Data mining v direct marketingu České spořitelny prosinec 2011
Jan Spousta s využitím materiálů Petra Ptáčníka
AGENDA: I.
Direct marketing České spořitelny: historie a současnost II. Data mining v ČS: modely, kampaně a analýzy III. Diskuse
strana 2
I. Direct marketing v České spořitelně – Česká spořitelna – Direct marketing: Organizační začlenění a struktura – Kompetence a rozvoj
strana 3
Česká Spořitelna (ČS) – Založena1825 – Dnes součástí Erste Bank Group – Přes 600 poboček – Přes 10 000 zaměstnanců – Asi 5 000 000 klientů (nejvíc v ČR) – Jmenována Bankou desetiletí strana 4
Kde jsme zařazeni ve struktuře ČS? – Divize 5 Drobné bankovnictví (ředitel Jiří Škorvaga) – Úsek 5200 Distribuce (ředitel Martin Techman) – Odbor 5270 Direct Marketing (vedením pověřen Václav Hrubý) – Dva týmy: Campaign Management (Václav Hrubý) a Data Mining (Petr Ptáčník) strana 5
Co kdo v ČS umí a dělá
DaMi v ČS Cognos v ČS
DWH v ČS
strana 6
Odbor Direct Marketing v ČS Direct Marketing Tým Data Mining
Tři dílčí týmy • Technický (data, sw) • Statistické modelování • Kampaňoví analytici (podpora kampaní)
Tým Campaign Management Profitabilní Data Mining
Dvě specializace • Kampaňoví manažeři (organizace) • Kampaňoví specialisté (technické zajištění kampaní)
Sdílené poslání: Maximalizovat dlouhodobý provozní zisk prostřednictvím přímých prodejů stávajícím klientům. strana 7
7
Tým Data mining v ČS – aktivní od března 2003
– Lidé: Dvanáctičlenný tým, naděje na další rozšíření – Data: o všech klientech FS ČS a o jejich produktech – Hardware: – 1 server pro data mining, – 6 serverů pro SAS Marketing Automation, – 1 server pro SAS Marketing Optimization
– Software: SAS, SPSS, atd.
strana 8
Počátky DaMi v ČS: od prediktivních modelů k obchodním analýzám s Marketing Automation FTE v Data Miningu
8 7 6 5 4 3 2 1 0 2003
Base SAS Vznik DaMi týmu strana 9
Obchodní y l analýzy de o m vní ing i t t r k ntů po di e i e e l r R P ry k aní ě í b Vý kamp ován kampaní c o n Optimaliz d do ace Vyho MAT 2004
2005
2006
SAS EM
2007
2008
SAS MAT
2009
2010
9
Rutina IT funkce
2011
SAS MO Stabilizace DaMi týmu
Rozvoj DaMi týmu
Analytický „core business“
Rozšíření FTE na cca dvojnásobek
Stav po první vlně rozšíření CM Team Head Václav Hrubý
– Nyní proběhne několikaměsíční „zkušební doba“ – Pokud splníme plánované cíle, počítáme s dalším rozšířením – Asi léto 2012 strana 10
Campaign Specialist Ter eza Slunécková
Campaign Specialist Dana Kovárová
Campaign Specialist MichalTucek
CampaignSpecialist Mir oslav Šlehof er
Campaign Specialist Katerina Linhartová
Campaign Manager Beige II & MSE Ver onika Pješcaková
CampaignManager Bei ge III &M SE Tereza Kucerová
Jan Spousta
Data Preparation & Support Team Jan Kašprišin
Campaign Analist
Business Analyst
Data Specialist
NN
Hana Kotinová
Zbynek Jaroš
Campaign Analyst Katerina Krejcová
0.9
Campaign Man ager Blue & Premier Kater inaBurianová
Campaign Analyst
Campaign Man ager PSD &Project s Pavlína Rozehnalová
Campaign Analyst
Jan Rathouský 0.8
Lenka Kovaríková
Campaign Analyst 1 FTE
Michal Foune
Prevedeno do MKTG Campaign Specialist
(11,2 FTE)
M odelingTe am
Campaign Manager Beige I& MSE Barbor a Gomolová
Campaign Specialist Silvia Rí hová
DaMi Team Head Petr Ptácník
(12,8 FTE)
Data Specialist Jar oslav Lžicar
MAT Specialist Tomáš Herold K prevodu do IT
MAT Speci alist Petra Lambertová Kpr evodu d o IT MAT Specialist Jana Palušová VIT
Campaign Analy st
NN
Poznámka: Puvodní tým 13 FTE( vcetne RO), Po volené navýšení + 15 FTE = 28 FTE. 1 FTEpre vod do 1 700, 2 FTEPrevod do IT ( Centralizace), takže ko necný stav: 25 FTE vcet neRO.
Ant oní n Koubek 0.5
Pozice, které mají v názvu „Campaign“, budou obarveny
Datové toky mezi data miningem a CRM/DWH v ČS po implementaci SAS MAT a SAS MO
(Oracle) strana 11
poznatky
su ro vá da ta
DWH
objednávky
Data Mining (SAS)
surová data data o odezvě
SAS optim. klienti Marketing Optimization
ně pa m ka
ata d vá o r su
data surová
SAS Marketing Automation
po z na tky
CRM (Siebel)
Cesta k profitu z Data Miningu v ČS Next Best Product model
NBP model to sales channels
-$$ Mastering high volumes of data
Automation of the campaigning process (MAT)
High number of campaigns
-$$$
+$ Analysis of historical data --> client behavior &
-$$$
Predictive models
segmentation insights
-$$ Data processing methodology for direct marketing campaigns
-$$
Average product lifetime analysis -$
strana 12
+$$ Newly sold product LTV calculations (with controlling) -$$
Better targeted campaigns +$$$
Precise evaluation of campaign response
-$
+$$$
Precise evaluation of campaign profitability +$$$
Very high number of small & very well targeted campaigns +$$$$$
II. Oblasti využití data miningu v ČS 1. 2. 3. 4.
… pro porozumění individuálním potřebám klientů … pro dosažení přínosné segmentace … pro tvorbu marketingových plánů … pro nabídku vhodných produktů ve správnou dobu
strana 13
Tři kroky analytiků 1. Dělat správné analýzy – formulace zadání
1. Dělat analýzy správně – data, statistika
1. Správně analýzy využít – prezentace výstupů
strana 14
Pět strategických otázek 1. Jaké analýzy přinesou více prodejů? 2. Jaké analýzy umožní zvýšit dlouhodobou hodnotu klientů? 3. Díky jakým analýzám si vybudujeme správné portfolio klientů? 4. Kdo určuje, co se bude analyzovat? Monitorujeme business, abychom byli schopní říkat, co se má dělat, nebo nám jen předávají úkoly k řešení? 5. Pokud nebudeme prosazovat analytické přístupy my, tak kdo?
strana 15
Analytické sedmero 1. Pokud vidíme problém, je to naše zodpovědnost, abychom k němu přitáhli pozornost. Je-li to nutné, rozdmýchejme oheň. 2. Mluvme řečí businessu, aby to business správně pochopil. 3. V jednoduchosti je krása. 4. Jeden obrázek je lepší než 1000 slov. 5. Nedodávejme data ani reporty, tvořme analýzy. 6. Sdílejme poznatky, pomáhejme si. 7. Nevymýšlejme kolo. strana 16
1. Využití data miningu pro porozumění individuálním potřebám klientů – potenciální klienti – stávající klienti – bývalí klienti
strana 17
Analytické porozumění potřebám klientů Deskripce Korekce
Predikce
strana 18
Deskripce současného a minulého chování klientů – – – –
profitabilita pro banku loajalita sociodemografické charakteristiky finanční chování – hlavní banka – aktivita, sofistikovanost
– fáze životního cyklu – segmentace – výzkum trhu strana 19
Predikce budoucího chování klientů – budoucí finanční potřeby – očekávané nákupy – pravděpodobnost koupě – jednotlivé produkty – převažující typ produktů
– očekávaný objem očekávaný zisk
– budoucí využívání stávajících produktů – očekávaná délka využívání – navyšování/snižování prostředků – pravděpodobnost zrušení
– budoucí hodnota klienta strana 20
Data: 1500 proměnných, 3+ let historie – Příklad vlivné proměnné: vlastnění a používání kontokorentu (=overdraft) je dobrým prediktorem toho, zda si klient vezme úvěr (=loan) strana 21
Prediktivní modely a jejich profily
strana 22
Korekce chování klientů – Jaké produkty klient potřebuje v daný okamžik – Jakým způsobem mu je nabídnout – Komunikační kanál – Čas – Benefit
– Jakým způsobem mu je poskytovat – Nastavení produktů – Způsob obsluhy klienta
– Experimentální design – Měření dosažené změny strana 23
2. Využití data miningu pro dosažení přínosné segmentace koho segmentovat? za jakým účelem?
použitá data! použité techniky!
strana 24
Koho segmentovat Celý trh Vlastní klienti
Bývalí klienti
strana 25
Klienti vlastnící produkt A
Klienti ze segmentu 1 Klienti Klienti vlastnící ze segmentu 2 produkt B
Za jakým účelem segmentovat? – – – – – – –
nalezení profitabilních segmentů stanovení obchodních plánů lepší porozumění potřebám klientů nastavení různých úrovní obsluhy klientů diferenciace benefitů pro klienty diferenciace komunikace s klienty …
Více paralelních segmentací strana 26
Často vzájemně se vylučující požadavky
Použitá data – výzkum trhu – neklienti – analýza dat ze systémů – vlastní klienti
strana 27
Použité techniky – statistická segmentace – expertní segmentace
strana 28
Ro st ou c
ík
om
pl ex i
ta
–
ví
ce
in
fo r
m
ac í
Segmentační pyramida Jeden klient
(dle Bauer-Kelly)
Čím výše v pyramidě, tím dokonalejší segmentace
Psychografie: postoje, chování, typy lidí Transakční data Sociodemografie: věk, příjem… Využívání distribučních kanálů Vlastnictví produktů, zůstatky
strana 29
Masový trh, bez segmentace
ČS je nyní zhruba zde
Příklad segmentace: 4 kroky 1. Clarifying Segmentation Purpose: Discussions with business and marketing experts 2. Auditing Data: Suggestion of dimensions describing clients 3. Modeling: Factor analysis K-means Simplification of segment assignment rules
strana 30
4. Describing segments: Profitability, size, demographics, product ownership and usage, segment dynamics
Popis výsledných segmentů 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.
Very high balance clients – Investors (Loan & High Income) or Mortgage – Loan Holders High balance and/or High income – Solvent Clients Net balance significantly negative – Debtors Age < 18 or Student – Youngsters & Students Age > 60 or Pension is a primary inc. – Pensioners Low balance & Owns a loan product – Unsecured Avg. 4+ transactions in a month – Transactors Not a mother bank client – Daughters’ Clients Otherwise – Depositors
strana 31
Počty, výnosy, depozita – Velikost bodu = počet klientů v segmentu – Barva = bilance průměrného klienta
– Modrá = kladná – Žlutá = kolem nuly – Červená = záporná
strana 32
3. Využití data miningu pro tvorbu marketingových plánů – Objektivní měření efektivnosti kampaní – Optimalizace počtu oslovených klientů s využitím prediktivních modelů – Optimalizace výběrů
strana 33
Konstrukce kontrolních skupin – Po aplikaci všech výběrových podmínek musí být náhodně oddělena kontrolní skupina klientů, kteří záměrně nebudou oslovení. – Nákupní chování klientů v kontrolní skupině je spontánní. Jeho rozdíl vůči oslovené skupině je pak skutečným výsledkem kampaně.
Všichni klienti vyhovující finálním výběrovým podmínkám
Oslovení klienti
Kontrolní skupina strana 34
Oddělení umožňuje statistické 34 vyhodnocení odezvy
Objektivní měření efektivnosti kampaně – odezva po týdnech – Oslovení – vybraní prediktivním modelem, dostali direct maily – Kontrolní skupina – vybraní prediktivním modelem, bez oslovení – Nevybraní k oslovení – splňovali podmínky pro poskytnutí úvěru, ale nebyli vybraní prediktivním modelem a nebyli oslovení říjen
6%
listopad
prosinec
1.11.
5%
DM 30,000
4% 3%
Skutečný efekt kampaně
24.10.
2%
DM 50,000
strana 35
Oslovení
Kontrolní35 skupina
Nevybraní k oslovení
26.12
19.12
12.12
5.12
28.11
21.11
14.11
7.11
31.10
24.10
17.10
10.10
3.10
0%
26.9
1%
Optimalizace počtu oslovených klientů Oslovitelných Navýšení Prodej Zisk Decil klientů kampaně ks (mil. Kč) 1 100 000 10,0% 10 000 17,0 2 100 000 6,5% 6 500 10,0 3 100 000 4,2% 4 225 5,5 4 100 000 2,7% 2 746 2,5 5 100 000 1,8% 1 785 0,6 6 100 000 1,2% 1 160 -0,7 7 100 000 0,8% 754 -1,5 8 100 000 0,5% 490 -2,0 9 100 000 0,3% 319 -2,4 10 100 000 0,2% 207 -2,6 Celkem 1 000 000 2,8% 28 187 26,4
– Předpoklady:
– LTV prodávaného produktu 2000 Kč – náklady na jedno oslovení 30 Kč – hraniční akceptovatelné ROI 30 %
ROI 567% 333% 182% 83% 19% -23% -50% -67% -79% -86% 88%
Počet oslovených 100 000 100 000 100 000 100 000
400 000
40
600%
35
500%
30
400%
25
Zisk kumulativně (mil. Kč)
300%
20
ROI
200%
15
100%
10
0%
5
strana 36
-100%
0
-200% 1
2
3
4
5
6
7
8
9
10
Optimalizace výběrů – Výběr pro jednu kampaň – prediktivní modely + produktové a kanálové „hájení“ + další podmínky – Optimalizace napříč kampaněmi – může-li týž klient být zařazen do více kampaní, do které je nejvýhodnější ho dát (= podle očekávaného výnosu, ale naivní řešení maximalizací o.v. nefunguje dobře) strana 37
4. Využití data miningu pro nabídku vhodných produktů ve správnou dobu – obecná náklonnost k nákupu – události v životě klienta předurčující nákup
strana 38
Obecná náklonnost k nákupu – segmentace – prediktivní modely – posloupnosti nákupů
Direct Marketing – kampaně
strana 39
Události v životě klienta předurčující nákup – změny v datech, z nichž lze detekovat aktuální potřebu klienta – – – –
sociodemografika transakce expirace produktů pohyb po webu Eventové a real time kampaně
strana 40
III. Diskuse – – – – –
Byznys? Organizace práce? Analytické techniky? Skórování a výběry klientů? Vyhodnocení kampaní, marketingové experimenty? – IT?
strana 41
Děkuji Vám za pozornost
Pro další otázky: – Jan Spousta –
[email protected] – tel. 956 715 105
strana 42
