1. Warto klienta - dlaczego warto j analizowa i jak j mierzy?Warszawa, 23 stycznia 2013

2. Grupa MDDP12254688121140150 155130Liczba konsultantw Jedna z najwikszych polskich firmwiadczcych kompleksowe usugidoradcze 7 wyspecjalizowanych linii biznesowych Trwaa alternatywa w wyborze doradcy dlapolskich firm oraz dla midzynarodowychKim jestemy212200420052006200720082009201020112012polskich firm oraz dla midzynarodowychkorporacji dziaajcych w PolsceHistoria2004200920052006 2007 2008 2010

3. Rola MDDP w projektach ITNasze zaangaowanie stanowi gwarancjpomylnego przebiegu wdroenia systemu IT.Zapewniamy naszym Klientom wsparcie na kadymetapie procesu wdroenia. Szczegln uwagzwracamy na te elementy, ktre istotnie determinujkocowy sukces procesu wdroenia. W tym zakresieoferujemy: okrelanie wymaga biznesowych / tworzeniekoncepcji i optymalizacja procesw biznesowychpoprzedzajcych wybr i wdroenie systemw; wsparcie w tworzeniu zapyta ofertowych iwyborze waciwego systemu oraz firmywdroeniowej, koordynacja procesu podpisaniaumowy; penienie roli menedera projektu przy3KLIENTINTEGRATORITMDDP BUSINESSCONSULTING penienie roli menedera projektu przywdroeniach systemw informatycznych; optymalizacja funkcjonowania ju wdroonychsystemw.Odpowiadamy za pen zgodno docelowegorozwizania z potrzebami klienta oraz optymalnedopasowanie do unikalnych cech kadegoprzedsibiorstwa. Dbamy o efektywno kosztowprzedsiwzicia, rekomendujc rozwizaniaadekwatne do skali i istotnoci problemu. Przyprojektowaniu i wyborze rozwiza uwzgldniamycakowity koszt posiadania systemu (Total Cosf ofOwnership, TCO), wskazujc wpyw poszczeglnychdecyzji projektowej na koszt wdroenia jak rwniekoszty zwizane z przyszym utrzymaniem systemu.Pomagamy przedsibiorstwom w osigniciumaksymalnej integracji i standaryzacji informacjiprzedsibiorstwa oraz zapewnieniu wysokiejelastycznoci wdraanego systemu

4. CRM analityczny - segmentacja klientwZOTYSREBRNYSTANDARDOWY

5. Przykadowe miary relacji z klientemCLDCustomer LifetimeDurationCLRCustomer LifetimeRevenueWallet ShareProste PCRPast CustomerRevenue5RFMRecency-Frequency-MonetaryPCVPast Customer ValueCLVCustomer LifetimeValueHistoria PrzyszoZoone

6. PCV rentowno kontrahentwObsugujc w ubiegym roku jedynie 52 klientwosignlibymy a 80% naszych zyskw! Moewarto o nich zadba w sposb szczeglny?Nigdy bymy nie powiedzieli, e D generujenajwysz mar; przecie przychody od A, B i Cs znacznie wiksze20%40%60%80%100%Skumulowany zysk generowany przez kontrahentw6632% 33%38%44%27%30% 31%29%34%28%43%32%25% 24%33%27%23%36%33%23%A B C D E F G H I J K L M N O P R T U V20 najwikszych kontrahentwPrzychody M5 [PLN] M5 [%]0%0 50 100 150 200 250

7. RFM zaoenia podstawoweRecencyjak dawno temu klient dokona ostatniego zakupu?Frequency7Frequencyjak czsto kupowa?Monetary Valuejak duo zapaci?

8. RFM praktyczne metody wizualizacjiRecency Frequency Monetary545454Customer Scoring5555545535525518432143214321545544122121115114113112111

9. RFM od wartoci absolutnych do ocen syntetycznych20% klientw, dlaktrych upynonajwicej czasu odostatniej transakcji20% - 40% 40% - 60% 60% - 80%20% klientw, dlaktrych upynonajmniej czasu odostatniej transakcji1 2 3 4 5Recency czas od ostatniej transakcjiFrequency liczba transakcji w cigu ostatniego roku920% klientw onajmniejszej liczbietransakcji20% - 40% 40% - 60% 60% - 80%20% klientw onajwikszej liczbietransakcji1 2 3 4 520% klientw onajniszych obrotach20% - 40% 40% - 60% 60% - 80%20% klientw onajwyszych obrotach1 2 3 4 5Monetary warto transakcji w cigu ostatniego roku

10. CLV spojrzenie na relacj z klientemlost for good always a shareTransakcje klienta (mara operacyjna) - CGKoszty utrzymania klienta - M10Ostatnia transakcja Pw roku poprzednim 30%2 lata temu 20%3 lata temu 15%4 lata temu 5%5 lat temu 0%Model migracyjnyMacierz migracji(prawdopodobiestwo dokonania transakcji)Model retencyjnyWspczynnik churnu(prawdopodobiestwo kontynuacji wsppracy)Koszty utrzymania klienta - M

11. CLV przewaga nad innymi metrykami11Venkatesan R., Kumar V., The Impact of Customer Relationship Characteristics on Profitable Lifetime Duration, Journal of Marketing, 67 (2003)

12. CLV przewaga nad innymi metrykami (cd)12Reinartz W.J., Kumar V., A Customer Lifetime Value Framework for Customer Selection and Resource Allocation Strategy, Journal of Marketing, 68(2004)

13. CLV praktyczne zastosowaniaMotyleOptymalizacja transakcji a niedugookresowej satysfakcjiStrategia niw tak dugo jak tomoliweZaprzestanie inwestowania w chwiliosignicia punktu przegiciaPrawdziwi przyjacieleStaa ale niezbyt czsta komunikacjaUkierunkowanie na wielkotransakcji i lojalnoDogadzanie klientom aby czuli siusatysfakcjonowaniLifetimeValueWysoka13ObcyZaprzestanie jakichkolwiek inwestycjiWymuszenie zyskownoci kadejtransakcjiSkorupiakiSprawdzenie wielkoci portfela iudziau w nimJeli udzia w portfelu jest niski,zintensyfikowanie sprzedayJeli warto portfela jest niska,wymuszenie kontroli kosztw obsugiCustomer Lifetime DurationCustomerLifetimeKrtki DugiNiskaReinartz, Werner and V Kumar (2002),The Mismanagement of Customer Loyalty, Harvard Business Review, July

14. CLV - czynniki ksztatujce warto klientaKlientPotencja bazowy Potencja wzrostu Potencja sieciowy Potencja wiedzy14Przepywy pienine zwizane zproduktami/usugamistanowicymi trzon obecnejrelacjiPrzepywy pienine zwizaneze sprzeda dodatkowychproduktw/usug (cross-selling,zwikszenie udziau w koszykuzakupw, etc)Przepywy pienine zwizane znowymi klientami pozyskanymina podstawie relacji z danymklientem (referencje, polecenia,etc)Przepywy pienine wynikajcez wiedzy zdobytej w ramachrelacji z danym klientemWarto klienta (CLV)oczekiwane przychody i koszty oczekiwane przychody i koszty oczekiwane przychody i koszty oczekiwane przychody i kosztyStahl H.K, Matzler K., Hinterhuber H.H., Linking customer lifetime value with shareholder value, Industrial Marketing Management 32 (2003)

15. CLV model koncepcyjny15Reinartz W.J., Kumar V., A Customer Lifetime Value Framework for Customer Selection and Resource Allocation Strategy, Journal of Marketing, 68(2004)

16. CLV funkcja cech klienta( )nccccfCLV ,...,,, 321=( )klientfCLV =16( )nccccfCLV ,...,,, 321=( ),...,,,, 54 ccmfrfCLV =

17. Data MiningEksploracja danych (spotyka si rwnie okrelenie dreniedanych, pozyskiwanie wiedzy, wydobywanie danych, ekstrakcjadanych) (ang. data mining) () wykorzystanie szybkocikomputera do znajdowania ukrytych dla czowieka (wanie z uwagina ograniczone moliwoci czasowe) prawidowociwdanych zgromadzonych w hurtowniach danych.17 advanced analysis step ofthe "Knowledge Discovery inDatabases" processthe automated extraction of hiddenpredictive information from databasesdata mining automates the detection of relevant patterns in adatabase, using defined approaches and algorithms to look intocurrent and historical data that can then be analyzed to predictfuture trends

18. Techniki Data MiningAlgorytmyData MiningPredykcyjne Opisowe18Predykcyjne OpisoweKlasyfikacja RegresjaGrupowanieReguyasocjacyjneOdkrywaniesekwencjiWyszukiwanieanomaliiAnaliza szeregwczasowych

19. CLV drzewo regresjiFrequency > 3Monetary > 4Monetary > 3Umowa ramowaRecency > 2AVG 3 032COUNT 1 668MED 2 821STDDEV 1 530?19AVG 474COUNT 201MED 300STDDEV 235AVG 902COUNT 273MED 1073STDDEV 204AVG 5 302COUNT 130MED 5 024STDDEV 751AVG 3 022COUNT 302MED 2 978STDDEV 853AVG 6 307COUNT 176MED 6 443STDDEV 503AVG 8 320COUNT 85MED 7840STDDEV 903Recency > 4AVG 2 589COUNT 501MED 2640STDDEV 993

20. czc to wszystko razemBaza danych(np. systemu CRM)Analiza RFM(klasyfikacja poszczeglnychklientw wg stanu obecnego)20Analiza RFM(klasyfikacjaposzczeglnychklientw wgstanu 3 latatemu)PCV(ContributionMargin kadegoklienta zaostatnie 3 lata)Reguy decyzyjne(np. drzewo decyzyjne)Prognoza CLV(oczekiwana warto kadegoklienta)31.12.201231.12.201131.12.201031.12.200931.12.2008

21. PodsumowanieChcemy dostosowa sposb obsugi do potencjau klientaKlienci nie s anonimowiJestemy w stanie powiza najwaniejsze koszty z klientemKIEDY?21Przeprowad analizy historyczne PCV/RFMUyj technik DataMining do uzyskania regu decyzyjnychZacznij korzysta z wiedzy na temat swoich klientw!!!JAK?

22. Mariusz SumiskiMariusz.Suminski@mddp.pl