Firmy dnes hledají nové cesty, jak předčit konkurenci. Aby bylo možné zákazníky udržet a motivovat k dalšímu setrvání u jednoho dodavatele, je třeba je znát – a to mnohem lépe, než tomu bylo dosud. Odpovědí na tyto nové potřeby se staly systémy pro řízení vztahů se zákazníky označované anglickou zkratkou CRM, neboli customer relationship management.


Zavedení CRM se projevuje zejména ve schopnosti organizace poznat klíčové zákazníky a umožnit jim porozumět nabízeným produktům a službám. To zajistí rychlý nárůst kvality služeb v této oblasti, provázený nárůstem příjmů. CRM však samozřejmě není zaměřeno pouze na klíčové zákazníky, zavedení tohoto řešení má mnoho pozitivních dopadů na celou klientskou základnu. Každý jednotlivý zákazník může z takového přístupu organizace získat své výhody. Díky tomu, že je organizace schopna identifikovat, který typ produktů zákazník vyhledává, může i neklíčový produkt pro zákazníka upravit. Zavedení konceptu CRM tedy představuje přechod z produktově orientované organizace na organizaci, která je schopná nabídnout kombinaci svých původních produktů jako jeden balíček služeb.

Databázový marketing a CRM
Žádný CRM systém by neměl smysl, pokud by společnosti nepomáhal generovat zisk. To nás přivádí k otázce vztahu marketingu a CRM. Existují názory, které definují CRM jako zatím poslední nejrozvinutější stupeň databázového marketingu. Je to logické, ale přesto lze mít námitku: kde je zpětná vazba, bez které CRM nemůže reálně existovat?

Základem původního databázového marketingu bylo hledání komunikačních kanálů, kterými bylo možné oslovit co nejvíce zákazníků s co nejširší nabídkou zboží. Příkladem může být rozvoj zásilkových firem v 70. letech minulého století. Je pravda, že jak šel čas a vylepšovaly se technologické možnosti, stával se databázový marketing stále sofistikovanějším, lépe zaměřeným na jednotlivé segmenty zákazníků. Dalo by se říci, že tento způsob komunikace se zákazníky pořád ještě patří mezi prostředky používané produktově orientovanými společnostmi a s aktivitami CRM by se neměl zaměňovat. Lze však také říci, že CRM, jako samostatný vývojový stupeň komunikace se zákazníky, pomáhá zvýšit efektivitu databázového marketingu.

Jak získat zákaznická data
Způsob, jak získat potřebné údaje, by měl vycházet z obchodních potřeb firmy. Pokud firma ví, jaký segment zákazníků chce se svým produktem oslovit, ví také, jaká data potřebuje získat. Každé odvětví hospodářství v současnosti uchovává obrovské množství dat ve svých databázích. Připomeňme si jen zdravotní záznamy pacientů v nemocnicích, údaje o klientech v bankách, daňová přiznání, nebo žádosti o sociální podporu ve státní správě. Základem jejich využití je datový sklad (data warehouse), který umožňuje uchovávání dat a jejich analýzu. Na datový sklad navazují analytické mechanismy, díky nimž je možné na základě transakčních údajů (tedy údajů v existujících podnikových systémech) analýzou dospět k určité demografické a obchodní charakteristice zákazníka.

Analýza vybraných dat – tedy jejich dolování – je proces prohledávání, výběru a modelování ve velkých objemech dat, který slouží k odhalení původně neznámých vztahů mezi daty pro získání konkurenční výhody. Dolování dat není jen jednorázovou analýzou, nýbrž procesem, který předpokládá kontinuální doplňování dat, využívání analýz a podporu zpětné vazby od uživatelů. Nedává odpověď jen na otázku (např. v kterém kraji byl v tomto čtvrtletí nejúspěšnější prodejce zboží X?), ale snaží se řešit rozsáhlejší problémy (např. jaké podmínky, skladba produktů, demografie cílové skupiny zabezpečují dlouhodobě nejlepší výsledky prodeje?).

Metody dolování dat
Dolování dat je označením třídy úloh, které řeší mnohdy zdánlivě nesouvisející problémy z nejrůznějších oborů. Výběr metody závisí na cíli zkoumání. Uveďme si některé nejčastěji využívané metody:

1. Prediktivní modelování
Prediktivní modelování je postupem, kdy se na základě existujících údajů snažíme odhadnout vývoj v budoucnosti. Typickým příkladem prediktivního modelování je hodnocení rizika úvěru v bankovnictví. Banka soustřeďuje mnoho záznamů o svých minulých klientech a samozřejmě ví, kteří jsou špatnými dlužníky. Po vytvoření prediktivního modelu popisujícího hodnocení dlužníka (výstup) na základě informací o něm (vstupní data) lze ohodnocovat rizika nově příchozích zákazníků (o kterých lze zjistit údaje používaná jako vstupní data modelu).

2. Analýza asociací
Nejčastějším použitím analýzy asociací, a zároveň jejím ilustrativním příkladem, je tzv. analýza nákupního košíku. Ta se zabývá hledáním kombinací produktů, které se ve vstupních datech (nákupním koši spotřebitelů) vyskytují významně častěji spolu. Cílem je odhalit pravidla typu: při nákupu zboží A a C spotřebitelé výrazně častěji nakupují zboží D a B. Odhalení takovýchto kombinací pomáhá marketingovým odborníkům v organizování nabídky či společných balíčků produktů.

Příklad vyhodnocení prediktivního modelu
Důležitým faktorem úspěšného nasazení dolování dat je stručná a srozumitelná prezentace výsledků ve formě přímo použitelné pro rozhodování. Ilustrujme si dolování dat na příkladu zásilkové společnosti, která se zabývá zasíláním nabídek a zboží poštou. Pokud zákazník odpoví, dostává se do zákaznické databáze (společně s údajem o bydlišti, věku a zprostředkovaně i o zálibách). Úplné využití těchto databází dnes rozhoduje o úspěchu celého podnikání. Cílem dolování je v tomto případě vybrat z databáze zákazníků ty, u nichž je nejvyšší pravděpodobnost kladné odezvy pro daný typ nabízeného produktu. Používanou metodou je prediktivní modelování. Společnost může buď ověřovat úspěšnost nové nabídky na vzorku náhodně vybraných zákazníků či může rovnou použít historické záznamy o odezvě na podobný typ nabídek zaslaných v minulosti. Tato data jsou pak vstupními informacemi pro hledání prediktivního modelu popisujícího pravděpodobnost odezvy zákazníka například na určitý typ nového produktu.

Nalezený model lze použít k ohodnocení všech zákazníků v databázi (tzv. scoring). Nabídka bude samozřejmě zaslána zákazníkům s nejvyšší pravděpodobností odezvy. Následující grafy ukazují, jak rozhodnout o tom, jaké části zákazníků nabídku zaslat. První graf (obr. 1) ukazuje celkovou pravděpodobnost odezvy, pokud vybereme určitou část zákazníků z databáze setříděné dle pravděpodobnosti odezvy. Z grafu je patrné, že pokud nabídku zašleme všem (tj. pokud nebudeme využívat modelování), bude celková odezva velmi malá (cca 7 %). Naopak pokud zákazníky vybereme na základě modelu dle jejich pravděpodobnosti odezvy, pak například při zaslání nabídek pouze 20 % nejnadějnějších zákazníků můžeme očekávat kladnou odezvu v 32 % případů. To výrazně snižuje náklady na rozesílání nabídek, na druhou stranu ale soustředění na malý počet nadějných zákazníků omezí celkový počet přijatých objednávek.

Druhý graf (obr. 2) znázorňuje zisk (či ztrátu) pro daný rozsah výběru, vypočtený na základě zisku z realizace pravděpodobného počtu přijatých nabídek, fixních nákladů kampaně a nákladů na rozeslání daného rozsahu nabídek. Skutečnost, že kampaň je ztrátová, pokud budeme zákazníky vybírat náhodně, je tvrdou realitou nejen v našem příkladě.

Oba grafy, jejichž základem je kvalitní model, skrytý v křivce z prvního grafu, umožňují zvolit optimální velikost segmentu databáze (a tím i hraniční pravděpodobnost odezvy, při které bude ještě výhodné nabídku zasílat).

Softwarové produkty pro dolování dat
Techniky dolování dat dnes vstupují do běžné obchodní praxe. Na trhu je několik desítek produktů, které implementují nejrůznější algoritmy. Nástroje pro dolování dat a jejich využití jsou nyní v podobné situaci, jako byla relační databázová technologie ke konci osmdesátých let. Komerční uživatelé z nejprogresivnějších společností již léta používají vlastní speciálně vyvinuté programy například pro modelování marketingových kampaní či analýzu úvěrového rizika. Další společnosti přivádí k zavádění technik dolování dat zostřená konkurence na trhu, zvyšující se počty cílových zákazníků, ale i klesající náklady na tuto technologii. Obě tyto skupiny dnes hledají standardizovaná řešení, která pokrývají nejrůznější typy úloh a poskytují výstupy snadno srozumitelné managementu. Zároveň tato řešení musí jít nasadit v IT prostředí současných komerčních společností.

Zpracováno na základě materiálů společnosti SAS Institute.