Dzięki rozpowszechnianiu się i doskonaleniu nowych, elektronicznych kanałów kontaktowych i dystrybucyjnych, rynki, które były jeszcze do niedawna lokalne, stają się dostępne dla coraz większej liczby dostawców.
Okoliczność ta połączona ze wzrostem rozporządzalnego dochodu klientów oraz rosnącym zróżnicowaniem produktów spowodowała znaczący spadek lojalności klientów oraz występowanie efektów częstego przesuwania preferencji.

Analiza danych i data mining w marketingu
Kliknij na obrazek – broszura .pdf

Odpowiedzią na nowe warunki i wzorce zachowania klientów stał się marketing relacyjny, który umieszcza potrzeby klienta w centrum zainteresowania organizacji. Nowe podejście zakłada konieczność budowania indywidualnych, trwałych kontaktów pomiędzy dostawcą a klientem. Komunikacja i dystrybucja powinna mieć charakter spersonalizowany, indywidualny. Kontakty z klientem traktuje się nie jako zbiór odrębnych epizodów, lecz jako proces, na który można oddziaływać.

Budowanie trwałych relacji klientem powoduje wiele wymiernych korzyści wynikających z następujących przyczyn:

  • stali klienci przynoszą firmie zdecydowanie większe korzyści niż klienci incydentalni,
  • bardziej kosztowne są kampanie mające na celu pozyskanie nowych klientów, niż te, których celem jest zatrzymanie obecnych,
  • wiele więcej kosztuje odzyskanie klienta, który odszedł do konkurencji, niż sprawienie by był on usatysfakcjonowany, a przez to mniej zainteresowany ofertą konkurencji,
  • łatwiej jest sprzedać nowy produkt osobie, która jest już naszym klientem niż osobie zupełnie nieznanej.

Jeśli firma potrafi pokazać klientom, że ich rozumie i może zaspokoić ich potrzeby, to jest bardziej prawdopodobne, że kontakty będą trwały nadal.

Odpowiedzią na potrzebę zarządzania relacjami z klientami stała się metodyka CRM będąca praktyczną realizacją filozofii marketingu relacyjnego. Metody statystyczne i data mining mogą być ogromnie użyteczne w doskonaleniu relacji z klientem zwłaszcza w przypadku firm posiadających olbrzymią ilość klientów gdzie nawiązywanie indywidualnych relacji z pojedynczym klientem jest praktycznie niemożliwe. Możliwa jest jednak wnikliwa analiza i uważna interpretacja rutynowo gromadzonych informacji o klientach i podejmowanie na tej podstawie takich działań niczym nie różniłyby się od działań podejmowanych w stosunku do klientów, z którymi posiadamy rzeczywistą relację.

Efekt ten można osiągnąć dzięki wykorzystaniu zaawansowanych narzędzi data mining. do najczęstszych obszarów ich zastosowań należy zaliczyć:

  • segmentację,
  • modele predykcyjne odnoszące się do etapów cyklu życia klienta,
  • analizy dotyczące sekwencji zakupów oraz podobieństwa i powiązań między produktami

 

Segmentacja

 

Analiza data mining może pomóc zidentyfikować grupy podobnych do siebie klientów, innymi słowy dokonać ich segmentacji. Tego typu analiza może być przydatna do optymalizowania naszych działań i bardziej indywidualnego traktowania naszych klientów. Wszystkie osoby znajdujące się w tej samej grupie uważane są za podobne do siebie, osoby znajdujące się w różnych grupach są różne. Dzięki tego typu podziałowi nie musimy już określać tylu strategii ilu mamy klientów. Wystarczy, jeśli dany sposób postępowania przypiszemy do całej grupy (segmentu) podobnych osób.

Innymi zaletami segmentacji jest możliwość patrzenia na naszych klientów z nieco innej perspektywy, niejako z lotu ptaka. Taka perspektywa może umożliwić lepsze zrozumienie ich cech i zachowań. Przyjęty schemat segmentacji może przyczynić się też do poprawy komunikacji w zespole handlowców. Dzięki niemu mamy możliwość spójnie i precyzyjne określić grupy klientów, którymi jesteśmy zainteresowani.

Wyniki przeprowadzonej segmentacji mogą również zasugerować działania, jakie należy podjąć w stosunku do określonych grup. Na przykład, jeśli osoby znajdujące się w dwóch różnych segmentach mają bardzo podobne cechy demograficzne, a tylko jeden reprezentuje wartościowych klientów, istnieje szansa, że klienci z drugiego segmentu mogą stać się równie wartościowi, jeśli podejmiemy w stosunku do nich odpowiednie działania.

Zachęcamy do zapoznania się z artykułem: „Segmentacja użytkowników serwisu www z użyciem metod statystycznych i sieci neuronowych”

 

Cykl życia klienta

 

Wartościowy klient rzadko jest klientem statycznym. Relacja z nim ewoluuje i zmienia się w czasie. Zrozumienie tej relacji jest krytyczne dla zarządzania kontaktami i podejmowania odpowiednich działań. Różne poziomy w relacjach z klientami można opisać za pomocą modelu cyklu życia klienta. Zakłada on, że niektórzy z potencjalnych klientów, dokonując zakupu, zmieniają się w naszych nowych klientów, ci zaś, jeśli przez pewien czas korzystają z naszych usług, mogą być postrzegani, jako nasi stali klienci. Następnie pewna ich część może zrezygnować, stając się naszymi byłymi klientami. Budowanie modeli predykcyjnych związanych z cyklem życia klienta jest najbardziej typowym przykładem wykorzystywania metod data mining w zarządzaniu relacjami z klientem. Oczywiście, w zależności od etapu cyklu zmieniają się typy analiz, jakie można przeprowadzić.


Cykl życia klienta
Potencjalni klienci. Zdobywanie nowych klientów jest dla wielu firm głównym źródłem wzrostu sprzedaży. Skuteczność kampanii mającej na celu zdobycie nowych klientów jest więc kluczowa dla funkcjonowania organizacji. Tego typu akcje kierowane są do wybranej wcześniej grupy potencjalnych klientów, czyli osób, mogą potencjalnie być zainteresowane naszymi produktami bądź usługami, lecz nie są naszymi klientami. Bardzo ważnym zadaniem stojącym przed pracownikami działu marketingu jest wybranie odpowiednich osób, do których zostanie skierowana przygotowana oferta. Bardzo pomocne w wyborze segmentu potencjalnych klientów są narzędzia data mining. Sprawdzają się one zwłaszcza w sytuacji, gdy dysponujemy olbrzymią bazą potencjalnych klientów, z których musimy wskazać jedynie tych najbardziej odpowiednich (ze względu na koszty kampanii nie planujemy wysyłać oferty do wszystkich). Budowanie modeli data mining służących selekcji osób, do których warto skierować ofertę jest dość trudna, z powodu charakteru danych służących do analizy. z reguły są to dane zakupione z zewnętrznej instytucji, zawierające najczęściej jedynie informacje demograficzne. Na podstawie tego typu informacji trudno budować skuteczne modele prognozujące zachowanie, stąd też zwykle cechują się one znacznym błędem klasyfikacji. Nie zmienia to jednak faktu, że mogą być one ogromnie pomocne w ograniczaniu kosztów kampanii. Zwykle kampanie tego typu cechują się znikomym odsetkiem (mniej niż 1%) osób, które na nią odpowiadają. Celem modelu nie jest tak naprawdę dokładne wskazanie tych osób, lecz pewne zawężenie grupy, w której się znajdują. Jeśli model wskaże, że warto wysłać ofertę do połowy naszych potencjalnych klientów, wśród których będą wszyscy, rzeczywiście skłonni na nią odpowiedzieć, to może to w dużym stopniu ograniczyć koszty kampanii nie zmniejszając jej skuteczności.

Aktualni klienci. Gdy pomiędzy dostawcą, a klientem została zawiązana relacja, kolejnym krokiem jest maksymalizacja korzyści z niej wynikającej. Jedną z możliwości osiągnięcia tego celu jest stosowanie wobec klientów tak zwanej sprzedaży krzyżowej (cross-selling). Polega ona oferowaniu klientom pewnych dodatkowych usług i produktów związanych z wcześniejszymi zakupami (np. posiadacz rachunku w banku decyduje się na korzystanie z karty kredytowej). Można również starać się, by nasi klienci zaczęli korzystać z poszerzonych wersji zakupionych wcześniej produktów i usług (up-selling). Metody data mining mogą być ogromnie pomocne we wspieraniu tego typu akcji. Zbudowane modele służą do prognozowania, którzy klienci byliby skłonni zakupić dany produkt. W większości forma analizy niewiele się różni od analizy stosowanej dla potencjalnych klientów określającej jaki produkt im zaoferować (za wyjątkiem faktu, iż w takim przypadku dysponujemy szeregiem informacji pochodzących z wcześniejszych kontaktów z klientem). Każda możliwość transakcji sprzedaży krzyżowej jest traktowana jako oferowanie klientowi jednego produktu. Każdemu produktowi odpowiada jeden model prognostyczny. Kluczowe jest następnie zoptymalizowanie oferty w stosunku do wszystkich klientów tak, by oferta lub oferty jakie otrzyma klient przyniosły najwięcej korzyści zarówno sprzedającemu jak i kupującemu. Podczas budowy tego typu modeli ważne jest takie ich skonstruowanie by prognozy były sporządzane nie dla stanu obecnego lecz z pewnym wyprzedzeniem (np. 2 miesiące). Tego typu wyprzedzenie jest konieczne by oferta zdążyła dotrzeć do klienta jeszcze przed jego ewentualnym kontaktem z konkurencją.

Zachęcamy do zapoznania się z opisem stosowania STATISTICA do optymalizacji kampanii marketingowych

Klienci zagrożeni odejściem Na wartość klienta wpływa nie tylko kwestia ilości dokonywanych przez niego zakupów. Drugim równie istotnym czynnikiem jest trwałość tej relacji. Klient regularnie korzystający z naszych usług jest bardzo cenny dla organizacji, dlatego zapewnienie jego lojalności jest jednym z kluczowych zadań jakie stoją przed osobami zajmującymi się zarządzaniem relacjami z klientami. Odejścia (churn) klientów stanowią poważny problem dla wielu firm, zwłaszcza tam, gdzie z jednej strony występuje wysoki koszt pozyskania nowych klientów, a z drugiej strony klient bardzo łatwo może odejść do konkurencji, ponosząc przy tym niewielkie lub żadne koszty. W sytuacji gdy rynek nasyca się produktem lub usługą i jest coraz mniej potencjalnych klientów, znaczenie utrzymania klienta staje się coraz większe. Metody analizy danych, a w szczególności data mining stosowanie są w zapobieganiu migracji klientów w rozmaity sposób. W szczególności techniki statystyczne wykorzystuje się do badania i monitorowania satysfakcji klienta, wykrywania przyczyn decydujących o zadowoleniu klienta i jego lojalności, monitorowania zmian stopnia satysfakcji klientów. Najpopularniejsze rozwiązanie, które bezpośrednio odnosi się do sformułowanych powyżej pytań polega na znalezieniu tych klientów, dla których prawdopodobieństwo odejścia jest największe. Tego typu analizy przeprowadzamy w oparciu o dane naszych obecnych i byłych klientów za pomocą technik ukierunkowanego data mining. Podobnie jak w przypadku modeli dla sprzedaży krzyżowej, również tutaj prognozy buduje się z wyprzedzeniem czasowym, by dostawca miał czas podjąć pewne kroki zapobiegawcze. Drugim zadaniem jest identyfikacja przyczyn potencjalnego odejścia. Wiedza ta jest konieczna by podjąć w stosunku do zagrożonych klientów optymalne kroki zapobiegawcze (odejścia dobrowolne), bądź optymalizujące działania dotyczące potencjalnie niewypłacalnych klientów. W przypadku drugiej części zadania do analizy wykorzystujemy najczęściej metody nieukierunkowanego data mining.

Zachęcamy do zapoznania się z opisem projektu zapobiegania odejściom (churn) w Netia i stroną poświęconą zapobieganiu migracji klientów (churn)

Analizy dotyczące sekwencji zakupów oraz podobieństwa i powiązań między produktami

Kolejne zadanie wykonywane dzięki technikom data mining polega na określeniu powiązań między poszczególnymi produktami, a dokładniej na próbie odpowiedzi na pytanie „Jakie produkty są zwykle kupowane razem lub w pewnych odstępach czasu oraz w jakiej kolejności?”. Odpowiedzią na to pytanie jest zwykle zestaw pewnych reguł zbudowany na podstawie historycznych danych (transakcyjnych), zawierających zapis dokonywanych zakupów. Znajomość takich reguł może być bardzo przydatna w różnego rodzaju działaniach skierowanych na klienta. Wiedza na temat kupowanych produktów umożliwia także uzyskanie informacji odnośnie naszych klientów oraz motywów jakimi się kierują dokonując określonych zakupów. Tego typu analizy poprzedzają często opisywane powyżej kampanie sprzedaży krzyżowej. Znajomość reguł postępowania klientów pozwala nam określić jaki następny produkt najprawdopodobniej zakupi dany klient i na tej podstawie podejmować działania odnośnie kierowania ofert. Znajomość tego typu reguł jest również bardzo przydatna w handlu internetowym. Podczas zakupów w sklepie internetowym wszystkie transakcje zapisywane są w bazie danych, a klient, który ich dokonywał jest jednoznacznie identyfikowany w systemie, tak więc przechowywana jest cała historia jego zakupów. Na podstawie tych danych generowane są wzorce, dzięki którym program z dużym prawdopodobieństwem „wie” jakimi produktami dany klient może być zainteresowany i już na wstępie może zaproponować odwiedzającemu określony asortyment. Generowanie reguł jest możliwe dzięki zastosowaniu metod nieukierunkowanego data mining: analizy asocjacji (association rules) oraz analizy sekwencji i połączeń (sequence and link analisys). Oczywiście nie wszystkie odnalezione reguły muszą być użyteczne. Część z nich na pewno będzie przedstawiała zależności znane dla analizujących, część reguł może być niemożliwa do interpretacji. Jednak pozostałe mogą znacznie poszerzyć wiedzę na temat badanego zjawiska sugerując określone działania lub wskazując obszary dalszej analizy. Bardzo przydatne w zrozumieniu badanego zjawiska są narzędzia wizualizacji, dzięki którym możemy analizować całą siatkę połączeń pomiędzy poszczególnymi obiektami, co umożliwia głębsze zrozumienie wzajemnych zależności i relacji.

Zachęcamy do zapoznania się z przykładem wykorzystania programu STATISTICA Sequence and link analysis do badania wzorców zachowań klientów.

Oferta StatSoft w dziedzinie analitycznego CRM

Oprogramowanie z rodziny STATISTICA umożliwia wykonywanie wymienionych wyżej analiz: począwszy od podstawowych statystyk i wizualizacji, przez statystki wielowymiarowemodele statystyczne po zaawansowane, nowoczesne metody data mining. Ponadto systemy te umożliwiają łatwe stosowanie modeli dla nowych danych.

Kompletnym rozwiązaniem wspierającym realizacją całego projektu analitycznego w CRM jest STATISTICA Decisioning Platform. Umożliwia ono łącznie w jednym środowisku modeli data mining, reguł biznesowych, zasad optymalizacji działań, operacji przygotowania danych i stosowanie nawet bardzo złożonych scenariuszy decyzyjnych.

StatSoft Polska oferuje nie tylko gotowe oprogramowanie, ale również usługi konsultingowe dotyczące analitycznego CRM, tworzenie dedykowanych systemów analityczno-raportowych oraz szkolenia dotyczące metod data mining. Zachęcamy do zapoznania się z wybranymi opiniami klientów o naszych usługachkursach.

Warto przeczytać: