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

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

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

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