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
Download

null