datatalks #4: Использование предиктивной аналитики для...
TRANSCRIPT
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!!!