Původně pro časopis DIREKT
Strach ze známého
Již pár let brázdím republiku s prezentacemi o přínosech data miningu. Potkávám připravené, nalomené, i zcela nedotknuté potenciální klienty a šířím myšlenky o efektivním využití databází jejich zákazníků. Za tu dobu vím, že v cestě dalšímu rozšiřování data miningu do firem stojí nejčastěji neznalost.
Podívejme se proto na problematiku trochu jednodušeji. Všechny rozumné firmy už data mining dělají, stejně jako dělají marketing nebo prodej. Záleží na tom, na jaké úrovni. V data miningu totiž nejde o nic jiného než o zcela normální úlohy:
- Vybrat nejlepší zákazníky k oslovení
- Podívat se na podezřelé zákazníky
-
Vybrat nejlepší produkt do zásilky
Běžný přístup firem je ovšem jednorozměrný: firmy se řídí podle jednoho kriteria. Nejlepší zákazník je pak ten, co nejvíce utrácí. Podezřelý je ten, co udělá jeden typ podezřelé aktivity. Nejlepší produkt je produkt, co se nejvíce prodává. Takový přístup je lepší než nic, ale data miner se snaží jít dál.
Pokud přidáme do našeho uvažování další proměnné, velmi silně nám to vylepší výsledky. Pro začátek si představme obyčejnou RFM analýzu (Recency, Frequency, Monetary). Pokud zkombinujeme se správnými vahami faktor, že zákazník nakoupil nedávno, a tedy si nás pamatuje, s věrností a hodnotou, nemáme problém dosáhnout dvojnásobné response oproti responsi průměrné. Přístup jen přes utracenou částku nám naopak dobrý výsledek nezaručí, protože budeme míchat dávné a „nevěrné“ zákazníky mezi ty nejlepší.
Pokud poté do modelu přidáme další proměnné, jako je pokročilost zákazníka, jeho zájem o prodávanou kategorii, můžeme jít v účinnosti ještě mnohem dále.
Zajímají vás výsledky?
Data mining dle mých zkušeností funguje. Dále uvádím dva příklady z praxe, které byly pouze anonymizovány, kvůli ochraně klienta. Čísla jsou ovšem skutečná.
V prvním případě jsme použili k navýšení responsí v oblasti prodeje elektroniky obecnou segmentaci. Segmentace není určena jen ke zvýšení responsí, ale slouží spíše ke strategickému řízení komunikace. Segmentační model funguje jako velmi uvážlivý, ale poněkud pomalý obchodník. Všímá si profilu zákazníků a jejich potřeb, netlačí jen na krátkodobý prodej. Jeho cílem je dlouhodobý ziskový vztah se zákazníkem. Krátkodobým výsledkem segmentace je slušné zvýšení response na 2,6 násobek u vybraného „zapáleného“ segmentu. Věrný segment reaguje obvykle také velmi dobře, zde 2x více než ostatní.
V druhém případě použijeme na prodej sportovní obuvi afinitní model. Afinitní model se soustřeďuje na pravděpodobnost prodeje a naopak neřeší strategické otázky. Tento model bychom mohli přirovnat k vysoce aktivnímu prodejci. Model si jako správný obchodník všimne, kteří zákazníci chodí často, utrácejí hodně a používají odlišné typy bot na odlišné sporty. Takoví zákazníci se nejspíše vrátí a náš obchodník je zásobí na každý myslitelný sport. Nejlepší desetina zákazníků si tak odnese 5 různých typů zboží, zatímco z nejhorší desetiny zákazníků se polovina ani nestaví. Náš obchodník věnuje péči té nejlepší desetině, a ztrojnásobí tak zisk.
Na situaci můžeme pohlížet i optikou nákladů na responsi. V případě oslovení dle pravděpodobnosti nákupu (afinity) máme čtvrtinové náklady na jednu responsi, než kdybychom oslovovali celou populaci zákazníků.
Přepis do business casu je již rutinní záležitostí – u kampaní s vysokými náklady na jednotlivé oslovení dokáží data miningové modely zlepšit výkonnost kampaně stejně jako zvyšují response. V našem případě tedy například při oslovení direkt mailem zvýšíme návratnost dvojnásobně až trojnásobně. U kampaní, kde jsou náklady jen fixní (například e-mailing), sice model nedokáže zlepšit bezprostředně návratnost, dokáže však alespoň snížit komunikační zátěž těch klientů, pro něž je nabídka nerelevantní, a které tedy vyloučíme z komunikace. Dlouhodobě v takovém případě docílíme alespoň zmenšení podílu odhlášených z komunikace.
Funguje to automaticky?
Jako všechny marketingové nástroje mají i data miningové modely určité nároky na obsluhu. Především je třeba připravit marketingové oddělení na oslovování vybraných segmentů populace. To znamená nastudovat charakteristiky segmentů a věnovat více času přemýšlení nad nabídkami. Technicky je třeba segmentaci začlenit do stávajících systémů typu CRM nebo Campaign Management.
Kdo používá data mining
Data mining používaly zpočátku jen velké instituce z řad bank a telekomunikačních operátorů. V poslední době se k němu ovšem kloní úplně jiná skupina zákazníků, a to e-shopy. Tito noví klienti nemají ještě složité procesy, zato však mají desítky tisíc záznamů o nákupech. Technicky jsou dobře vybavení a nemají problém s inovacemi. Viditelný je také příklon retailu od nákladné mediální komunikace k přece jen skromnějšímu, „chytrému“ přímému marketingu.
