Customer Intelligence na webu

Customer Intelligence na webu Lucie Staňková SAS CI Business Consultant 10. června 2010 Copyright © 2008, SAS Institute Inc. All rights reserved.

Znalost zákazníků

Customer Data Availability

100

75 Terabytes of data

Knowledge Gap

Analytical Capacity

50

Execution Gap

Execution Capacity

25

0

1960

1970

1980

1990 Time

Copyright © 2008, SAS Institute Inc. All rights reserved.

2000

2010

Fungování v praxi

Internet / Digital Marketing

CRM / Direct Marketing

Advertising & Promotions

Data, kampaně, měření, analýzy, reporting




Co nás u on-line obvykle omezuje... 





Sběr dat: •

Dimenze zákazníka

•

Kompletnost a správnost dat

Business Insight: •

Dodat správné informace, správným lidem, ve správný čas a správném formátu jako podporu při rozhodování

•

Objektivně, z analytického pohledu odvodit, co je důležité na webu, a co změnit pro dosažení lepších výsledků

•

Podrobná, kvalitní data jako základ zákaznických analýz

Schopnost konat: •

Na základě dat realizovat úspěšné kampaně


Vaše zkušenost I.


Customer Experience Analytics 

SAS řešení pro sledování chování uživatelů internetu



Sběr dat a podrobná analýza pro zjištění maximálního množství informací o chování uživatele



Výhody: •

Rozsah

•

Detail

•

Rychlost


Historie  Do SAS portfolia celosvětově zařazen od listopadu 2008  Proces sběru dat • 1999: vybudován prototyp • 2000 – 2001: 2 roky edukace trhu • 2002 – 2006: intenzivní práce se společnostmi na ověřování, že WEB je příležitost z hlediska obchodu  4 evidované patenty, 10 let vývoje


Obsah řešení 

Dynamický sběr dat



Nástroj pro zpracovaní a analýzu sesbíraných dat (sledování podobných vzorců chování, predikce atd.)



Reportování a rychlé přehledy (40 předpřipravených reportů) pro netechnické i pokročilé uživatele


1. Krok - sběr dat


Dynamický sběr dat  Patentovaná technologie – Dynamic Collection™  Jednoduchá implementace, rychlé, flexibilní řešení - Jediná přidaná komponenta do webových stránek

 Dynamické rozeznávání obsahu a pravidla pro sběr dat zajišťují snadnou údržbu  Sbírá všechny aktivity, od všech uživatelů, kdykoli - Rozhodujete se, co nechcete sbírat


Events - záznamy  26 typů záznamů  Jednotlivé záznamy se dělí do několika skupin:

• Navigace - načtení stránky, ukončení • Prostředí – síť, rychlost, prohlížeč, obrazovka, ISP • Činnost – klik, vybrat, potvrdit

• Vložení dat – změna textu, výběr z rozbalovacího menu, vyplnění formuláře • Kontext – kaskádová menu atd • Obsah – HTML obsah objektů, objekty s názvem

 Záznamy mají vlastnosti (200+) využívané při dalším zpracování • Umístění na obrazovce (stránce) • Čas atd

 Záznamy se hromadí do jednotlivých návštěv (sessions) Copyright © 2008, SAS Institute Inc. All rights reserved.

Dynamický sběr dat - ukázka

Mobistarcxademo_Screen_Stream.avi


Proces sběru a zpracování dat Webový Server

Obsah stránky + vložené CXA

Internet / Intranet

Databáze událostí

Sběrný server

Události & HTML

Zaznamenaná data

Plánování úloh

Normalizační server

Konfigurace Databáze výstupů SAS uživatel

Browser Copyright © 2008, SAS Institute Inc. All rights reserved.

CXA se načte spolu se stránkou do prohlížeče

Datové tabulky a soubory

Dashboard Dashboard Dashboard Reports Dashboard Reports Reports SAS procesy Reports

2. Krok – analýza dat – vytvoření Customer Insight


Customer

Information Portal

Partners

Standard Reports

Web Reporting

KPI generation Business Metrics Forecasting

OLAP

Interactive Visualisation

Slice and Dice

Predictive Analytics Goal Seeking Scorecards

MS Office Add Ins Ad Hoc Query & Reporting

Business Alerts Metadata

Intelligence Storage Data Integration

Other

3rd

Party

Market Info, Surveys etc.

Dynamic Data

Customer Information

Collection & Normalisation

Call Centre Transactions Other..

? R. Smith, M, Age 35, Zip Code L. Jones, F, Age 23, Post Code


CXA – příklady analýz 

Campaign Analysis: Out-of-Site •



Visitor Analysis •



Umožňuje pochopit více-krokové procesy např. u on-line aplikací – čas potřebný k vyplnění, errors, kompletnost vyplnění atd.

Content Analysis 



Ukazuje jak úspěšně stránky „drivují“ návštěvníka k dosažení našeho stanoveného cíle během návštěvy (registrace, žádost o produkt atd.)

Transaction Analysis 



Odkud návštěvníci sítě přišli a jejich hodnota díky scoringu

Goals Achievement Analysis •



Efektivita marketingových kampaní přes „traffic“ vašich internetových stránek

Ukazují jako oblasti přitahují jaké segmenty zákazníky – jak dlouho na stránkách zůstávají a v jaké fázi je opouštějí

Form Analysis


3. Krok – Reporting – 40 předpřipravených


Ukázka reportů


Ukázka reportů


Ukázka reportů


Životní cyklus on-line zákazníka

Customer Value

Anon

Behavior

Previous Browsing Activity

E-Mail

Account

Other

Browsing Behaviour

Purchasing Behaviour

Customer Behaviour

Clustering

Segmentation

Lifestyle Marketing

Loyalty Awareness

More Effective Targeting

Ability to look back

Cust ID 123

Sessions 1 2 … n


E-Mail [email protected]

User ID

Geo

alangormley

01

Customer as Partner

Behaviour

Customer

Segment

Segment

Browser

Young Prof

Time Customer Knowledge

CXA Implementace

Assessment

Detailed Analysis

Definovat business požadavky


Design

Systémová architektura Reporty Načasování

Construct

1. Instalace 2. Konfigurace 3. Customizace

Load

Calibration and Testing

Deploy Solution

Další krok – Akce - realizace kampaně Iniciovaná společností, řízená marketingem

Řízená zákazníkem

Iniciovaná zákazníkem Řízená vztahem

Tradiční kampaň

„rušivá“

Kampaň řízená událostí (Event driven)

„příhodná“

Interakce v reálném čase

„patřičná“

Source: Gartner, “Leveraging Customer Insight…”, 3/02 Copyright © 2008, SAS Institute Inc. All rights reserved.

Z pohledu Úspěšnost zákazníka 3%

20%

40%

Proces Real-time rozhodování


Co umí dnešní technologie?

Konat! Vytvořit automatizovanou komunikaci.

360-stupňový business proces

Poskytnout informace kdykoli komukoli (denně, online) pro správné rozhodnutí v pravý čas. Copyright © 2008, SAS Institute Inc. All rights reserved.

Neustále zlepšovat! Vyhodnotit výsledky na jednotlivého zákazníka a promítnout je do dalších aktivit.

Získat data o zákaznících webu.

Analyzovat získaná data a propojit je s veškerými dalšími daty z vašich databází pro skutečnou znalost zákazníků.

2+2=5…Dynamický Digital Marketing Cíl: plně dynamická, personalisovaná komunikace Zákazníkovi se zobrazí správný banner a online se sbírá jeho reakce.

Webová aktivita zákazníka je neustále sbírána technologiemi. Jsou nastaveny klíčové cíle a události, které se zaznamenávají v reálném čase do systému. Copyright © 2008, SAS Institute Inc. All rights reserved.

Data o zákazníkovi jsou automaticky analyzována (kdo to je, jakou pro nás má hodnotu ...) a real-time technologie čeká na tu správnou událost, kterou zákazník udělá. Když událost nastane, zavolá dle nastavené definice tu správnou akci pro daného konkrétního zákazníka.

Vaše zkušenost II.


Web Customer Intelligence v reálném světě a jeho využití pro byznys


Retail  První obchod před 14 lety  Z 10 mil. zákazníků na 30 mil. zákazníků

 70% tržeb online, zbytek call centrum, katalogy  Prioritou jsou opakované nákupy Jak posunout business dále? Díky technologiím!


Retail  Požadavky: • Uživatelé – lidé z marketingu, ne Phd. ve statistice (vlastní slova )

• Zvýšení efektivity kampaní a komunikace

 Nástroje a technologie: • Dlouhodobý sběr dat o zákaznících a jejich nákupního chování • Segmentace zákazníků a analýza zákazníků pro získání znalosti na úrovni jednotlivého klienta • Online reporting pro neustálé vyhodnocování a okamžité rozhodování • Real-time „rozhodovač“ pro personalizovanou komunikaci se zákazníkem v reálném čase Copyright © 2008, SAS Institute Inc. All rights reserved.

Retail  Reálný příklad

Výsledek:

• Zákazník Chris McCann kupuje kytici tulipánů vždy ve Retence (opakované nákupy) stejný denzákazníků v roce

více než 10%. •vzrostly Události vodatabázi: Identifikovaný zákazník – identifikovaný čas – jasná potřeba

klíčových segmentech nejprofitabilnějích •VRozhodnutí o komunikaci: e-mail „teaser“ s aktuální zákazníků zvýšení retencečasovém o 80%.předstihu nabídkou tulipánů v optimálním • Real-time přístup: po přihlášení na web se zobrazuje Nárůst mil. USD v tržbách jeden rok. banner s40 nejnovější kolekcí tulipánů za a další doporučené produkty (Next Best Offer)


Bankovnictví 

Jedna z celosvětově známých investičních bank umístila CXA na své korporátní webové stránky



Bannery a kampaně na různých finančních serverech



Síť byla netransakční, primárním cílem kampaní bylo dostat zákazník do sekce „investor relations“



Cíl projektu:





Zjistit hodnotu potenciálních zákazníků, kteří k nim chodí na web



Změřit úspěšnost internetových kampaní – kolik reálných obchodů přinesly?

Přístup: revoluční


Přístup 

Sběr veškerých dat během session



Score pro každou událost



Dlouhodobý „life-cycle“ scoring potenciálních zákazníků v několika kategoriích



•

Pochází z jednoho z cílených finančních center – 1 bod

•

Patří do top 25 investičních bank – 3 points

•

Čas na síti – počet stránek, doba – 4 úrovně (-5 do 5 bodů)

•

Počet návštěv a frekvence – 4 úrovně

•

Registrace – 10 bodů

•

Vyžádání newsletteru - 2 body

Analýza s cílem pochopit reálný obchodní přínos •

Rozdělení do segmentů

•

Kanály/bannery....


Výsledek: PŘEKVAPIVÝ





Optimalizace online kampaní •

Snížení výdajů o 15%

•

Zacílení vysoce potenciálních zákazníků

•

Po 3 měsících: 300% nárůst ROI

Prestižní stránky s vysokým počtem návštěvníků vs. kvalita dodaných kontaktů a obchodů


Letecká doprava 

Window shopping – různé stránky pro nejlepší kombinaci spojení a ceny



Jasné potřeby – odlet, příletová destinace, datum a čas, login



Letecká společnost – primární byznys: transkontinentální lety



Implementace CXA pro „Session Tracking” •

On-line data z každé návštěvy

•

Transakční data

•

Zákaznická data


Implementace 

2 dny testování validity sběru dat



Collection server



•

Cca 5 mil. záznamů za hodinu

•

Cca 1TB „syrových“ dat měsíčně.

Normalizační proces záznamů do „business events“ 



Standardní, přednastavené analýzy/modely (výsledky od prvního dne)

3 „business events“ propisované do DDS (Detailed Data Store) 

Záznam o návštěvě webu



Pokus o „zabookování“ letu



Záznamy o platbě letu


Aplikace #1: Cílený marketing 

Skupina zákazníků, která pravidelně sleduje pouze jeden let (Londýn – New York) •

6 měsíců po sobě, vždy první týden v měsíci

•

Identifikace návštěvníků přes existující cookies, booking data nebo log-in

•

Spojení on-line dat se zákaznickou historií v DWH

•

Téměř 11 000 on-line záznamů (sessions) odpovídalo 93,3% offline záznamů

•

Pouze 2-3 zakoupení letu ročně



Výstup: Personalizovaná, cílená akční nabídka letu pro tento segment



Výsledek: Nárůst zakoupených letů o 20%


Aplikace #2: Fungování sítě  Chyba u 15 000 pokusů o zabookování letů týdně  Po vyplnění formuláře došlo k vymazání požadovaného letiště v kolonce „výběr destince“  Požadavek na zákazníka znovu vyplnit a odeslat požadavek  ....odpověd: Není žádné volné místo nebo Chybná destinace  Výsledek: • Odchod ze stránek v téměř 100% případů • 0% prodaných letů



Customer Intelligence na webu

Recommend Documents