analityka predykcyjna w - algomine · 2015. 9. 16. · analiza klienta, produktu market basket...
TRANSCRIPT
-
Analityka predykcyjna w
marketingu i sprzedaży
Jędrzej TraczykowskiPartner Zarządzający
Marcin Górzyński Partner Zarządzający
-
2
Czym jest data mining i analizy predykcyjne?
Analiza dużej ilości danych w celu wyszukania w nich
ukrytych wzorców, nieznanych relacji czy anomali i
zamienienia ich w konkretne decyzje biznesowe.
Uczymy się z historii zdarzeń zapisanej w danych
a zdobytą w ten sposób wiedzę wykorzystujemy
w celu przewidywania, co wydarzy się w
przyszłości. Tak podejmujemy bardziej świadome
decyzje oparte na faktach.
-
3
Wykorzystanie data mining w biznesie
BankowośćAnaliza zachowań klienta (x-sell, up-sell) - większy przychód
MediaDostosowywanie indywidualnej treści dla czytelników i widzów VOD
TelekomunikacjaPrzewidywanie odejścia klienta do konkurencji
EnergetykaPrzewidywanie popytu na energię - minimalizacja kosztów
WindykacjaOceny jakości oraz rentowności portfeli wierzytelności
-
4
Kampanie
marketingowe
Analizy koszykowe
produktów
Utrzymanie klienta
• Jak bardziej precyzyjnie wyselekcjonować klientów do kampanii marketingowej, aby zwiększyć jej efektywność?
• Jakie produkty zaproponować jakim grupom klientów?
• Które produkty powinny być oferowane wspólnie?• Jak zarządzać promocjami na tych produktach?
• Jak przewidzieć prawdopodobieństwo rezygnacji klienta z poszczególnych usług?
• Jak utrzymać klienta?
Wykorzystanie analityki w handlu?
Zarządzanie
doświadczeniem klienta
• Jak pozyskać najbardziej wartościowych klientów?• Jak zwiekszyć satysfakcję klientów?• Jak zbliżyć się do oczekiwań klientów (segmentacja)
-
5
Collaboration and Deployment Services
AnalizaKlienta, Produktu
Market basket analysis
Behavioral Segmentation
Value, LoyaltySegmentation
ChurnModeling
PropensityModeling
(x-sell, up-sell)
Credit Scoring
Planning& Forecasting
Value Pricing Optimization
Text Mining
Customer ValueCalculation
RFM Analysis
Social Network Analysis
Analizy dają szerokie możliwości wsparcia procesów
biznesowych
ModeleSegmentacyjne
ModelowaniePredykcyjne
Optymalizacja,Planowanie
Analizy Big Data
-
6
Czego możemy się dowiedzieć o kliencie,
który robi u nas zakupy?
-
7
Transakcje wszystkichklientów
RegułaJeżeli A i C i G to W
A
G
CA
G
C
W
Zakupy Rekomendacja
Stworzone reguly
Analizy koszykoweWiększe zyski ze sprzedaży wiązanej - stworzenie optymalnych koszyków
Model analiz koszykowych Zbudowane reguły
-
8
Segmentacje
-
Rentownościowa
Behavioralna
Demograficzna
Portfelowa
Skłonnościowa
Bazująca na
oczekiwaniach
Wyróżniająca grupy klientów pod kątem ich potencjału rentownościowego
Opierająca się na sposobie korzystania klientów z produktów
Oparta o cechy demograficzne
Biorąca pod uwagę rentowność, cykl życia i zróżnicowanie strategii obsługi klienta
Grupująca klientów zgodnie z aktualną przewidywaną skłonnością klienta do np. retencji, x-sell, up-sell
Grupująca klientów zgodnie z ich potrzebami np.: oczekujących porady, wrażliwych cenowo czy profilu ryzyka
Rodzaje segmentacji
-
10
Segmentacja klientów i punktów sprzedażyIBM SPSS
SEGMENT 3 SEGMENT 2 SEGMENT 5
papierosy miasto kobieta
alkohol poranek drobne zakupy
slodycze slodycze
przekaski
Rozkład Segmentów
Charakterystyki Segmentów
Interpretacja Segmentów
-
11
Wsparcie kampanii marketingowychoraz retencyjnych
Korzyści:
• Wyliczenie prawdopodobieństwa odpowiedzi na ofertę
• Zwiększenie skuteczności kampanii
• Zmniejszenie kosztów kampanii
• Identyfikację cech klientów wpływających istotnie na prawdopodobieństwo pozytywnego zareagowania na ofertę
-
12
Zwiększanie ilości wizyt w sklepach
Zwiększenie średniej wartości koszyka
Zwiększenie współczynnika
akceptacji promocji
Zwiększenie pozytywnego wpływu
promocji na całkowite przychody.
Zwiększenie liczby klientów
Zmniejszenie liczby klientów odchodzących
Zwiększanie częstotliwości zakupów
Zwiększenie udziału w portfelu klienta
Wiedza o kliencie,
produkcie oraz
interakcjach
Poprawa skuteczności
pozyskania i utrzymania
klientów
Zwiększenie
rentowności
Analityka zarabia pieniądze.
-
13
Dlaczego akurat
teraz?
-
14
Stopień rozwoju środowiska analitycznego
Źródło: Książka „Competing on Analytics”; Thomas H Davenport & Jeanne G. Harris; Boston: Harvards Business School
-
15
Rozwój analityki
-
16
Przykłady wykorzystywania analizPokaz na żywo
-
17
Wydajne środowisko
ładowania, obróbki i
przechowywania
dużej ilości danych
na potrzeby analiz.
(IBM PDA powered
by Netezza)
Moduł zaawansowanych analiz, modelowania i symulacji na potrzeby
segmentacji, analiz koszykowych, prognozowania i wsparcia kampanii
marketingowych. (IBM SPSS)
Moduł optymalizacji,
czyli poszukiwanie
najlepszego rozwiązania
Moduł ten pozwala na
optymalizację dowolnych
procesów biznesowych, a
nie tylko planowania i
harmonogramowania
(IBM iLog)
Moduł raportowania, wizualizacji, interaktywnych kokpitów oraz
automatyzacji i dystrybucji raportów. (IBM Cognos BI)
Zintegrowana platforma analityczna
wiedzy o kliencie oraz wsparcia procesów decyzyjnych.
-
18
IBM SPSS Modeler
Moduł zaawansowanych analiz, modelowania i symulacjiIBM SPSS Modeler
-
19
Budowa modeli data-mining w oparciu o metodologię CRISP-DM
• Proste pozyskanie danych• Gotowe procedury przygotowania danych• Szeroka paleta gotowych modeli analitycznych• Możliwość pisania dowolnych modeli z wykorzystaniem jezyka „R”• Wdrożenie
Szeroki zakres dostępnych algorytmów
• Predykcja (kampanie marketingowe i retencyjne)• Analiza skupień (segmentacje)• Szeregi czasowe (prognozowanie popytu)• Analiza asocjacji (mechanizm rekomendacji)
Dostosowanie do użytkowników o różnym poziomie zaawansowania
• Intuicyjny Interface (algorytmy reprezentowane przez węzły)• Procedury automatyczne• Integracja z R i Python
Możliwość przechowywania zbudowanych modeli w repozytorium
IBM SPSS ModelerModuł zaawansowanych analiz, modelowania i symulacji
http://algomine.blogspot.com/2015/03/nowosci-w-spss-modeler-17.html
http://algomine.blogspot.com/2015/03/nowosci-w-spss-modeler-17.html
-
20
Moduł analiz statystycznych i ekonometrycznychIBM SPSS Statistics
IBM SPSS Statistics
-
21
Co nas wyróżnia w IBM SPSS
1. Dostosowanie do użytkowników o różnym poziomie zaawansowania. Od zautomatyzowanych procedur wyboru najlepszego algorytmu, poprzez możliwość bardzo szczegółowego ustawiania wszystkich parametrów algorytmów oraz weryfikacji ich wyników, aż do możliwości pisania dowolnych węzłów i algorytmów w języku „R”.
2. Wsparcie użytkowników w pozyskaniu, przygotowaniu i obróbce danych do analizBardzo dużo procedur przygotowania danych analitycznych, łączenia danych z różnych baz daz danych i plików zewnętrznych, audytu danych oraz wypełniania braków
3. Centralne zautomatyzowane repozytorium tzw. „Fabryka Modeli”Odciążające analityków od codziennej żmudnej weryfikacji jakościuruchomionych modeli oraz zapewniające zautomatyzowaneprocesy uruchamiania analiz.
-
Sprawdź jak to działa. Skontaktuj się z nami.
pl.linkedin.com/in/mgorzynski
pl.linkedin.com/in/jtraczykowski
pl.linkedin.com/in/mgorzynskipl.linkedin.com/in/mgorzynskipl.linkedin.com/in/mgorzynski/enpl.linkedin.com/in/jtraczykowskipl.linkedin.com/in/jtraczykowskipl.linkedin.com/in/jtraczykowskipl.linkedin.com/in/mgorzynskipl.linkedin.com/in/mgorzynskipl.linkedin.com/in/jtraczykowskipl.linkedin.com/in/jtraczykowski
- http://www.algomine.pl/http://www.algomine.pl/http://www.algomine.pl/http://www.algomine.pl/