Customer Targeting

Řešení

Prediktivní modely vytvořené za pomoci statistických metod jsou schopny identifikovat zákazníky, u kterých existuje větší ochota ke koupi (Propensity to Buy). Na základě použití těchto modelů v cross-sellových a up-sellových kampaních lze vytvořit prioritní seznamy, pomocí kterých může společnost své zdroje soustředit například na nejhodnotnější zákazníky. S využitím postupu Net Lift (incremental response) zajistíme, aby cílení na klienty mělo viditelný dopad a aby marketingové výdaje byly vynakládány efektivně.

Přínosy pro podnik

• zvyšuje úspěšnost (konverzi) cross-sellových a up-sellových kampaní,
• zvyšuje ziskovost organizace a marketingových aktivit,
• zlepšuje kvalitu zákaznické zkušenosti tím, že optimalizuje nabídky pro zákazníka tak, aby odpovídaly jeho aktuálním potřebám,
• umožňuje efektivnější alokaci a využití kapacit komunikačních kanálů.

Postup

Vycházíme z metodologie CRISP-DM. Nejprve definujeme business problém, vybíráme modely, které budou řešit tento problém, specifikujeme jejich vstupy a výstupy a určujeme jejich roli v obchodním procesu. Potom se zaměříme na data, co mají potenciál produkčního provozu Propensity to Buy a budujeme tzv. ETL proces (extraction, transformation, load). Podkladová data transformujeme do podoby tzv. prediktorů, tj. veličin agregovaných na úroveň zákazníka k nějakému časovému okamžiku. Klíčovou proměnnou je potom tzv. target – indikátor, zda zákazník daný produkt koupil/nekoupil. Tabulka s prediktory a targetem je vstupem do fáze modelování, kde pomocí algoritmů pokročilé analytiky (viz níže) vyvineme model, tj. prediktory a funkční vztah, který co nejlépe vysvětluje target. Model několikrát iterujeme a vyhodnocujeme jeho výkon, stabilitu a vnitřní logiku. V poslední fázi implementujeme model do produkce, nastavujeme reporting, zapojujeme jej do obchodního procesu, čímž se kruh uzavírá.

Oblasti použití Customer Targetingu

Uplift modeling

Máte pocit, že váš PtB model skóruje vysoko pořád ty stejné zákazníky? Že do kampaní se dostává pořád ta stejná skupina a zbytek portfolia leží ladem? Tak to nejspíš nemáte Uplift PtB modely. Koncept uplift (net lift, incremental response) vychází z úvahy, že náš target nejsou zákazníci, co si daný produkt koupí, ale zákazníci, co si daný produkt koupí v důsledku marketingového oslovení. V kampaních se potom cíleně vyhýbáme segmentům „sure thing“ (koupí i bez oslovení) a „do not disturb“ (oslovení šanci na koupi snižuje). Uplift modeling zvyšuje ROI marketingu, ale vyžaduje velmi vysokou kvalitu CRM dat o interakcích se zákazníky.

Target

Target je proměnná na úrovni zákazníka, kterou se PtB model snaží vysvětlit. Příklad: zákazník má v měsíci M+2 novou kreditní kartu, která je aktivovaná (M je aktuální měsíc). Správná definice targetu je klíčová pro business využití PtB modelu a také zásadně určuje jeho výkonnost. Viděli jsme už několik modelů, kde špatná definice targetu způsobila odmítnutí modelu businessem, i když model samotný byl řemeslně bezchybně odveden. Definici targetu proto věnujeme náležitou péči, což se nám už mnohokrát vyplatilo.

Strojové učení / machine learning

Často se nás klienti ptají: a jaký model používáte? Na to není jednoduchá odpověď. Používáme poměrně širokou škálu modelů, protože na každý problém funguje nejlépe jiný a neexistuje žádný univerzálně nejlepší model. To potvrzuje naše zkušenost, dokonce je to vědecky dokázáno (viz „no free lunch theorem“). Často řešíme dilema výkonnosti modelu a transparentnosti – ty nejvýkonnější modely mohou být tak složité, že je nelze validovat z business pohledu. Rozhodujeme se podle use case modelu společně s uživatelem. Mezi naše oblíbené binární klasifikátory patří logistická regrese, rozhodovací stromy, random forest, gradient boosting, SVM.

Správné využití Propensity to Buy modelů

Na světě je mnoho modelů, které skončily v šuplíku. Dobrý model sám o sobě totiž není zárukou dobrého customer targetingu – je nutné jej správně použít. Součástí našeho týmu je proto kampaňový specialista, který dokáže výsledky modelu propojit do businessu a tím pozvedá náš Customer Targeting na unikátní end-to-end řešení na trhu. Tato změna se u klientů setkala s nečekaně kladnou odezvou a my jsme teď klidnější, že přinášíme našim klientům skutečnou přidanou hodnotu.

Predictor Factory

Při vývoji PtB modelů jsme rychlí a efektivní díky Predictor Factory. Predictor Factory je specializovaný software na přípravu prediktorů pro modelování. Pracuje s databází, kde leží vstupní data v mnoha tabulkách propojených vazbami. Pro danou tabulku s pozorováními a vypočteným targetem (target tabulka) spočítá z ostatních tabulek všechny prediktory, které z nich spočítat lze (na základě rozšiřitelné sady tzv. patternů), a z nich vybere rozumný počet (cca 1000) těch nejlepších pro modelování. V porovnání s tradiční přípravou prediktorů (manuální SQL kódování) je příprava prediktorů pomocí Predictor Factory:

• rychlejší (ušetříme cca 20 man days na jednom modelu),
• kvalitnější (výsledný model je výkonnější),
• bezchybná (žádné chyby v kódování),
• zdokumentovaná (katalog prediktorů včetně SQL kódu) a
• flexibilní (při změně vstupních dat se jednoduše spustí znovu).

Predictor Factory je unikátní technologie, na světě jsme dosud nenarazili na podobný nástroj ve srovnatelné kvalitě. Predictor Factory vyvíjíme společně ve spolupráci s FIT ČVUT v Praze.

Real time marketing

Nejvyšší metou marketérů je dnes real time marketing. Tak lákavá, ale zároveň obávaná disciplína, je dnes řešením, které už máme vyzkoušené a dokážeme jej doručit. Tento náročný projekt vyžaduje zapojení a koordinaci expertů na technologii, datařů, programátorů, testerů, business uživatelů, modelářů a marketérů. Výsledek ale stojí za to. Real time komunikace a orchestrace mnoha kanálů je něco, co vás dokonale odliší od konkurence.