Koncem šedesátých let prohlásil odborník na podnikání Ted Levitt, že základním principem úspěšného podnikání je schopnost získat a udržet zákazníka. Prohlašoval, že moderní podnik by měl chápat celý obchodní proces jako pevně provázané snahy o objevování, vytváření, povzbuzování a uspokojování potřeb zákazníka. Levitt tak už před třiceti lety předpověděl klíčové úkoly dnešních CRM systémů.


Společnosti se v současnosti stále více orientují na budování, rozvoj a efektivní řízení vztahů se svými zákazníky. Jednou z příčin zvýšené orientace na kvalitní uspokojování potřeb klientů byla změna charakteru konkurenčního prostředí v 90. letech mimo jiné i v důsledku rozvoje informačních technologií. Nástup internetu posílil všudypřítomnost konkurence. V posledním desetiletí zároveň dochází k výrazné konvergenci nabídky jak produktů, tak cen. Jednou z nejúčinnějších cest, jak se podnik může odlišit od konkurence, je dokonalé porozumění jednotlivým zákazníkům a jejich potřebám, osobní přístup a vynikající úroveň služeb.

Je však zřejmé, že pokud má společnost stovky, tisíce nebo i milióny zákazníků (jako např. banka), je za normálních podmínek nemožné znát přání, potřeby a preference každého z nich. Právě proto byly vyvinuty systémy CRM (Customer Relationship Management, tj. řízení vztahů se zákazníky), které při správné aplikaci umožňují porozumět velkému množství individuálních zákazníků, přizpůsobit nabídku jejich potřebám a přáním a poznat a řídit jejich hodnotu pro společnost.

Operativní CRM je základ
Prvním, a rozhodně nikoli triviálním krokem k porozumění zákazníkovi, je vědomí o všech produktech a službách, které využívá, a všech uskutečněných kontaktech. To je obzvlášť komplikované, pokud zákazník komunikuje s firmou mnoha různými způsoby. Produkty a služby může např. nakupovat osobně, poštou, faxem, telefonem, e-mailem nebo přes internet, může využívat několika poboček či externích dealerů. Stejně tak může všemi těmito cestami požadovat změny služeb či podávat stížnosti a žádosti o řešení problémů. Zákazník přitom očekává, že všechny tyto tzv. kanály jsou rovnocenné a že o všech jeho kontaktech uskutečněných kterýmkoliv z nich budou zástupci firmy, s nimiž průběžně přichází do styku, vědět. Pokud například obchodník neví, že si klient v poslední době několikrát stěžovat na kvalitu služeb, a pokusí se mu prodal další (dražší) služby, je jeho šance na úspěch malá, a může naopak klienta rozzlobit a způsobit jeho odchod ke konkurenci.

Za tímto účelem vznikla řada CRM produktů pro zaznamenávání všech kontaktů s klienty. Typicky jsou takové nástroje využívány v zákaznických centrech, které zpracovávají veškeré požadavky klientů. Každý kontakt s klientem je s jejich pomocí zaznamenán a při každém dalším kontaktu je možno si zobrazit údaje o všech jeho předchozích interakcích. Podstatné je, aby tyto aplikace využívali všichni pracovníci, kteří s klienty přicházejí do styku a byly tak podchyceny skutečně všechny kontakty uskutečněné libovolným z kanálů.

Tato evidence všech kontaktů sice pomáhá společnosti při interakci s klientem a zvyšuje konzistenci vzájemné komunikace, ale zdaleka nevede k dokonalému porozumění zákazníkovi a pochopení jeho potřeb a přání. K tomu je nezbytné získané informace analyzovat a hledat mezi nimi souvislosti a vztahy. Je nutné vědět, kteří klienti preferují jaké produkty a jakým způsobem a kdy jim je nabídnout. K získání takových znalostí se využívá tzv. analytické CRM, neboli sada nástrojů pro analýzu a predikci chování klientů.

Analytické CRM - Porozumění zákazníkovi
Jedním z hlavních cílů CRM je snaha o zvýšení hodnoty klientů pro společnost, a to hlavně prostřednictvím vyhledávání, povzbuzování a následného uspokojování jejich potřeb. Jak však zjistíme potřeby zákazníka, zvláště když on sám o nich často mívá jen velmi vágní představy? Není to jednoduché, ale do určité míry to možné je. Každý klient má samozřejmě svá individuální přání, ale určité skupiny zákazníků mívají podobné potřeby. Jedním z cílů nástrojů CRM je právě vymezit skupiny zákazníků s podobným chováním a potřebami.

Typickým příkladem využití těchto nástrojů je stanovování tzv. propensity to buy čili náklonnosti zákazníka k nákupu určitého zboží. Metody zjišťování této náklonnosti spočívají v hledání charakteristických rysů zákazníků kupujících dané produkty. Mohou to být základní demografické údaje, jako je věk, pohlaví, vzdělání a podobně, ale především jde o tzv. behaviorální charakteristiky neboli obvyklé způsoby chování a zvyklosti. Taková analýza pochopitelně vyžaduje velké množství dat o zákaznících, ve kterých se příslušné charakteristiky hledají. Proces hledání takových závislostí v datech je přitom náročný jak algoritmicky a časově, tak i z hlediska nutnosti získání, uchování a zpracování velkého objemu dat.

K analýzám tohoto typu se proto používají datové sklady a nástroje data miningu. Datový sklad je databáze, která využívá multidimenzionální datový model a která je optimalizovaná právě pro analytické dotazy nad velkým objemem dat. Zákaznický datový sklad obsahuje všechny relevantní údaje o zákaznících, a je proto klíčovou součástí analytické složky CRM, a tím i celého CRM systému.

Nad datovým skladem bývá vystavěna sada data miningových a dalších analytických nástrojů. Data mining je technologie automatizovaného hledání dosud neznámých závislostí v datech. Z hlediska CRM jde především o hledání vzorů a trendů v chování zákazníků.

Analytické nástroje v kombinaci s data miningem slouží i k modelování budoucího chování zákazníků. Jejich pomocí se vytvářejí modely výpočtu tzv. závislých proměnných reprezentujících pravděpodobnost určitého chování klienta. Tyto proměnné závisí na velkém množství jiných (závislých či nezávislých) proměnných o klientovi, jako jsou jeho demografická data, v současnosti užívané produkty, chování, reakce na učiněné nabídky apod. V zákaznickém datovém skladu se shromažďují veškerá historická data o chování jednotlivých klientů, hodnoty příslušných nezávislých proměnných a obvykle i výsledky dosud vypočtených modelů pro tyto zákazníky. Při každé změně nezávislých proměnných je potřeba tyto modely přepočítat, a zjistit tak nové hodnoty výstupních proměnných, které pak mohou indikovat afinitu k nákupu zboží či riziko ztráty klienta. K modelování takových závislostí se používají různé metody, jako jsou rozhodovací stromy, neuronové sítě, shlukování, MBR algoritmy a podobně.

Už velmi prostá analýza dat o klientech může odhalit zajímavé výsledky. Například v norské Post Banken provedli jednoduchou analýzu, která zkoumala závislou proměnnou "zakoupení hypotéky" v závislosti na nezávislých proměnných, jako je věk, pohlaví, příjem, vzdělání apod. Na základě této analýzy se vytvořil jednoduchý propensity model. Výsledek byl překvapivý: největší afinitu ke koupi hypotéky měli lidé ve věku 41-45 let. Dosavadní marketingové aktivity banky byly přitom zaměřeny na osoby do 30 let.

Zjištění podobných závislostí však zpravidla nebývá tak jednoduché. Skupiny zákazníků s vysokou náklonností k nákupu nějakého zboží bývají definovány nejen kombinací několika demografických charakteristik, ale hlavně behaviorálních rysů. Pro banku to např. mohou být průměrný zůstatek na účtu, počet transakcí, četnost výběrů hotovosti, jejich výše a podobně.

Analýzy mohou například odhalit i vysokou afinitu k nákupu nějakého produktu v závislosti na koupi jiného produktu. Jinými slovy určitá skupina klientů často kupuje produkt A jako důsledek koupě produktu B. Využití znalosti takové závislosti k podpoře prodeje produktu A u klientů, kteří si kupují nebo v minulosti koupili produkt B, se nazývá cross selling.

Další oblastí využití identifikace charakteristických rysů zákazníků pomocí analytických nástrojů je zjišťování příležitostí pro tzv. up selling. Pokud například zjistíme typické rysy zákazníků, kteří kupují konkrétní drahý produkt, můžeme zákazníkovi, jenž má všechny tyto rysy a zamýšlí koupit levnější variantu produktu, nabídnout produkt dražší.

Dále je možné prostřednictvím těchto analýz identifikovat nejvhodnější způsob, jak vytipovaný produkt konkrétnímu klientovi nabídnout (např. časově omezená sleva při zakoupení určité služby či možnost pořízení dalšího produktu zdarma). Analytické nástroje opět pracují nad datovým skladem, který mimo jiné obsahuje data o podobných nabídkách učiněných v minulosti jiným klientům a o jejich reakcích. V těchto historických datech se, zjednodušeně řečeno, hledají charakteristické rysy skupin zákazníků, kteří určitý druh nabídky odmítli či přijali. Příkladem poměrně jednoduchého nástroje pro podobné analýzy jsou rozhodovací stromy typu CHAID nebo CART. Jejich principem je opakované hledání atributu, který nejlépe rozděluje zákazníky na skupiny s největší a s nejmenší mírou pravděpodobnosti určité reakce. Tomuto rozdělení se říká split. Atributy těchto splitů pak určují typické charakteristiky klientů, které hledáme.

Hodnota zákazníka a její řízení
Ne každý zákazník je však pro firmu stejně přínosný. Někteří zákazníci např. využívají mnoho velmi ziskových produktů, aniž by způsobovali vysoké náklady, a přinášejí tak firmě velké zisky. Jiní naopak kupují jen velmi málo, vyžadují častou podporu a informace a ve výsledku jsou pro firmu ztrátoví.

Znalost ziskovosti každého klienta je proto pro firmu klíčová, neboť umožňuje diferenciaci strategie přístupu k jednotlivým zákazníkům. Společnost tak může minimalizovat náklady na neziskové klienty nebo se může pokusit přimět je k používání ziskovějších produktů. Ziskové zákazníky se pak bude snažit udržet a bude jim co nejvíce vycházet vstříc.

Zatímco zjistit příjmy plynoucí od daného klienta bývá relativně přímočaré, stanovení nákladů svázaných s jednotlivými klienty je mnohem komplikovanější. Nejde totiž jen o přímé náklady na výrobu a distribuci produktů či poskytování služeb. V úvahu je potřeba vzít i veškeré náklady na realizaci prodeje a následnou podporu danému zákazníkovi. Všechny činnosti spojené s konkrétním zákazníkem je proto nutné evidovat a příslušné náklady se musí přiřadit k danému zákazníkovi, aby obrázek o jeho ziskovosti odpovídal realitě. To je další úloha systémů CRM, ve kterých se všechny kontakty a zákaznické činnosti evidují a zpracovávají.

Aktuální ziskovost klienta je však jen jednou složkou jeho skutečné hodnoty pro firmu. Dalším důležitým údajem je jeho potenciál do budoucna. I klient, který je nyní ztrátový, může v budoucnu přinášet velké zisky. Například téměř všechny banky nabízejí svým klientům studentská konta. Nedělají to proto, že by studentské konto jako takové bylo obzvlášť ziskový produkt, ale proto, že banky vidí ve studentech potenciálně hodnotné klienty. Znalost potenciálu jednotlivých klientů je pro firmy stejně důležitá jako znalost jejich současné ziskovosti. Společnosti proto musejí rozumět životnímu cyklu svých zákazníků, tj. poznat, jak se v průběhu času vyvíjejí jejich potřeby a jakým způsobem je firma může uspokojit.

Někdy může životní cyklus zákazníka z hlediska organizace korespondovat s průběhem jeho skutečného životního cyklu, jindy je mnohem krátkodobější a představuje pouze typické pořadí využívání jednotlivých produktů či služeb. Odhalování takových cyklů je důležitou úlohou analýzy shromážděných zákaznických dat.

Souhrn současné ziskovosti klienta a jeho potenciální ziskovosti v budoucnu po dobu celého jeho životního cyklu s organizací se nazývá celoživotní hodnota klienta (Customer Lifetime Value). K jejímu zjišťování se opět používají zejména nástroje data miningu v kombinaci s prediktivními a afinitními metodami modelování. Stanovení CLV je jednou z nejtěžších úloh analytického CRM. Je však mimořádně důležitá pro umožnění skutečně optimálního přístupu k jednotlivým zákazníkům. Koncept diferenciovaného přístupu ke klientům dle jejich hodnoty a aktivní řízení této hodnoty optimalizací souvisejících nákladů a vhodně cílených nabídek dalších produktů a služeb se nazývá Customer Value Management - CVM. Oproti zkratce CRM tento název zdůrazňuje posun od orientace na řízení vztahů s klienty k řízení a aktivnímu budování jejich hodnoty. CVM je v principu dalším vývojovým krokem v evoluci CRM nástrojů.

Zjišťování ziskovosti a celoživotní hodnoty klientů slouží k identifikaci těch nejlepších zákazníků. Dalším významným cílem CRM je jejich udržení. Analytické CRM také umožňuje předvídat ztrátu klienta (churn prediction nebo attrition risk analysis). Za tímto účelem se opět využívají analýzy charakteristických rysů a událostí, které vedly ke ztrátě klientů v minulosti. Důležitost predikce ztráty klienta je zřejmá: získat nového klienta je mnohem dražší než udržet stávajícího, a pokud jsme schopni předpovědět riziko jeho přechodu ke konkurenci, máme příležitost včas zareagovat a pokusit se ho udržet. Důležité jsou potom výše popsané postupy pro výběr vhodného produktu a formy nabídky konkrétnímu klientovi.

Komplexní CRM - Optimální přístup k zákazníkům
Analytické CRM nástroje pro výběr vhodné nabídky či predikci ztráty klienta jsou velmi důležité také pro plánování a řízení marketingových kampaní. Standardní marketingové postupy vyvinuté v posledních desetiletích používaly především masové kampaně a snažily se o co nejintenzivnější oslovení co největšího počtu potenciálních klientů. Naproti tomu nový přístup, podporovaný systémy CRM, spočívá v řízení mnoha menších marketingových akcí, které jsou cílené na co nejužší segmenty zákazníků, a jsou jim co nejvíce přizpůsobeny. Tato strategie umožňuje optimalizovat náklady na marketingové akce a zároveň maximalizovat jejich účinnost. Ideálním stavem je tzv. one to one marketing neboli marketingové kampaně cílené na jediného konkrétního zákazníka a vytvořené přesně jemu na míru.
Přední produkty operativního CRM standardně nabízejí nástroje pro plánování, řízení a sledování průběhu velkého počtu cílených kampaní. Tyto produkty však nedokáží definovat cílové segmenty zákazníků ani vhodný obsah jednotlivých kampaní. To je naopak úlohou analytických CRM nástrojů, které za tímto účelem využívají velké množství dat o klientech a jejich chování shromažďovaných operativním CRM. Je tedy zřejmé, že účinné a přínosné je takové řešení CRM, které obě tyto složky dobře propojuje do jednotného spolupracujícího celku.

Nasazení a používání takového komplexního systému je obvykle iterativní proces, který zpočátku dělí zákazníky do určitých segmentů podle poměrně jednoduchých kritérií. CRM systém cílí na tyto segmenty různé marketingové aktivity, řídí jejich průběh a po jejich skončení analyzuje jejich výsledky. Na základě této analýzy se upraví a zjemní segmentace zákazníků pro další kampaně a celý proces se opakuje. Při nasazování takto komplexního systému, nazývaného closed loop marketing, je obvykle nutné zkombinovat standardní balíkové produkty CRM s datovým skladem a specializovanými nástroji data miningu a analytického CRM navrženými a vyvinutými přesně podle specifických potřeb podniku.

Stejně důležité je zajistit provázání informací z operativního i analytického CRM pro podporu zákaznických center. Při každém kontaktu s klientem je důležité vědět o všech dosavadních kontaktech, nevyřešených požadavcích, učiněných nabídkách atd. (operativní CRM) a zároveň znát zákazníkovu hodnotu a význam pro společnost (analytické CRM). Díky tomu je možné vždy optimalizovat přístup k jednotlivým zákazníkům. Zároveň je každý kontakt s klientem příležitostí k možnému zvýšení jeho hodnoty vhodnou nabídkou (cross selling a up selling). K tomu je ale nutné, aby relevantní vstupy operativního CRM byly okamžitě zpracovány analytickým CRM a jeho výstupy obratem opět zobrazeny na obrazovce operátora zákaznického centra.

Příklad fungování takto integrovaného systému pro zákaznické centrum je uveden na obrázku. Na něm je zobrazena modelová situace, kdy klient volá do zákaznického centra s nějakým požadavkem (1), který operátor zaznamená v operativní části CRM. Požadavek může mít vliv na hodnotu zákazníka pro firmu, nebo může indikovat nárůst rizika ztráty zákazníka a nutnost učinit pokus klienta udržet. Proto se nově zjištěné údaje zapíší do zákaznického datového skladu (2) a spustí se analytický nástroj pro scoring klienta (3). Výstupem tohoto procesu jsou údaje o jeho nové ziskovosti a hodnotě, resp. riziku ztráty, které se uloží zpět do datového skladu (4). Tato nová hodnota se pak stává klíčovým údajem pro řízení přístupu ke klientovi. Zároveň může být tento rozhovor příležitostí k další nabídce. Jednotlivé prediktivní modely pro daného zákazníka se proto přepočítají (5) a model, který dává nejlepší výsledek, je ve formě doporučení k dalšímu kroku předán operativní části CRM (6), která jej zobrazí operátorovi. Ten pak zákazníkovi učiní doporučenou nabídku (7). Klientova reakce se opět uloží do datového skladu a celý proces se opakuje.

Celý tento proces analýz a modelování je z pohledu operátora neviditelný. Jemu jsou prezentovány pouze konkrétní instrukce pro vedení rozhovoru se zákazníkem. To je koncept tzv. "magické" obrazovky, která zobrazuje pokyny na základě detailní znalosti zákazníka a složitého modelování jeho chování v budoucnu. Podstatné přitom je, aby tato doporučení byla zobrazována okamžitě. Zpoždění v řádu desítek vteřin je nepřijatelné, protože by se celý systém míjel účinkem. Je proto nezbytné, aby byl datový sklad dobře optimalizován pro analýzy nad velkým objem zákaznických dat.

Tento integrovaný systém je možné využít také pro one to one marketing přes internet. Pro registrované uživatele jsou vytvářeny personalizované internetové stránky jak podle jejich preferencí a zájmů, tak podle výsledků analytických modelů a predikce jejich chování. Automaticky generované stránky mohou obsahovat nabídky produktů na základě nalezených příležitostí pro up selling či cross selling, jakož i reakci na zjištěné riziko ztráty klienta. Podobně jako u zákaznického centra je zde důležitá jak rychlost zpracování analýz, tak přesné nastavení a průběžné dolaďování jednotlivých modelů, aby generované výstupy a tím i nabídky byly správné a účinné.

Pokud je systém správně nasazen a využíván, podchycuje všechny kontakty se zákazníkem přes libovolný komunikační kanál a okamžitě analyzuje jejich dopad. Zároveň vyhodnocuje příležitosti pro další zvýšení hodnoty klienta a volí vhodný způsob dalšího postupu. Následné reakce klienta a jejich dopad jsou v systému opět uloženy, analyzovány a použity v budoucnu. Komplexní systémy integrovaného operativního CRM, datových skladů a analytických CRM nástrojů tak pomáhají realizovat vizi Teda Levitta o soustavném objevování, vytváření, povzbuzování a uspokojování potřeb zákazníka.

CRM a datový sklad v Bank of Montreal
Bank of Montreal (BMO) je jedna z největších bank v Severní Americe (hlavní sídlo BMO je v Kanadě v Torontu). BMO nabízí velký rozsah finančních služeb klientům v Kanadě a v USA. S obratem 235 miliard USD a s více než 33 000 zaměstnanců banka diverzifikuje své aktivity, soustředěné především na retailové bankovnictví, privátní a investiční bankovnictví.

Snaha o porozumění 18 milionům svých klíčových zákazníků a o zvýšení zisku z nabízených bankovních produktů a služeb vedla před několika lety banku k rozhodnutí o vybudování datového skladu. Tým projektových specialistů nepojal tento úkol pouze jako technologickou záležitost, ale již na počátku řešení přijal nový koncept řízení, nazývaný Value Based Management a spočívající v odkrývání a maximalizaci zisku na makroúrovních i mikroúrovních. Tento přístup je založen na schopnosti detailních kvantitativních náhledů na produkty, organizační strukturu, distribuční síť a mikrosegmenty zákazníků BMO, na schopnosti nacházet nové příležitosti, rychle reagovat a neztrácet čas a kapitál tam, kde je malá šance na úspěch.

Z technického pohledu je datový sklad v BMO srdcem celobankovní "Information Factory". Implementace technologií business intelligence a datových skladů, zahrnujících i specializované datamarty, pokročilé metody data miningu a řadu dalších komponent, umožnila realizaci komplexního systému CRM.

Celé řešení je vedeno koncepcí Customer Value Management (CVM). CVM zdokonaluje a rozšiřuje možnosti nástrojů CRM. V širším kontextu zahrnuje správu kontaktů, identifikaci zákazníka, řízení marketingových kampaní, alokaci nákladů, kalkulaci ziskovosti a především detailní analýzu a predikci zákaznických dat (Advanced Data Modeling). Důležitou složkou je tzv. scoring zákazníků, tj. hodnocení zákazníků podle jejich afinity ke koupi určitého produktu či služby, příležitostí pro cross selling a up selling nebo pravděpodobnosti rozvázání vztahu. Rozhodující komponentou, která celý systém CVM integruje, je plně automatizovaný rozhodovací nástroj Decision Engine, který rychle reaguje na informace ze zdrojových kanálů, analyzuje je a řídí a usměrňuje komunikaci firmy se zákazníkem k oboustrannému prospěchu. Řešení datového skladu a CVM v bance se stále rozšiřuje a zdokonaluje. V uplynulých dvou letech získala vývojová sekce (Business Intelligence Solutions) v BMO několik prestižních mezinárodních cen. Z těch posledních můžeme jmenovat RealWare Award za nejlepší datový sklad roku 2000. Tuto cenu získal projekt datového skladu BMO za celkovou mnohastupňovou architekturu, završenou speciálním super Data Martem, který s využitím webových technologií zpřístupňuje bohatství derivovaných informací z datového skladu tisícům uživatelů v pobočkách banky.
Zajímavostí je, že implementaci projektu CVM v Bank of Montreal vede v současnosti skupina konzultantů ze společnosti ADASTRA se sídlem v Praze.

Pozn.: Autor článku, Miroslav Čábela, pracuje jako CRM Project Director ve společnosti Adastra.

www.adastra.cz