Анализ данных для повышения доходности и лояльности клиентов

Воронцов К.В., Гуз И.С.

Москва 2010

2 из 20

Структура

Предсказание поведения и потребностей клиентов

Повышение доходности и лояльности клиентов

Архитектура решения по автоматизации повышения доходности клиентов

3 из 20

Как повышать доходность клиентов?

Предложение: Каждому клиенту банка с зарплатной картой предложим овердрафт на эту карту.

Всего кредитоспособных клиентов: 100 000Средняя полная стоимость коммуникации с клиентом: 250 руб.Средняя прибыль с согласившегося клиента: 10 250 руб.Соглашаются: 2.4%

Прибыль при коммуникации со всеми клиентами:(100 000 * 0.024) * 10 000 – (100 000 * 0.976) * 250 = - 400 000 руб.

Невыгодно

Можем выделить 10% всех клиентов, среди которых 9% соглашаются:(10 000 * 0.09) * 10 000 – (10 000 * 0.91) * 250 = 6 725 000 руб.

Выгодно

Предсказание поведения и потребностей клиентов

5 из 20

Что нужно для предсказания?

Экспертные знанияХранилища данных

Анкетные данные

Формирование предложений

Выделение склонных к покупке на основе:• Результатов отклика на похожие предложения в прошлом• Результатов самостоятельной покупки похожих продуктов• Результатов отклика на пилотную кампанию

Данные по проведенным

кампаниям

Данные по использованию

продуктов. . .

6 из 20

Физическая модель данных о клиентахПример: данные о платежах

Платеж

Сумма (мера)

Код клиента

Код времени суток

Код даты

Код способа платежа

Код места

Клиент

Код

Дата регистрации

ФИО

Пол

Способ платежа

Код

Название

Место

Код

Код типа места

Название

Код региона

Регион

Код

Название

Дата

Код

Дата

Код типа дня

Код недели

Месяц

Код

Название

Год

Неделя (1/4 месяца)

Код

Дата начала

Дата конца

Код месяца

Время суток

Код

Название

таблица фактов

таблицы измерений с иерархиями

Тип дня

Код

Название Тип места

Код

Название

7 из 20

Признаковое описание состояния клиента в определенный момент времени

(Агрегат) Сумма/Среднее

(Мера) размер платежа

За последние (Неделя, Месяц) 1п.нед/2п.нед/3п.нед/… /1п.мес/2п.мес/3п.мес/… /3мес/6мес

По (Тип дня) рабочим/выходным/праздничным/любым дням

В (Время суток) утреннее/дневное/вечернее/ночное/любое время суток

С помощью (Способ платежа) наличными/кредитной картой/любым способом

В (Регион) Московская обл./Нижегородская обл./.../везде

Через (Тип места) банкомат/POS-терминал/интернет/офис продаж/любой тип места

Пример:

Суммарный размер платежа за 1 последний месяц по рабочим дням через POS-терминалы

Оценка максимального числа различных простейших признаков, связанных с платежами:2*10*4*5*3*100*5 = 600 000 !!!

Признаки следует строить исходя из бизнес задачи, исключая неинформативные иерархии

8 из 20

Построение обучающей выборкиПример: предсказание ухода клиентов

9 из 20

Пример обучающей выборкиДля построения профиля уходящего клиента

Код клиента Пол Возраст Сумм платеж 1мес Ср платеж 1мес … Онлайнер … Уходящий

20957305 Муж 23 200 50 … Нет … Да

49302857 Жен 19 340 100 … Нет … Нет

39572048 Муж 46 200 100 … Нет … Да

35721958 Муж 25 400 400 … Нет … Нет

47265934 Муж 36 140 20 … Нет … Нет

17362049 Муж 51 250 50 … Нет … Нет

39482985 Жен 19 540 270 … Да … Да

98472645 Жен 42 700 350 … Нет … Нет

… … … … … … … … …

Целевой признак

Производные признаки

Базовыепризнаки

Идентификатор

10 из 20

Построение предиктивных моделей

By Константин Воронцов…

11 из 20

Определение качества модели 1Gains Chart & Коэффициент Джини

% уходящих из всех уходящих

Убывание вероятности ухода

% всех клиентов

S = Коэффициент Джини

12 из 20

Определение качества модели 2Lift Chart & Лифт в верхнем дециле (10% клиентов)

Убывание вероятности ухода

% всех клиентов

Лифт =Доля уходящих в квантиле N

Доля уходящих во всей выборке

13 из 20

Использование предсказанных потребностей клиентов

Повышение доходности и лояльности клиентов

15 из 20

Каких клиентов следует включать в Cross/Up-sell кампанию?

Приведенная ценность клиента:

maxiD V

(1 )i отклика откликаV P прибыль P стоимость контакта

Доход от кампании:

16 из 20

Оценка эффективности кампаний

Все потенциальные участники кампании разбиваются на 3 группы:

Контрольная группа:Лучшие клиенты с точки зрения построенной модели с которыми не будет проведена кампания.

Основная группа:Лучшие клиенты с точки зрения построенной модели с которыми будет проведена кампания.

Тестовая группа:Случайный выбор клиентов с которыми будет проведена кампания+

+

+

Автоматизация кампаний прямого маркетинга

18 из 20

Неавтоматизированный подход к созданию моделей поведения клиентов

IT Department

DWH CRM . . .

Получение данных для настройки

Построение моделейВыбор лучшей

модели

Экспорт моделиПолучение

актуальных данных

Экспорт результатов в CRM или каналы

Подготовка и очистка данных

Применение модели и оценка эффекта

Подготовка и очистка данных

Регулярное применение модели

Мониторинг качества модели

Обновление модели

?!

Matlab, Statistica,

. . .

Operational Database

Хранилище данных (data warehouse)

CRM Database

Витрина данных

настройкаклассификациярезультатыэффективность

Источник 1 Источник … Источник N

Хранилище моделейServerClient

CRM Server

CRM Software

Marketing Server

Marketing Client

Импорт данных

настройка моделей

классификация данных

мониторинг эффективности

Внешняя система(front office)

Заявка на классификацию

20 из 20

Воронцов Константин

vokov@forecsys.ru

Гуз Иван

iguz@forecsys.ru

Спасибо за внимание!