11.10.2015

WG DATA TALKS

Максим МозговойCRM & Publisher Analytics Director

Ценностное управление клиентской базой ипредиктивная аналитика.

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

Возможно, это ваша компания?

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

Примеры: Простой расчет ценности клиентской базы

I. Построение модели CLV (Customer Lifetime Value), оценивающей текущую и вероятную будущую ценность клиента

II. Основные данные:I. Раздельный учет затрат в расчете на клиентаII. Данные по продуктовой марже на клиентаIII. Вероятностная модель лояльности и потенциала клиентаIV. Транзакционный профильV. 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

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

отто

к

$

время

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.

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

Пример оценки клиента

«Лояльный» клиент

Сегмент, в кот. входит клиентПорядковый номер клиента по ценностиИтоговая ценность клиентаФактическая ценность клиентаБудущая ценность клиентаПрофиль клиента по потреблению услуг Лояльный

Параметры клиента (пример)

р.р.р.

Частота и типы транзакций

10

Модель предсказания ценности клиента

Модели предсказания активности

Модели предсказания потенциала

Модели предсказания и оптимизации отклика

Вероятность оттока по различным продуктамВероятность 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

продуктамиАнализ внутриигровых

триггеров покупки

Анализ внутриигровых триггеров оттока

Uplift (инкрементальное) моделирование

Мультивариантные A/B тесты

Эконометрическое моделирование в

сегментеSNA / моделирование социального графа

Анализ коммуникационных

триггеров

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

Классический подход к анализу данных

SEMMA CRISP DM

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

И что теперь делать?

15

Нам нужна фабрика! Какая фабрика?

Фабрика Моделей !Такая?

Хм… Не совсем, хотя тоже неплохо ;-)

Вот такая!

16

The Rise of Predictive Modeling FactoriesЧТО 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

Мы такие разные -

Но все-таки мы вместе!

18

СПАСИБО!!!