Váš pomocník pro analýzu dat
MODERNÍ METODY SEGMENTACE ZÁKAZNÍKŮ Ing. Miloš Uldrich
StatSoft CR 20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
StatSoft
StatSoft CR
Dodavatel komplexních analytických řešení
20.6.2012
Výhradní dodavatel softwaru STATISTICA pro ČR a SR
Technická a analytická podpora
Konzultace
Kurzy, školení
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Pokročilé statistické analýzy
Segmentace zákazníků
Proč segmentovat? Identifikace nových obchodních příležitostí
Banking
Mobile
Classic users Shoppers /Transactioners Borrowers Investors Travelers Non active
Heavy users Stars Professional users SMS users Basic users Non active
Image značky Design výrobků a služeb na míru segmentu Cílená produktová nabídka pro stávající zákazníky Volba komunikačního kanálu Volba prodejního a servisního kanálu Úspora nákladů Neexistuje žádná univerzální kuchařka, která pokrývá všechny oblasti podnikání.
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Segmentace zákazníků Zákaznická segmentace – proces rozdělní zákazníků do homogenních podskupin na základě jejich vlastností. Tradiční přístup pro třídění klientů: Demograficky/Geograficky Hodnotově Segmentace Geograficky Demograficky Hodnotově Psychograficky Behaviorálně Kombinace
20.6.2012
Proměnné stát, region, kraj, město, zvyklosti… pohlaví, věk, vzdělání, příjem, zaměstnání, národnost… tržba (Gold/Silver/Bronze), potenciál, riziko, loajalita názory, postoje, životní styl… počet transakcí, ATMs, depozity, úvěry, spoření, karty hodnotově & behaviorálně
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Cíle modelování Přilákat nové zákazníky Eliminovat rizikové zákazníky Optimalizovat pojistné sazby Pochopit stávající zákazníky Zlepšit spokojenost zákazníka Zabránit odchodu klienta Detekovat podvodné jednání Pravděpodobnost pojistné události Cross-up/sell … Předpoklady pro modelování: Diferencované potřeby zákazníků Velký počet zákazníků Velký počet transakcí
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Cíle modelování Model chování zákazníka (Trees, Neural Network, SVM…)
Proč odešel (Clustering, Principal Component Analysis …)
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Zdroje dat
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Analytické metody pro práci s daty Cross Tabulation Principal Component Analysis (PCA) Factor Analysis (FA) Cluster Analyse (CLA) Clasiffication And Regression Trees Association rules Neural Network
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Data mining Soubor pokročilých statistických metod pro odhalení netriviálních informací v datech. Vzorce chování Třídění dat Odchylky od normy Určení profilu klienta Predikční modely Segmentace
Dataminingové metody jsou využívány během celého CRM procesu. 20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Data mining
Response scoring Churn scoring Profit scoring Credit scoring Fraud scoring
Behaviorální scoring
20.6.2012
I. II. III. IV. V. VI.
Definice cíle/porozumění procesům Porozumění datům Příprava dat Tvorba dataminingových modelů Vyhodnocení modelů Deployment
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Příprava dat
Příprava datové základny zahrnuje: Vzorkování – cílová skupina je obvykle malé procento z celé populace Čištění a filtrování dat – poloha, variabilita, outlier, kvantily pro detekci chybných a odlehlých dat -Spojitá – rozdělní a ChD - Kategoriální – četnosti, vytvoření nové kategorie pro ChD Nahrazení chybějících hodnot Výběr a transformace proměnných I. II. III. IV. V. VI.
Definice cíle/porozumění procesům Porozumění datům Příprava dat Tvorba dataminingových modelů Vyhodnocení modelů Deployment
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Příprava dat
Výběr proměnných: Redukce počtu proměnných - Spojité (chí-kvadrát) - Kategoriální (min. četnosti, chí-kvadrát) Výběr podstatných proměnných
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Propensitní modely – Churn scoring
Propensity to Churn Cíl: - Lépe porozumět zákazníkům společnosti - Vytvoření představy o profilu loajálního zákazníka - Stanovení retenční strategie Výsledky modelu: Pravděpodobnost odchodu jednotlivých zákazníků. Indikátory: Vyšší platby než obvykle Více nových účtů za poslední období Větší podíl účtů s nulovým zůstatkem Velký počet disponibilních prostředků Přesun prostředků po obdržení první nabídky Menší podíl účtů s kladnými zůstatky
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Propensitní modely – Fraud scoring
Production system
Internal data
DM model rizikového chování
20.6.2012
Vysoká škoda/Pozdní platby Nedávné ohodnocení majetku Absence stvrzenek Spousta malých pojistných událostí Odcizená velká hotovost Časté změny pojistitele Existence dalšího pojištění Technická kontrola (prošlá/vyprší brzy) Nízký věk držitele Datum cesty je v rozporu s dobou platnosti Typ vozidla neodpovídá živ. stylu Nulový poplatek za odtažení Plnění v hotovosti Časté změny dokumentů
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Závěr
Udržení zákazníka prostřednictvím analýzy dat Modelování celého životního cyklu zákazníka. Vhodné technologie Segmentace zákazníků Definice signifikantních faktorů odchodu Průběžná analýza chování klienta (názory, postoje, přání) Včasná retence v různých komunikačních kanálech Detailní reporting zákazníků Systémy automatického varování Cílená komunikace/zákaznický servis
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
Děkuji za pozornost.
[email protected]
20.6.2012
ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH
