customers segmentation_responce prediction

-‐ Сегментация клиентов по степени склонности к покупке

страховых продуктов -‐

cleverdata.ru | [email protected]

Постановка задачи


Исходные данные

Для анализа была предоставлена обезличенная база клиентов Заказчика с отражением исторической информации о покупке или отказе от покупки страховки – сформирована обучающая выборка. Поставленная задача: •  Составить типовые профили клиентов, склонных к

покупке страховки; •  Понять, каким клиентам целесообразно

предлагать страховку в будущем.

Для проверки была предоставлена обезличенная база клиентов с отсутствующей информацией о покупке страховки – тестовая выборка.

Всего клиентов – 10 804. Со страховкой – 3 359.

36% купили страховку


Решение задачи. Разработка модели отклика


Способ решения задачи

Для решения задачи с помощью интеллектуального Big Data анализа была разработана модель сегментации клиентов по признаку «Склонность к покупке страховки». Это позволило: 1)  Определить профиль клиента и выделить микросегменты из всей базы; 2)  Выявить, каким клиентам следует предлагать страховку, а каким – нет.

Машинное обучение

Предиктивная модель

Точно купит

Скорее всего купит

Может быть купить

Точно не купит


Выявленный профиль клиента

«Хороший» клиент «Типичный» клиент «Плохой» клиент

Доход 10-‐14 тыс. руб. Доход 18-‐23 тыс. руб. Доход 22-‐27 тыс. руб.

Кировград, Озерск, Снежинск Преподаватель, воспитатель,

фельдшер

Екатеринбург, Киров

Водитель, продавец, директор

Новосибирск, Липецк

Менеджер по продажам, предприниматель


Построение клиентских сегментов Ко

личество кли

ентов

Без страховки Со страховкой

SEGM 1 SEGM 2 SEGM 3 SEGM 4 SEGM 5 SEGM 6

Вероятность отклика На основе вероятности отклика на предложение страховки было выявлено 6 клиентских сегментов по степени склонности к покупке – начиная от самого «холодного» и заканчивая самым «теплым».


Построение клиентских сегментов

Сегмент Кол-‐во клиентов

Объем базы

Клиенты со страховкой

Процент отклика

SEGM1 1330 15% 79 6%

SEGM2 1491 17% 291 21%

SEGM3 2217 26% 630 29%

SEGM4 1798 21% 921 57%

SEGM5 1644 19% 1237 76%

SEGM6 171 2% 146 90%

SEGM1 – «холодные» клиенты, продукт нерелевантный SEGM2 – клиенты с минимальной вероятностью покупки SEGM3 – клиенты со средней вероятностью отклика SEGM4 – клиенты с большой вероятностью отклика SEGM5 – клиенты с максимальной вероятностью покупки SEGM6 – «горячие» клиенты, продукт оптимален


Проверка модели


Результаты модели

Средняя точность модели (AUC) -‐ 80%. Модель на 60% лучше случайной коммуникации (GINI). Обзвон 1000 клиентов без использования модели -‐ страховку купят 360 клиентов. Обзвон 1000 клиентов, выбранных по модели -‐ страховку купят 576 клиентов.

ROC кривая на обучающей (красный) и тестовой (синий) выборках

Распределение клиентов по вероятности отклика

Коли

чество

кли

ентов

Вероятность отклика

Без страховки Со страховкой


Обзор тестовой выборки

Клиенты тестовой выборки принадлежат сегментам, наиболее склонным к отклику

Холодные сегменты 1 и 2 Теплые сегменты 3-‐6

Купили

Не купили

Тестовая выборка

Обучающая выборка

Сегментирование тестовой выборки (факт покупки неизвестен) и сравнение распределения теплых и холодных сегментов показало:


Как использовать результат


Планирование Планирование, настройка событий, подготовка кампаний

Источники Campaign management

Внешние данные

Внутренние данные

Сбор данных

Маркетинговая витрина

Внутренние данные

Внешние данные

Сегменты

Прогнозные модели

Аналитика Отчетность, профилирование, сегментация

Исполнение Создание, выполнение, отслеживание

Каналы Клиенты

ATM

web

CC, IVR

email

mobile

chat

Обратная связь

Проведение маркетинговых кампаний

Модель внедряется в систему Campaign management, и результаты работы модели используются для сегментирования клиентов и проведения высокоэффективных маркетинговых кампаний.


o  Повышение точности модели за счет внешних данных;

o  Оптимизация продуктовых предложений для клиентов;

o  Оптимизация офферов;

o  Исследование эластичности к ставке и др. параметрам;

o  Оптимизация каналов коммуникаций. Результат: рост эффективности маркетинговых кампаний.

Дальнейшее развитие

Среднее увеличение прибыльности по результатам проекта: +15-‐30%, если в компании уже используется клиентская аналитика; +30-‐80%, если в компании ранее не использовалась клиентская аналитика.


О компании CleverDATA


Make your data clever

Развитие бизнеса на международном рынке

Входит в тройку лидеров российских ИТ компаний 43 подразделения в России и за рубежом Более 7000 сотрудников 100 тыс.проектов для 10 тыс.заказчиков

Облачная платформа управления данными

«Биржа» данных

Прикладные сервисы и приложения

Big Data интегратор Опыт работы более 3-‐х лет Собственные центры разработки Партнерство с мировыми лидерами и научными институтами Центр экспертизы по технологиям Big Data и Marke�ng Automa�on

1DMP


Автоматизация маркетинга

Клиентская аналитика

Campaign Management

Обогащение внешними данными

Прогнозное моделирование

Реал-тайм кампании

Решения для укрепления клиентского опыта и повышения продаж за счет консолидации всех элементов вашей data-‐driven маркетинговой стратегии; Решения для автоматизации маркетинговых кампаний на базе решений лидеров рынка – компаний IBM и Teradata; Модели управления оттоком клиентов, моделирования отклика, микро-‐сегментирования клиентской базы; Решения для управления всей digital активностью компании. Digital Intelligence

Наша задача – с помощью данных сделать ваш бизнес эффективнее

Продвижение в интернет-канале

customers segmentation_responce prediction

Data & Analytics