Retenční a prediktivní model CEOS Data

Udržení stávajících zákazníků primárně v loyalty programech je jeden z nejdůležitějších pilířů efektivního podnikání. Nejen v e-commerce platí, že je jednodušší a levnější si udržet stávajícího zákazníka než řadou investic do marketingových aktivit získávat nového. Cílem predikce je zabránit odchodu zákazníků nebo jej co nejvíce omezit a následně jim předložit vhodnou nabídku.

Retenční model

Každý věrnostní program je nutné postupem času vylepšovat aby bylo možné nejen oslovovat stávající zákazníky k dalším nákupům, ale zároveň reaktivovat ty zákazníky, kteří už nenakupují nebo nakupují méně. Všechny tyto vzorce nákupního chování lze predikovat na základě stávajících dat o zákazníkovi a frekvenci nákupů. Vstupem informací jsou agregované ekonomické a socio-demografické údaje vztažené ke klientovi, výstupem pak pravděpodobnost odchodu nebo změny chování jednotlivce. Produkt retenčního modelu umí vylepšit stávající aplikace tak, aby se daly maximalizovat očekávané přínosy pro váš business. Na predikci nákupního modelu pak lze připravovat cílené marketingové kampaně.

Využité metody a jejich benefity

V retenčním modelu využíváme kombinaci dvou metod, které přinášejí rozdílné benefity.

První metodou je použití Machine Learning vycházející z segmentace klientů, tj jejich zařazení do reprezentativních skupin. Model je dále obohacen o různorodé atributy, které ovlivňují jeho přesnost. Machine Learning model je běžně používaným analytickým postupem pro identifikaci odcházejících zákazníků.

Druhá metoda je založena na využití tzv. intervalu spolehlivosti a na rozdíl od metody první zkoumá klienta jako suverénní identitu. Tento model je vhodný pro zákazníky s vyšší frekvencí nákupů a umožňuje včasnější detekci změny chování. Identifikuje změnu chování či odchod klienta na základě jeho vlastní nákupní historie. Vstupem jsou data nákupů klienta a jejich obraty. V toku času se mu od posledního nákupu postupně zvyšuje pravděpodobnost dalšího nákupu (plní se mu pomyslný progress bar k dalšímu nákupu), a pokud v mezním čase nenakoupí (překračuje povolenou toleranci), konstatujeme, že u něj došlo ke změně chování.

Díky unikátní kombinaci obou metod dokážeme

  • včasně reagovat i na rychlé změny chování
  • zároveň využít celou šířku ML modelování pro predikci odchodu v situacích, kde odchod není na první pohled jednoduše detekovatelný běžným pohledem na data

Skutečně chytrý model, který pomáhá

Retenční model dokáže predikovat změny zákaznického chování a úspěšnost našeho modelu je až 95%

Náš retenční model dokáže s využitím schopností umělé inteligence včas upozornit na hrozící odchod zákazníka ke konkurenci. Podle vzorců chování dokážeme identifikovat nejen hrozící odchod zákazníka ke konkurenci, ale i příležitost pro prodej zboží či služeb.

  • Zvýšení retence zákazníků - udržet si zákazníka, jak zní zlaté pravidlo businessu
  • Zvýšení prodejů - správné cílení kampaní povede k vyšší konverzi a tím i nárůstu zisku zákazníka
  • Nárůst marže - segmentace zákazníků zvýší prodej nejvhodnějších produktů

Případová studie využití modelu v retailovém řetězci

Retailový řetězec (kamenné prodejny a e-shop) s ročním obratem více jak 40 miliard, počet registrovaných zákazníků více než 3 milióny.

  • použití modelu intervalu spolehlivosti
  • použití machine learning
  • délka historie využitých dat 5 let
  • segmentace podle četnosti nakupování je rozdělena do skupin od 10 000 do 100 000 identit

Retenční model (využití intervalu spolehlivosti i machine learning) detekoval 20% zákazníků se změnou chování. Těmto zákazníkům byla zaslána marketingová nabídka, na kterou reagovalo více jak 85% z nich. Při vhodné segmentaci a reaktivaci takových zákazníků přineslo navýšení obratu při meziročním srovnání o více než 5%.

Případová studie využití modelu v bance

Jedna z pěti největších bank v České republice s počtem klientů více jak 1 milión.

  • použití modelu intervalu spolehlivosti
  • délka historie využitých dat 5 let
  • segmentace do skupin podle bonity a bankovního scoringu od 1 000 do 30 000 identit

Model s využitím intervalu spolehlivosti vyhodnocuje každý den na několika vybraných skupinách identit změny chování. Vybrané skupiny jsou oslovovány s konkrétní nabídkou produktu či služeb. Při včasné reakci banky je úspěšnost 85-95% v dalším využívání služeb a produktů ve vybraných skupinách identit. V meziročním srovnání došlo k navýšení konverze u vybrané skupiny o více jak 25%.

Zároveň s pomocí dalšího nástroje jsme připravili konkrétní seznam zákazníků banky pro okamžité a efektivní oslovení obchodními zástupci.