Analiza danych o klientach w marketingu i sprzedaży (cz. 1)

Zdjęcie royalty free z Fotolia

… czy programów utrzymaniowych w taki sposób, aby korespondowały z ich potrzebami.

Prognozowanie zachowań klientów możliwe jest dzięki modelom predykcyjnym, budowanym za pomocą metod Data Mining. Przykładowo, mając informację o tym, którzy klienci do tej pory zrezygnowali z naszych produktów, możemy zbudować model predykcyjny, opisujący wzorzec ich zachowań i charakterystykę. Jeżeli podobne zachowania zaobserwujemy u innych klientów, szczególnie tych, na których najbardziej nam zależy (bo generują największą sprzedaż), warto z wyprzedzeniem zapobiec ich odejściu. Analiza Data Mining dostarczy nam ranking naszych klientów wg ryzyka ich odejścia (tzw. score – w naszym przykładzie – im więcej punktów scoringowych ma klient, tym istnieje większe ryzyko, że odejdzie).

Metody Data Mining mają szerokie zastosowanie, przykładowo, pomagają odpowiedzieć na takie pytania jak:

Na LinkedInie obserwuje nas ponad 100 tys. osób. Jesteś tam z nami?

Obserwuj

• Jaki produkt zaproponować naszemu klientowi, aby zwiększyć szansę na sprzedaż?
• Którzy klienci pozytywnie odpowiedzą na daną kampanię marketingową?
• Jakim kanałem, jak często i kiedy najlepiej kontaktować się z klientami (B2C)?
• Jaką wartość wygeneruje nasz program lojalnościowy?
• Którzy klienci będą dla nas najbardziej wartościowi i jak ich utrzymać?

Poniżej prezentujemy przykładowe problemy w marketingu i sprzedaży, które można rozwiązać z zastosowaniem tego typu metod.

#PrzeglądTygodnia [05.11-12.11.24]: kampanie z okazji Movember, suszonki miesiąca, mindfulness w reklamach

Problem #1

Dział Marketingu planuje kampanię „direct mailing” do swoich klientów. Aby zminimalizować koszty kampanii należy określić, którzy klienci z największym prawdopodobieństwem odpowiedzą na ofertę.

Rozwiązanie – typ analizy

Mamy newsletter, który rozwija marketing w Polsce. A Ty czytasz?

Rozwijaj się

Scoring – ocena prawdopodobieństwa odpowiedzi na daną ofertę
Wynikiem scoringu jest ocena klienta wyliczona na podstawie posiadanych o nim informacji. Ocena jest rozumiana jako prawdopodobieństwo zajścia badanego zdarzenia (np. czy klient odpowie na daną ofertę: tak/nie).

Korzyści

• Stworzenie listy klientów, którzy z największym prawdopodobieństwem pozytywnie zareagują na przygotowywaną kampanię „direct mailing”
• Identyfikacja cech klientów wpływających istotnie na prawdopodobieństwo pozytywnego zareagowania na ofertę
• Bardziej precyzyjne adresowanie ofert, a przez to obniżenie kosztów kampanii

Problem #2

Dział Sprzedaży w celu zwiększenia sprzedaży produktów musi podjąć decyzję, jaki zestaw produktów polecić danemu klientowi.

Rozwiązanie – typ analizy

Cross/Up Selling
Cross/Up Selling wspierany przez statystyczne analizy danych oraz techniki Data Mining pozwala na zaproponowanie optymalnych kombinacji produktów dla poszczególnych klientów tak, aby korespondowały z ich bieżącymi potrzebami.

Typowymi analizami wspierającymi Cross/Up Selling są np. analiza koszykowa (identyfikuje grupy produktów często kupowanych razem) oraz modele Best Next Offer (wskazują jaki kolejny produkt warto polecić klientowi).

Korzyści

• Identyfikacja grup produktów kupowanych razem
• Zwiększenie lojalności klientów oraz obniżenie ryzyka ich przejścia do konkurencji poprzez zaoferowanie im odpowiednich produktów
• Wzrost dochodów firmy poprzez zwiększenie sprzedaży

Problem #3

Dział Marketingu ma za zadanie opracować lub zmodyfikować ofertę produktów i usług tak, by była ona optymalnie dopasowana do potrzeb różnych klientów.

Rozwiązanie – typ analizy

Automatyczna segmentacja oraz profilowanie klientów
Segmentacja bazuje na grupowaniu klientów o podobnym profilu i zachowaniu. Analiza ta polega na automatycznym podziale klientów na segmenty na podstawie danych posiadanych na ich temat.

Podział może być dokonany w oparciu o różnorodne cechy, np. dane demograficzne lub behawioralne. Na bazie segmentacji istnieje możliwość określenia profilu klienta z wybranego segmentu.

Korzyści

• Automatyczne wyróżnienie charakterystycznych grup klientów
• Określenie profilu klienta charakterystycznego dla danego segmentu
• Ujawnienie „niszowych” grup klientów, które mogły być niezauważone przy segmentacji bez użycia technik Data Mining
• Analiza migracji klientów pomiędzy pojedynczymi segmentami
• Lepsze zrozumienie potrzeb klientów

Problem #4

Dział CRM ma za zadanie określić profil klientów, którzy zrezygnują z naszych usług, a następnie podjąć działania mające na celu ich utrzymanie.

Rozwiązanie – typ analizy

Analiza ryzyka odejścia klienta (Churn Analysis)
Przeprowadzenie analizy churn z zastosowaniem metod Data Mining umożliwia określenie na podstawie danych historycznych, z jakim prawdopodobieństwem wybrany klient zrezygnuje w danym momencie z naszych usług lub przejdzie do konkurencji.

Korzyści

• Identyfikacja klientów o wysokim prawdopodobieństwie rezygnacji z naszych usług
• Scharakteryzowanie grup klientów o wysokim prawdopodobieństwie odejścia
• Uzyskanie informacji umożliwiającej podjęcie odpowiednich działań utrzymaniowych

W części drugiej Analizy danych o klientach w marketingu i sprzedaży dowiesz się m.in.: jakie typy analiz mają zastosowanie w szacowaniu czasu korzystania przez klienta z oferowanej mu usługi, czy też ustaleniu jakie cechy produktu są preferowane przez klientów.