Jak využít data o zákaznících ke zvýšení příjmů z prodeje

23.9.2015

Jak využít data o zákaznících ke zvýšení příjmů z prodeje Michal Kadlec Marek Loukotka Lubomíra Červová

© 2015, ACREA CR spol. s r.o.

www.acrea.cz

[email protected]

Program

Dívejte se na budoucnost, ne jen na minulost


1

23.9.2015

Jaká data využíváme? Hodnotná, dynamická data – zdroj konkurenční výhody

Data o postojích

Interakční data

- E-mail / chat - Poznámky z call center - Záznamy z webu - Real-time interakce

- Názory - Preference - Potřeby & Přání - Spokojenost

Popisná data

Behaviorální data

- Atributy - Charakteristiky - Deklarované info - (Geo)demografika

- Objednávky - Transakce - Platební historie - Historie užívání

“Tradiční data” © 2015, ACREA CR spol. s r.o.

Důležité aspekty

správný čas

vše dohromady

servis

správný zákazník

správné místo


2

23.9.2015

Predictive Customer Analytics


Všichni již s daty pracují. Otázkou je jak?


3

23.9.2015

Jak využít data o zákaznících … Proč jsme tady?


www.acrea.cz

[email protected]

Agenda • Obecný přístup ke zvyšování zisku • Typy řešení práce se zákaznickými daty • Řešení cross sellu / up sellu • Praktická ukázka • Jednou úlohou to nekončí


4

23.9.2015

Jak na zvýšení zisku? Pohybujeme se v oblasti 5P:

• Zisk = výnosy - náklady

Product - kvalita, sortiment, design, image Place - distribuční cesty, intenzita distribuce Price - poslání ceny, cenové nástroje Promotion - propagace, podpora prodeje, public relations People - know how

• Zvýšení výnosů • • • •

zvýšení objemu změna ceny změna produktu …

• Snížení nákladů • • • •

snížení nákladů na aktivity změna produktu snížení počtu pracovníků …


Jak na zvýšení objemu? Orientací na prodej • • • • • •

Orientací na marketing

orientován na produkt orientován na objem jednostranný proces krátkodobé cíle bez rozlišení zákazníků málo se přizpůsobuje prostředí (cena)

• orientován na zákazníka • výstup určuje marketingový výzkum • oboustranný proces (zpětná vazba se zákazníkem) • dlouhodobé cíle (CRM) • klade důraz na skupiny zákazníků (segmenty) • vhodně se přizpůsobuje prostředí (životní cyklus výrobku)

* Role statistiky a data miningu v marketingu


5

23.9.2015

Customer relationship management (CRM) • obchodní koncept, kdy firma získá ucelenou představu o zákazníkovi pro zlepšení vztahu s ním a maximalizaci zisku z něho • představuje sadu procesů a technologií podporujících tvorbu dlouhodobého ziskového vztahu se specifickým zákazníkem, ústředním cílem CRM je zvýšení hodnoty zákazníka díky lepšímu pochopení jeho potřeb a preferencí • marketing je chápán jako vztahy, vazby, interakce • management neustálé obchodní interakce mezi dodavatelem a odběratelem • Není to pouze modul v Informačním systému !


Jak na zákazníka? Jaké úlohy se řeší v oblasti marketingu a pomáhají k pochopení zákazníka? • Cross sell / up sell • Next best offer (action) • Segmentace • Analýza odchodu zákazníka ke konkurenci (churn) • Analýza vlivu faktorů (marketing, konkurence, změna produktu atd.) na prodej


6

23.9.2015

Koncept Zvýšení zisku Zvýšení prodeje

Vyhodnocení

Aplikace

Pochopení zákazníka


Cross sell / up sell • Úlohy pro zvýšení hodnoty zákazníka • Zákazník očekává přidanou hodnotu • Up sell - zákazníkovi je nabízen produkt nebo služba pokročilejší nebo vyšší verze

• Cross sell - zákazníkovi je nabízen produkt nebo služba související se základní položkou

• Proč používat? • Schopnost efektivně pracovat se stávajícím zákazníkem vykazuje vyšší profitabilitu než získávání zákazníků na volném trhu nebo od konkurence.


7

23.9.2015

Data k úloze Strukturovaná • statická • osoby, produkty, smlouvy

Nestrukturovaná • text • weby, sociální sítě, blogy,

obchodní záznamy, stížnosti, protokoly

• behaviorální • nákupy, transakce,

spotřeba, komunikace

• zvuk • telefonní hovory, výpovědi

• obraz a video • fotografie, sociální sítě,

kamerové systémy


Data mining Data mining je proces objevování významných netriviálních závislostí, vzorů a trendů cíleným prozkoumáváním velkých objemů dat pomocí algoritmů pro odhalování pravidel a pomocí matematických a statistických algoritmů. (Gartner Group)

DATA MINING je velice složitý informační systém; vytváření nejrůznějších modelů (Zápisky z přednášky marketingu)


8

23.9.2015

Dataminingové přístupy ke cross sellu / up sellu • Asociační a sekvenční pravidla • hledání asociací mezi nakupovaným

zbožím • hledání užitečných pravidel mezi

mnoha položkami • nesupervizované učení • analýza nákupního košíku

• Predikce oslovení kampaní • známé chování zákazníků • supervizované nebo

semi-supervizované učení • propenzitní skóre


Asociační a sekvenční pravidla • Asociační pravidla ukazují, které hodnoty atributů se v datech vyskytují společně

závěr <= předpoklad1 & předpoklad2 …& předpokladN


9

23.9.2015

Asociační a sekvenční pravidla Konkrétní využití

Vyhodnocení

• Výběr zboží pro marketingové • Spolehlivost celého pravidla Podíl případů, kde jsou splněny akce zároveň předpoklady i závěr • Výběr zákazníků pro • Navýšení (Lift) marketingové akce Podíl aposteriorní (spolehlivost) • Dodatečné nabídky (next best a apriorní pravděpodobnosti offer) závěru • Balíčky produktů • Potenciál (Deployability) • Změna rozložení zboží v Podíl případů, pro které jsou kamenných prodejnách / splněny předpoklady, ale neplatí eshopech závěr Všechny případy Splněný závěr

Splněné předpoklady © 2015, ACREA CR spol. s r.o.

Predikce oslovení kampaní Postup úlohy Historická data

• Nová data z pilotní kampaně na vzorku náhodně vybraných zákazníků • Data z předchozích kampaní za určitých podmínek • Zaznamenání výsledků kampaně k příslušnému zákazníkovi

Tvorba modelu

• Tvorba modelu na základě historických dat • Hledání faktorů ovlivňující zákazníky • Kvantifikace faktorů, ověření modelu • Skórování ostatních zákazníků

Kampaně

• Hodnocení na dvou souběžných kampaních • 1. kampaň - výběr zákazníků pomocí modelu • 2. kampaň - náhodný výběr zákazníků • Zaznamenání výsledků kampaně

Hodnocení

• Srovnání výsledků • Hodnocení přínosu • Návrh dalšího řešení

Cíl: Predikovat, kteří zákazníci využijí nabídku + jaké faktory k tomu vedou


10

23.9.2015

Predikce oslovení kampaní Konkrétní použití

Vyhodnocení - marketingové grafy

• Nabídka nového produktu • Nabídka vyšších, odlišných typů • Aktivace zákazníků • Testování kanálů

• Gain Procento zásahů do určitého percentilu skóre

• Navýšení (Lift) Podíl aposteriorní a apriorní pravděpodobnosti zásahu

• Úspěšnost (Response) Procento zásahů v hodnocených případech

• ROI Podíl výnosů a nákladů v kvantilu

Důležité je sledovat percentil skóre při interpretaci grafu © 2015, ACREA CR spol. s r.o.

Shrnutí úlohy cross sell / up sell Co lze očekávat? Jaké jsou výsledky?

Asociační pravidla - soubor pravidel (triviální/ užitečné/ těžko pochopitelné) - výsledky lze srovnávat se stavem před změnou, která plynula z výsledků modelu

Predikce oslovení kampaní - pravděpodobnost (skóre) přiřazené každému zákazníkovi - výsledky lze srovnávat kontinuálně - orientační evaluační charakteristiky na historických datech © 2015, ACREA CR spol. s r.o.

11

23.9.2015

Praktická ukázka • Tvorba modelu • Interpretace modelu • Hodnocení přínosů


Další úlohy • Jednou připravená data (alespoň validovaná) otevírají bránu k dalším úlohám

• Segmentace • Analýza odchodu zákazníka ke konkurenci (churn) • Analýza vlivu faktorů (marketing, konkurence, změna produktu atd.) na prodej • Kombinování přístupů


12

23.9.2015

Segmentace • hledání přirozených skupin zákazníků, které jsou na základě určitých charakteristik vnitřně homogenní • nesupervizované učení • statická a behaviorální data • výsledkem je zařazení jednotlivých zákazníků do skupin (segmentů) • nejednoznačný výsledek, nutné dále interpretovat

Segmentace - proces, jímž je zákaznický kmen rozdělen na odlišné skupiny Targeting - proces měření atraktivity segmentů a výběr jednoho nebo několika segmentů pro akci Positioning - proces uplatnění životaschopného konkurenčního postavení firmy a její nabídky u každého cílového segmentu


Analýza odchodu zákazníka ke konkurenci • hledání zákazníků, kteří mají v úmyslu rozvázat kontrakt, přestat využívat služby • supervizované účení • historická data o odchodech • výsledkem je pravděpodobnost odchodu v definovaném časovém úseku • jednoznačný výsledek

Retenční kampaň Snaha udržet zákazníky, u kterých se to vyplatí a zároveň neposkytovat výhodnou nabídku zákazníkům, kteří nemají v úmyslu odejít.


13

23.9.2015

Analýza vlivu faktorů na prodej • (hledání a) kvantifikace faktorů, které ovlivňují prodeje, využívaní služeb, návštěvnost atd. • supervizované účení • historická agregovaná data • výsledkem je seznam významných faktorů a jejich vliv na zkoumaný jev • jednoznačný výsledkem s dobrou interpretovatelností

Často kladené otázky: - Má vliv kampaň na objem prodejů/ návštěvnost? Jaký? - Jak jsou prodeje ovlivňovány svátky, kulturními akcemi, ročním období, měsíci v roce? - Vyplatí se pořádat nárazové akce? Jaký je jejich vliv, kolik přinesou?


Nástrahy a problémy Lidský faktor • nevěří • neumí • neví

Asociační a sekvenční přístup • nesupervizovaná metoda • přílišná roztříštěnost produktů • kategorizace zobecnění

Problém s daty • chybějící data • roztříštěná data

Nasazení do procesů • selhává na drobnostech • kontrola procesu

Zpožděná reakce • trh se vyvíjí • změna produktu, prostředí

Vše se dá vyřešit, je ale vhodné na to být připraven. © 2015, ACREA CR spol. s r.o.

14

23.9.2015

Tipy a triky na závěr • Důležité je obchodní hledisko • Ne všechny přínosy se dají finančně vyjádřit • Opatrný start = pilotní projekt • Základ je plán s časovou dotací jednotlivých fází • Na konci se podívejte na začátek


Kurzy Centra výuky ACREA


www.acrea.cz

[email protected]

15

23.9.2015

Centrum výuky ACREA Naše zkušenosti: • v oblasti vzdělávání působíme 20 let • lektorský tým tvořený zkušenými analytiky, výzkumníky a vysokoškolskými učiteli

Nabízíme profesní vzdělávání v oblastech: • statistika a analýza dat • software • data mining


Na co klademe důraz profesionální přístup, vysoká odborná úroveň výuky didaktické schopnosti a kultivované vystupování lektorů srozumitelná forma výuky i pro „nestatistiky“ spojení s praxí a předávání know-how moderní výukové metody široká nabídka témat přizpůsobení aktuálním potřebám zákazníků, vývoji v oboru, novinkám na trhu • kvalitní výukové materiály • spokojenost zákazníků, příjemné prostředí, ochota a vstřícnost … • • • • • • •


16

23.9.2015

Veřejné kurzy • místo konání: Praha, Bratislava • délka kurzů: semestrální kurzy, jednodenní, dvoudenní, třídenní … • úroveň: • široké spektrum kurzů od základních až po speciální • určeno zájemcům na všech úrovních

• forma: klasická výuka, praktikum


Základní informace • maximálně 12 účastníků • každý má k dispozici vlastní notebook • 1 den = 8 vyučovacích hodin • výuka probíhá od 9:00 do 16:30 hodin (hodinu pauza na oběd a dvě krátké přestávky)

• během přestávek připraveno občerstvení


17

23.9.2015

Kurzy na klíč • • • • •

kurz vytvořený „na míru“ podle potřeb zákazníka přizpůsobení obsahu, formy, délky kurzu možnost výuky na vlastních datech ucelená skupina kolegů z jedné firmy místo konání dle potřeb zákazníka


Kde je možné získat informace o kurzech • • • • •

přímo zde osobně během přestávky (nebo kdykoliv jindy) webové stránky: http://www.acrea.cz/cz/centrum-vyuky kalendář kurzů tel/fax: +420 234 721 444 email: [email protected]


18

23.9.2015

Doporučované kurzy (1) Data mining semestrální kurz • Data mining – dolování znalostí z databází (1.10.2015 – 21.1.2016) • pravidelná setkávání každý čtvrtek 9:00 -12:30 hodin • získání ucelených znalostí z oblasti data minigu • užívaný software: IBM SPSS Modeler • možnost bezplatného zapůjčení softwaru během kurzu

Software IBM SPSS Modeler • IBM SPSS Modeler: Příprava dat pro modelování (21.9.2015 – 23.9.2015)

• IBM SPSS Modeler: Práce s dataminingovými modely (24.11.2015 – 25.11.2015) © 2015, ACREA CR spol. s r.o.

Doporučované kurzy (2) Dataminingové modely • Dataminingové modely: asociační pravidla a analýza sekvencí (12.10.2015)

• Dataminingové modely: rozhodovací stromy (9.11.2015) • Dataminingové modely: logistická regrese a optimální kategorizace (30.11.2015) Dataminingové úlohy • Detekce podvodů (Fraud) (1.12.2015) • Prediktivní údržba (plánováno) Dataminingové kurzy v Bratislavě • Data mining – dolovanie znalostí z databáz (5.-7.10.2015) © 2015, ACREA CR spol. s r.o.

19

23.9.2015

Doporučované kurzy (3) Statistika a analýza dat semestrální kurz • Statistická analýza dat v praxi - od pojmů k interpretaci výsledků (2.10.2015 - 22.1.2016) • • • •

pravidelná setkávání každý pátek 9:00 -12:30 hodin získání ucelených znalostí z oblasti statistiky užívaný software: IBM SPSS Statistics možnost bezplatného zapůjčení softwaru během kurzu

• RFM analýza (11.11.2015)


Rok neomezeného vzdělávání možnost zúčastnit se neomezeně všech našich veřejných kurzů kromě semestrálních po dobu jednoho roku (v Praze i v Bratislavě) • na vybraný kurz je třeba se přihlásit nejméně 10 pracovních dní před zahájením • v době přihlášení musí být na kurzu volná kapacita (pokud je kurz již obsazen nebo se v daném termínu neotevře, je nabídnuta alternativa) •

Varianty programu • BASIC – nepřenosné, vztahuje se pouze na osobu uvedenou na přihlášce • MIDDLE – přenosné, mohou se zúčastnit všichni zaměstnanci daného pracoviště, vždy však maximálně v počtu odpovídajícím zakoupenému počtu oprávnění • MULTI – mohou se zúčastnit všichni zaměstnanci daného pracoviště bez omezení počtu až do naplnění kapacity kurzu (max. 12 účastníků) © 2015, ACREA CR spol. s r.o.

20

23.9.2015

Využijte jeden z mnoha způsobů, jak se s námi spojit: Web: E-Mail:

www.acrea.cz [email protected]

Telefon:

+420 234 721 400

Adresa:

Krakovská 7 110 00 Praha 1

Sociální média:

ACREA CR @acrea_cr ACREA CR


21

Jak využít data o zákaznících ke zvýšení příjmů z prodeje

Recommend Documents