Data->Information->Knowledge->Decision
První díly tohoto seriálu byly zaměřeny spíše na technické aspekty budování BI ve společnosti. Zmínili jsme jednotlivé fáze procesu a jejich úskalí, osvědčené postupy atd. V tomto a dalším díle bychom se rádi věnovali praktickému využití BI řešení pro fungování společnosti. Dnes konkrétně otázce využití technologií data miningu pro cílený marketing jako cestě ke zvýšení účinnosti marketingových akcí a optimalizaci jejich nákladů. V dalším díle se pak zaměříme na otázku odlivu klientů a modelování rizika.

Co je cílený marketing?
Asi každý z nás se někdy v minulosti stal objektem nabídky něčeho, o co neměl ani nejmenší zájem. Nebo jinak: myslíte, že má smysl nabízet rodině žijící na úrovni životního minima financování výstavby luxusního rodinného domu v atraktivní lokalitě? Nebo kreditní kartu klientovi nesplácejícímu spotřební úvěr? Ano, jistě se jedná o hodně přehnané příklady. Nicméně o tom, že přesnější zamíření marketingové akce na správnou skupinu oslovených je smysluplná úloha, nebude pravděpodobně nikdo pochybovat.

Jak tedy docílit výrazného zvýšení úspěšnosti marketingových akcí? V zásadě je to možné dvěma základními způsoby:

. Extenzivně ("vystřelíme vícekrát"): Jednoduše zvětšíme skupinu oslovených potenciálních klientů, což však s sebou nese i výrazně vyšší náklady na marketingové akce. Zvýšíme tedy absolutní úspěšnost, nikoliv však efektivitu celé akce.
. Intenzivně ("vystřelíme méněkrát, ale budeme lépe mířit"): Stejná nebo i menší skupina oslovených bude vybrána na základě kvalifikovaného odhadu jejich kladné reakce. Naše akce bude cílena na potencionální zájemce.

Zjednodušeně řečeno, smyslem metod pro cílený marketing je dosáhnout toho, že oslovíme pouze takové klienty, u kterých je vyšší pravděpodobnost kladné reakce ve srovnání s pravděpodobností danou při jejich náhodném výběru. Graf na obrázku č.1 ilustruje přínos takových metod (uvedené hodnoty jsou pouze ilustrativní):

. Určíme s pomocí zvoleného modelu pravděpodobnost nákupu produktu/služby pro všechny potenciální klienty.
. Setřídíme seznam klientů sestupně podle této pravděpodobnosti.
intelligence ne jako IT technologii, ale jako účinný nástroj pro podporu naší konkurenceschopnosti!

Oslovíme-li nyní např. 40 % klientů s nejvyšší zjištěnou pravděpodobností nákupu, najdeme mezi nimi přibližně 70 % z těch, kteří skutečně koupí, oproti 40% v případě náhodného výběru.

Obr 1. Zvýšení účinnosti kampaně

Proč se o tom tolik mluví?
Silné konkurenční prostředí a omezený trh nutí podnikatelské subjekty ke snaze identifikovat hlavní zdroje svého profitu - profitabilní zákazníky - a k hledání cest, jak si je udržet. Při využití metod data miningu pro marketingové procesy je možné dosáhnout:

1. Vyššího zisku
. Snížením marketingových nákladů.
. Větším podílem na peněžence klienta (wallet share).
. Snížením odlivu klientů (customer churn).

2. Kompetitivní výhody
. Důkladnou znalostí svých klientů.
. Schopností nabízet jim včas personalizované služby.
. Budováním firemního image.

3. Efektivnějšího a flexibilnějšího řízení
. Schopností predikovat a měřit vliv rozhodnutí na podnikání.
. Budováním "učící se" společnosti.

Jak to souvisí s BI (DM)?
Smyslem cíleného marketingu je oslovit správného klienta ve správný čas správným způsobem, tj. maximalizovat přínos dané akce pro klienta. Oslovení je však třeba realizovat v závislosti na přínosu pro společnost v podobě hodnoty, kterou jí klient přináší a může přinést. Obojí lze realizovat pouze na základě znalosti, monitorování a vyhodnocování jeho chování, což se neobejde bez podpory BI řešení a speciálně metod dolování dat. Jedná se o poměrně náročný proces vyžadující široké spektrum znalostí (tedy opět spolupráce business vs. IT) a odpovídající technologickou podporu.

Událostmi řízený marketing
Jednou z forem cíleného marketingu je tzv. event based marketing. Podstata EBM spočívá v tom, že každou relevantní událost na straně klienta (příležitost) je třeba využít k oboustranně přínosnému kontaktu (akci), a to co nejdříve. Pravděpodobnost pozitivního přijetí naší "akce" klientem totiž prudce klesá s narůstající dobou od události, jak demonstruje obrázek 3.

Příležitosti mohou vyplývat z události již nastalé (klient změnil bydliště), ale zejména z události potencionální (v čase klesající pokles hovorů může signalizovat klienta na odchodu k jinému operátorovi). Jde "jen" o to, ty správné události vytipovat (koupě produktu A přes internet), nalézt pro ně odraz v datech (data mining), definovat vhodnou reakci co do obsahu a formy (elektronická nabídka doplňkového produktu B) a nastavit monitorovací a spouštěcí procesy. Při průběžném vyhodnocování dat je akce (odeslání nabídky) spuštěna v momentě, kdy je událost v datech identitikována (individuálně pro každého klienta). Při periodickém monitorování je připravená akce spouštěna v definovaných intervalech (hromadně pro více klientů).

Obr 2. Schéma BI koncepce a fáze používné pro cílený marekting

Co je k tomu potřeba
I v tomto případě je nezbytným východiskem celého procesu správná definice business cíle (udržet vysoce profitabilní zákazníky), způsobu, jak jej dosáhnout (křížový a následný prodej) a zvolení strategie přístupu k jednotlivým segmentům (služby na míru pro vysoce profitabilní klienty, cílený křížový prodej klientům středně profitabilním, snížení nákladů na obsluhu klientů málo profitabilních).

Pak nastává prostor pro vlastní data mining a hledání odpovědí (U kterých zákazníků je vysoká pravděpodobnost koupě produktu X?).

Požadavky kladené marketingem na výstupy data miningu mohou být různě ambiciózní v závislosti na aktuálním stavu klientských dat, jejich dostupnosti, kvalitě a využívání.

Profilace a segmentace
Provádět účinný cílený marketing asi nebude možné bez profilace klientů, tedy bez jejich identifikace. Cílem této fáze je získat co nejvíce relevantních dat o co největším počtu klientů.

Získání integrovaného a konsistentního pohledu na klienta je obvykle důvodem pro budování datových skladů a propojení aplikací, které data o klientech sbírají.

Relevantní data o klientech se pak analyzují za účelem segmentace a klienti vykazující shodné nebo obdobné vlastnosti a potřeby se zařazují do skupin. Posuzované vlastnosti lze rozdělit přibližně do 3 oblastí:

. Sociálně-demografická data o klientech.
. Vzorce současného chování (počty a objemy používaných produktů a služeb, využívané komunikační kanály, rozložení nákupů/objemů v čase, nejvyšší/nejnižší/průměrné hodnoty nákupů či transakcí atd.).
. Životní cyklus vztahu s klientem (klient potenciální, nový, existující, ztracený, znovuzískaný, spokojený, loajální apod., v návaznosti na obor podnikání). Predikce budoucího chování (pravděpodobnost nákupu určité služby, odchodu ke konkurenci, rizika zpronevěry apod.)

Segmentace založená na charakteristikách z prvních tří oblastí může být prováděna pomocí tzv. deskriptivních analýz (např. analýza profilů). Tyto charakteristiky se většinou používají k určení současné hodnoty klienta, tedy k vyčíslení jeho aktuálního přínosu pro společnost. Ke stanovení potenciální hodnoty klienta, tedy k vyčíslení jeho možného budoucího přínosu, je potřeba zahrnout vlastnosti spadající do poslední oblasti. K tomu už je nutné použít modely prediktivní.

Obr 3.: Pravděpodobnost pozitivního přijetí reakce klientem v čase (Source: Teradata division, NCR)

Prediktivní modelování
Tento typ modelů je pro účely cíleného marketingu používán nejčastěji. Predikce na základě existujících informací odhaduje hodnoty reprezentující budoucí aktivitu (objem nákupu) nebo pravděpodobnost výskytu určitého jevu (kladné reakce na nabídku, odchod ke konkurenci). K analýzám tohoto typu patří např.:

. Modelování odezvy - Cílem metody je předpovědět, koho zahrnout do marketingové akce, tj. kdo bude velmi pravděpodobně kladně reagovat na nabízený produkt/službu.
. Modelování rizika - Cílem metody je předpovědět pravděpodobnost, že zákazník nebude schopen dostát svým závazkům vyplývajícím z využívané služby (např. splacení úvěru) nebo že bude naplněna jiná forma rizika spojeného s poskytnutou službou (např. pojistné plnění).
. Modelování křížového prodeje - Cílem metody je předpovědět pravděpodobnost, že zákazník bude nakupovat jiné produkty společnosti nebo předpovědět hodnotu tohoto nákupu.

V některých případech je užitečné i metody kombinovat. Např. k určení cílové skupiny pro nabídku produktu spojeného s rizikem je vhodné kombinovat metody modelování odezvy a metody modelování rizika. Není smysluplné nabízet produkt klientovi, který sice s vysokou pravděpodobností nabízený produkt koupí, ale zároveň nese vysoké riziko spojené s využíváním tohoto produktu.

Analytické nástroje a technologie podporující metody prediktivního modelování jsou tak dalším nezbytným předpokladem využívání DM pro marketing.

Integrace s operativním CRM
Nejlepším zdrojem informací pro cílený marketing jsou výsledky z některé předcházející marketingové akce. Na základě znalosti vlastností skupiny oslovených, kteří reagovali kladně, je možné modelovat profil vlastností těch, které má smysl oslovit v nové akci stejného charakteru (se stejným obsahem).

Aby mohla být tato data analyzována, musí být nejprve zaznamenávána. Tady přichází ke slovu aplikace tzv. operativního CRM, zejména část podporující automatizaci marketingových kampaní ve vazbě na různé komunikační kanály. Jejím prostřednictvím se dostává k příslušným osobám informace o rozjetých kampaních a klientech v nich zařazených. Jejím prostřednictvím jsou rovněž zaznamenávány reakce oslovených klientů. Zaznamenaná data lze ukládat v požadované formě v datovém skladu a následně je využívat pro marketingové a další analýzy. Ne vždy jsou však data z předcházejících akcí k dispozici. V tom případě je možné uvažovat o použití výsledků akce týkající se obdobného produktu/služby, nebo použít informace o klientech, kteří již daný produkt/službu využívají.

Shrnutí
Na závěr ještě zopakujme, že cílený marketing podporovaný metodami data miningu vyžaduje kromě značného business know-how rozsáhlou technologickou podporu. Na druhé straně může pro společnost znamenat řadu přínosů založených na důkladné znalosti klientů.

Využitím metod data miningu si společnost vytváří předpoklady k přeměně dostupných dat na použitelné informace, které se při efektivním využití stávají cenným "majetkem" podmiňujícím úspěšné podnikání.

Základní pojmy:
Customer lifetime value: peněžně vyjádřený ukazatel reprezentující přínos klienta pro společnost. Je tvořený současnou a budoucí hodnotou a měl by zahrnovat jak aspekty hmotné (náklady, výnosy), tak nehmotné (reference, kvalita vztahu).

Wallet share: podíl peněz utracených klientem za služby společnosti vs. jeho použitelný příjem. Čím větší podíl mám, tím obtížnější je pro klienta odejít ke konkurenci (závisí na odvětví).

Event based marketing (též behavioral marketing): každou relevantní událost na straně klienta je třeba co nejrychleji využít jako příležitost k oboustranně přínosnému kontaktu.

Segmentace klientů za různým účelem představuje samostatné DM úlohy, které musí splňovat všechny podmínky a kroky popsané v minulém díle. Podle toho, ve které fázi diferenciace svých klientů se společnost nachází, používá různé DM metody.

Na základě kombinace faktorů patřících do prvních dvou oblastí lze stanovit definici současné hodnoty klienta. Přidáním faktoru pravděpodobnosti vývoje chování klienta v čase lze získat celkovou životní hodnotu klienta (customer lifetime value). Právě optimalizace této hodnoty směrem k loajálnímu klientovi je alfou a omegou všech marketingových aktivit. Ohodnocení klienta je nezbytným vstupem pro rozhodnutí o personalizované a cílené komunikaci s klientem.



Autoři článku, Martina Šillerová a Jiří Mates, pracují jako business konzultanti ve společnosti NESS.