Анализ данных для повышения доходности и лояльности клиентов

1. Воронцов К.В., Гуз И.С.
Москва 2010

2. Структура
Предсказание поведения и потребностей клиентов
Повышение доходности и лояльности клиентов
Архитектура решения по автоматизации повышения доходности
клиентов
2 из 20

3. Как повышать доходность клиентов?
Предложение: Каждому клиенту банка с зарплатной картой предложим
овердрафт на эту карту.
Всего кредитоспособных клиентов: 100 000
Средняя 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
3 из 20

4. Предсказание поведения
и потребностей клиентов

5. Что нужно для предсказания?
Хранилища данных Экспертные знания
Данные по Данные по
Анкетные Формирование
проведенным использованию ...
данные предложений
кампаниям продуктов
Выделение склонных к покупке на основе:
• Результатов отклика на похожие предложения в прошлом
• Результатов самостоятельной покупки похожих продуктов
• Результатов отклика на пилотную кампанию
5 из 20

6. Физическая модель данных о клиентах
Пример: данные о платежах
таблицы Время суток Клиент Способ платежа
измерений с Код Код Код
иерархиями Название Дата регистрации Название
ФИО
Регион
Пол
Код
Месяц Тип дня
Название
Код Платеж
Код
Название Название Сумма (мера) Тип места
Год Код клиента Код
Название
Код времени суток
Неделя (1/4 месяца) Дата
Код даты Место
Код Код
Код
Дата начала Дата Код способа платежа
Код типа места
Дата конца Код типа дня
Код места
Название
Код месяца Код недели
Код региона
таблица фактов 6 из 20

7. 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
7 из 20

8. Построение обучающей выборки
Пример: предсказание ухода клиентов
8 из 20

9. Пример обучающей выборки
Для 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
… … … … … … … … …
Идентификатор Базовые Производные Целевой
признаки признаки признак
9 из 20

10. Построение предиктивных моделей
By Константин Воронцов…
10 из 20

11. Определение качества модели 1
Gains Chart & Коэффициент Джини
% уходящих из всех уходящих
S = Коэффициент Джини
% всех клиентов
Убывание вероятности ухода
11 из 20

12. Определение качества модели 2
Lift Chart & Лифт в верхнем дециле (10% клиентов)
Доля уходящих в квантиле N
Лифт =
Доля уходящих во всей выборке
% всех клиентов
Убывание вероятности ухода
12 из 20

13. Использование предсказанных
потребностей клиентов
13 из 20

14. Повышение доходности
и лояльности клиентов

15. Каких клиентов следует включать
в Cross/Up-sell кампанию?
Приведенная ценность клиента:
Vi Pотклика прибыль (1 Pотклика ) стоимость контакта
Доход от кампании: D Vi max
15 из 20

16. Оценка эффективности кампаний
Все потенциальные участники кампании разбиваются на 3 группы:
Тестовая группа:
Случайный выбор клиентов с которыми будет проведена
+ кампания
Основная группа:
Лучшие клиенты с точки зрения построенной модели с
+ которыми будет проведена кампания.
Контрольная группа:
Лучшие клиенты с точки зрения построенной модели с
+ которыми не будет проведена кампания.
16 из 20

17. Автоматизация кампаний
прямого маркетинга

18. Неавтоматизированный подход к созданию
моделей поведения клиентов
IT Department
DWH CRM ...
Получение данных Подготовка и очистка
для настройки данных
Выбор лучшей
модели
Построение моделей
?!
Получение
Экспорт модели
актуальных данных
Matlab,
Применение модели Подготовка и очистка Statistica,
и оценка эффекта данных ...
Экспорт результатов Регулярное
в CRM или каналы применение модели
Мониторинг качества
Обновление модели
модели
18 из 20

19. Источник 1 Источник … Источник N
Импорт данных
Хранилище данных (data warehouse)
Operational Database CRM Database
CRM
Software
Витрина данных
эффективность результаты классификация настройка
CRM Server
настройка моделей
Marketing мониторинг Marketing классификация
Client эффективности Server данных
Client Server Хранилище моделей
Внешняя система Заявка на
(front office) классификацию

20. Спасибо за внимание!
Воронцов Константин
vokov@forecsys.ru
Гуз Иван
iguz@forecsys.ru
20 из 20