Jan Matoušek: Efektivní segmentace

  • 1,468 views
Uploaded on

Zdroje a předpoklady pro segmentaci zákazníků …

Zdroje a předpoklady pro segmentaci zákazníků
Faktory úspěchu a neúspěchu segmentace
Jak udělat dobrou segmentaci

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
1,468
On Slideshare
0
From Embeds
0
Number of Embeds
1

Actions

Shares
Downloads
0
Comments
0
Likes
3

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide
  • 03/30/12
  • 03/30/12
  • 03/30/12
  • 03/30/12
  • 03/30/12
  • 03/30/12
  • 03/30/12
  • 03/30/12
  • 03/30/12
  • 03/30/12
  • 03/30/12

Transcript

  • 1. EFEKTIVNÍ SEGMENTACEJan Matoušek
  • 2. Obsah Jaká je dobrá segmentace zákazníků ?  Typy segmentací Zdroje a předpoklady pro segmentaci zákazníků  Lidskéa manažerské zdroje  Datové zdroje Faktory úspěchu a neúspěchu segmentace
  • 3. Zaměření prezentaceTéma: Proč některé segmentace fungují a jiné ne Žadné ohromující manažerské schéma Praxe a zkušenosti z 9-ti let tvorby segmentací  Telco  Retial
  • 4. Segmentace Segmentace představuje kompromis mezi masovou komunikací a individuální obsluhou  Vyšší relevance sdělení (response, konverze, ROI)  Nižší odpad ve formě Opt-outů Dobrá segmentace zákazníků:  Skutečně odlišuje zákazníky  Dosahuje velmi rozdílných měr response mezi segmenty  Umožňuje porozumění a řízení segmentů
  • 5. Tvrdá nebo měkká data ?
  • 6. Typy segmentací z tvrdých dat Behaviorální (podle chování)  Chování a usage, produkty RFM / Hodnotová  Současná, minulá, budoucí hodnota, věrnost
  • 7. Zdroje pro segmentaci – Lidské Lidské zdroje:  Sponzor (Finance)  Advokát (Prosazení)  IT (Spolupráce)  Marketing (Připravenost a angažovanost)  Data Mining (Segmentační řešení) Jestliže selže jeden z klíčových hráčů, selže obvykle celé řešení
  • 8. Zdroje pro segmentaci – Data Datové zdroje  Produkty a aktivace  Transakce  Data o zákaznících Přístupy  Fyzické  Právní  Souhlasy se zpracováním dat
  • 9. Lidské příčiny úspěchu a neúspěchu
  • 10. Business - Příčiny úspěchu a neúspěchu
  • 11. Modelování - Příčiny úspěchu a neúspěchu
  • 12. Použití - Příčiny úspěchu a neúspěchu
  • 13. Anonymizované příklady z Praxe  Bohužel nutné „tvrdě“ anonymizovat  Klient  Názvy segmentů  Obchodní data  Reálné  Úspěchy a chyby  Počet segmentů  Postupy a přístupy  Přibližný obor  Přibližná data
  • 14. Behaviorální segmentace - Foto Separace dle potřeb: Fanatiků, Věrných, Hobby Testovací kampaň Malý klient ci la I OB pu BD po Y AT IO na R VN PA u t Zapojen majitel retailera OA TI en Y AK VY m KT OT eg t TI U PA en EF RY IC EK Y ls M AL gm LK ES LT dí BJ KO OB VE Po M Se FI O Použití pro cílení 1 Nadšenci 2 Fanatici Průměr Průměr 18% 8% 2 14 19% 31% 35% 64% 5% 64% 69% 90% 50% 75% 3 Unikáti Průměr 44% 3 18% 34% 3% 23% 2% 4 Věrní Průměr 16% 22 26% 76% 8% 61% 15% 5 Kompakti Průměr 14% 3 14% 13% 75% 25% 15% Počet 18456 18456 18456 18456 18456 18456 18456
  • 15. Behaviorální segmentace - PC  Separace dle potřeb: PC - Fanatiků, Mobilních, obyčejných uživatelů PC  Velká prediktivní síla  Vysoký zájem managementu  Průměrná interní propagace tu en ky gm a ti k ož . u ěť í se ro í en tv tk ol r is í t) ož m kt s ev ás ép av ok en te en pa zb e u ní áz uč El yb bo ak rn m ov uš ze hu ř. ní ýn so í . eg ká .v ar te iFi ivn ot ub oř í sl la er ft ta ch no PC (S žn síť tis sp so ch sp W př xt kl vz t ak bě er le lá l il il l il il il il il il il a pi pi up up up up up up up up up t ch ed lk pi ubus u u Dé Ko Ko Ko Ko Ko Ko Ko Ko Ko Ko Ko Ko Ry Př KlCl 1 Maličkosti Levné přislušenství 11% 1.77 100% 0% 8% 7% 5% 0% 5% 2% 0% 0% 29% 4% Notebooky a spotřební elektronika, 2 Mobilní méně cenově citlivý 8% 1.61 2% 0% 21% 12% 15% 37% 4% 11% 1% 0% 0% 11% Počítače s příslušenstvím, moho 3 Beru vše transakcí, i drahé transakce 18% 2.19 98% 1% 3% 13% 9% 23% 8% 14% 85% 21% 25% 6% 4 PC-čkář Pouze levný počítač 13% 1.90 3% 0% 2% 3% 3% 0% 1% 5% 100% 18% 0% 2% Overclockers, Upgraders, Pokročilí, Klubový Extrémní aktivita, Nadšenci, Overclock Fanatici, Kluboví, Mnoho transakcí 5 er vč. Drahých 64% 3.21 99% 17% 40% 46% 47% 23% 19% 26% 96% 53% 66% 37%
  • 16. RFM -Oblečení a obuv RFM segmentace dle afinity k nákupu Vysoká prediktivní síla řešení (až 3,5x – afinitnější skupina než je průměr) Běžná interní propagace Nižší počáteční zájem managementu Rychlé a trvalé sepětí s cílením kampaní
  • 17. Kontakt