměřit. Pro zmíněné typy dataminingových analýz existují zcela praktické způsoby využití, jakými jsou například:
identifikace nových cílových zákaznických skupin, 5
modelování reakčních šablon stávajících zákazníků, eliminace vysokých rizik predikcí rizika.
Je nutné podotknout, že dataminingové úlohy vyžadují kvalitní datové zdroje, udržované statistické soubory a profesionální marketingové analytiky. Ti musí být důvěrně obeznámeni s užíváním správných algoritmů, jejich aplikací na obchodní problémy a pochopitelně musí mít k dispozici poměrně nákladný specifický software. Velké banky a finanční společnosti dnes již disponují dataminingovými servery, na něž ukládají záznamy se zákaznickými daty za účelem sestavování modelů a průzkumů. Tyto servery jsou obvykle napojeny na datový sklad společnosti, což umožňuje datovým analytikům snadný přístup k zákaznickým datům a experimentování například s různými cenovými plány nebo vytvářením dynamických zákaznických segmentů pro testování nových kampaní a provádění citlivostní analýzy.
Matematicko-statistické metody využívané v analytickém marketingu Rozhodovací stromy Pro efektivnější správu klientského portfolia se v bankovnictví často využívají metody rozhodovacích stromů, které nabízí hned několik dodavatelů, které jsem již zmiňoval výše, ve svých softwarových řešeních. Princip rozhodovacích stromů by se dal zjednodušeně popsat následujícím způsobem: 1. vhodné rozdělení zkoumaných objektů (klientů banky) do skupiny, 2. v každé skupině se opět postupuje stejně, dokud se nedojde k malým skupinkám, na něž stačí zcela jednoduché srovnávací modely. O stromech se hovoří proto, protože postupné dělení skupin zkoumaných případů lze znázornit stromovým schématem, ve kterém se skutečně užívá terminologie grafů: kořen, větve, listy. Samotný strom lze vyjádřit pomocí schémat jestliže - pak: „Jestliže jsou ve skupině větší a menší koule, pak rozděl zvlášť větší a menší koule. Jestliže jsou větší koule navzájem barevně (jinak) odlišné, pak je rozděl podle barevnosti (příslušné odlišnosti) atd.“ Analogicky takto rozhodovací strom pracuje s klientskou základnou. Aplikace rozhodovacích stromů je vhodná zejména při zjišťování příčin chování klientů z pohledu sociologie, pro segmentační účely, rizikové analýzy apod. Logistická regrese Logistická regrese poskytuje odhad pravděpodobnosti zařazení do jednotlivých kategorií. Jde o metodu matematické statistiky zabývající se problematikou odhadu pravděpodobnosti nějakého jevu (závisle proměnné) na základě určitých známých skutečností (nezávisle proměnných), které mohou ovlivnit výskyt jevu. Událost, zda zkoumaný jev nastal, se modeluje pomocí náhodné veličiny, která nabývá hodnoty 0, pokud jev nenastal, nebo 1, pokud jev nastal. Určená pravděpodobnost je tedy z intervalu <0; 1>. Logistický model poskytuje odhady pravděpodobností. Pomocí této metody získáváme predikční rovnice, kde regresní koeficienty určují prediktivní schopnost nezávislých proměnných. Užití této matematické metody jsem nenalezl pouze v bankovnictví, ale její využití je uváděno i v jiných oblastech jakými je např. zdravotnictví nebo průmysl. Příklady využití logistické regrese:
predikce diagnózy, 6
predikce podvodu, predikce, který produkt si zákazník koupí, predikce selhání stroje, predikce odchodu zákazníka.
Právě predikce odchodu zákazníka přináší do marketingových strategií nový prvek rozhodování. Oslovovat s retenčními marketingovými aktivitami, které společnost stojí určité prostředky, všechny klienty, z nichž někteří jsou loajální a o odchodu ke konkurenci by ani neuvažovali a někteří jsou vyhledávači výhodnějších a výhodnějších nabídek napříč trhem, se pochopitelně nejeví jako hospodárné, protože bychom plýtvali zdroji tam, kde to není potřeba a naopak bychom zdroje nemuseli využívat dostatečně tam, kde je to pro firmu fatální. Jako zodpovědní marketéři bychom se tedy měli ptát, s jakou pravděpodobností ten který konkrétní klient zůstane, či nikoli. Dnes již není nutné vyhledávat křišťálové koule, ale po pečlivé práci s klientskými daty a za využití moderních statistických softwarů je možné tuto informaci získat nebo se jí alespoň přiblížit natolik, že je možné se podle ní dále strategicky rozhodovat. Z celkem rozsáhlé datové manipulace bychom měli být po proběhnutí modelace schopní identifikovat např. fiktivního klienta Nováčka, u kterého víme, že je pravděpodobné, že např. ze 75 % odejde ke konkurenci, protože jeho behaviorální i ekonomický profil odpovídá algoritmu zjištěných klientů, kteří se takto již zachovali. Po tomto zjištění bude nutné podniknout za využití marketingových nástrojů příslušné kroky, abychom odchodu klienta Nováčka zamezili.
Praktické využití výstupů CRM zdůrazňuje komunikaci se zákazníky napříč všemi kanály na základě optimalizace relevantních dvousměrných a personalizovaných interakcí ať již prostřednictvím nové marketingové kampaně nebo podle historie stížností volajících. To umožňuje uplatňovat komunikaci se zákazníky, která bude skutečně fungovat na konkrétní bázi mezi dvěma partnery – bankou a zákazníkem. Ve spojení s výstupy z dalších analytických pohledů do portfolia banky pak mohou obchodníci a marketéři upravovat strategii tak, že například:
oceňují zákazníky personalizovanými slevami nízkonákladových kanálů (např. elektronických),
proaktivně nabízejí produkty a služby vyhovující potřebám konkrétního zákazníka na základě toho, co tento zákazník již v minulosti koupil či využíval,
podporují prodejní úspěšnost webu dynamickou personalizací obsahu na základě profilu návštěvníků webových stránek,
upravují marketingové výdaje na zákazníka na základě lifetime value (celoživotní hodnota zákazníka, nazývaná v anglosaské literatuře "Customer Life-time Value – CLTV“, měří celkový přínos zákazníka pro podnik při zohlednění času jeho získání, běžných nákladů včetně nákladů kapitálu i investičních výdajů),
analyzují kombinace styčných bodů napříč kanály a předvídají tak příští pravděpodobný nákup příslušného zákazníka,
připravují na míru upravené provizní a motivační programy pro prodejní partnery na základě hodnoty zákazníků, kterou firmě přinášejí,
poskytují zákazníkům z nejvyšší hodnotové vrstvy osobní konzultanty / bankéře obeznámené s jejich historií a preferencemi. 7
a
požitky
za
využívání
Závěr Provádět analytický marketing v bankovnictví znamená pochopit, jaká je interakce mezi společností a zákazníkem a tyto významné informace využívat ke zdokonalování obchodních procesů. Práce s klientskými daty musí být koncepční a natolik smysluplná, aby výstupem nebyly pouze neuchopitelné analýzy, ale zcela konkrétní doporučení např. managementu společnosti k úpravě obchodní strategie, implementaci marketingové aktivity, úpravě nástrojů direct marketingu popř. redefinici distribuční politiky směrem k nově identifikovanému zákaznickému segmentu. Některá praktická řešení jsem se snažil naznačit již v tomto článku, v realitě jsou však vždy nutná vztáhnout k individuálně řešenému problému v příslušném charakteristickém prostředí. Výhodou zmiňovaných analytických přístupů je jejich explicita. Nejde o kreativní marketingové „feelingy“, ale o jasná zákaznická data, která svým pozorným čtenářům nabízí užitek. V zájmu všech klientsky orientovaných společností, tedy nejen bank, je lepší zkušenost zákazníka bez ohledu na to, zda se děje na webu nebo v jejích pobočkách, prodejnách či skladech (business-to-business). Samotná analýza tedy není finálním řešením. Analytický marketing je třeba v praxi využívat ke zlepšení obchodních procesů, usnadnění pracovních toků, nastolení efektivních postupů a v první řadě k podpoře obchodu. Banka je ve své podstatě také obchodní společnost, jejímž cílem je zisk, který generuje ve zjednodušené formě stejně jako jakákoli jiná firma, tedy výnosy vyššími než náklady. Cílem zařazení výstupů z užitých nástrojů analytického marketingu do rozhodovacího procesu i denní operativy banky je zajištění vyšších výnosů ze stávajících klientů oproti nákladům na jejich nové nebo opětovné získání. V českých bankách donedávna nerozvíjená disciplina, která si buduje své místo mezi zažitými bankovními přístupy.
Literatura [1] AAKER, D.A.: Brand Building. Brno, Computer Press 2003. ISBN 80-7226-885-6 [2] Acrea ČR: Studijní materiály školení IBM SPSS Modeller, duben 2011 [3] ANDERSON, K., KERR, C.: Customer Relationship Management. New York, McGrawHill 2002. ISBN 0-07-137954-1 [4] BÁRTA, V., BÁRTOVÁ H.: Homo spotřebitel. Praha, Vysoká škola ekonomická v Praze, Nakladatelství Oeconomica 2009. ISBN 978-80-245-1558-8 [5] BÁRTA, V., PÁTÍK, L., POSTLER, M.: Retail marketing. Praha, Management Press 2009. ISBN 978-80-7261-207-9 [6] BOUČKOVÁ, J. a kol.: Marketing. Praha, C.H. Beck 2003. ISBN 80-7179-577-1 [7] BUDÍKOVÁ, M., KRÁLOVÁ, M., MAROŠ, B.: Průvodce základními statistickými metodami. Praha, Grada 2010. ISBN 978-80-247-3243-5 [8] DAVENPORT, T.H, HARRIS, J.H., MORISON, R.: Analytics at Work: Smarter Decisions, Better Results. Boston, Harvard Business School Publishing Company 2010. ISBN 978-1-4221-7769-3 [9] DE PELSMACKER, P., GUENS, M., VAN DEN BERGH, J.: Marketingová komunikace. Praha, Grada 2003. ISBN 80-247-0254-1 [10] GLANZ, B.: Jak získat věrné zákazníky. Praha, Grada Publishing 1996. ISBN 807169-318-9 [11] HENDL, J.: Přehled statistických metod zpracování dat. Praha, Portál 2004. ISBN 807178-820-1 8
[12] KOTLER, P.: Marketing Management. Praha, Grada Publishing 1998. ISBN 80-7169600-5 [13] KOUDELKA, J.: Segmentujeme spotřební trhy. Praha, Professional Publishing 2005. ISBN 80-86419-76-2 [14] KOZEL, R.: Moderní marketingový výzkum. Praha, Grada 2006. ISBN 80-247-0966X [15] KRKOŠKOVÁ, Š.: Informace v bankovních systémech nejsou stále plně využity. Časopis Bankovnictví 9/2011. Praha, Economia 2011. [16] LOŠŤÁKOVÁ, H.: Diferencované řízení vztahů se zákazníky. Praha, Grada 2009. ISBN 978-80-247-3155-1 [17] LOUDON, D.L., DELLA BITTA, A.J.: Consumer Behavior: concepts and aplications, 4th ed. New York, McGraw-Hill 1993. ISBN 0-07-038767-2 [18] MITCHELL, A.: Vzdušné zámky lidí z marketingu. Top značky. Časopis Trend Marketing 29.4.2010. Praha, Economia 2010. [19] OCHEC, J. : Data zralá k revizi. Časopis Euro, č. 7, s. 62. Praha, Euronews 2011. [20] PEPPERS, D., ROGERS, M.: Managing Customer Relationships. New Jersey, John Wiley & Sons 2004. ISBN 0-471-48590-X [21] POLOUČEK, S.: Peníze, banky, finanční trhy. Praha, C.H.Beck 2009. ISBN 978-807400-152-9 [22] ŘEZANKOVÁ, H.: Analýza dat z dotazníkových šetření. Praha, Proffesional Publishing 2007. ISBN 978-80-86946-49-8 [23] SCHIFMANN,L.G.-KANUK,L.L.: Nákupní chování. Praha, Computer Press 2004. ISBN 80-251-0094-4 [24] SZABÓ, M., GRUND Z.: Recese přináší příležitosti. Technologie. Časopis Bankovnictví 23.4.2010. Praha, Economia 2010. [25] TVRDÍKOVÁ, M.: Aplikace moderních informačních technologií v řízení firmy: nástroje ke zvyšování kvality informačních systémů. Praha, Grada 2008. ISBN 978-80247-2728-8 [26] VYSEKALOVÁ, J.: Chování zákazníka, jak odkrýt tajemství „černé skříňky“. Praha, Grada 2011. ISBN 978-80-247-3528-3
9
Analytický marketing – trendy v bankovní praxi Jiří Ochec ABSTRAKT Článek se zabývá problematikou práce s klientskými daty. Popisuje metody užívané pro analytické zpracování zákaznických informací v současné bankovní praxi a nabízí příklady následného využití v marketingu. Identifikuje rozsah CRM programu ve společnosti a představuje konkrétní poznatky pro využití marketingově-datových analýz. Klíčová slova: Analytický marketing; Řízení vztahů se zákazníky; Vytěžování klientských dat.
Analytical Marketing – Trends in Banking Practice ABSTRACT This article deals with clients’ data processing. It describes analytical methods used for work with customer information in current practice in Czech banking environment and focuses on its further marketing utilization. There have been identified different scopes of company’s CRM program and useful tips for successful use of data marketing analysis. Key words: Analytical Marketing; Customer Relationship Management; Clients Data Mining. JEL classification: G30
10