Počátky analýzy zákaznických dat

Historicky se tato odvětví vyvíjela z monopolní struktury až ke konkurenčnímu prostředí. Změnou struktury trhu se změnily i bariéry, které museli zákazníci překonávat v případě, že chtěli jiné složení služeb případně jinou cenu. V dobách Českého Telecomu a Eurotelu se jen málokomu snilo o tom, že bude možné mobilní číslo přenést k jinému operátorovi nebo mít k dispozici připojení k internetu jinak než skrz pevnou linku. S rozvojem inovací a uvolněním podmínek vstoupily na trh další společnosti, což vedlo k postupnému nasycení a ke stále většímu boji o zákazníky. Ten se z počátku odehrával formou hromadných marketingových akcí - obvoláváním databáze čísel konkurenční společnosti, anonymními letákovými kampaněmi nebo inzercí v médiích. Cílem bylo přesvědčit zákazníka o výhodnosti nabídky a následném přechodu ke konkurenci. Tento přístup byl ve většině případů negován opačným typem kampaně, jenž měl zákazníka u společnosti udržet.

Investice do podnikové infrastruktury umožnily společnostem ukládat a zpracovávat stále větší objemy zákaznických dat. Kromě standardního reportování se začaly využívat analýzy týkající se hodnocení kampaní, základní segmentace nebo podrobnějšího hodnocení odchodovosti ve vztahu k zákaznickým charakteristikám. V průběhu doby se ukázalo, že odezva hromadných anonymních akcí je velice nízká a mnohdy její zisky nepokryjí náklady na přípravu a provedení kampaně.

Prediktivní analytika

Rozvoj komunikačních technologií otevřel prostor pro možnost oslovení zákazníků různými formami a cestami (multikanálové kampaně), jejichž správa a vyhodnocení je finančně a technologicky náročná. Aby oslovení zákazníků mělo patřičný efekt a neopakovala se negativa hromadných kampaní, bylo nutné sdělení zacílit, tzn. v ideálním případě oslovit správného zákazníka se správným produktem ve správný čas. Pokud některý z těchto předpokladů nebyl dodržen, měla kampaň naopak negativní dopad. Zákazník byl osloven s nerelevantní nabídkou, mnohdy opakovaně, což vedlo k úplnému zablokování komunikace s ním. Několikrát se mi stalo, že mě poskytovatel internetu oslovil s možností zvýšení tarifu. Pro mě to ale neznamenalo přidanou hodnotu, protože jsem plně nevyužil ani současný tarif a navíc jsem začal hledat informace o současné nabídce na trhu, protože jsem byl vybuzen k aktivitě. Určitá část zákaznického kmene by si produkt nebo službu zakoupila i bez oslovení, proto je u této skupiny komunikace zbytečná a v dlouhodobém horizontu kontraproduktivní. Aby komunikace byla cílená, přistoupilo se k prediktivní analytice.

Jejím cílem je předpověď vybraného jevu (akceptace nabídky, odchod zákazníka). Mezi prvními se rozvinula úloha odchodu zákazníka ke konkurenci (churn). Ztráta zákazníka totiž neznamená pouze jeho odchod a následné snížení zisků, ale způsobuje i poškození reputace. Výsledkem churn analýzy jsou individuální pravděpodobnosti odchodu zákazníků a faktory, které takové rozhodnutí vyvolají. Tato informace je pak využita pro tvorbu retenční kampaně. V prvním kroku jsou vybráni do retenční kampaně takoví zákazníci, u kterých existuje vysoká pravděpodobnost budoucího odchodu a zároveň je jejich hodnota (Customer lifetime value) dostatečná proto, aby se vyplatilo nabízet retenční produkt. Ve druhém kroku je pracováno s faktory, které vysokou pravděpodobnost odchodu ovlivňují – mezi nejčastější faktory patří cena, nespokojenost se službami a nespokojenost s komunikací.

Z dalších úloh prediktivní analytiky je vhodné uvést úlohy pro podporu x-sellu. Ty formou pravidelného doporučování různých služeb různým zákazníkům nebo výběrem zákazníků do kampaní udržují zákazníka v aktivní fázi nakupování. Výsledkem těchto analýz je seznam lidí, u kterých existuje vysoká pravděpodobnost akceptace nabídky nebo seznam služeb, které mají být zákazníkovi nabídnuty tak, aby s tím byl spokojený jak zákazník, tak i společnost. Cílem takto připravených kampaní je, aby zákazník akceptoval nabídku s cenou, která je přijatelná pro něj i pro společnost, místo kampaní se zbytečně nízkou cenou.

Výsledky prediktivní analytiky by měly vést k:

• snížení nákladů (přesné cílení kampaní, optimalizace komunikačního kanálu)
• zvýšení výnosů (identifikace neprofitabilních zákazníků, zvýšení průměrné hodnoty zákazníka)
• zvýšení loajality zákazníků (odhalení faktorů snižujících spokojenost, prodloužení životního cyklu zákazníka)
• stanovení kapacit kontaktního centra (rozložení výkyvů v čase, snížení doby zpětného kontaktu) 

Obr. 1: Nejvyšší přidanou hodnotu vykazují úlohy prediktivní analytiky

(Staro)Nové trendy

Mezi klasická témata, která se již delší dobu zmiňují v souvislosti s rozvojem analýzy zákaznických dat v telekomunikacích, patří hlavně analýza sociálních sítí a analýza textu. Sociální sítě jsou v tomto pojetí charakterizovány vztahy a interakcemi mezi jednotlivci v síti. Mezi nejčastější využití patří odhalení sociálních leaderů, kteří mají významný hlas při rozhodování o nákupu zboží nebo služeb (decision maker) nebo ovlivňuje mínění ostatních členů skupiny (promoter) – čehož je využíváno ve virálním marketingu, kde je použit pro šíření marketingového sdělení s cílem oslovit co nejvíce potenciálních zákazníků.

Analýza textu je jednou z nejnáročnějších analýz, jejímž cílem je strojové rozpoznání textu. Informace extrahované z textu slouží (nejen) k podpoře prediktivní analytiky. Toho je dosahováno převodem nestrukturované informace do strukturované podoby, která je standardně využitelná a měla by vést ke zlepšení prediktivních schopností modelu. Pokud klient navštívil pobočku a jsou do poznámky popsána řešená témata, je nutné tuto informaci využít, aby byl při budoucím kontaktu zákazník osloven s personalizovanou nabídkou. Analýza textu je také úzce spjata s analýzou řeči. Zde je mezikrokem převod mluvené řeči na text a následná analýza textu. Tyto techniky se nejčastěji uplatňují v souvislosti s péčí o zákazníka, kde jsou pořizovány textové a hlasové záznamy o kontaktu se zákazníkem. Širšímu využití těchto analýz do standardních procesů v současnosti brání nedostatečná přesnost nástrojů na přepis řeči na text, velmi malý počet nástrojů pro analýzu textu schopných pracovat s českým jazykem, ale i typické znaky lidské kreativity ve vyjadřování jako je ironie nebo dvojsmysly.

Nejbližší budoucnost

Ta je nastolena rozvíjejícím se používáním „chytrých“ zařízení, která jsou připojena k internetu. Nejčastěji se mluví o internetu věcí. Ten pro analytiky přináší několik problémů – mezi nejvýznamnější patří otázka uložení dat (kde a jak data ukládat) a jejich efektivního zpracování a využití. Ukládání velkých objemů strukturovaných dat bude řešeno investicemi do infrastruktury nebo outsourcingem do datových center. Největší korporace se už nyní zaměřují na testování ukládání nestrukturovaných dat pomocí technologie založené na principu Hadoop. Ten částečně napomáhá efektivnímu zpracování dat, ale rozšíření této technologie bude determinováno obchodní potřebou vytěžovat informace z tohoto typu dat a počtem lidí věnující se této technologii.

V analýze strukturovaných dat se bude rozvíjet online přístup k vyhodnocení sbíraných dat ze všech datových zdrojů, protože cesta k oslovení zákazníka vede přes personalizovaný zásah v místě a čase, kdy je zákazník nejvíce náchylný k akceptaci nabídky. Velký potenciál pro marketing (volba místa, času a skupiny zákazníků pro prezentaci sdělení) představuje využití lokačních dat nejčastěji z mobilních telefonů. Znalost míst, ve kterých se zákazník pohybuje (stadion, letiště, nákupní centrum) povede k lepší alokaci reklamy a možnostem zlepšovat zákaznický servis.

Rozvoj v rámci organizace

Podle průzkumů vidí vrcholní manažeři cestu k zákazníkovi přes rozvoj analytiky v rámci jejich organizace. Po delším období ekonomické stagnace se tato potřeba projevuje v nárůstu investic do lidí a prostředků zaměřujících se na analytiku. Pokročilá analýza dat sebou nese pozitiva ve schopnosti lepšího plánování, lepší komunikace a lépe cílené nabídky. Zákazníci tento přístup ocení vyšší mírou konverze a vyšší loajalitou. Podobným analytickým vývojem si musí v čase projít každá společnost a je dobré si objektivně zhodnotit, jak daleko se v této genezi nachází a co musí udělat pro svůj další růst.

Ing. Michal Kadlec