DataTalks #4: Использование предиктивной аналитики для управления ценностью клиентской базы / Максим Мозговой
Download as PPTX, PDF1 like554 views
Документ обсуждает управление ценностью клиентской базы и предиктивную аналитику, подчеркивая важность оценки текущей и будущей ценности клиентов. Приводятся примеры построения моделей, которые помогают прогнозировать поведение клиентов, их лояльность и потенциальный риск оттока. Рассматриваются различные стратегии и подходы к сегментации клиентской базы для оптимизации маркетинговых кампаний и улучшения взаимодействия с клиентами.
DataTalks #4: Использование предиктивной аналитики для управления ценностью клиентской базы / Максим Мозговой
- 1. 11.10.2015 WG DATATALKS Максим Мозговой CRM & PublisherAnalytics Director Ценностное управление клиентской базой и предиктивная аналитика.
- 2. Мнение эксперта «Предположим, ваша компания потеряла 10% товаров в прошлом месяце. Вы бы сразу запаниковали: собрали бы весь свой персонал, заперли бы двери и начали бы разбираться, куда делся этот товар. Однако ваша компания может потерять 10% своих покупателей и даже не заметить этого» Эрик фон Фореном, Direct Marketing Know-How Institute
- 3. Возможно, это ваша компания?
- 4. Что такое ценность клиента? T1 TnT 0 Начало взаимоотношений Текущий момент Уход клиента $ Стоимость привлечения Стоимость обслуживания Стоимость удержания Клиент пользуется продуктом 1 Клиент пользуется продуктом 2 Потенциал Время Прибыль Привлечение Развитие Удержание
- 5. Примеры: Простой расчет ценности клиентской базы I. Построение модели CLV (Customer LifetimeValue), оценивающей текущую и вероятную будущую ценность клиента II. Основные данные: I. Раздельный учет затрат в расчете на клиента II. Данные по продуктовой марже на клиента III. Вероятностная модель лояльности и потенциала клиента IV. Транзакционный профиль V. Продуктовый профиль III. Результат: скоринг ценности клиента, управление целевыми маркетинговыми кампаниями на основе ценности клиента, построение системы дифференцированного обслуживания, оптимизация затрат Где СLV = customer lifetime value, AR – Acquisition rate (стоимость привлечения) CF- Cashflow (текущая ценность) CR – Churn rate (риск оттока) d - ставка дисконтирования
- 6. Источники ценности клиентской базы Лояльность (срок жизни клиента), потенциал и ценность взаимосвязаны. Реализованный потенциал Нереализованный потенциал из-за недостатка релевантных предложений Нереализованный потенциал из-за ухода в отток отток $ время
- 7. Нерелевантные коммуникации могут уничтожать ценность клиентской базы • Пример - возьмем клиентскую базу 1000000 клиентов. • Маркетинговая кампания генерирует 1% отклика – 1 р. стоимость контакта, всего - 1 млн руб., 10 000 откликов – Каждый отклик генерирует 125 р. увеличения ценности клиента, т.е. всего = 1,250,000 р. – Кампания приносит 250,000 р. дохода, так? • Но что если те, кто не ответил, с каждым последующим контактом всего на 0,5% снижают вероятность отклика на предложения?Тогда мы теряем 990000*0,5%*125 = 618 750 р. интегральной ценности клиентской базы. • Тогда – мы разрушаем ценность клиентской базы почти в 2,5 раза больше, чем создаём.
- 8. В оценке «будущей ценности» используется в том числе профиль клиента*: «Стабильный» клиент «Лояльный» клиент «Случайный» клиент «Сезонный» клиент -Регулярные (периодическое) поведение - Низкий уровень пользования (редкие транзакции, небольшие суммы) -Высокий уровень пользования услугами (частые транзакции, большие суммы) - Нестабильность в потреблении услуг - Нестабильные «случайные» транзакции -Высокий уровень пользования услугами (частые транзакции, большие суммы) - Стабильное потребление услуг Классический пример транзакционного сегментирования – построение профилей клиента. Использование профилей клиента позволяет разработать стратегию работы с наиболее ярко выделяющимися группами клиентов по поведению, а также спрогнозировать поведение клиента в будущем. * - индикативно
- 9. Пример оценки клиента «Лояльный» клиент Сегмент, в кот. входит клиент Порядковый номер клиента по ценности Итоговая ценность клиента Фактическая ценность клиента Будущая ценность клиента Профиль клиента по потреблению услуг Лояльный Параметры клиента (пример) р. р. р. Частота и типы транзакций
- 10. 10 Модель предсказания ценности клиента Модели предсказания активности Модели предсказания потенциала Модели предсказания и оптимизации отклика Вероятность оттока по различным продуктам Вероятность оттока на различных периодах Вероятность возврата из состояния оттока Индивидуальная функция выживаемости в рамках продукта / экосистемы SNV / монетизационный потенциал соц.связей Вероятность покупки продукта Вероятность монетизации контента Индивидуальные модели Share of Wallet Вероятность каннибализации / перехода между продуктами Анализ внутриигровых триггеров покупки Анализ внутриигровых триггеров оттока Uplift (инкрементальное) моделирование Мультивариантные A/B тесты Эконометрическое моделирование в сегменте SNA / моделирование социального графа Анализ коммуникационных триггеров
- 11. Система КПЭ управления ценностью клиентской базы % Реализации потенциала развития клиентской базы Потенциальная интегральная ценность клиентской базы Текущая интегральная ценность клиентской базы Пожизненная ценность клиента Потенциал клиента Вероятность покупки продукта Склонность клиента к оттоку Текущая ценность клиента
- 12. 12 Классический подход к анализу данных SEMMA CRISP DM
- 13. 13 1. Предсказание активности - строим кривую выживаемости клиента Пример – предсказание ценности клиента и вероятности отклика Как решать такую задачу – сколько моделей нам нужно? • 7 временных интервалов (1,2,3 недели, 1,2,3,6 мес.) – на каждом интервале строится модель вероятности перехода в неактивное состояние и возврата из неактивного состояния • 4 поведенческих/транзакционных сегмента (может быть и больше) • 5 продуктов (WoT, WoTB, WoWS, WoWP, WoWG … ) • 4 региона (NA/EU/CIS/ASIA) ИТОГО: (7+7)*4*5*4 = 1120 моделей WTF?!? 2. Предсказание вероятности покупки контента • 4 временных интервала (1,2,3 недели, 1 мес.) – на каждом интервале строится модель вероятности покупки • 30 различных единиц контента / офферов (в среднем, на самом деле может быть и больше) • 4 платежных сегмента (может быть и больше) • 5 продуктов (WoT, WoTB, WoWS, WoWP, WoWG … ) • 4 региона (NA/EU/CIS/ASIA) ИТОГО: 4*30*4*5*4 = 9600 моделей 3. Предсказание вероятности отклика • 11 коммуникационных стратегий • 8 поведенческих сегментов • 5 оффер-темплейтов в среднем на каждый сегмент (Прем, голд, бандлы, и тп) • 3 дизайн-темплейта (A/B/C тест для каждой кампании) • 5 каналов (e-mail, in-game client, site, RTB campaign, push) • 5 продуктов (WoT, WoTB, WoWS, WoWP, WoWG … ) • 4 региона (NA/EU/CIS/ASIA) ИТОГО: 11*8*5*3*5*5*4 = 132000 моделей
- 14. 14 И что теперь делать?
- 15. 15 Нам нужна фабрика! Какая фабрика? Фабрика Моделей ! Такая? Хм… Не совсем, хотя тоже неплохо ;-) Вот такая!
- 16. 16 The Rise of Predictive Modeling Factories ЧТО ПОЧИТАТЬ? KDnuggets: Future of predictive analytics: human or machine ZD NET: SAS Factory Miner industrializes predictive analytics ВАРИАНТЫ РЕШЕНИЯ: SAS MODEL FACTORY RAPIDMINER H2O
- 17. 17 Мы такие разные - Но все-таки мы вместе!
- 18. 18 СПАСИБО!!!