ANALYTICAL CRM

http://www.datamine.gr
ANALYTICAL CRM
TECHNIQUES & APPLICATIONS
7-2005

Γενικά
CRM
Μεθοδολογία που στοχεύει στην αύξηση εσόδων και κερδών της εταιρείας, με εφαρμογή σύγχρονων τεχνικών sales
& marketing που αξιοποιούν στο μέγιστο τα δεδομένα πελατών και των ‘συναλλαγών’ τους.
Αποτελεί το πλαίσιο για την ανάλυση της κερδοφορίας, την αύξηση της αποτελεσματικότητας του μάρκετινγκ και την
βελτίωση των σχέσεων με τους πελάτες
Data mining
‘...the nontrivial extraction of implicit, previously unknown and potentially useful information from data…’ W. Frawley
(MIT Press 1991)
Αποτελείται από τεχνικές στατιστικής ανάλυσης και machine learning με δυνατότατα μοντελοποίησης ή και πρόβλεψης
συγκεκριμένων συμπεριφορών πελατών. Πρέπει να θεωρείται σαν κεντρικό σημείο σε κάθε υποδομή CRM.
Βασικοί τομείς εφαρμογής είναι Διατήρηση Πελάτη, Marketing, Risk Assessment & Fraud detection, Υποστήριξη
διοικητικών αποφάσεων
Active Data Warehouse: Δομές δεδομένων που συσχετίζουν οντότητες πελατών με μετρικές (scores) γνωστή και ως
‘Marketing Database’. Επίπεδες δομές δεδομένων που περιέχουν εκατοντάδες χαρακτηριστικά πελατών στην διάρκεια
του χρόνου (π.χ. behavioral data, demographics, payment & contact information) ώστε να επιτευχθεί η μοντελοποίηση
των αλλαγών στα δεδομένα

Analytical CRM
Μεθοδολογία, επιχειρηματικές πρακτικές και υποδομή πληροφοριακών συστημάτων που στοχεύουν στην:
 Κατανόηση της πελατειακής βάσης, της πορείας της και των τάσεων
 Αναγνώριση – ορισμός υποομάδων πελατών με ομοιογενή χαρακτηριστικά, συμπεριφορές - ανάγκες
 Δυνατότητα ορισμού, εκτέλεσης και διαχείρισης διαφοροποιημένων προγραμμάτων επικοινωνίας /
διαχείρισης πελατών
Δυνατότητες (Analytical) CRM υποδομών:
 Δυνατότητα πολυδιάστατης αξιολόγησης πελάτη (κερδοφορία, σχετική κατάταξη βάση κερδοφορίας,
σχετική κατάταξη βάση seniority-loyalty, πιστωτικού, κινδύνου, συνοπτική περιγραφή συμπεριφοράς με
χρήση δεικτών και παρακολούθησης τους )
 Δυνατότητα άμεσης, πολυδιάστατης ανάλυσης της πελατειακής βάσης, στη διάσταση του χρόνου, με
στόχο την άμεση, ολοκληρωμένη ενημέρωση των διοικητικών στελεχών – decision makers (Executive
Information Systems)
 Δυνατότητα αξιολόγησης πολιτικών επικοινωνίας και διαχείρισης πελάτη (προωθητικές ενέργειες,
καμπάνιες και γενικότερα marketing activities)

Analytical CRM
Στοχεύει στην
 Κατανόηση Πελάτη: Ανάλυση των δεδομένων κάθε ξεχωριστού πελάτη
 Διαχείριση Σχέσης: Αλληλεπίδραση με τον πελάτη μέσα από διάφορα κανάλια επικοινωνίας και για διαφόρους
λόγους
έτσι...
Analytical CRM: «Κατανόηση Πελάτη» για πιο αποτελεσματική «Διαχείριση Σχέσης»
Προϋποθέτει:
 Υποστήριξη πολλαπλών «αναλυτικών» μεθόδων (π.χ., ειδικές αναφορές, OLAP, data mining)
 Θεμελίωση μιας ισχυρής υποδομής (Data Warehouse) για την υποστήριξη του αναλυτικού CRM
 Υλοποίηση αποτελεσματικών στρατηγικών διαχείρισης των δεδομένων (π.χ., ETL)
 Εφαρμογές «Business Intelligence» κατάλληλη διοχέτευση της πληροφορίας στην εταιρεία
 Επανασχεδιασμό «αναλυτικών» εφαρμογών ώστε να αναγνωρίζουν πρότυπα συμπεριφορών πελάτη - behavior patterns (π.χ.,
υπάρχον MIS, POS σύστημα, call center)

Data Mining
 Η διαδικασία ανάλυσης μεγάλων συνόλων δεδομένων με σκοπό την αναγνώριση προτύπων που βοηθούν
στην απομόνωση των μεταβλητών – κλειδιών για την δημιουργία μοντέλων πρόβλεψης.
 “Knowledge Discovery in Databases (KDD) is the non-trivial process of identifying valid, novel, potentially useful
and ultimately understandable patterns in data.” U. Fayyad, CEO of DigiMine.
 “The non-trivial extraction of implicit, previously unknown and potentially useful knowledge from data.” P.
Adriaans, 1996.
 “A new discipline lying at the interface of statistics, data base technology, pattern recognition, and machine
learning, and concerned with secondary analysis of large data bases in order to find previously unsuspected
relationships, which are of interest of value to their owners.” Hand, American Statistician, 1998.

Data Mining: Μεθοδολογία CRISP-DM
 Εισαγωγή του data mining στην «αγορά»: ανάγκη
για ένα γενικό πλαίσιο εργασίας
 CRoss Industry Standard Process for Data Mining:
αναδεικνύει τη εμπορική πλευρά του data mining
 Μοντελοποίηση της διαδικασίας σε έξι φάσεις:
1. Business understanding
2. Data understanding
3. Data preparation
4. Modeling
5. Evaluation
6. Deployment
 Ενσωματώνεται στη λογική του Analytical CRM

Οι ακόλουθες είναι τυπικές εφαρμογές που προσδίδουν αξία στην αντίστοιχη υποδομή
 Εφαρμογές Loyalty
 Διαχείριση Ακυρώσεων (Churn management)
 Ομογενοποιημένη Βάση Πελατών με δεδομένα μάρκετινγκ (The Marketing Database)
 Τμηματοποίησης της πελατειακής βάσης (Customer Base Segmentation)
 Διαχείριση πιστωτικού κινδύνου (Consumer Credit Risk Management)
 Υποστήριξη της διαδικασίας λήψης αποφάσεων (Decision Making process)
Analytical CRM: Τυπικές Εφαρμογές

Η οντότητα του ‘Φυσικού Πελάτη’
 Στο επίκεντρο των Συστημάτων και μεθοδολογιών CRM (πρέπει) να βρίσκεται η οντότητα του φυσικού πελάτη: το φυσικό η νομικό πρόσωπο
που έχει πραγματοποιήσει τουλάχιστον μία αγορά προϊόντος ή υπηρεσίας από την επιχείρηση
 Συχνό φαινόμενο αποτελεί το πρόβλημα του φυσικού πελάτη: πρόκειται για την αδυναμία αξιόπιστης ταυτοποίησης των πολλαπλών
εγγραφών του πελάτη λόγω χαμηλής ποιότητας δεδομένων ή / και περιορισμών των εκάστοτε συστημάτων.

Φυσικός Πελάτης
Λογαριασμός #1
Σύνδεση #1
Λογαριασμός #2
Σύνδεση #2
Ένας φυσικός πελάτης μπορεί να έχει λογαριασμούς με αντιφατική συμπεριφορά. Κατάλληλοι μηχανισμοί
στάθμισης μπορούν να αντιμετωπίσουν παρόμοιες δυσκολίες μέσω μίας συνολικής βαθμολόγησης του
πελάτη στο top επίπεδο.
Ιδιαίτερα ‘καλός’ λογαριασμός:
 Διάρκεια: top 10%
 Έσοδο: top 20%
 Κίνδυνος: <10%
Η εικόνα του πελάτη βάσει του
συγκεκριμένου λογ/μου οδηγεί
σε ειδική ‘μεταχείριση’ του
(Προγράμματα Loyalty, Bonus,
Εκπτώσεις)
Ένας ‘κακός’ λογαριασμός
 Ελάχιστη χρήση
 Κακή συμπεριφορά
πληρωμών (καθυστερήσεις,
ασυνέπεια, φραγές)
ενδεχομένως σε διαδικασία
collection
Ασαφής,
αντιφατική
εικόνα για
τον πελάτη
Οδηγεί σε
αναποτελεσματικές
πολιτικές, ακόμα
και σε αρνητικές
εντυπώσεις στον
πελάτη

Συμπεριφορά Χρήσης Συμπεριφορά Πληρωμών
Λογική Σταθμίσεων –
Βασιζόμενη στην
ανάλυση της
πελατειακής και σε
επιχειρησιακές
πολιτικές
Δείκτες αξιολόγησης
του πελάτη
Επιμέρους
Εικόνα του
πελάτη
Συμπεριφορά Χρήσης Συμπεριφορά Πληρωμών
Λογική Σταθμίσεων –
Βασιζόμενη στην
ανάλυση της
πελατειακής και σε
επιχειρησιακές
πολιτικές
Δείκτες αξιολόγησης
του πελάτη
Επιμέρους
Εικόνα του
πελάτη

Η τμηματοποίηση της πελατειακής βάσης αποτελείται από διαδικασίες και τεχνικές οργάνωσης των πελατών σε ομάδες
με βάση συγκεκριμένη λογική και κριτήρια ομοιογένειας
Πελατειακή Βάση
Δεδομένων
Στόχοι, Υποθέσεις,
Business Logic
Ανάλυση και
τμηματοποίηση
Στατιστικά μοντέλα,
marketing γνώση
και εμπειρία
Ερμηνεία, ανάλυση,
Ενέργειες
Στόχος της τμηματοποίησης πελατειακής βάσης αποτελεί η κατανόηση των πελατών και η απόκτηση σημαντικής γνώσης
για τον πελάτη, που τελικά θα επιτρέψουν την καλύτερη μεταχείριση των κατάλληλων πελατών την καλύτερη χρονική
στιγμή μέσω του ιδανικού καναλιού επικοινωνίας
Συστηματική χρήση των τεχνικών τμηματοποίησης σε συνδυασμό με κατάλληλες επιχειρηματικές πολιτικές, οδηγεί σε:
 Ανταγωνιστικά πλεονεκτήματα μέσω ευέλικτων, στοχευόμενων ενεργειών marketing & campaigns
 Αύξηση δεικτών ικανοποίησης του πελάτη, Loyalty (Διαχείριση Churn)
 Αποτελεσματικές διαδικασίες διαχείρισης πιστωτικού κινδύνου και σχετικών διαδικασιών
 Αυτοματοποίηση και Βελτιστοποίηση διαδικασιών
 Παρακολούθηση απόδοσης, Executive Information & Decision Support συστήματα (EIS & DSS)
Τμηματοποίηση Πελατειακής Βάσης - Customer Segmentation

Τμηματοποίηση Πελατειακής Βάσης
 Τμηματοποίηση Πελατειακής Βάσης (Customer Base Segmentation): η διαδικασία σχεδιασμού και
ανάπτυξης σχημάτων κατηγοριοποίησης και οργάνωσης των πελατών με συγκεκριμένη επιχειρηματική λογική
ή/και ‘φυσικά’ χαρακτηριστικά πελατών
 Η Μάκρο-Τμηματοποίηση στοχεύει σε ένα γενικό, σχετικά απλό, σταθερό και άμεσα κατανοητό σχήμα. Ένα
τέτοιο μοντέλο χρησιμοποιείται συνήθως σε κάθε επίπεδο και διαδικασία της εταιρείας, ως σημείο αναφοράς
για τον άμεσο χαρακτηρισμό πελατών.
 Η Μίκρο-Τμηματοποίηση στοχεύει σε ειδικά σχήματα, περισσότερο πολύπλοκα, με μεγαλύτερο αριθμό
μεταβλητών, και μικρότερο κύκλο ζωής. Συνήθως χρησιμοποιούνται για εξειδικευμένες αναλύσεις ή καμπάνιες ή
ως υποστηρικτική πληροφορία για ανάλυση απόδοσης ενεργειών marketing.
 Η τμηματοποίηση μπορεί να είναι ‘Market Driven’ βασιζόμενη σε χαρακτηριστικά προϊόντων ή τύπους πελατών
(απλοί - εταιρικοί λογαριασμοί), ή Data Driven βασιζόμενη σε κοινά χαρακτηριστικά ή και συμπεριφορές
πελατών
 Το πιο σημαντικό στάδιο της είναι η ανάλυση, ερμηνεία των ομάδων πελατών που προκύπτουν, στα πλαίσια
του εκάστοτε επιχειρηματικού περιβάλλοντος
 Η διαδικασίες τμηματοποίησης έχουν μεγάλο αριθμό εφαρμογών όπως: παρακολούθηση εξέλιξης της
πελατειακής βάσης, υποστήριξη διαδικασιών διαχείρισης καμπάνιας, βελτίωση διαδικασιών μάρκετινγκ και
πωλήσεων, κατανόηση συμπεριφοράς καταναλωτή, up-selling, cross-selling

Διάρκεια (CLS)
Κερδοφορία ή Έσοδο
(4)
‘Νέοι’
Πελάτες
Υψηλής χρήσης
(1)
‘Νέοι’
Πελάτες
Χαμηλής χρήσης
(3)
‘Παλαιοί’
Πελάτες
Υψηλής Χρήσης
(2)
‘Παλαιοί’
Πελάτες
Χαμηλής Χρήσης
0
Ειδικά σχεδιασμένες και
κατάλληλα στοχευόμενες
Καμπάνιες με κίνητρα για
χρήση ίσως αποδώσουν
μετακινώντας σταδιακά
πελάτες σε ανώτερες
ομάδες
Καλοί πελάτες που πρέπει
να διατηρηθούν:
Προσθήκη στο Loyalty
πρόγραμμα
Το καλύτερο σύνολο
πελατών. Πρέπει να
αντιμετωπίζονται
διαφορετικά από κάθε
σημείο επαφής (POS έως
CC)
‘Ανενεργοί’ πελάτες.
Μπορούν να αναλυθούν
με σκοπό τον εντοπισμό
πελατών με προοπτική
αναβάθμισης
(δημογραφική ανάλυση,
ιστορικό χρήσης)
Το παραπάνω, υπέρ-απλουστευμένο παράδειγμα, χαρακτηρίζεται από τους ακόλουθους περιορισμούς:
 Δεν εμπεριέχονται σημαντικές διαστάσεις όπως Συμπεριφορά πληρωμών (Credit Risk)
 Δημογραφική ή κοινωνικοοικονομική πληροφορία επίσης δεν λαμβάνεται υπόψη
 Χρήση μοντέλων βαθμολόγησης ή και ιεράρχησης μπορεί να αλλάξει δραματικά την αξία του παραπάνω
σχήματος και την επιχειρηματική του ερμηνεία
 Είναι στατικό (δεν υπάρχει η διάσταση του χρόνου ή πιθανότητες μετάβασης)
Τμηματοποίηση – Παράδειγμα #1

Πιστωτικός Κίνδυνος
Κερδοφορία ή Έσοδο
(4)
Πελάτες υψηλής
κερδοφορίας
ή εσόδων
και χαμηλού
κινδύνου
(1)
Πελάτες χαμηλής
- εσόδων
και χαμηλού
κινδύνου
(3)
Πελάτες υψηλής
ή εσόδων
και υψηλού
κινδύνου
(2)
Πελάτες χαμηλής
- εσόδων
και υψηλού
κινδύνου
0
Υψηλό έσοδο αλλά
κακοπληρωτές. Πρέπει να
αντιμετωπιστούν κατάλληλα
(πιο αυστηρές διαδικασίες
dunning κ.λ.π.)
Χαμηλό έσοδο και
κακοπληρωτές: θα
πρέπει να αναλυθούν
εκτενώς με σκοπό την
κατανόηση και
μοντελοποίηση τέτοιων
συμπεριφορών
Τμηματοποίηση – Παράδειγμα #2
Καλοί πελάτες που πρέπει
να διατηρηθούν:
Προσθήκη στο Loyalty
πρόγραμμα
Ειδικά σχεδιασμένες και
κατάλληλα στοχευόμενες
Καμπάνιες με κίνητρα για
χρήση ίσως αποδώσουν
μετακινώντας σταδιακά
πελάτες σε ανώτερες
ομάδες
Το παραπάνω, υπέρ-απλουστευμένο παράδειγμα, χαρακτηρίζεται από τους ακόλουθους περιορισμούς:
 Δεν εμπεριέχονται σημαντικές διαστάσεις όπως η διάρκεια (‘παλαιότητα’) του πελάτη
 Δημογραφική ή κοινωνικοοικονομική πληροφορία επίσης δεν λαμβάνεται υπόψη
 Χρήση μοντέλων βαθμολόγησης ή και ιεράρχησης μπορεί να αλλάξει δραματικά την αξία του παραπάνω
σχήματος και την επιχειρηματική του ερμηνεία
 Είναι στατικό (δεν υπάρχει η διάσταση του χρόνου ή πιθανότητες μετάβασης)

Δεδομένα Πελατών για αποτελεσματική Τμηματοποίηση
 Συνολική Εικόνα του πελάτη, βασιζόμενη σε αθροιστικά (κατάλληλα σταθμισμένα) μεγέθη:
διάρκεια, μέσο έσοδο (συνολικό), μέσο έσοδο (πρόσφατο), κινητοί μέσοι όροι, αιτήματα πελάτη,
ταξινόμηση βάση εσόδου (top x%), Αξιολόγηση πιστωτικού κινδύνου
 Χρήση υπηρεσιών – πως χρησιμοποιεί ο πελάτης τις διαθέσιμες υπηρεσίες (traffic data), δείκτες,
συσχετίσεις υπηρεσιών, περιεχομένου, υποδειγμάτων χρήσης
 Συμπεριφορές πληρωμών: σύνοψη συμπεριφοράς, βασιζόμενη στο ιστορικό χρεώσεων,
πληρωμών, καθυστερήσεων και σχετικής επικοινωνίας με τον πελάτη
Η παραπάνω πληροφορία επιτρέπει ανάλυση της αξίας του πελάτη σε διάφορα επίπεδα, όπως:
 Ανάλυση στο επίπεδο του φυσικού πελάτη: δημογραφικά, κοινωνικοοικονομικά δεδομένα, σχετικοί
δείκτες και βαθμολογήσεις
 Ανάλυση στο επίπεδο λογαριασμού ή προϊόντος: προϊόντα, υπηρεσίες, υποδείγματα χρήσης,
επεξεργασμένη πληροφορία συναλλαγών, Ιστορικό επαφών
 Διάσταση του χρόνου, εποχικές κυμάνσεις, κυκλικές συμπεριφορές

Διαστάσεις και Φίλτρα
Πελάτης
-Επικινδυνότητα - κλάση
-Έσοδο - κλάση
-Κοινωνικοοικονομικά δεδομένα
-Δημογραφικά δεδομένα
-Γεωγραφική θέση
-Διάρκεια (CLS)
-Υποδείγματα χρήσης
-Υποδείγματα Επικοινωνίας
-Υπάρχουσες Κατηγοριοποιήσεις
Προϊόν ή Υπηρεσία
-Λογαριασμοί, Τύποι, Κατάσταση
-Παράμετροι λογαριασμών
-Υπηρεσίες
Η τμηματοποίηση πελατειακής βάσης είναι –εξ’ ορισμού- πολυδιάστατη: πρέπει να επιτρέπει συνδυασμό όλων των
σημαντικών εκδοχών κάθε πελάτη: πιστωτικό κίνδυνο, παλαιότητα, κερδοφορία, ή την Αξία του Πελάτη σε όρους
συγκεκριμένων μέτρων που επιτρέπουν κατανόηση συμπεριφορών και παραγωγή γνώσης για την πελατειακή βάση.
Μέτρα
-Συνολικό Έσοδο
-Ανοικτό Υπόλοιπο (ανά πηγή)
-Συχνότητες
-’πρόσφατα’ στατιστικά
-’lifetime’ στατιστικά
-ARPU, AMOU
-Εξειδικευμένα μέτρα χρήσης
(χρήση υπηρεσιών– ανάλυση
προορισμού, εισερχόμενα προς
εξερχόμενα κ.α.)
-Συμπεριφορά ακυρώσεων
-Δείκτες Ανταπόκρισης σε
καμπάνιες
-Δείκτες Ικανοποίησης Πελάτη
Σχήματα Τμηματοποίησης
 Μάκρο-Τμηματοποίηση για
διοικητικούς σκοπούς, λήψη
αποφάσεων, ανάλυση &
παρακολούθηση πελατειακής
βάσης
 Μικρο-Τμηματοποίηση για
χρήση με συγκεκριμένες
καμπάνιες, σχεδιασμό και
αξιολόγηση υπηρεσιών, up
selling ή cross-selling,
σχεδιασμό προγραμμάτων
loyalty – διαχείριση churn,
προωθητικές ενέργειες
Κατηγορίες μεταβλητών για αποτελεσματική Τμηματοποίηση

Ισχυρά σχήματα τμηματοποίησης πελατειακής βάσης προϋποθέτουν συνδυασμό βαθιάς γνώσης της εκάστοτε αγοράς σε
συνδυασμό με εκτεταμένη στατιστική ανάλυση της πελατειακής βάσης και των δεδομένων συμπεριφοράς:
 Πρότυπα χρήσης φωνής (Συχνότητες, διάρκεια – διακύμανση διάρκειας)
Συστηματικός, Κανονικός, Περιστασιακός
‘Ευαίσθητος’ στην Υπηρεσία, ‘Ευαίσθητος’ στην Τιμή, ‘Κανονικός’
 Προορισμό κίνησης - Traffic Destination
Local, long distance, international, competitors
 Εισερχόμενη / Εξερχόμενη Κίνηση
‘Παθητικός’, ‘Ενεργός’, ‘Κανονικός’
 Χρήση Υπηρεσιών Προστιθέμενης Αξίας (VAS)
‘Αρχάριος’, ‘Έμπειρος’, ‘Δυνατός’ χρήστης
 Ανάλυση Πυκνότητας Κίνησης (δείκτες εισερχόμενων και εξερχόμενων, μοναδικών MSISDNS)
Επίπεδα εξάρτησης του πελάτη από το MSISDN του
 Συσχέτιση χρήσης υπηρεσιών SMS σε σχέση με φωνή (Incoming/Outgoing)
SMS, Voice, ‘ισορροπημένος’, ‘κανονικός’
 Συμπεριφορά Αγορών – Αιτημάτων - Ενεργοποιήσεων
New, Returning, Recycling, Multi-Contract
 Πρότυπα Επικοινωνίας
 Συστηματική, Κανονική, Περιστασιακή
Διαστάσεις για Τμηματοποίηση - Τηλεπικοινωνίες

Οριοθέτηση & Στόχοι
Ανάλυση - Τμηματοποίηση
Ερμηνεία
Εφαρμογές
Ορισμός επιχειρηματικών αναγκών: sales driven, product driven,
profitability ή service positioning driven • καθορισμός της βάσης της
(χρονική περίοδος, υποσύνολα πελατών) • οργάνωση ομάδας εργασίας
Ανάλυση απαιτήσεων δεδομένων & διαθεσιμότητας • συλλογή, ανάλυση
και επεξεργασία δεδομένων & έλεγχος ποιότητας • προκαταρκτική
ανάλυση δεδομένων • επιλογή στατιστικών μοντέλων • Εφαρμογή
διαδικασίας • εμπλουτισμός – επανασχεδιασμός μέτρων πελάτη • εκτέλεση
τμηματοποίησης
Ερμηνεία τμηματοποίησης • κατανόηση του τυπικού πελάτη του κάθε
segment • ανάλυση δεικτών απόδοσης για κάθε segment • έλεγχος
segment στον άξονα του χρόνου (σύνθεση του segment - σταθερότητα)
Εφαρμογή σχήματος τμηματοποίησης για συγκεκριμένες επιχειρησιακές
ανάγκες • παρακολούθηση της εξέλιξης της πελατειακής βάσης σε όρους
segment • εκτίμηση πιθανοτήτων μετάβασης • παρακολούθηση του
βαθμού ομοιογένειας των segments
Close the Loop: συλλογή δεδομένων ανταπόκρισης πελατών, αξιολόγηση
απόδοσης, παραγωγή συγκεκριμένων αναφορών
Αξιολόγηση απόδοσης
Τμηματοποίηση Πελατειακής Βάσης – Κύκλος ζωής

Μέτρα αξιολόγησης πελάτη – Τηλεπικοινωνίες
Στατιστικά Χρεώσεων & Πληρωμών
 Αθροιστικά ποσά χρέωσης, στατιστικά μέτρα, κινητοί μέσοι όροι,
δείκτες εποχικότητας, Ανοιχτό υπόλοιπο, ανάλυση υπολοίπου
 Στατιστικά χρεώσεων ανά λογαριασμό (μέσοι, μεταβλητότητα,
διακυμάνσεις)
 Στατιστικά πληρωμών (Καθυστερήσεις, Φραγές, Fraud), Credit Score
βάση ανάλυσης των δεδομένων πληρωμών του πελάτη
 Δείκτες κερδοφορίας, ταξινόμηση – βαθμολόγηση του πελάτη σε σχέση
με την πελατειακή βάση
 Δείκτες ανά προϊόν, λογαριασμό ή υπηρεσία
Ανάλυση κίνησης
 Εξερχόμενες κλήσεις / συχνότητα – διάρκεια vs SMS
 Εισερχόμενες κλήσεις / συχνότητα – διάρκεια vs SMS
 Προορισμοί υψηλής συχνότητας (Most Frequent Numbers)
 Πλήθος προορισμών υψηλής συχνότητας - δείκτες
εισερχόμενων-εξερχόμενων
 Κατανομή κλήσεων βάση διάρκειας
 Κατανομή μέσα στην ημέρα
 Κατανομή μέσα στην εβδομάδα
 Συντελεστές μεταβλητότητας – τάσεις στη Διάρκεια κλήσης
 Δείκτες χρήσης λειτουργών (Εισερχόμενη κίνηση)
 Γεωγραφική κατανομή βάση cell (GSM)
 Δείκτες κινητικότητας βάση συχνότητας αλλαγής Cell
 Δεδομένα κίνησης για ειδικές υπηρεσίες όπως data κλήσεις
 Κλήσεις προς εξυπηρέτηση πελατών, Συχνότητες & Στατιστικά
ανά τύπο, κατηγορία, αποτέλεσμα
Metadata
 Βαθμολόγηση πελάτη, συμμετοχή σε clusters και υπάρχοντα
σχήματα segmentation
 Δεδομένα από έρευνες αγοράς, έρευνες ικανοποίησης πελάτη,
on-line έρευνες, ανταπόκριση πελατών σε CRM campaigns, Loyalty
προγράμματα ή άλλες προσφορές)
 Micro-Macro segmentation, clustering μοντέλα, control-placebo
σχεδιασμοί

Μέτρα πελάτη στη διάσταση του χρόνου
Η μοντελοποίηση του πελάτη και των συμπεριφορών του στο χρόνο είναι απαιτητική διαδικασία, κυρίως λόγω:
 Πολύπλοκων, Εποχικών προτύπων, κυκλικών συμπεριφορών, διαφορετικών κύκλων ζωής για κάθε segment
 Τάσεις Αγοράς, ανταγωνισμός & σημαντικές αλλαγές (π.χ. Φορητότητα αριθμών στην κινητή τηλεφωνία)
 Πολυπλοκότητα αγοράς (υπηρεσίες, οικονομικά πακέτα, πολλαπλότητα πελάτη, εσωτερικός ανταγωνισμός - π.χ.
Προπληρωμένη μοντέλα– συμβόλαια στην κινητή τηλεφωνία)
Αποτελεσματική αντιμετώπιση αυτών των θεμάτων μπορεί να επιτευχθεί εφόσον έχουμε στη διάθεσή μας τη συνολική
εικόνα του πελάτη για σύνολο προκαθορισμένων στιγμών στον κύκλο ζωής του και σε συνδυασμό με στατιστικά
και μέτρα που συνοψίζουν τις αντίστοιχες συμπεριφορές:
Απαιτείται υποδομή πληροφορικής που παράγει και διατηρεί την απαιτούμενη πληροφορία με αποτελεσματικές τεχνικές
(scores, στατιστικά, χρήση τυχαίας δειγματοληψίας) παρέχοντας έτσι τη δυνατότητα αναπαραγωγής της εικόνας της
πελατειακής βάσης και του εκάστοτε πελάτη για οποιοδήποτε χρονικό σημείο, παρέχοντας έτσι εκπληκτικές
δυνατότητες αναφορών και παρακολούθησης της εξέλιξης της πελατειακής βάσης.

0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
CLS (months)
(%)ofpopulation
REMAINING(%) VOL(%) NOVOL(%)
Μέτρηση βασικών μεγεθών τον 5ο
και 6ο
μήνα της ‘ζωής’ του συμβολαίου
Επανάληψη μετρήσεων, εφαρμογή
σχημάτων τμηματοποίησης και
αξιολόγηση του πελάτη για ενδεχόμενη
‘ιδιαίτερη’ μεταχείρηση
Μελέτη του προφίλ των ‘επιζώντων’ σε
σχέση με τον αρχικό ‘πληθυσμό’
 Συνολική εικόνα του πελάτη τον 6ο και 10ο μήνα του κύκλου ζωής του (μέτρα και στατιστικά κίνησης, μέση
όροι χρέωσης ή πληρωμών, επικινδυνότητα, ταξινόμηση πελάτη σε σχέση με την πελατειακή βάση) με σκοπό την
αποτύπωση της πορείας του πελάτη αρκετά νωρίς και λίγο πριν την πρώτη λήξη του συμβολαίου.
 Κινητοί μέσοι όροι, μέσοι εξαμήνου και μέσοι-αρχικοί συγκρίσιμοι με τα παραπάνω, ετήσια στατιστικά και μέτρα
μεταβλητότητας
 Τάσεις, εποχικές συνιστώσες ανά τακτά χρονικά διαστήματα

Μία τέτοια υποδομή επιτρέπει δυναμικό reporting και ισχυρές αναζητήσεις:
Σύνολο πελατών: top 70% (σε όρους εσόδου) που έχουν ακριβώς έναν ενεργό λογαριασμό, και βρίσκονται μεταξύ του 8ου
και του 10ου
μήνα, με πιστωτικό κίνδυνο μικρότερο του 20%, και συνολική εξερχόμενη κίνηση περισσότερο από 80% σε
ανταγωνιστές …….. Καμπάνια που στοχεύει τόσο σε ικανοποίηση των πελατών όσο και σε ‘word-of-mouth’
αποτελέσματα
ή
Σύνολο πελατών: top 30% με περισσότερο από ένα ενεργό λογαριασμό, με πιστωτική επικινδυνότητα μικρότερη του 40% ,
των οποίων η μηνιαία κίνηση έχει μειωθεί περισσότερο από 40% τους τελευταίους χ μήνες….. Καμπάνια με κίνητρα για
αύξηση χρήσης. Δειγματοληψία – μελέτη για την αποτύπωση του επιπέδου ικανοποίησης του πελάτη
αντίστοιχα
Σύνολο πελατών: 30% με περισσότερο του 40% της εξερχόμενης κίνησης προς καρτοκινητή, με πιστωτικό κίνδυνο
μικρότερο του 40%, και χρήση του MMS service περισσότερες από xx φορές τους τελευταίους x μήνες….. Καμπάνια που
προωθεί υπηρεσίες υψηλής τεχνολογίας με ευνοϊκούς όρους

Η ιδιαιτερότητα του τραπεζικού χώρου έγκειται στις πολλές διαφορετικές υπηρεσίες, στον μεγάλο αριθμό πελατών και τον
αυξημένο ανταγωνισμό:
 Πρότυπα χρήσης λογαριασμών (υπόλοιπα, κινήσεις– διακύμανση ποσών, χρονικές περίοδοι)
 Πρότυπα χρήσης καρτών (υπόλοιπα, κινήσεις– διακύμανση ποσών, πλήθος συναλλαγών, στατιστικά συναλλαγών)
 Ιστορικό Επικοινωνίας – διαδικασίες Collection
Επίπεδο επικινδυνότητας
 Συμπεριφορά Αγορών – Αιτημάτων - Ενεργοποιήσεων
Νέος, Υπάρχον πελάτης
 Πρότυπα Επικοινωνίας
 Συστηματική, Κανονική, Περιστασιακή – ανά τύπο επικοινωνίας
 Εξωτερική πληροφόρηση σχετικά με την επικινδυνότητα του πελάτη
 Επίπεδα επικινδυνότητας
Διαστάσεις για Τμηματοποίηση – Τραπεζικός τομέας

Συστήματα Μοντελοποίησης – Ανάλυσης δεδομένων
 Περιγραφική Στατιστική (exploratory data analysis): ανάλυση με 2 ή παραπάνω μεταβλητές - cross tabulation, με
δυνατότητα πολύπλοκων συνδυασμών φίλτρων, OLAP εφαρμογές, τεχνικές γραφικής απεικόνισης δεδομένων
 Στατιστική Ανάλυση: μονομεταβλητή & πολυμεταβήτή ανάλυση, cluster analysis, συνδυασμοί στατιστικών
μοντέλων
 Τεχνικές Data Mining: Ειδικοί αλγόριθμοι όπως Decision trees ή Neural Networks
Υποδομή
 Data Warehouse σε μία ‘ώριμη κατάσταση’, με αξιόπιστη πληροφορία, από επίπεδο συναλλαγών στο
 Συστήματα Στατιστικής Ανάλυσης ή / και Data Mining Συστήματα, οποιοδήποτε πακέτο της αγοράς όπως
SPSS Clementine, SAS Enterprise Miner ή Microsoft SQL Server 2005 Business Intelligence Studio
 Εξειδικευμένα - προσαρμοσμένα OLAP – συστήματα με δυνατότητες διαχείρισης λίστας και segmentation
deployment διαδικασίες
Πληροφοριακά συστήματα

Υποδομή Πληροφοριακών συστημάτων
Βελτιστοποιημένες δομές
πελατών
Αξιόπιστα δεδομένα
Στη διάσταση του χρόνου
Φυσικός πελάτης,
Λογαριασμοί
και
συμβόλαια,
Στατιστικά χρεώσεων
και πληρωμών
Segmentation σχήματα
Δεδομένα χρήσης
και στατιστικά κίνησης
Στατιστική
μοντελοποίηση
Billing &
Provisioning Systems
Δεδομένα Πελάτη
Λογαριασμών
Υπηρεσίες, Οικονομικά
πακέτα
Ιστορικό χρεώσεων –
πληρωμών
Customer Care,
Operational CRM
Ιστορικό
επικοινωνίας,
Παράπονα,
Αιτήματα
ενεργοποίησης
REPORTING
datamart
CRM
datamart
Reporting συστήματα
OLAP
Σύστημα παρακολούθησης
πελατειακής βάσης
Σύστημα
Segmentation
Πελατειακής Βάσης
Customer
Viewer
Traffic Data
CDR raw data,
Δεδομένα ποιότητας
Υπηρεσίας (QoS)
Διαδικασίες
επεξεργασίας
TRAFFIC
Operational
CRM Platform
Marketing Data
Προϊόντα, υπηρεσίες,
Καμπάνιες, Micro& Macro
segmentation σχήματα
ETL
διαδικασίες
Data cleansing,
Κανονικοποίηση δεδομένων
Μετασχηματισμός
δεδομένων
Περιγραφική ανάλυση και
βασικά υποδείγματα
κίνησης
Στατιστικά μοντέλα, πρόβλεψη churn, credit scoring,
fraud cases, segment-cluster-campaign συμμετοχές
MARKETING DATABASE
Sales Force Automations
DATA PROVIDERS DATA WAREHOUSE - ANALYTICS DSS AREA - DATA CONSUMERS

Μέρος Β
Τυπικές Εφαρμογές

Παρακολούθηση Πελατειακής Βάσης
33%
22%
45%
31%
31%
38%
32%
28%
40%
33%
29%
38%
34%
26%
40%
35%
28%
37%
31%
19%
50%
32%
21%
47%
33%
18%
49%
29%
17%
54%
27%
15%
58%
26%
13%
61%
28%
14%
58%
28%
12%
60%
29%
11%
60%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Customer base (Consumer) analysis
by Primary Segment Segment #1 Segment #2 Segment #3
Υποδομή που επιτρέπει τη συστηματική παρακολούθηση της εξέλιξης της πελατειακής βάσης, παρέχοντας έτσι εικόνα για
τη σύνθεση της και των αντίστοιχων τάσεων.
Η απεικόνιση συγκεκριμένων ενεργειών μάρκετινγκ ή σημαντικών αλλαγών της αγοράς μπορεί να αποδειχθεί
διαφωτιστική

Παρακολούθηση Πελατειακής Βάσης
Segm. #1 Segm. #2
time (months)
Παρακολούθηση δεικτών, KPIs ή άλλων μετρικών στον άξονα του χρόνου και σε σχέση με συγκεκριμένα segments

Εφαρμογές Loyalty
Η υποδομή Analytical CRM υποστηρίζει με τον καλύτερο τρόπο προγράμματα, διαδικασίες και συστήματα Customer
Loyalty
 Η πολιτική Loyalty μπορεί να σχεδιαστεί με βάση υπάρχοντα σχήματα τμηματοποίησης της πελατειακής
βάσης, και μέτρων αξιολόγησης πελατών
 Εφαρμογή λογικής Control-Placebo με σκοπό την αξιολόγηση προγραμμάτων, αποφάσεων και ενεργειών

Παρακολούθηση Απόδοσης Δικτύου Πωλήσεων (POS)
 Ανάλυση της σύνθεσης της πελατειακής βάσης ανά POS με χρήση συγκεκριμένων σχημάτων τμηματοποίησης
 Ανάλυση του κάθε segment ανά POS (συμμετοχή του POS στο segment σε σχέση με την ‘πληθυσμιακή’ συμμετοχή)
 Ανάλυση της απόδοσης του κάθε POS στον άξονα του χρόνου και σε σχέση με υπάρχοντα σχήματα
τμηματοποίησης
 Κάθε POS χαρακτηρίζεται από σειρά μέτρων και στατιστικών που αντανακλούν την ‘ποιότητα’ και την απόδοσή
του μέσω αντίστοιχων μέτρων και στατιστικών των πελατών του
 Κάθε POS μπορεί να συγκριθεί με αντίστοιχα μέτρα ή στατιστικά συγκεκριμένων συνόλων, δίνοντας έτσι τη
δυνατότητα δημιουργίας ενός συστήματος αξιολόγησης Δικτύου Πωλήσεων (POS)
Ενδεικτικά για κάθε συγκεκριμένο POS ή ομάδας POS και για συγκεκριμένα διαστήματα αναφοράς, είναι ιδιαίτερα
σημαντικό να γνωρίζουμε:
 Average Credit Risk (%)
 Μέση Διάρκεια (Completed Length of Service)
 Μέσος λογαριασμός / χρήση
 ARPU, AMOU ή δείκτες κερδοφορίας
 Δείκτες αποσυνδέσεων – εθελοντικών και μη ποσοστά πελατών με χαρακτηρισμό Fraud
 Ποσοστά πελατών που αποδεικνύονται κακοπληρωτές
 Συνολικό ανοικτό υπόλοιπο των ακυρωμένων λογαριασμών
 Συμμετοχή του POS στα top segments της πελατειακής βάσης (π.χ. top10%)

Μοντελοποίηση δεδομένων Κίνησης - Traffic
 Τα δεδομένα κίνησης – συναλλαγών είναι ίσως η σπουδαιότερη πηγή πληροφορίας για τη συμπεριφορά πελατών
 Μεγάλοι όγκοι δεδομένων (σε πλήθος εγγραφών αλλά και πλήθος μεταβλητών) κάνουν τη αξιοποίηση της
πληροφορίας εξαιρετικά δύσκολη
 Έντονα εποχικά μοντέλα δυσχεραίνουν ακόμα περισσότερο την ανάλυση (ανάγκη για συστηματική επανάληψη και
παραγωγή στατιστικών)
 Ανάλυση της ακολουθίας στατιστικών για κάθε πελάτη και για τακτά χρονικά διαστήματα μπορεί να οδηγήσει σε
αποτύπωση των ιδιαίτερων αναγκών του κάθε τμήματος της πελατειακής βάσης.
 Στην ιδανική περίπτωση, το data warehouse πρέπει να περιλαμβάνει δομές για περίπου 100-150 μεταβλητές
(στατιστικά και άλλα μεγέθη) ανά λογαριασμό και μήνα.
Επιλογή πελατών με:
 Περισσότερο του 80% της εξερχόμενης κίνησης συγκεντρωμένη σε x ή λιγότερα νούμερα
 Περισσότερο του 80% της εισερχόμενης κίνησης συγκεντρωμένη σε x ή λιγότερα νούμερα
------------------------------------------------------
------------------------------------------------------
 Τουλάχιστον 60% της εισερχόμενης κίνησης προς ανταγωνιστές
 Τουλάχιστον 40% της εισερχόμενης κίνησης από πελάτες προπληρωμένης
 Τουλάχιστον xx κλήσεις με μέση διάρκεια μικρότερη από xx λεπτά και μικρή διακύμανση

Destination_Fixed_index
Destination_GSM_index
Clustering plotted against Outgoing Traffic Indexes
 Παράδειγμα απεικόνισης πελατών με χρήση δεικτών βασισμένους σε δεδομένα κίνησης
 Παράδειγμα clustering μοντέλου σε δεδομένα κίνησης και δημογραφικά, σε ένα σύστημα από δείκτες κίνησης.
Μοντελοποίηση δεδομένων Κίνησης - Traffic

Διαχείριση Καμπάνιας - Campaign Management
1. Ορισμός
 Βασική περιγραφή του target group, του χρονικού ορίζοντα, των καναλιών που θα
χρησιμοποιηθούν, του προϋπολογισμού, των πόρων που χρειάζονται
 Απόφαση για χρήση ή όχι control & placebo διαδικασιών για την μέτρηση της επιτυχίας της
καμπάνιας
1. Ανάλυση
 Περιγραφική ανάλυση των δεδομένων, βασισμένη σε προκαθορισμένες μετρικές (π.χ. διατήρηση,
συμμετοχή σε cluster, segmentation σχήματα, ποιότητα πελάτη)
 Εφαρμογή ελέγχων και προϋποθέσεων επιλογής στον πελάτη (eligibility checks)
1. Εκτέλεση
 Προώθηση της πληροφορίας των (eligible) πελατών σε όλα τα (επιλεγμένα) κανάλια
 Monitoring campaign execution & follow-up actions for customers
1. Οριστικοποίηση
 “Closed Loop Marketing”: συγκέντρωση όλων των αποτελεσμάτων στην πρωταρχική πηγή
δεδομένων, συσχέτιση και ανάλυση της καμπάνιας
 Υπολογισμός ROI μοντέλων, σύγκριση αναμενόμενων αποτελεσμάτων με τα πραγματικά
 Ερμηνεία των αποτελεσμάτων
Ορισμός καμπάνιας,
Στόχοι, ιδιότητες
Ανάλυση δεδομένων,
Ορισμός target group
Release Καμπάνιας,
Διαχείριση εκτέλεσης
Ολοκλήρωση,
Στατιστικά και
αξιολόγηση

BUSINESS
USER
ΣΥΣΤΗΜΑ ΤΜΗΜΑΤΟΠΟΙΗΣΗΣ
(SEGMENTATION)
& ΔΙΑΧΕΙΡΙΣΗΣ ΚΑΜΠΑΝΙΑΣ
(CAMPAIGN MANAGEMENT)
CRM DATAMART -
MARKETING DATABASE
CRM / CALL CENTER
SYSTEM
λογική
target group
Στατιστική Ανάλυση Target Group
Ορισμός
target group
Customer
Analytics
Λίστα πελατών –
τελικό target
group
ΠΕΛΑΤΗΣ
Προωθητική
ενέργεια
Responses
πελατών
Responses
πελατών
Responses
πελατών
Αξιολόγηση καμπάνιας & ROI μοντέλα
Η αρχή Closed – Loop Marketing στην διαχείριση καμπάνιας
Διαχείριση Καμπάνιας - Campaign Management

Διαχείριση Churn
Η διαχείριση του Churn προαπαιτεί εκτεταμένη ανάλυση δεδομένων και ώριμη πληροφοριακή υποδομή.
Ι.Τ. και Business πρέπει να είναι σε στενή συνεργασία. Οι ρόλοι δεν είναι πάντα αυστηρά ορισμένοι
Εφαρμογή
τελικού
μοντέλου
Αρχική ανάλυση
Δεδομένων –
περιγραφική
Κατασκευή
μοντέλου
(Data Mining)
Αξιολόγηση
μοντέλου
ΚΥΚΛΟΣ ΖΩΗΣ I.T.
ΚΥΚΛΟΣ ΖΩΗΣ BUSINESS
Ερμηνεία μοντέλου
Εφαρμογή
Segmentation
σχημάτων
Ορισμός
προγραμμάτων
- ενεργειών
Εφαρμογή
προωθητικών
σεναρίων
Αξιολόγηση
μοντέλου
& προωθητικών
ενεργειών
Πελατειακή Βάση
DW ή
Data Mart

Υποδείγματα Churn
Μεταξύ segments παρουσιάζονται σημαντικές διαφοροποιήσεις στα patterns σχετικά με το churn. Σε πολλές περιπτώσεις
υπάρχουν ακόμα και αντιφατικές συμπεριφορές
Η σύνθεση του κάθε segment – προφίλ – μπορεί να οδηγήσει σε σημαντικές ανακαλύψεις ή υποθέσεις
Churn Probability by Segment
0%
5%
10%
15%
20%
25%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Completed Length of Service (months)
Segment #1 Segment #2

Γραφική απεικόνιση του Churn
100
75
50
25
0
Δείκτηςεσόδου
Δείκτης παλαιότητας
0 25 50 75 100
Τύπος Churn ανά έσοδο και παλαιότητα πελάτη
 Ενεργοί
 Εθελοντικό
 Μη-εθελοντικό
Ενεργοί
Οι ‘καλύτεροι’ πελάτες
(παλαιότεροι και
Υψηλότερου εσόδου)
πελάτες
Ενεργοί Πελάτες
Πρόσφατοι λογαριασμοί
Μη-εθελοντικό churn
Ανενεργοί (χαμηλής χρήσης): ακυρώνονται
αρκετά μετά την λήξη του συμβολαίου
Μη-εθελοντικό churn
Πελάτες Fraud ή Υψηλού
κινδύνου, με ακραία
συμπεριφορά
ακυρωμένοι μετά από
2-4 bill cycles
Εθελοντικό churn
Μέσου ή κατώτερου επιπέδου χρήσης που
ακυρώνουν αμέσως μετά τη λήξη συμβολαίου

 Case I: απόρριψη ‘καλών πελατών’, περιορισμός των καλών τμημάτων της πελατειακής – Απαισιόδοξη πολιτική
 Case II: αποδοχή ‘κακών πελατών’, αύξηση προβληματικών τμημάτων της πελατειακής – Αισιόδοξη πολιτική
 Case III: απόρριψη ‘κακών πελατών’, αποτελεσματική πρόβλεψη των κακοπληρωτών – πολιτική στηριζόμενη
σε μοντέλα
Αξιολόγηση (υποψήφιων) πελατών
Σύνολο Αιτήσεων σε συγκεκριμένο
χρονικό πλαίσιο
Case I: ‘Καλοί πελάτες που
αναγνωρίστηκαν ως ‘υψηλού
κινδύνου’
Case II: Πελάτες υψηλού κινδύνου
που όμως δεν εντοπίστηκαν
Case III: ‘Κακοί’ πελάτες που
αναγνωρίστηκαν σωστά ως
‘υψηλού κινδύνου’

Δημιουργία λίστας πελατών ‘υψηλής αξίας’ που έχουν σταματήσει τη συνεργασία τους:
1. Εντοπισμός Εθελοντικών ακυρώσεων μεταξύ 19xx και 20xx
2. Φιλτράρισμα με μέσο μηνιαίο έσοδο: >XX Euro
3. Φιλτράρισμα με διάρκεια: >=12 μήνες
4. Εξαίρεση κακοπληρωτών (Credit Risk: <30%)
5. Εξαίρεση εσωτερικού churn
6. Εξαίρεση μεταβιβάσεων συμβολαίου
7. Εξαίρεση περιπτώσεων με ανοικτά υπόλοιπα <30 Euro
XXX,000 λογαριασμών
Η διαδικασία της επαναπροσέγγισης παλαιών, υψηλής αξίας πελατών, μπορεί να οργανωθεί σε φάσεις ώστε να
επιτευχθεί ένα βέλτιστο ‘timing effect’ στην τελική επικοινωνία με τον πελάτη. Θα μπορούσε να αντιμετωπιστεί ως μία
συνεχής διαδικασία διεκδίκησης παλαιών αξιόλογων πελατών.
1. εντοπισμός ‘καλών’ πελατών που έχουν στραφεί στον ανταγωνισμό
2. οργάνωση των πελατών βάση χρονικής απόστασης από την ακύρωση
3. Αξιολόγηση και ανάλυση πελατών – Segmentation σχήματα
4. Σχεδιασμός ενεργειών μάρκετινγκ - επαναπροσέγγισης
5. Σχεδιασμός ROI σεναρίων
Διεκδίκηση ακυρωμένων, καλών πελατών

ημέρες από / προς την συμπλήρωση ενός ακόμα έτους από την ημερομηνία ακύρωσης
3102371649118
10000
8000
6000
4000
2000
0
Πελάτες που πρόκειται να
συμπληρώσουν άλλο ένα
χρόνο με τον ανταγωνισμό
Πελάτες που μόλις
συμπλήρωσαν ένα
ακόμα έτος με τον
ανταγωνισμό
Υποθέτοντας ότι
1. Οι πελάτες έχουν στραφεί στον ανταγωνισμό (οι εσωτερικοί churners έχουν εξαιρεθεί και είναι απίθανο να έχουν
στραφεί στην αγορά της προπληρωμένης κινητής τηλεφωνίας)
2. Η ενεργοποίηση λογαριασμού με τον ανταγωνισμό έγινε x μέρες πριν ή μετά την ακύρωση)
Μπορούν να οργανωθούν καμπάνιες ώστε να εντοπιστούν πελάτες ‘κοντά’ στην λήξη του συμβολαίου τους με τον
ανταγωνισμό

 Χρήση Micro Segmentation σχημάτων με σκοπό το σχεδιασμό κατάλληλης προσφοράς
 Ακυρωμένοι πελάτες με πρόσφατη ακύρωση είναι πιθανό να ενδιαφέρονται στο παλαιό MSISDN ή στο
MSISDN που αντιστοιχεί στο σταθερό τους τηλέφωνο
 Με χρήση traffic-based behavioral Micro Segment, είναι δυνατόν να εντοπιστούν price sensitive πελάτες
που πιθανότατα θα ήθελαν να συνεχίσουν μία ‘Senior’ αντιμετώπιση, π.χ. Συνέχιση Bonus, μειωμένα πάγια &
Loyalty προγράμματα και προνόμια, αυξημένη επιδότηση συσκευής, ή πρόταση του πιο κατάλληλου
οικονομικού
 Εντοπισμός service sensitive πελάτες και πρόταση hi-tech VAS ή web-related υπηρεσιών σε
ανταγωνιστικές τιμές
 Σχεδιασμός ROI σεναρίων, Εκτέλεση καμπάνιας
 Αξιολόγηση καμπάνιας, ολοκλήρωση με την καταγραφή responses πελατών
 Οργάνωση, ανάλυση και ερμηνεία δεδομένων ανταπόκρισης πελατών σε σχέση με το αντίστοιχο
δημογραφικό προφίλ
 Οργάνωση και εκτέλεση παράλληλων ερευνών σχετικά με τους λόγους αποχώρησης των ‘καλών’ αυτών
πελατών

Customer (Lifetime) Value
 Το CRM απαιτεί διαφοροποίηση των πελατών
με βάση την αξία τους για τον οργανισμό, ή
την αναμενόμενη αξία
 A valuable customer is “one whose revenues
over time exceed the company cost of
attracting selling and servicing that customer”
Kotler and Armstrong (1996).
Time
Profit
Revenue
Loss
More
Efficient
Acquisition
More Frequent
Up/Cross Sell
Longer Lasting
Relationship
Churn Rate
 Αντίθετο της «διατήρησης πελατών» (Retention)
 Ορίζεται ως «ο λόγος του αριθμού των πελατών που αποχώρησαν προς τον τρέχον αριθμό των πελατών»
Churn Rate = Losses / (Beginning # + New)
 Το ετήσιο Churn Rate δεν ισούται με το γινόμενο: 12 * μηνιαίο churn αλλά εξαρτάται από τον πραγματικό αριθμό κερδισμένων και χαμένων
πελατών σε εκείνη την περίοδο.

Κύβοι OLAP
Οι ακμές του κύβου είναι τα χαρακτηριστικά των εγγραφών
δεδομένων
 έχουν διακριτές / κατηγορικές τιμές (π.χ. χρώμα,
μήνας)
 καλούνται διαστάσεις (dimensions)
Τα κελιά περιέχουν σύνολα (αθροίσματα, μέσους κ.λ.π)
 π.χ. συνολικές πωλήσεις σε €, συνολικός
αριθμός προϊόντων
 καλούνται δεδομένα (facts)
Επερωτήσεις σε δεδομένα με χρήση cross-tabulation (“cross-tab”)
 Προβολή δεδομένων σε 2 διαστάσεις
 Δεδομένα αθροίζονται στις υπόλοιπες διαστάσεις
 Εμπεριέχουν υπό-σύνολα
Λειτουργίες σε cross-tab
 Roll up (περαιτέρω aggregation)
 Drill down (λιγότερο aggregation)
 Drill through

Μοντέλα Scoring
 Χτίζονται σε ιστορικά δεδομένα (δοσοληψίες), ενσωματώνοντας μια συγκεκριμένη συμπεριφορά πελάτη σε ένα
μόνο αριθμό.
 Μπορούν να χρησιμοποιηθούν σε συγκριτική ανάλυση (comparative analysis) της πελατειακής βάσης
 Επιτρέπει την χρήση της «ενσωματωμένης συμπεριφοράς» ως κριτήριο σε περίπλοκους μηχανισμούς
επιλογής ή σε διαδικασίες αποτίμησης (assessment)
 Επιτρέπει την δημιουργία ενός γενικευμένου σχήματος ομαδοποίησης βασισμένο σε κάποια συμπεριφορά
 Παρέχει ένα πλαίσιο για την παρακολούθηση της πελατειακής βάσης στην διάρκεια του χρόνου

Συμπερασματικά
 Το CRM αποτυγχάνει χωρίς την υποστήριξη analytics
 Το CRM δεν είναι ένα έργο IT, είναι μια συνεχής και επαναλαμβανόμενη διαδικασία στην οποία λαμβάνουν
μέρος όλοι οι τομείς της επιχείρησης
 Δεν υπάρχει “ecosystem in a box” και “out-of-the-box solution” στα πλαίσια του CRM.
 Η τεχνολογία CRM πρέπει να υποστηρίζει ανθρώπους και διαδικασίες. Τεχνολογικές μόνο στρατηγικές CRM
αποτυγχάνουν συνήθως.
 Το CRM δεν πρέπει να αντιμετωπίζεται απλά ως ένα σύστημα
 Η πορεία προς το αποτελεσματικό (analytical) CRM προϋποθέτει ή/και επιφέρει
 διεύρυνση επιχειρηματικών πρακτικών σχετικά με την διαχείριση πελατών
 επένδυση / επανασχεδίαση πληροφοριακών συστημάτων ή και αρχιτεκτονικής
 επανασχεδιασμό σημαντικού μέρους διαδικασιών
 βελτιστοποίηση επικοινωνίας μεταξύ business και IT community

22 Ethnikis Antistasis Avenue,
15232 Chalandri,
Athens, Greece
Tel (+30) 210.68.99.960
Fax (+30) 210.68.99.968
g.krasadakis@datamine.com.gr
George Krasadakis
Customer Analytics Manager

ANALYTICAL CRM

Recommended

Recommended

More Related Content

Similar to ANALYTICAL CRM

Similar to ANALYTICAL CRM (20)

More from George Krasadakis

More from George Krasadakis (20)

ANALYTICAL CRM

Editor's Notes