dbc6d9770b6fd30af35365efb35af2c8.ppt
- Количество слайдов: 79
資料庫行銷與分析型客戶關係管理 的實務應用 n高國輝 n. SAP Business Objects 大中華區 OEM 售前經理
演講大綱 n n 資料庫行銷與客戶關係管理 CRM 具體應用 – 資料探勘 個案討論 分析型客戶管理系統架構
行銷目標變遷 n n n 在適當的時間(Right Time)透過適當的管道(Right Channels)提供適當的產品或服務(Right Offer)給適當 的客戶(Right Customer) 業務焦點 顧客焦點 ( 供給導向 vs. 需求導向 ) 一個以客戶為焦點的企業需要有一個單一且一致的顧客 觀點
需求導向之思考 Who are they? DEMOGRAPHICS What do they want? PSYCHOGRAPHICS Age, income, occupation, location What they think ? CONSUMERS Media, Channel Where can they be reached? MEDIAGRAPHICS How money is spent ? What do they buy? BEHAVIOR
何謂資料庫行銷 n 「資料庫行銷」為蒐集現在或以前顧客的資料,建立起一個資料庫來改 善市場行銷的績效 n n 所蒐集的資料包括人口統計變量、生活型態、消費者的偏好、品味及其購 買行為等相關資料 「資料庫行銷」是一套中央資料庫系統,用來儲存有關企業與顧客的所 有資訊 n n 目的不在於獲得或是儲存資訊,而是用來規劃個人化的溝通管道,以創造 銷售業績 其中整合與業務相關的顧客資料,和提高顧客終身價值的能力,乃是支持 此系統策略價值的驅動力量
資料庫行銷 n 從顧客關係的角度來看,資料庫行銷提升直效行銷的價值 就戰術面而言,資料庫行銷是利用資料庫技術動態的維護顧客名單 n 就策略面而言,詳盡的記錄顧客資訊,並有效鎖定目標並提供正確資 訊於顧客溝通上 n 而其溝通或回覆資訊將一併存入資料庫,以供再次使用,如此不斷加 入資訊,資料庫的價值也就不斷提升 n n 從企業角度來看,企業會利用資料庫行銷是由於: 清楚的鎖定目標市場及有效的與顧客溝通,以建立長期關係 n 掌握顧客及市場的動態訊息,是企業決策的重要依據 n 比對手掌握更確實的市場資訊,以獲取競爭優勢的機會 n 6
何謂客戶關係管理(CRM) n 透過企業 n n n 人力資源(People) 作業流程(Process) 資訊技術(Technology) 的整合與客戶發生極致(Maximize)關係(Relation)之 過程
資料庫行銷與顧客關係管理 n n 顧客關係管理(CRM)係指企業運用完整的資源,全方位地瞭解每 一個獨立的顧客,透過所有管道與顧客互動,而達到提升顧客終 身價值的目的 顧客關係管理的策略應用,需藉由資料庫行銷的相關科技以達成 資料庫科技提供分析顧客資料的技術 n 而網際網路的興起,適時的改善資料庫行銷所需付出高額成本現象, 並且也因具互動特質,使一對一行銷的理念得以實現,這是其它媒體 所做不到的 n 8
CRM類型 Front-office operational business processes Data Information $ Analytical business processes Knowledge $$ Translation $$$$$ Transformation
CRM類型 n CRM operational business processes n n Call center management, sales force automation, electronic commerce, field service and customer service activities CRM analytical business processes n Analyses customer information taken from one or more systems (Legacy, ERP or CRM front-office ) Focus areas : customer churn, customer loyalty, customer profitability, channel effectiveness, campaign performance
演講大綱 n n 資料庫行銷與客戶關係管理 CRM 具體應用 – 資料探勘 個案討論 分析型客戶管理系統架構
何謂資料探勘 n 資料探勘是: n n n 找尋資料中隱藏之型態(pattern) 一種結合了分析技巧與企業專長之反覆互動過程 資料探勘非: n 將大量資料利用先進技術轉換成令人驚奇之答案 (GIGO)
資料探勘應用類型 n 監督式 Data Mining (建立模型) n n 分類(Classification) ─ 透過既定標準將資料予以分類 推估(Estimation) ─ 推估未來可能發生值 預測(Prediction) ─ 預測未來可能發生行為 非監督式 Data Mining (建立變數間關係) n n n 關聯分組(Affinity grouping or association rules) ─ 為一組 同時發生之事實,並非一種因果關係 集群化(Clustering) ─ 透過資料本身自我相似性予以分群 視覺化描述 ─ 經由圖形描述資料狀態
Type of Application 資料探勘應用領域 Credit risk analysis Fraud detection Attrition management Market basket analysis Targeted marketing Customer profiling 0 20 40 60 % of Respondents 80
資料探勘步驟 n n Cross-Industry Standard Process for Data Mining 為一標準非獨佔性之流程進行模式
Possible iterations in CRISP-DM
演講大綱 n n 資料庫行銷與客戶關係管理 CRM 具體應用 – 資料探勘 個案討論 分析型客戶管理系統架構
銀行業經常面對之企業問題 n n 往來客戶有何特徵?哪些值得開發? 產品中,何種產品組合最具人氣? 面對不同的客戶該搭配的產品或服務為何? 能否針對客戶詐欺行為建立預警模式?
客戶價值分析 機 會 利 潤 風 險 損 失
客戶價值分析 Analyze & Model Measure response Customer Centric Data Score & Target Contact
資料採擷解決方案
資料探勘之進行 整合 分析 客戶資料 客戶接觸管道 資料探索 外部資料 企業探索 存放款業務 證券交易 資料準備 全方位客戶觀點 客戶歷史資料 資料擷轉 • 人口統計 • 客戶關係 • 交易行為 • 交易產品 • 生活型態 § 資料擷取 § 資料轉置 § 資料載入 系統部署 信用卡交易 建立模型 結果評估
演講大綱 n n 商業智慧與客戶關係管理 CRM 具體應用 – 資料探勘 個案討論 分析型客戶管理系統架構
信用卡個案討論 — 企業探索 將企業問題轉化成可採擷之命題
信用卡業經常面對之企業問題 n n 如何提高卡戶貢獻? 如何降低呆卡比率? 如何降低卡戶延滯比率? 如何針對偽冒做早期預警? 衍生可能之資料採擷命題 n n n 透過 Customer Migration 將卡戶往高貢獻區隔移動 透過提升卡戶刷卡率,降低呆卡發生機率 建立偽卡消費行為模式,達到早期預警效果
問題解析 流失客戶 忠誠度較低的卡戶 2002 年相較 2000, 2001 有增 加的趨勢 忠誠客戶 年平均刷 卡率下降
分析結論 n n 連續刷卡行為分析 n 比較 2002、2001 、2000年, 可以發現忠誠度較低的卡戶有 增加的趨勢 個別刷卡率分析 n 比較 2002、2001 年, 連續刷卡行為強(高忠誠度)的卡戶再次 刷卡率下降 #易言之, 刷卡率下降的現象是普遍存在於忠誠卡 戶及流失卡戶之間
提昇刷卡率 前期刷卡率 < 本期刷卡率 前期刷卡戶數 本期刷卡戶數 ------ < -----前期期末總戶數 本期期末總戶數 前期刷卡戶數 < 前期刷卡戶數 – 流失卡戶數 (下降)+贏回卡戶數(上升) Action: n 建立贏回指標以找出贏回機率高之卡戶 n 建立流失指標以找出流失機率高之卡戶
資料準備
Customer Profile Details - 人口統計變數 - 客戶基本資料 - 客戶關係 - 生活形態變數 - 媒體接觸偏好 - 休閒生活興趣 Profile Database - 交易行為變數 -行為量測結果 -交易行為與產品 一般公認較具區別能力 之變數型態
變數處理
變數處理
建構模型 提升卡戶刷卡率預測模型
提高刷卡率的方式 n n 向上行銷(Up-sell)及交叉行銷(cross-sell) 維繫(Retain)高價值的卡戶 贏回(Win back)流失的卡戶 爭取(Acquire)新卡戶
機會 — 利潤矩陣 AVI LH LL 卡戶潛在價值 HH HL 流失的卡戶 卡戶產品區隔 WBI 風險 — 損失矩陣 卡戶流失/贏回機率 AVI LH HH LL HL LSI 現有的卡戶
概念性定義 n 聯繫指標可再詳加區分為贏回指標模型(WBI model)及流失指標 模型(LSI model) n 預測性模型(Predictive model)或稱為監督性學習(Supervise learning) n n 在收集及整理資料的過程中,需注意的有 n n n 需透過已經發生的事實或已知的結果,從中學習並建立模型,方可預測未知的未來 輸入變數及目標變數確立 季節性因素 簡而言之,透過聯繫指標就可找出最有可能贏回(機會)或最有 可能流失(風險)的客戶
概念性定義 n 聯繫指標 n 贏回指標( Win Back Index )模型 n n 在已流失卡戶中,建立贏回指標 流失指標( Loss Index )模型 n 在持續交易卡戶中,建立流失指標
目前概況 未來風險 持續交易 已經流失
操作型定義 n 贏回指標模型 n 六個月以上未刷卡的卡戶( Rec_Camp_Dist > 6 ) n n 贏回指標( Y ):未來二期至少買一期( Future_Risk = 0 or 1) 流失指標模型 n 最近六個月至少刷過一次的卡戶( Rec_Camp_Dist <= 6 ) n 流失指標( Y ):未來六期不會買( Future_Risk = 6 )
Model (rough) Training 40% Set 30% Model (refined) Test Set Evaluation 30% Set Latest Data Score Set 1. Model Accuracy 2. Model Stability Model (best) Predictions
模型評估
Gain Chart and Confusion Matrix
結果呈現與應用
客戶產品區隔之 SOM 叢集ID: 0 客戶比例: 19. 15% 營收比例: 1. 98% 流失指標 客戶年資: 24 平均產品類別數: 1. 98 主要產品:服飾店 特徵產品:書.雜誌.報紙, 餘額代償 主要客戶等級:一年以下新 卡戶 叢集ID: 3 客戶比例: 10. 27% 營收比例: 0. 85% 客戶年資: 42 平均產品類別數: 2. 47 主要產品:折扣商店 特徵產品:加油, 郵購/電購 主要客戶等級:加油卡, 大賣 場客戶 叢集ID: 1 客戶比例: 21. 15% 營收比例: 8. 05% 客戶年資: 60 平均產品類別數: 4. 41 主要產品:日常用品 特徵產品:保險費, 購物中心 主要客戶等級:一年以上繳款正常客戶 新進卡戶 精打細 算型 穩健可靠型 青春浪漫型 品牌忠誠 核心獲利型 叢集ID: 4 客戶比例: 15. 44% 營收比例: 6. 46% 客戶年資: 50 平均產品類別數: 5. 74 主要產品大項:餐飲 特徵產品大項:櫃檯預借現金, 電影院, 美容護膚坊 主要客戶等級:學生卡 叢集ID: 2 客戶比例: 16. 97% 營收比例: 18. 48% 贏回指標 客戶年資: 74 平均產品類別數: 6. 58 主要產品:餐飲 特徵產品:珠寶, 照相攝影店 主要客戶等級:中華電信客 戶 消費近期性 叢集ID: 5 客戶比例: 17. 02% 營收比例: 64. 19% 客戶年資: 79 平均產品類別數: 8. 66 主要產品:旅遊 特徵產品:免稅商店, 住宿, 自動提款機預借現金 潛在價值指標 主要客戶等級:頂級特殊客 戶, VIP客戶
客戶區隔之RFM分析 精打細算型 (Recency) 最 近 新進卡戶 一 次 購 買 月 距 營收 # of 客戶 穩健可靠型 青春浪漫型 品牌忠誠型 過去 12月購買月數(Frequency) 核心獲利型
機會利潤矩陣
風險損失矩陣
結論
資料探勘時間投入分佈
Industry Bridging the gap From Data mining expertise Data mining expert knowledge To Operational business solutions integrated in the enterprise infrastructure
成為資料探勘命題條件 n n n 資料本身可取得且具一致性 目前情形下仍有績效改善空間 符合企業分析或日常作業需求 資料分析專家協助 適當的範圍 – 從大處著眼從小處著手
演講大綱 n n 商業智慧與客戶關係管理 CRM 具體應用 – 資料探勘 個案討論 分析型客戶管理系統架構
分析型客戶關係管理系統架構 整合 客戶資料 分析 線上即時分析、資料採擷 客戶結構分析 基金作業 行銷活動分析 客戶管理 電子交易 全方位客戶觀點 客戶歷史資料 資料擷轉 § 資料擷取 § 資料轉置 § 資料載入 客戶貢獻分析 • 人口統計 • 客戶關係 • 交易行為 • 交易產品 • 生活形態 購買產品分析 客戶區隔分析 理財健診 客戶忠誠分析 客戶接觸管道
分析型客戶關係管理系統架構 整合 客戶資料 分析 線上即時分析、資料採擷 客戶結構分析 基金作業 行銷活動分析 客戶管理 電子交易 全方位客戶觀點 客戶歷史資料 資料擷轉 § 資料擷取 § 資料轉置 § 資料載入 客戶貢獻分析 • 人口統計 • 客戶關係 • 交易行為 • 交易產品 • 生活形態 購買產品分析 客戶區隔分析 理財健診 客戶忠誠分析 客戶接觸管道
結構分析 n 客戶基本資料分析 n n 人口統計資料、客戶關係資料、交易行為資料及交易產品資料 目的 n n n 瞭解客群面貌及其分佈 初步瞭解不同客群間之交易習性與產品喜好分佈 交易習性 產品喜好 僅需透過線上即時分析(OLAP)即可達成
結構分析 – OLAP Sample
貢獻分析 n 客戶價值認定 n n 客戶價值組成 n n 貨幣價值(手續費、管理費) 行為價值(交易面 RFM、參與活動 RF) 人口統計資料、客戶關係資料、交易行為資料及交易產品資料 客戶目前價值分析(AUM) 客戶未來價值預測(Potential Value) 客戶終身價值(LTV) 目的 n n 作為客戶區隔/行為之分析基礎(VIP、Tele Market、Retail) 找出高潛在價值客戶並予以描述 高潛在價值
貢獻分析 n 線上即時分析 n 客戶目前價值分析 n n 年度收益 ( AUM ) 交易行為(Amount Per Purchase) n 資料採擷 n n 客戶終身價值 ( LTV ) 客戶未來價值預測 n n 預測變數 n 客戶未來價值 輸入變數 n 人口統計 n 客戶關係 n 產品偏好 n 交易行為
客戶目前價值分析 – OLAP Sample AUM Contribution
客戶未來價值預測 – Data Mining Sample
區隔/行為分析 n 不同客群間之區隔與行為分析 n n n 客戶金字塔、基金偏好區隔 人口統計資料、客戶關係資料、交易行為資料及交易產品資料 目的 n n 建立不同區隔(貢獻、產品、 行為)並加以綜合描述 分析客層遷移行為 n n n Tele Sales → VIP Potential → Existing Customer 現有客戶 → 空戶
區隔/行為分析 n 線上即時分析 n 客戶金字塔之結構與遷移 分析 n 資料採擷 n 客戶區隔/行為綜合描述 n n 區隔變數(任選其一) n 客戶貢獻 n 產品偏好 n 交易行為 描述變數 n 人口統計 n 客戶關係
客戶金字塔之結構與遷移 – OLAP Sample
區隔 /行為分析 – Data Mining Sample 高中職 博士 碩士 大專 AUM 學歷
行銷活動分析 目標客戶 公司策略 活動焦點 媒體管道 活動目標 目標產品 業務導向 促 銷 方 案 檢核評估 創 意 表 現 市場測試 活動績效衡量 監播(聽) 控制 成本效益 分析
行銷活動分析 n 線上即時分析 n n 名單挑選(主觀判斷) 活動績效衡量 n 資料採擷 n 名單挑選(客觀學習) n n 預測變數 n 活動回應機率 輸入變數 n 人口統計 n 客戶關係 n 交易產品 n 交易行為
名單挑選 – OLAP Sample
活動績效衡量 – OLAP Sample
產品分析 n n 針對產品滲透、定位、購買組合與順序予以分析 n 人口統計資料、客戶關係資料、交易行為資料及交易產品資料 目的 n 找出潛在交叉行銷機會 n 找出產品組合市場接受度高之客群 n 找出最佳產品組合
產品分析 n 線上即時分析 n n 產品金字塔 產品滲透 產品定位 產品組合 n 資料採擷 n 產品組合與購買順序 n 輸入變數 n 交易編號 n 產品名稱 n 客戶編號(購買順序)
產品分析 – OLAP Sample
產品分析 – Data Mining Sample [基金E] [基金A]+[基金B] [基金C]+[基金B] [基金D]
忠誠分析 n 客戶忠誠度分析 n 忠誠度定義 n n 首次開戶日期、客戶消費行為與消費金額 消費近期性 人口統計資料、客戶關係資料、交易行為資料及交易產品資料 目的 n n 分析不同忠誠度客戶之結構、遷移與獲利 找出可能贏回或流失的客戶及其創造之利潤或損失
忠誠分析 n 線上即時分析 n 忠誠度結構、遷移與獲利 n 資料採擷 n 客戶流失與贏回分析 n 輸入變數 n 人口統計 n 客戶關係 n 交易行為
忠誠分析(開戶日期、行為、金額)– OLAP Sample
忠誠分析(消費近期性)– OLAP Sample 流失客戶 忠誠客戶
忠誠分析 – 流失與贏回 LSI Chart LSI WBI SIZE 經濟學生型 自用新客型 精打細算型 典型客戶 藍領打拼型 忠誠黨員 Recency WBI Chart 菜籃媽媽型 青春浪漫型 忠誠客 流失客 白領新貴型 精打細算型 菁英品味型 菁英核心團隊 CVI
忠誠分析 – 機會利潤、風險損失
Q&A!
dbc6d9770b6fd30af35365efb35af2c8.ppt