Roman styatugin clever_data_cxp_predictive marketing
1. Customer
Experience
Profile
и
Прогнозный
маркетинг.
Роман
Стятюгин,
директор
по
развитию
CleverDATA
для
бизнес-‐завтрака
«Знай
и
Люби
своего
клиента
–
здесь
и
сейчас!»
28
апреля
2015
года
2. Company
Profile
Make
your
data
clever
Customer
eXperience
Profile
и
прогнозный
маркетинг
Роман
Стятюгин,
директор
по
развитию
бизнеса
CleverDATA
28.04.2015г.
3. cleverdata.ru
|
info@cleverdata.ru
CleverDATA
–
продукты
и
услуги
Клиентская аналитика
Campaign Management
Обогащение внешними данными
Прогнозное моделирование
Реал-тайм кампании
Решения
для
укрепления
клиентского
опыта
и
повышения
продаж
за
счет
консолидации
всех
элементов
вашей
data-‐driven
маркетинговой
стратегии
Решения
для
автоматизации
маркетинговых
кампаний
Модели
управления
оттоком
клиентов,
моделирования
отклика,
микро-‐сегментирования
клиентской
базы
Решения
для
управления
digital
активностью
компании
Digital marketing
Наша
задача
–
с
помощью
данных
сделать
ваш
бизнес
эффективнее
5. cleverdata.ru
|
info@cleverdata.ru
ПРОБЛЕМА:
Не
зная
клиента,
компания
его
потеряет
Огромное
количество
коммуникаций,
атакующих
клиента
по
разным
каналам,
делают
задачу
привлечь
внимание
клиента
и
при
этом
сохранить
его
лояльность
все
более
сложно
выполнимыми.
Современная
аудитория
реагирует
на
маркетинг
только,
если
соблюдаются
условия:
Уместно.
Вовремя.
Ценно.
Доступно.
mail
ATM
web
CC,
IVR
email
mobile
chat
Нерелевантные
предложения
клиенту
приносят
больше
вреда,
чем
пользы
вызывает
отторжение
продукта
или
бренда;
маркетинговый
бюджет
расходуется
неэффективно.
6. cleverdata.ru
|
info@cleverdata.ru
Вы
уверены,
что
знаете
своего
клиента?
Считается,
что
основные
признаки
формируют
портрет
клиента
и
помогают
понять
потребности
• Родился
в
1958
году
в
России;
• Живет
в
Москве;
• Отец
двух
дочерей;
• Любит
рыбалку.
• Родился
в
1958
году
в
России;
• Живет
в
Москве;
• Отец
двух
дочерей;
• Любит
рыбалку.
Текущие
подходы
к
сегментированию
клиентов
уже
не
работают
7. cleverdata.ru
|
info@cleverdata.ru
Использование
Customer
eXperience
Profile
Digital
маркетинг
Отбор
предложений,
которые
релевантны
интересам
посетителя
сайта.
Прогноз
отклика
и
оттока
клиентов
Прогноз
отклика
на
продукт,
канал,
предложение.
Оценка
вероятности
отказа
от
продукта
или
услуг
компании
в
целом.
Campaign
management
Оптимизация
набора
предложений
с
учетом
прогнозных
баллов.
Scoring
/
Collecqon
оценка
заемщика
по
расширенному
набору
знаний
о
нем.
Вероятность
оттока
35%
Лояльность
87%
Надежность
20%
Кредитная
нагрузка
Низкая
Семья
2
чел
Доход
семьи
Средний
Инвестиции,
экономика
66%
Автомобили
5%
Недвижимость
10%
Накопления
18%
Технологии
63%
Действующих
продуктов
5
Последняя
покупка
36
дн
Активность
28%
CLTV
Средний
В
клиентской
базе
35.2
мес
Удовлетворенность
75%
Уровень
коммуникации
20%
Уровень
отклика
18%
8. cleverdata.ru
|
info@cleverdata.ru
Итого
-‐
что
есть
Customer
eXperience
Profile?
§ Централизованный
сбор
десятков
заранее
определенных
«говорящих»
метрик;
§ Использование
внутренних
и
внешних
данных;
§ Расчет
метрик
в
реальном
времени;
§ Ориентир
на
единичного
клиента
или
микро-‐сегмент;
§ Отражает
эволюцию
клиентского
профайла
–
тренды
и
прогнозы;
§ Обеспечивает
«живые»
рабочие
данные
для
маркетинговых
приложений.
9. cleverdata.ru
|
info@cleverdata.ru
В
чем
разница?
Big
Data
Real
Time
Analyqcs
Традиционные
аналитические
системы
«Что
уже
случилось
и
почему?»
«Что
произойдет?
Что
стоит
предпринять?»
Большие
объемы
данных
разной
структуры
Real-‐qme
системы
Структурированные
sampled-‐данные
Офф-‐лайн
системы
Традиционные
BI
системы
покажут
завтра
то,
что
было
позавчера
CIO
Fortune
50
Banks
10. cleverdata.ru
|
info@cleverdata.ru
Для
точного
понимания
клиента
необходимо
использование
внешних
данных
Социальные
сети
Медийный
контент
Машинные
данные
История
серфинга
Offline
данные
Посещение
веб-‐сайтов
Анализ
содержимого
страниц
Покупки
в
интернете
Платежные
системы
Телеком-‐операторы
Социальные
сети:
Список
друзей
Like/Check-‐in
Интересы/Посты
eCommerce
Программы
лояльности
Какие
внешние
данные
могут
быть
полезны?
Более
10
поставщиков
данных
11. cleverdata.ru
|
info@cleverdata.ru
Какие
внешние
данные
о
посетителе
можно
получить
12. cleverdata.ru
|
info@cleverdata.ru
Customer
eXperience
Profiler
Web
usage
Внешние
данные
Изменение
контента
сайта
«под
клиента»
Веб-‐сайт
CXP:
Как
увеличить
продажи?
СМС-‐рассылки
CRM
Оффлайн
данные
Транзакции
Терминалы
Веб
статистика
Данные
с
сайта
Mobile
App
накопление
данных
о
клиенте
Маркетинговые
кампании
Campaign-‐management
Real
Time
Bidding
(RTB)
Онлайн
реклама
Какой
контент,
какую
посадочную
страницу
показать
конкретному
пользователю
Рекомендация,
какой
продукт
предложить
конкретному
клиенту
Какую
рекламу
показать
конкретному
пользователю
Интернета
Customer
eXperience
Profiler
Сбор
данных
о
клиенте
Анализ
данных
Построение
профиля
клиента
Рекомендательная
система
на
основе
data
mining,
предиктивных
моделей
и
машинного
обучения
Рекомендация
для
онлайн
рекламы
использование
данных
Соц.
сети
13. Планирование
Планирование,
настройка
событий,
подготовка
кампаний
cleverdata.ru
|
info@cleverdata.ru
Клиентский
профиль
и
campaign
management
Источники
Campaign
management
Внешние
данные
Внутренние
данные
Сбор
данных
CXP
Сбор
данных
о
клиенте
Анализ
данных
Построение
профиля
клиента
Прогнозные
модели
Аналитика
Отчетность,
профилирование,
сегментация
Исполнение
Создание,
выполнение,
отслеживание
Каналы
Клиенты
mail
ATM
web
CC,
IVR
email
mobile
chat
Обратная
связь
14. cleverdata.ru
|
info@cleverdata.ru
Прогнозная
аналитика,
пример
проекта
15. cleverdata.ru
|
info@cleverdata.ru
Difficulty
Value
Prescrip‡ve
Analy‡cs
Predic‡ve
Analy‡cs
Diagnosqc
Analyqcs
Descripqve
Analyqcs
What
happened?
What
will
happen?
Why
did
it
happened?
How
can
we
make
it
happen?
4
шага
в
DATA-‐driven
будущее
16. cleverdata.ru
|
info@cleverdata.ru
Построение
предиктивных
моделей
Data
Preprocessing
Feature
Engineering
Feature
Selecqon
Machine
Learning
• Необходимая
обработка
данных:
очистка
шумов,
выбросов.
Приведение
данных
к
нормальному
виду
• Генерация
факторов
и
признаков
в
модели.
Поиск
скрытых
паттернов
• Выбор
предикторов,
выявление
значимых
закономерностей
• Построение
модели
алгоритмами
машинного
обучения,
тюнинг
модели
• Тестирование
модели
на
реальных
данных
Back
Tesqng
17. cleverdata.ru
|
info@cleverdata.ru
Пример
проекта
-‐
прогнозирование
отклика
• Фиксированный
capacity
по
взаимодействию
• Необходимо
увеличить
отклик
Формирование
предложение
клиентам
с
максимальной
вероятностью
отклика
• Небольшой
объем
клиентской
базы
• Необходимо
оптимизировать
расходы
на
коммуникации
Оптимизация
канала
коммуникации
с
целью
увеличения
прибыли
Стратегия
1
Стратегия
2
О
т
к
л
и
к
Объем
базы
Экономия
расходов
при
том
же
отклике
Рост
привлечения
на
том
же
объеме
коммуникаций
18. cleverdata.ru
|
info@cleverdata.ru
Определения
Что
считать
откликом?
В
данном
кейсе
откликом
считается
заявка
на
кредит,
заведенная
в
течение
6
месяцев
после
маркетинговой
коммуникации.
Каналы
коммуникаций
Используется
два
комплексных
канала
коммуникации:
• Telemarke‡ng:
звонок
из
колл-‐центра
+
письмо
+
смс
• Mailing:
письмо
+
смс
19. cleverdata.ru
|
info@cleverdata.ru
Сегментация
Клиенты
с
одним
активным
кредитом
без
просрочек
Клиенты
1
Активные
2
Постоянные
3
Неактивные
Клиенты
с
несколькими
к р е д и т а м и
б е з
просрочек,
хотя
бы
о д и н
и з
к о т о р ы х
активный.
Клиенты,
у
которых
нет
активных
кредитов
Модель
Модель
Без
модели
20. cleverdata.ru
|
info@cleverdata.ru
Результаты
проекта
Длительность
и
сумма
первого
кредита
Количество
активных
кредитов
Образование
Отклик
растет
при
увеличении
переплаты
за
предыдущий
кредит
Результаты:
На
38%
базы
достигается
82%
отклика
Модель
на
22%
лучше
текущих
показателей
• Выявлены
клиенты,
склонные
к
отклику
из
большой
массы
спящих
клиентов
• Расходы
на
коммуникацию
снижены
за
счет
перераспределения
клиентов
по
каналам
• Применена
стратегия
оптимизации
расходов
на
коммуникации
с
целью
максимизации
прибыли
21. cleverdata.ru
|
info@cleverdata.ru
Эффективность
модели
Сегмент
92%
8%
89%
11%
1%
9,7%
0,8%
9,9%
Mailing
Mailing
Отклик
Telemarkeqng
Telemarkeqng
Отклик
Отклик
Отклик
Текущие
показатели
Модель
Сегмент
Использование
модели
обеспечило
привлечение
на
22%
больше
клиентов,
чем
текущие
показатели.
22. cleverdata.ru
|
info@cleverdata.ru
Экономические
показатели
проекта
Длительность
пилотного
проекта
–
1
месяц
Результаты
пилотного
проекта
-‐
применимы
сразу
после
завершения
проекта
Срок
окупаемости
пилотного
проекта
–
менее
месяца
Срок
окупаемости
промышленного
проекта
–
3-‐4
месяца
23. cleverdata.ru
|
info@cleverdata.ru
(1)
(2)
(3)
N,
Дни
Roadmap
проекта
Обучение
и
проверка
модели
на
ретро-‐данных
Адаптация
на
современных
данных
Внедрение
модели,
опытная
эксплуатация,
калибровка,
сопровождение
25. cleverdata.ru
|
info@cleverdata.ru
Всего
5
шагов
к
результату
Шаг
1.
Формирование
обучающей
выборки
–
5
дней
Шаг
2.
Обогащение
внешними
данными
–
5
дней
(опционально)
Шаг
3.
Построение
и
обучение
модели
–
14
дней
Шаг
4.
Проверка
модели
–
2
дня
Шаг
5.
Подведение
итогов
проекта
–
1
день
26. cleverdata.ru
|
info@cleverdata.ru
Увеличение
продаж
в
интернете,
пример
проекта
27. cleverdata.ru
|
info@cleverdata.ru
Метод
Look-‐a-‐like
Обучение
Поиск
корреляций
между
признаками
профиля
реальных
и
потенциальных
клиентов.
Составление
профиля
идеального
клиента
для
каждого
из
продуктов
компании.
Применение
метода
«look-‐a-‐like»
t
Функционирование
Использование
модели
в
реальных
условиях.
Выбор
оптимального
предложения
для
посетителей.
прошлое
будущее
В
режиме
реального
времени
на
основе
полученного
из
внешних
источников
профиля
пользователя
определяются
вероятности
его
заинтересованности
тем
или
иным
продуктом.
Предлагая
клиенту
то,
что
ему
нужно,
компания
увеличивает
конверсию.
Продукт
Отклик
Оплата
ЖКХ
23%
Переводы
10%
Оплата
игр
3%
Продукт
Отклик
Оплата
игр
40%
Телеком
6%
Кредит
1%
28. cleverdata.ru
|
info@cleverdata.ru
1) Пользователь
заходит
на
сайт
2) Сайт
передает
запрос
с
cookie
в
Систему
3) Система
загружает
профиль
посетителя
от
поставщиков
данных
по
cookie
и
передает
его
в
предиктивную
модель
4) Модель
находит
вероятности
отклика
на
каждый
продукт
и
передает
их
на
сайт
и
в
хранилище
5) В
зависимости
от
вероятности
отклика
сайт
показывает
пользователю
необходимый
контент
6) Оператор
получает
данные
по
вероятности
отклика
из
хранилища
7) Оператор
звонит
посетителю,
заполнившему
заявку
Data
Exchange
Customer
eXperience
Profiler
Big
Data
storage
Real
Time
storage
Predicqve
analyqcs
Common
Services
Web
surfing
3th
Party
Data
Web
Site
Web
and
Mobile
Активный
контент
сайта
-‐
как
это
будет
работать?
Tracking
pixel
CRM
30. Комплексные
решения
на
базе
продуктов
партнеров
Биржа
данных
Предиктивные
модели
Customer
experience
profile
Платформа
автоматизации
маркетинговых
кампаний
/
CIM
Решения
для
событийного
маркетинга
/
RTIM
Центр
управления
цифровыми
коммуникациями
/DMC
31. CIM - Campaign Management
§ Использовать
для
сегментации
только
актуальные
и
полные
данные
о
клиентах;
§ Разрабатывать
многошаговые
маркетинговые
кампании
с
учетом
отклика
на
предыдущем
шаге;
§ Измерять
ROI
маркетинговых
инвестиций.
RTIM – Real Time Interaction Manager
§ Мониторить
и
немедленно
отвечать
на
действия
клиента
в
любом
канале;
§ Использовать
для
ответного
действия
ВСЮ
информацию
о
клиенте;
§ Делать
только
своевременные
предложения;
§ Снижать
расходы
на
коммуникации.
32. Внедрение
1. Систем
campaign-‐менеджмента,
real-‐qme
маркетинга,
Digital
Messaging
Center;
2. Решений
в
области
Web-‐аналитика;
3. Платформ
управления
данными
на
основе
экосистемы
Hadoop.
Predic‡ve
Marke‡ng
1. Модель
отклика
на
маркетинговое
предложение;
2. Модель
оттока
клиентской
базы;
3. Look-‐a-‐like
модели;
4. Использование
внешних
данных
для
обогащения
Мы
готовы
помочь