Post on 05-Feb-2021
Analityka predykcyjna w
marketingu i sprzedaży
Jędrzej TraczykowskiPartner Zarządzający
Marcin Górzyński Partner Zarządzający
2
Czym jest data mining i analizy predykcyjne?
Analiza dużej ilości danych w celu wyszukania w nich
ukrytych wzorców, nieznanych relacji czy anomali i
zamienienia ich w konkretne decyzje biznesowe.
Uczymy się z historii zdarzeń zapisanej w danych
a zdobytą w ten sposób wiedzę wykorzystujemy
w celu przewidywania, co wydarzy się w
przyszłości. Tak podejmujemy bardziej świadome
decyzje oparte na faktach.
3
Wykorzystanie data mining w biznesie
BankowośćAnaliza zachowań klienta (x-sell, up-sell) - większy przychód
MediaDostosowywanie indywidualnej treści dla czytelników i widzów VOD
TelekomunikacjaPrzewidywanie odejścia klienta do konkurencji
EnergetykaPrzewidywanie popytu na energię - minimalizacja kosztów
WindykacjaOceny jakości oraz rentowności portfeli wierzytelności
4
Kampanie
marketingowe
Analizy koszykowe
produktów
Utrzymanie klienta
• Jak bardziej precyzyjnie wyselekcjonować klientów do kampanii marketingowej, aby zwiększyć jej efektywność?
• Jakie produkty zaproponować jakim grupom klientów?
• Które produkty powinny być oferowane wspólnie?• Jak zarządzać promocjami na tych produktach?
• Jak przewidzieć prawdopodobieństwo rezygnacji klienta z poszczególnych usług?
• Jak utrzymać klienta?
Wykorzystanie analityki w handlu?
Zarządzanie
doświadczeniem klienta
• Jak pozyskać najbardziej wartościowych klientów?• Jak zwiekszyć satysfakcję klientów?• Jak zbliżyć się do oczekiwań klientów (segmentacja)
5
Collaboration and Deployment Services
AnalizaKlienta, Produktu
Market basket analysis
Behavioral Segmentation
Value, LoyaltySegmentation
ChurnModeling
PropensityModeling
(x-sell, up-sell)
Credit Scoring
Planning& Forecasting
Value Pricing Optimization
Text Mining
Customer ValueCalculation
RFM Analysis
Social Network Analysis
Analizy dają szerokie możliwości wsparcia procesów
biznesowych
ModeleSegmentacyjne
ModelowaniePredykcyjne
Optymalizacja,Planowanie
Analizy Big Data
6
Czego możemy się dowiedzieć o kliencie,
który robi u nas zakupy?
7
Transakcje wszystkichklientów
RegułaJeżeli A i C i G to W
A
G
CA
G
C
W
Zakupy Rekomendacja
Stworzone reguly
Analizy koszykoweWiększe zyski ze sprzedaży wiązanej - stworzenie optymalnych koszyków
Model analiz koszykowych Zbudowane reguły
8
Segmentacje
Rentownościowa
Behavioralna
Demograficzna
Portfelowa
Skłonnościowa
Bazująca na
oczekiwaniach
Wyróżniająca grupy klientów pod kątem ich potencjału rentownościowego
Opierająca się na sposobie korzystania klientów z produktów
Oparta o cechy demograficzne
Biorąca pod uwagę rentowność, cykl życia i zróżnicowanie strategii obsługi klienta
Grupująca klientów zgodnie z aktualną przewidywaną skłonnością klienta do np. retencji, x-sell, up-sell
Grupująca klientów zgodnie z ich potrzebami np.: oczekujących porady, wrażliwych cenowo czy profilu ryzyka
Rodzaje segmentacji
10
Segmentacja klientów i punktów sprzedażyIBM SPSS
SEGMENT 3 SEGMENT 2 SEGMENT 5
papierosy miasto kobieta
alkohol poranek drobne zakupy
slodycze slodycze
przekaski
Rozkład Segmentów
Charakterystyki Segmentów
Interpretacja Segmentów
11
Wsparcie kampanii marketingowychoraz retencyjnych
Korzyści:
• Wyliczenie prawdopodobieństwa odpowiedzi na ofertę
• Zwiększenie skuteczności kampanii
• Zmniejszenie kosztów kampanii
• Identyfikację cech klientów wpływających istotnie na prawdopodobieństwo pozytywnego zareagowania na ofertę
12
Zwiększanie ilości wizyt w sklepach
Zwiększenie średniej wartości koszyka
Zwiększenie współczynnika
akceptacji promocji
Zwiększenie pozytywnego wpływu
promocji na całkowite przychody.
Zwiększenie liczby klientów
Zmniejszenie liczby klientów odchodzących
Zwiększanie częstotliwości zakupów
Zwiększenie udziału w portfelu klienta
Wiedza o kliencie,
produkcie oraz
interakcjach
Poprawa skuteczności
pozyskania i utrzymania
klientów
Zwiększenie
rentowności
Analityka zarabia pieniądze.
13
Dlaczego akurat
teraz?
14
Stopień rozwoju środowiska analitycznego
Źródło: Książka „Competing on Analytics”; Thomas H Davenport & Jeanne G. Harris; Boston: Harvards Business School
15
Rozwój analityki
16
Przykłady wykorzystywania analizPokaz na żywo
17
Wydajne środowisko
ładowania, obróbki i
przechowywania
dużej ilości danych
na potrzeby analiz.
(IBM PDA powered
by Netezza)
Moduł zaawansowanych analiz, modelowania i symulacji na potrzeby
segmentacji, analiz koszykowych, prognozowania i wsparcia kampanii
marketingowych. (IBM SPSS)
Moduł optymalizacji,
czyli poszukiwanie
najlepszego rozwiązania
Moduł ten pozwala na
optymalizację dowolnych
procesów biznesowych, a
nie tylko planowania i
harmonogramowania
(IBM iLog)
Moduł raportowania, wizualizacji, interaktywnych kokpitów oraz
automatyzacji i dystrybucji raportów. (IBM Cognos BI)
Zintegrowana platforma analityczna
wiedzy o kliencie oraz wsparcia procesów decyzyjnych.
18
IBM SPSS Modeler
Moduł zaawansowanych analiz, modelowania i symulacjiIBM SPSS Modeler
19
Budowa modeli data-mining w oparciu o metodologię CRISP-DM
• Proste pozyskanie danych• Gotowe procedury przygotowania danych• Szeroka paleta gotowych modeli analitycznych• Możliwość pisania dowolnych modeli z wykorzystaniem jezyka „R”• Wdrożenie
Szeroki zakres dostępnych algorytmów
• Predykcja (kampanie marketingowe i retencyjne)• Analiza skupień (segmentacje)• Szeregi czasowe (prognozowanie popytu)• Analiza asocjacji (mechanizm rekomendacji)
Dostosowanie do użytkowników o różnym poziomie zaawansowania
• Intuicyjny Interface (algorytmy reprezentowane przez węzły)• Procedury automatyczne• Integracja z R i Python
Możliwość przechowywania zbudowanych modeli w repozytorium
IBM SPSS ModelerModuł zaawansowanych analiz, modelowania i symulacji
http://algomine.blogspot.com/2015/03/nowosci-w-spss-modeler-17.html
http://algomine.blogspot.com/2015/03/nowosci-w-spss-modeler-17.html
20
Moduł analiz statystycznych i ekonometrycznychIBM SPSS Statistics
IBM SPSS Statistics
21
Co nas wyróżnia w IBM SPSS
1. Dostosowanie do użytkowników o różnym poziomie zaawansowania. Od zautomatyzowanych procedur wyboru najlepszego algorytmu, poprzez możliwość bardzo szczegółowego ustawiania wszystkich parametrów algorytmów oraz weryfikacji ich wyników, aż do możliwości pisania dowolnych węzłów i algorytmów w języku „R”.
2. Wsparcie użytkowników w pozyskaniu, przygotowaniu i obróbce danych do analizBardzo dużo procedur przygotowania danych analitycznych, łączenia danych z różnych baz daz danych i plików zewnętrznych, audytu danych oraz wypełniania braków
3. Centralne zautomatyzowane repozytorium tzw. „Fabryka Modeli”Odciążające analityków od codziennej żmudnej weryfikacji jakościuruchomionych modeli oraz zapewniające zautomatyzowaneprocesy uruchamiania analiz.
Sprawdź jak to działa. Skontaktuj się z nami.
pl.linkedin.com/in/mgorzynski
pl.linkedin.com/in/jtraczykowski
pl.linkedin.com/in/mgorzynskipl.linkedin.com/in/mgorzynskipl.linkedin.com/in/mgorzynski/enpl.linkedin.com/in/jtraczykowskipl.linkedin.com/in/jtraczykowskipl.linkedin.com/in/jtraczykowskipl.linkedin.com/in/mgorzynskipl.linkedin.com/in/mgorzynskipl.linkedin.com/in/jtraczykowskipl.linkedin.com/in/jtraczykowski