Explanation slide. Please delete after finishing presentation (more ...

OD TARGETOWANIA DO GEOTARGETOWANIA – CZY ZACHOWANIE MOŻNA ZLOKALIZOWAĆ?

Piotr Gabryś Geomarketing Forum, październik 2015

confidential – proprietary of emnos 2

AGENDA

1. Wstęp

O Emnos

O PAYBACK

2. Targetowanie w PAYBACK

Segmentacje

Profil Uczestnika

3. Geotargetowanie w PAYBACK

Idea

Wyzwania

Przykład rozwiązania

Case study

4. Podsumowanie

Geomarketing Forum, październik 2015

http://vsbattles.wikia.com/wiki/The_Great_A'tuin


O Emnos



O PAYBACK

• 18,8 mln wydanych kart

• 120 mln transakcji rocznie

• 16 mld PLN obrotu

• 30 Partnerów i 6 tys.

punktów sprzedaży

• ponad 150 sklepów

internetowych


confidential – proprietary of emnos

Potencjał danych transakcyjnych w Programie jest już szeroko wykorzystywany

NEW CUSTOMERS Rozwój i edukacja

ACTIVE Utrzymanie i rozwój

ACTIVE AT RISK

Utrzymanie

CHURNED Odzyskanie

POTENTIAL Akwizycja

CYKL ŻYCIA SEGMENACJA RFV

Moderates

Little & Often

Least Engaged

Occasional Spenders

VIPs

Enthusiasts

Liczba wizyt

niska wysoka

Średnia wartość koszyka

niska

wysoka

Przykłady segmentacji behawioralnych

6 Geomarketing Forum, październik 2015


KANAŁY KONTAKTU:

o produkt

o Partner

o miejsce/czas

DANE WWW:

o zachowania na stronie

o perspektywa techniczna

Na podstawie danych behawioralnych i deklaratywnych tworzony jest profil Uczestnika Programu

DANE BEHAWIORALNE:

o transakcje offline/online

o zamówienia nagród

o dane socjo-

demograficzne

DANE MOBILE:

o korzystanie z aplikacji

o perspektywa techniczna

DANE DEKLARATYWNE:

o płeć

o wiek

o adres zamieszkania

ODPOWIEDŹ NA PROMOCJE:

o produkt

o partner

'[…]as is commonly estimated, 80% of all business data contains a location component[…]'

Forbes INSIGHTS 'The Eureka Moment. Location Intelligence and Competitive Insight.'



Oczywistym krokiem jest stworzenie centrów aktywności na podstawie historii transakcji



dane

poziom identyfi-

kacji klienta

definicja trans-akcji

Wymaga to podjęcia wielu decyzji

zakres czasowy danych

liczba trans-

akcji per centrum

tylko POSy

"fizyczne"

parametry algorytmu

analiza danych

wybór software

odległość czy czas

dojazdu?

jakość danych o POSach

czas obliczeń

operacyjność

czy współrzę-

dne wystarczą?

wybór obszarów przypisa-

nie

centrów do

obszarów

integracja z

kanałami kontaktu

'Smart Data […] is accurate, actionable, and agile'

proces geokodo-

wania adresów

jakość danych o transak-

cjach

dane "wspoma-

gające"

liczba centrów

promień centrum

BIG DATA

SMART DATA

eXelate, a Nielsen Company 'The Lyons Den: How Do You Measure Data Accuracy?'



Decyzje poparte są danymi oraz zdrowym rozsądkiem

Budowa algorytmu

http://cutepics.org/wp-content/uploads/2011/10/small-turtle.jpg

Przykład obliczania odległości

Sposób obliczeń Odległość

Funkcja geodist z SAS (geoida) 807,4 km

Wzór haversine (geoida) 806,6 km

Wzór haversine (Ziemia jest płaska) 802,5 km

Google Maps (samochód) 987,0 km

ZALETY "PŁASKIEJ ZIEMI":

o Upraszcza obliczenia (przyspiesza x30)

o Na małych obszarach nie ma praktycznie różnicy między geoidą i rzutem spłaszczonym

o Umożliwia korzystania z miar euklidesowych w algorytmach klastrujących

o Wymaga tylko software do przetwarzania baz danych

WADY "PŁASKIEJ ZIEMI":

o Nie uwzględnia infrastruktury transportowej

o Nie można stosować dla dużych obszarów (np. całej UE)



Komu jest po drodze do Frytek & Burgerów?

Śródmieście Północne

Adresy rejestracji:

Historia transakcji:

17 k Uczestników programu PAYBACK mieszka w okolicy +58 k Uczestników programu PAYBACK kupuje w okolicy

Zastosowanie centrów transakcyjnych do geotargetowania komunikacji



Oferty w miejscu przebywania Klientów powodują większe zainteresowanie Klientów

8-krotny

Wzrost aktywacji kuponów w grupie Kupujących w okolicy niż w grupie mieszkających w okolicy

2-krotny

Wzrost liczby DOKONANYCH TRANSAKCJI w grupie Kupujących w okolicy niż w grupie mieszkających w okolicy

Zastosowanie centrów transakcyjnych do geotargetowania komunikacji



http://api.ning.com/files/zmHCXhPLzo6VAj57sSd2IsTMjzmMNGrRr9uLDcoVpCHKCVQyKv55PX*0COA3B8vmmPJUlN2lZDvX7uizBeKj*rB3McpMvDNT/EarthTurtle.jpg

Podsumowanie

Większość zbieranych danych posiada komponent lokalizacyjny

Dane te można w uproszczony sposób wykorzystywać osiągając dobre efekty biznesowe

Wymaga to jednak dokładnej analizy dostępnych środków, opracowania adekwatnych rozwiązań oraz precyzyjnego zdefiniowania celów biznesowych



DZIĘKUJĘ!

Piotr Gabryś Senior Analyst Phone +48 22 212 5191 Mobile +48 690 115 141 [email protected]


Explanation slide. Please delete after finishing presentation (more ...

Documents