Cómo identificar, potenciar y retener a mis mejores clientes - Adolfo Kvitca
-
Upload
amdia-integra -
Category
Business
-
view
831 -
download
1
description
Transcript of Cómo identificar, potenciar y retener a mis mejores clientes - Adolfo Kvitca
¿Cómo identificar, potenciar y retener a mis mejores clientes?
Adolfo Kvitca
Director de Soluciones Predictivas
SPSS Argentina SA
¿Quienes son mis mejores
clientes?
¿Los que compran mucho?
¿Los que compran
financiado?
¿Los que compran poco pero seguido?
¿Los que pagan en fecha, o los que se atrasan
unos días?
¿Los que no usan los descuentos y
promociones?
Valor No todos los clientes son iguales…
Valor Actual y Valor Potencial
Gastan con la competencia… Que lo hagan con nosotros!
Gastan poco… No pueden gastar mas.
Gastan mucho… Que sigan gastando con nosotros!
Gastan bastante... Inclusive mas de lo que esperabamos.
Valor
Potencial
Valor
Actual
Alto Bajo
Bajo
Alto
Gastan con la competencia… Que lo hagan con nosotros!
Gastan poco… Pero no pueden gastar mas.
Gastan mucho… Que sigan gastando con nosotros!
Gastan mucho... Inclusive mas de lo que esperabamos.
Valor
Potencial
Valor
Actual
Alto Bajo
Bajo
Alto
Valor Actual y Valor Potencial
Adquirir
Potenciar Retener
¿Cómo adquirir, potenciar y retener a los Clientes?
Conociendo al Cliente…
Enterprise Data Sources
Operational interaction
Marketing Web Attitudinal Call center Social networks
Customer Contact Channels
Website email ATM phone PDA branch agent mail
Datos de Interacción - Ofertas
- Reclamos
- Notas
- Clicks
Datos Actitudinales
- Opiniones
- Preferencias
- Necesidades
Datos descriptivos - Atributos
- Caracteristicas
- Socio/Geo demográficos
- Antiguedad
Datos de Comportamiento - Ordenes de compra
- Transacciones
- Historia de pago
- Historia de uso
Conociendo al Cliente…
Enterprise Data Sources
Operational interaction
Marketing Web Attitudinal Call center Social networks
Customer Contact Channels
Website email ATM phone PDA branch agent mail
Datos de Interacción - Ofertas
- Reclamos
- Notas
- Clicks
Datos Actitudinales
- Opiniones
- Preferencias
- Necesidades
Datos descriptivos - Atributos
- Caracteristicas
- Socio/Geo demográficos
- Antiguedad
Datos de Comportamiento - Ordenes de compra
- Transacciones
- Historia de pago
- Historia de uso
¿Quién? ¿Qué?
¿Por qué? ¿Cómo?
Informacion para Segmentar
Segmentación x Propensión
Int Min Max Cant %Int %Ac Cant %Int %Ac Lift Captura
10 289 999 1357 10% 10% 187 13,8% 13,8% 2,1 21%
9 207 288 1398 10% 20% 148 10,6% 12,2% 1,6 38%
8 166 206 1340 10% 30% 120 9,0% 11,1% 1,4 52%
7 137 165 1341 10% 40% 108 8,1% 10,4% 1,3 64%
6 114 136 1360 10% 50% 97 7,2% 9,7% 1,1 76%
5 88 113 1371 10% 60% 82 6,0% 9,1% 0,9 85%
4 63 87 1376 10% 70% 64 4,7% 8,5% 0,7 92%
3 39 62 1373 10% 80% 41 3,0% 7,8% 0,5 97%
2 17 38 1325 10% 90% 15 1,2% 7,1% 0,2 99%
1 1 16 1330 10% 100% 10 0,8% 6,4% 0,1 100%
13572 100% 872 6,4%
Score RespuestaPoblacion
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
14,0%
10 9 8 7 6 5 4 3 2 1
¿ESTÁ MI ORGANIZACIÓN EN CONDICIONES DE INCORPORAR DATA MINING, Y APLICAR TECNICAS DE MARKETING PREDICTIVO?
Para analizar objetivamente esta cuestión hay que superar ciertos mitos
MITO: Antes de hacer modelos necesitamos un Datawarehouse
Si bien es cierto que seria más fácil obtener los datos, muchas veces no
contienen la información necesaria para el desarrollo de modelos.
Herramientas de datamining actuales pueden utilizar los backup y leer la
información en múltiples formatos, e incluso puede mantener actualizados los
repositorios para posteriores corridas
MITO: Antes tengo que implementar el CRM
y el proyecto de “Cliente único”
Es cierto que con un sistema de CRM se puede obtener mayor potencial,
pero hay muchas acciones que pueden ser implementadas con los
sistemas tradicionales, con un gran impacto en costos y beneficios
MITO: Solo tiene sentido desarrollar scores para grandes
volúmenes de cuentas
Pueden desarollarse modelos con bases que contengan
sólo algunos cientos de casos
Lo importante es cuantos casos “objetivo” hay (al menos 200)
MITO: “GARBAGE IN - GARBAGE OUT”
Si hay basura y datos faltantes no se puede desarrollar un score
La estadística trabaja con grandes números, identificando patrones
genéricos, por lo tanto una cantidad relativamente pequeña de errores y
datos faltantantes no influyen en el resultado del modelo. Inclusive se
toma como dato el hecho que el dato no esté informado. Se puede recurrir
inclusive a las carpetas físicas para desarrollar el modelo
MITO:
Lleva mucho tiempo!
Las herramientas visuales reducen los tiempos sensiblemente
La aplicación de una metodología probada, y la utilización de plantillas de mejores prácticas que sintetizan años de experiencia en la industria, permite proceder de manera intuitiva y efectiva, e implementar soluciones en semanas
Lleva mucho tiempo!
MITO:
Sistemas tiene siempre otra prioridad!
Utilizar herramientas que permitan automatizar la ejecución y el
monitoreo de modelos y estrategias.
Con arquitectura abierta y fácilmente integrables.
MITO:
Desarrollar modelos es sumamente complejo!
Los algoritmos de data mining son complejos, pero la utilización de
plantillas guían en cada paso de la construcción del modelo
La participación de un experto en el negocio, con un conocimiento
exhaustivo del problema, es fundamental para obtener resultados útiles y
confiables
C5.0 GRI CART CHAID QUEST CAPRI Apriori K-Means Kohonen Regresion Lineal Redes Neuronales Regresion Logistica
MITO:
Incorporar a los primeros proyectos a consultores externos con experiencia
en el desarrollo de modelos similares puede facilitar y acelerar
el desarrollo
la interpretación de los resultados obtenidos
la integración con los sistemas corporativos
el seguimiento y actualización de los modelos
el rápido retorno de la inversión
la capacitación, en la práctica, del personal propio
Desarrollar modelos es sumamente complejo!
MITO:
¿SEGMENTAR O DATA MINING?
Casada Compra ropa en liquidaciones 30% supermercado Viaja dentro del país
Soltera Compra ropa en pre-temporada 30% electrodomésticos Viaja al exterior
>3500
>2000
<2000
>3500
>2000
<2000
Laura Perez
Compras > 3500
Laura Aguirre
Compras > 3500
Segmentar es una tarea habitual
en Marketing
¿Segmentar o Data Mining?
• Permite analizar cientos de características al mismo tiempo
• Analiza automáticamente la correlación de las variables
• Permite segmentación difusas, tiene en cuenta todos los
aspectos al mismo tiempo
• Estima la probabilidad (Score) de un evento futuro
Vivienda
EdadAntigüedad
en el empleo
Data Mining
¿Se puede predecir el futuro?
ADQUISICION CRECIMIENTO RETENCION
•No vamos predecir un evento, sino que vamos a calcular la probabilidad que ese evento ocurra
No existe garantía de cuál será el resultado para un caso en particular… La probabilidad se aplica un conjunto de casos
¿Se puede predecir el futuro?
Como utilizar el Score
El score es un número que permite ordenar
las cuentas de acuerdo a la probabilidad de
ocurrencia de un evento.
50%
70%
90% 80%
Esto permite realizar acciones diferenciadas:
limites, incentivos, precios, canal, etc
diferentes segun el nivel de probabilidad
esperado (respuesta, fidelidad, riesgo, etc)
Alto Medio Bajo
Val
or
par
a el
neg
oci
o
Tiempo
¿Qué le ofrecemos, a que precio, por que canal?
Optimización de Estrategias
¿Qué clientes están por comprar?
Data mining
¿Cuántos productos vendimos?
Query & Reporting
Analisis Predictivo
Cubos
¿De qué tipo, en que lugar?
Descriptivo (pasado) Predictivo (futuro)
Predictive Analytics
Business Intelligence
Forecasting
¿Cuál es la proyección de ventas?
Capturar y Actuar
Venta
Predecir
Data Mining
El Proceso
I A
C D
Cobranza Retencion Fraude
Optimizar
Monitorear
Promociones en Tienda Compre X con Y por solo .
Cupones Caja/Kioscos/Correo
Ofertas especificas
Statement insert ? ?
? ? 15 12
3 11
Statement insert 3 13
6 12 Catalogos
Correo-Email-Sucursal
MARKETING PREDICTIVO
El principal desafío del marketing
Mayor
Ganancia Aun mas
Ganancia
Menor Costo
Adquisición Seguimiento
Tiempo
Ganancia
Costo
Ganancia
Fuga
Adquirir, Potenciar y Retener a los mejores clientes
Ciclo de Vida del Cliente
•Maximizando el Cross-Sell y Up-Sell
•Extendiendo la relación lo más posible
•Aumentado el nivel de Respuesta
S
C
O
R
E
S
S
C
O
R
E
S
E
S
T
R
A
T
E
G
I
A
S
M
O
N
I
T
O
R
E
O
M
O
N
I
T
O
R
E
O
Por supuesto, no basta con el
desarrollo del modelo
Hace falta crear e implementar
estrategias que los utilicen
Y monitorear los resultados
Scores + Estrategias + Monitoreo
E
S
T
R
A
T
E
G
I
A
S
ESTRATEGIA
S
C
O
R
E
S
S
C
O
R
E
S
E
S
T
R
A
T
E
G
I
A
S
ESTRATEGIA
CHAMPION
E
S
T
R
A
T
E
G
I
A
S
ESTRATEGIA
CHALLENGER
M
O
N
I
T
O
R
E
O
M
O
N
I
T
O
R
E
O
Testear
Monitorear
Champion/Challenger
S
C
O
R
E
S
S
C
O
R
E
S
M
O
N
I
T
O
R
E
O
M
O
N
I
T
O
R
E
O
E
S
T
R
A
T
E
G
I
A
S
ESTRATEGIA
CHAMPION
E
S
T
R
A
T
E
G
I
A
S
ESTRATEGIA
CHALLENGER
E
S
T
R
A
T
E
G
I
A
S
ESTRATEGIA
CHALLENGER
E
S
T
R
A
T
E
G
I
A
S
ESTRATEGIA
CHAMPION
Testear
Monitorear
Mejorar
Champion/Challenger
Muestras
UNIVERSO Es el total de registros luego de las exclusiones TARGET Es el grupo al que se desea enfocar la camaña CONTROL Es un subgrupo del TARGET que se reserva para medir la efectividad de la oferta PERFOMANCE Es una grupo aleatorio al que se envia la oferta para medir el modelo
MUESTRA Criterio Registros BASE 10000 UNIVERSO despues de exclusiones 9000 TARGET SCORE > 300 (40%) 3600 CONTROL 10% al azar 360 PERFOMANCE 5% al azar 270 Enviado 3510
Administración de Campañas Tradicional
Datos - Demográficos - Tenencia - Utilización - …
Monitoreo de
Resultados
Realizar una oferta a los
clientes que aplican
Generar Candidatos
Clientes
12435
56437
59235
45276
Clientes
Filtrar
Aplicar Exclusiones
tiempo
Problema:
Las campañas son costosas, muchos clientes no responden
A
B
C
Respuesta Respuesta Respuesta
C A B
tiempo
RIGHT PERSON Solución:
Predecir quienes van a responder a una oferta de un producto
Beneficios típicos:
Reducción de costos del 25%
Respuesta Respuesta Respuesta
Datos - Demográficos - Tenencia - Utilización - Pagos - Uso de canales - Quejas - Encuestas - …
Modelos Predictivos
Probabilidad de
Respuesta
Realizar una oferta a los
clientes con mayor
propensión a aceptarla
Generar Scores
Cliente Score
12435 0.22
56437 0.13
59235 0.02
45276 0.05
Clientes
Monitoreo de
Resultados
Administración de Campañas c/Data Mining
RIGHT OFFER
RIGHT CHANNEL
RIGHT TIME
RIGHT PERSON
Pero el problema es mas complejo…
tiempo
A?
A
B
C
Problema:
La respuesta a las campañas incrementa drasticamente la carga
del call center y las sucursales
Se satura a los clientes con Ofertas
tiempo
RIGHT TIME Solución:
Elegir los clientes que tengan mas propensión en cada momento
Controlar la periodicidad de los envios
Beneficios típicos:
Mejor aprovechamiento de los recursos.
Reducción de costos del 35%. Aumento de la respuesta de un 20%.
Problema:
Cada individuo tiene preferencia (manifiesta o teorica) a ser contactado por
distintos canales
El costo de cada canal es muy diferente
Hay restricciones operativas diferentes para cada canal
?
RIGHT CHANNEL Solución:
Seleccionar el mejor canal para cada cliente
Beneficios típicos:
Mayor tasa de respuesta. Menores Costos.
?
tiempo
Problema:
Se prioriza las campañas y luego se les asignan los clientes.
Campañas superpuestas. Se satura al cliente con ofertas.
Los distintos departamentos se disputan los clientes. Se pierden oportunidades.
OPTIMIZACION
100 120 134
P1 P2 P3
A 40 50 60
B 35 40 50
C 20 39 20
P1 P2 P3
A 40 50 60
B 35 40 50
C 20 39 20
P1 P2 P3
A 40 50 60
B 35 40 50
C 20 39 20
P1 P2 P3
A 40 50 60
B 35 40 50
C 20 39 20
Oferta Renta ScoreRenta
Esperada
430$ 9.3% 40
714$ 4.9% 35
606$ 3.3% 20
Cada Canal tiene distinta capacidad
Existe un Presupuesto Limitado
Cada Producto tiene objetivos mínimos de venta
Cada campaña tiene un tamaño mínimo para ser rentable
Las restricciones de contacto son diferentes para cada canal
%? $?
%? $?
%? $?
?
?
?
42
87
A
B
C
Productos
Datos y Modelos
A
A
B
C
B
C
A B C
Seleccionar la mejor campaña, el mejor momento, la mejor oferta, y el mejor canal, para cada cliente.
Ejecutar Campañas en cada Canal
RIGHT OFFER OUTBOUND
Tecnología:
Data Mining y Optimización
Beneficios típicos: Automatización de todas las acciones. Incremento del beneficio de un 50% a 100%.
Cross-sell? <context data>
<customer data>
Oferta
¿Aplica a
este
caso?
Margen
Probabilidad
de
Respuesta
Valor
Esperado
A No
B Yes 90 54% 49
C Yes 85 62% 64 C C
Inbound Outbound
Percepción Apropiada Conveniente
Respuesta 30% 5%
RIGHT OFFER INBOUND
Datos - Demográficos - Tenencia - Utilización - Pagos - Uso de canales - Quejas - Encuestas - …
Múltiples
Modelos Predictivos
Probabilidad de
Respuesta
Realizar una oferta a los
clientes con mayor
beneficio
Generar Scores Cada producto tiene diferente Ganancia Cliente Scores
12435 0.22 0.31 0.11
56437 0.13 0.04 0.28
59235 0.02 0.17 0.14
45276 0.05 0.01 0.09
Clientes Múltiples Canales
Inbound & Outbound
Diferentes Costos
Diferente Efectividad
Diferentes Mensajes
Restricciones de Contacto
Objetivos mínimos de venta Capacidad de cada canal Limitaciones de presupuesto
OPTIMIZAR
Monitoreo de
Resultados
Administración de Campañas Optimizada
RESUMEN
El Marketing del Futuro
Imagine si pudiera personalizar el contenido de su WebSite, para cada visitante, con los servicios y productos que proba-blemente deseen adquirir
Imagine si los vendedores de cada sucursal pudieran recomendar a sus clientes el próximo producto que más probablemente contraten.
Imagine si pudiera conocer cuales de sus prospectos son mas proclives a aceptar su oferta cuando diseña una nueva campaña de marketing
Imagine si el call center pudiese responder los llamados con acciones personalizadas de retención y cross-selling
El Marketing del Futuro: Aquí y Ahora
Algunos Testimonios “El análisis predictivo nos ayuda a contactar a la persona adecuada con la mejor oferta. SPSS nos brindó el poder para hacerlo.”
“SPSS nos da el poder de saber, antes que pase, si un cliente esta en riesgo de abandono. Ahora podemos realizar la acción apropiada para retenerlo.”
“SPSS nos permitió generar modelos predictivos para identificar compradores con mayor propensión a adquirir determinados productos y servicios. Se redujo en un 25% las piezas enviadas”
“Datos hay! pero no se sabe por donde empezar Lo hermoso de las plantillas SmartWorkbench es que te ayudan poner foco. Te alientan a empezar con los problemas mas acuciantes y te guían para resolverlos, pero sin perder flexibilidad como en un producto enlatado.”
“Encontramos muy intuitivo el uso de SPSS Modeler, a través de su interfaz visual para definir procesos y probar ideas. Si bien se puede argumentar que el data mining es complejo, el hecho es que SPSS ha hecho un excelente trabajo en remover dicha complejidad. El foco en la facilidad de uso (al nivel del usuario de negocios) es la característica más destacada... es lo que le ha permitido alcanzar el liderazgo del mercado y hará que permanezca en dicho lugar”.
Industrias / Resultados
Consumo
Seguros
Retail Banca
Salud Servicios
Super
Telco
40-80%
incremento
del Uso
30-60%
incremento
Venta
25-50%
reducción
de Costos
35-70%
reducción
Tasa de
Fuga
10-20%
reducción
de la
Morosidad
50-100%
incremento
detección
de Fraude
Metodología
Data Mining
Campaing Administration
Customer View
¿PREGUNTAS? Adolfo Kvitca
Director de Soluciones Predictivas
SPSS Argentina SA