Banky, pojišťovny, telekomunikační operátoři a další firmy, jejichž obchodní činnost spočívá v poskytování služeb velkému počtu zákazníků, se snaží prostřednictvím marketingových kampaní a prodejem dalších produktů zvyšovat hodnotu svých zákazníků. Dnes jsou již široce rozšířeným pomocníkem dataminingové modely odezvy na kampaň, kdy při návrhu kampaně nejprve určíme produkt, který budeme nabízet, a po vybudování modelu následuje výběr zákazníků s nejvyšší pravděpodobností jeho nákupu. Tímto postupem vlastně „optimalizujeme“ každou kampaň samostatně, což však nemusí být, a zpravidla není efektivní (optimální) z celkového pohledu všech prováděných kampaní. Jinými slovy, bylo by možné se stejnými náklady zvýšit výnosy z prováděných kampaní prostřednictvím návrhu, který optimalizuje všechny prováděné kampaně najednou – právě o to se snaží marketingová optimalizace.


Při využití marketingové optimalizace tak lépe respektujeme realitu, kdy se kampaněmi aktivně nabízí celá řada produktů, zákazníky je zpravidla možno oslovit několika kanály, a když si k tomu přidáme ještě velký počet zákazníků, vzniká obrovské množství kombinací (počet zákazníků×produktů ×kanálů), které do této optimalizace vstupují. Marketingová optimalizace se tak snaží komplexně řešit problém nabídnutí toho správného produktu správnému zákazníkovi tím správným kanálem.

Data mining

Existence a využívání dataminingových modelů odezvy na kampaň je nutným předpokladem pro nasazení marketingové optimalizace, proto nejprve stručně shrneme principy těchto metod.
Cílem je předpovězení, kdo bude reagovat na nabídku výrobku nebo služby. Modely tohoto typu jsou budovány jak pro akvizici nových zákazníků, tak pro rozšíření a navýšení prodeje současným zákazníkům. Pro samotnou realizaci je pak důležitá především dostupnost dat o zákaznících v potřebné historii, rozsahu a detailu a také kvalitní softwarové nástroje pro vývoj dataminingových modelů. Oporou budování modelu jsou data o zákaznících, kteří si daný produkt koupili sami od sebe, nebo analyzujeme charakteristiky zákazníků, kteří reagovali na minulou, případně testovací kampaň. V případě akvizice nových zákazníků je potřeba databázi potenciálních zákazníků pro modelování zpravidla zakoupit.
Vstupními proměnnými modelu jsou charakteristiky zákazníka (demografické údaje, informace o využívaných produktech, platební morálce a další), výstupní proměnnou je pravděpodobnost či hodnota nákupu. Jako typ analytického modelu je nejčastěji využívána logistická regrese, neuronové sítě a rozhodovací stromy.

Optimalizace – ale v jakém smyslu?

Využívání metod matematické optimalizace má dlouholetou tradici především v oblastech řízení dodavatelských řetězců, logistiky, zásob a dalších. V rámci marketingu se pojem optimalizace vyskytuje také velmi často. Například v souvislosti se softwarem pro podporu marketingových procesů dodavatelé IT řešení běžně tvrdí, že nasazení jejich řešení pro plánování kampaní, CRM, segmentaci, marketingové analýzy, vyhodnocování kampaní, automatizaci kampaní a podobně napomůže optimalizovat marketingové procesy. Jen občas se optimalizací v kontextu marketingu rozumí sestavení a nasazení rigorózního matematického modelu, tak jak je pojímána v tomto příspěvku.
Optimalizací zde rozumíme velmi specifickou metodu pro podporu rozhodování pocházející z oblasti operačního výzkumu.
Úloha optimalizace se skládá ze tří základních částí:

• proměnné úlohy – proměnné jejichž výsledné hodnoty nám říkají, zda příslušnou kampaní oslovit určitého zákazníka,
• účelová funkce – funkce odpovídající obchodním cílům, jako jsou maximalizace zisku nebo maximalizace návratnosti kampaní,
• omezení – obchodní omezení jako například rozpočet na kampaně, kapacita call centra, kapacita tisku dopisů nebo pravidla pro oslovování zákazníků.

Porovnání několika přístupů

Ukažme si výhody marketingové optimalizace na příkladu srovnání obvyklého využití data miningu a přístupu s optimalizací. Jestliže plánujeme provést kampaně na několik produktů najednou a vznikne nám skupina zákazníků, kterou bychom měli dle modelu oslovit několika kampaněmi, vzniká problém určit, kterou z možných kampaní zákazníka oslovit



Obr. 1: Překrývání se skupin zákazníků, kteří byli modelem vybráni pro jednotlivé kampaně

Překrývající se části na obrázku 1 představují zákazníky, kteří byli vybráni pro více kampaní, zpravidla to bývají ti nejziskovější, což činí problém výběru správné kampaně ještě významnější.
Výše naznačený problém se dá řešit několika přístupy, my porovnáme tři z nich: výběr dle hodnoty po kampaních, výběr dle hodnoty po zákaznících a optimalizaci. Předpokládejme, že díky dataminingovému modelu máme k dispozici pravděpodobnosti odezvy a také odhady hodnoty při nákupu, vynásobením odhadů pravděpodobnosti a hodnoty získáme očekávané hodnoty nákupu zobrazené pro devět zákazníků v tabulce 1.

Zákazník	Kampaň A	Kampaň B	Kampaň C
1	100	120	90
2	50	70	75
3	60	75	65
4	55	80	75
5	75	60	50
6	75	65	60
7	80	70	75
8	65	60	60
9	80	110	75

Tab. 1: Očekávané hodnoty nákupu poskytnuté dataminingovým modelem

Dále předpokládejme, že provedení kampaní musí splňovat následující omezení:

• každá kampaň může oslovit maximálně tři zákazníky z daného seznamu,
• každý zákazník může být zařazen maximálně do jedné kampaně.

1. Výběr po kampaních

Výběr po kampaních je nejpoužívanější postup, který firmy volí v obdobných případech. Řekněme, že kampaně na produkt A byly v minulosti nejziskovější, a proto dejme této kampani prioritu. Pro kampaň A vybereme zákazníky 1, 7 a 9, neboť mají nejvyšší očekávanou hodnotu. Obdobně vybereme z šesti zbývajících tři zákazníky pro kampaň B a v rámci kampaně C budou osloveni zbylí tři.

Zákazník	Kampaň A	Kampaň B	Kampaň C
1	100	120	90
2	50	70	75
3	60	75	65
4	55	80	75
5	75	60	50
6	75	65	60
7	80	70	75
8	65	60	60
9	80	110	75

Tab. 2: Výsledky výběru po kampaních

Celkový očekávaný obrat je při tomto postupu 655.

2. Výběr po zákaznících

Při pohledu na tabulku 2 je patrný prostor pro celkové zlepšení, například prvního zákazníka bychom měli zařadit do kampaně B a po drobné další úpravě bychom zvýšili

Zákazník	Kampaň A	Kampaň B	Kampaň C
1	100	120	90
2	50	70	75
3	60	75	65
4	55	80	75
5	75	60	50
6	75	65	60
7	80	70	75
8	65	60	60
9	80	110	75

Tab. 3: Výsledky výběru po zákaznících

obrat o 20. Zvolme tedy další postup zařazující zákazníky postupně vždy do kampaně s nejvyšší očekávanou hodnotou, samozřejmě při respektování omezení. Zákazník 1 bude zařazen do kampaně B, zákazník 2 do C a tak dále, viz tabulka 3.
Celkový očekávaný obrat je při tomto postupu výrazně lepší, 715, všimněme si však, že stále zůstává prostor pro zlepšení, například zákazník 9 nemůže obdržet kampaň B, i když by to byla lepší varianta.

3. Optimalizace

Na základě optimalizačního modelu, spočívajícího v definování účelové funkce maximalizující obrat při respektování daných omezení a následným řešením tzv. úlohy lineárního programování, jsme schopni nalézt optimální, tedy nejlepší možné řešení. V našem případě jsme optimalizací dosáhli zlepšení v celkovém očekávaném obratu na 745.
Výše uvedený příklad vystihuje principy využití matematických metod optimalizace, nevystihuje však obrovský rozsah optimalizačního problému v marketingu. Mnoho organizací řeší nastíněnou situaci při milionech zákazníků, desítkách kampaní najednou a při složitě definovaných omezeních. Čím je rozsah problému větší, tím větší zpravidla bývá také prostor pro vylepšení oproti stávající situaci. Několik velkých firem dosáhlo po implementaci marketingové optimalizace zlepšení o více než 25 %.

Zákazník	Kampaň A	Kampaň B	Kampaň C
1	100	120	90
2	50	70	75
3	60	75	65
4	55	80	75
5	75	60	50
6	75	65	60
7	80	70	75
8	65	60	60
9	80	110	75

Tab. 4: Výsledky optimalizace

Marketingová optimalizace

Komplikovanost rozhodovacího procesu v oblasti marketingu v posledních letech roste, je třeba činit složitá rozhodnutí o cílení kampaní na ty správné zákazníky s tou správnou nabídkou při respektování obchodních omezení, jako jsou celkový rozpočet na kampaně a kapacita kanálů marketingové komunikace, to vše při snaze vyhnout se „kanibalizaci“ budoucích obchodů a obtěžování zákazníků přílišným počtem nabídek. Optimalizace nabízí jedinečnou pomoc při řešení těchto komplexních problémů.




Kromě zvýšení návratnosti marketingových kampaní přináší optimalizace také hlubší pochopení a možnost odhalení kritických faktorů efektivity marketingu ve firmě. Výsledné řešení nám dává informace také o takzvané duální úloze, ze které jsme schopni určit tzv. stínové ceny, například pro kanál call centra nám příslušná stínová cena říká, o kolik by se zvýšil celkový obrat při zvýšení kapacity call centra o jednotku. A máme tak k dispozici důvěryhodný podklad pro rozšíření nebo naopak snížení kapacity call centra. Dále jsme schopni určit efekt zvýšení nebo snížení celkového rozpočtu na kampaně a provádět celou řadu dalších what-if analýz.
Stručně shrňme výhody marketingové optimalizace:

• zvýšení návratnosti kampaní,
• efektivnější využití rozpočtu marketingu ve firmě,
• zvýšení efektivity kanálů marketingové komunikace,
• předpovědi a what-if analýza dopadů kampaní,
• eliminace nekoordinované a konfliktní marketingové komunikace,
• určení vhodné výše celkových marketingových investic.