Časopis: Trend Marketing. 3/2006
Autor: Petr Máša, Adastra Corporation
Klíčová slova: DM, direct marketing,
Využití stávající zákaznické báze k prodeji různých (např. finančních) produktů bývá stále častější, ale zdaleka ještě nedosahuje výsledků, které jsou běžné ve vyspělých zemích. A není to jen počtem nabídek, které dostáváme, ale zejména jejich zacílením.
Jakkoliv je direct marketing (DM) věcí osobní komunikace, i tak se často jedná o plošný zásah, kdy jsou zákazníci oslovováni directmailovou zásilkou jen na základě znalosti jejich adresy. Jako příklad můžeme uvést zásilkové obchody různého druhu zboží. Tam, kde je již trh rozdělen, například v oblasti finančních produktů, přichází na řadu snaha rozesílat zásilky s využitím vlastní zákaznické/klientské databáze s co nejlepším zacílením na určitou skupinu potenciálních klientů.
Využití stávající zákaznické báze k prodeji různých produktů bývá stále častější, ale zdaleka ještě nedosahuje výsledků, které jsou běžné ve vyspělých zemích. A není to jen počtem nabídek, které dostáváme, ale zejména jejich zacílením. Pokud budeme často dostávat nabídky, které nás nezajímají, získáme také averzi vůči nim. Naopak dobrou nabídku ve správný čas chápeme jako vyřešení okamžitého problému. Pro firmy to v tomto případě znamená budování loajality svých zákazníků. Proto je třeba pracovat nejen na masivním oslovování zákazníků pomocí plošných kampaní, případně pomocí mnoha přímých nabídek, ale zejména na co nejdokonalejším cílení DM nabídek.
Musíte vědět, koho oslovit
V praxi se používají dva základní způsoby určení cílové skupiny pro kampaň - expertní cílení a cílení pomocí data miningu. Expertní cílení je určení cílové skupiny na základě předchozí zkušenosti a jednoduché analýzy výsledků předchozích kampaní. Popis cílové skupiny je dán na základě několika málo údajů o zákazníkovi. Pokud se rozhodneme cílit pomocí data miningu, budeme muset provést složitější analýzy dat a data pečlivěji připravit. Odměnou nám bude výrazně lepší zacílení, tedy více prodaných kusů při stejném počtu oslovených zákazníků - tedy při stejných nákladech na oslovení. Výsledkem data miningu je určení pravděpodobnosti koupě daného produktu pro každého zákazníka. Oslovují se pak pouze zákazníci s nejvyšší pravděpodobností.
Co se skrývá pod „pokličkou“ magických metod zvaných data mining? Data mining se snaží najít na základě zejména statistických metod takovou kombinaci informací o zákazníkovi, která by co nejlépe odhadla pravděpodobnost koupě. Klíčovými faktory pro dobrý data mining je pečlivost a kreativita při přípravě dat. Příprava dataminingového cílení je náročnější, v praxi však znamená mnohem větší procento prodaných produktů. Samozřejmě je vždy nutné vážit mezi úsilím při výběru cílové skupiny a rozsahem kampaně. Pro jednorázovou kampaň o velikosti sta oslovených zpravidla použijeme jednoduchý výběr cílové skupiny, zatímco opakované kampaně v rozsahu několika tisíců oslovených každý měsíc již stojí za pečlivou přípravu cílení.
Umíme změřit kvalitu zacílení
Kvalitu zacílení lze měřit pomocí tzv. liftu - tento způsob měření je založen na jednoduché úvaze a spočívá v „testu realitou“. Představme si, že chceme oslovit 10 000 zákazníků. Zkusme je vybrat náhodně a dále podle našeho cílení. V obou vybraných skupinách sečteme počet koupí produktu. Například v náhodném výběru vyjde sto prodaných kusů a v našem cílení 220 prodaných kusů. Lift je pak definován jako počet koupí v našem cílení oproti počtu koupí ve stejně velké náhodné skupině. V našem příkladě vyjde lift 220/100 = 2,2. To znamená, že máme úspěšnost 2,2krát vyšší než při náhodném výběru.
Pokud používáme cílení opakovaně, měli bychom průběžně monitorovat kvalitu tohoto cílení, například pomocí pravidelného vyhodnocování liftu. Při jeho velkém poklesu je pak nutné zjistit příčinu. Tou obvykle bývá buď změna obchodních podmínek (například způsobu účtování nebo ceny konkurence), které se zákazníci velmi rychle přizpůsobí, a původní pravidla tak přestávají fungovat, nebo silná marketingová kampaň, která je sice zaměřena na jinou oblast než naše cílení, ale dočasně vede ke změně chování zákazníků (změní se tedy dočasně i hodnoty atributů, ze kterých je cílení vytvářeno, přičemž pokles kvality zacílení je dočasný). Vyhodnocování kvality dataminingového i expertního cílení by mělo být standardním postupem při opakovaném používání direct marketingu. Tím se zabrání tomu, že se výrazně sníží efekt DM kampaní a že náklady na ně budou velmi neefektivní (náklady budou stejné při značně horším výsledku; často se stává, že přínos kampaně klesá pod 50 % hodnoty, kterou by mohla mít při dobrém cílení).
Snižování kvality cílení (tzv. stárnutí) je typickým jevem. Stárnutí by se mělo sledovat a pečlivě vyhodnocovat. Rychlost stárnutí závisí na odvětví a zejména na rychlosti, s jakou se dějí změny v tomto odvětví, tj. například na tom, za jakou dobu může zákazník přejít ke konkurenci, a dále na kvalitě přípravy dat.
Ukazuje se, že dobrá příprava dat umožňuje vytvořit kvantitativně mnohem lepší cílení, které při stejných nákladech značně zvýší přínosy kampaně, ale zároveň i cílení, které stárne pomaleji. Množství energie, kterou vydáme na přípravu cílení, by mělo odpovídat rozsahu kampaně.
Jak vytvořit lepší cíleníÍ
Při větších a opakovaných kampaních se vyplatí investovat do kvalitního zacílení. Častou chybou bývá ztotožnění data miningu s pouhou schopností ovládat příslušný dataminingový software, jehož vstupem jsou „nějaká“ data a výstupem „nějaké“ cílení. Pochopení business procesů a příprava dat bývají často opomíjeny, přestože to jsou nejdůležitější faktory úspěchu celého projektu. I velmi jednoduché cílení vycházející z business analýzy může být mnohem užitečnější než složité dataminingové cílení vzniklé pouhým kliknutím myší v dataminingovém nástroji bez pochopení business logiky. Pokud však budeme dobře definovat, co vlastně chceme predikovat, pochopíme business procesy, využijeme této znalosti pro přípravu dat a připravíme data do formy potřebné pro danou dataminingovou metodu, obvykle dosáhneme o 30 až 50 % lepšího zacílení než u expertního cílení (měřeno nárůstem liftu). Pro klíčové kampaně a velmi dobrou přípravu dat (spočívající zejména v definování mnoha ukazatelů z dat užitečných pro řešení našeho problému - důležitější je kvalita než kvantita) obvykle dosáhneme zlepšení liftu na dvojnásobek. Záleží samozřejmě i na kvalitě expertního cílení.
Rozdíl mezi kvalitou zacílení a kvalitou kampaně
Při vyhodnocování kvality musíme pečlivě rozlišovat mezi kvalitou zacílení a kvalitou kampaně. Kvalita zacílení určuje, jak dobře umíme vybrat klienty, kteří si budou daný produkt kupovat (například v naší cílové skupině si produkt kupují 3 % zákazníků, kdežto v celém souboru zákazníků jen 1 %). Kvalita zacílení se měří liftem. Kvalita zacílení ještě neříká nic o kvalitě (přínosech) kampaně. Představme si, že jsme sice schopni dobře určit, kteří lidé by měli o produkt zájem, ale oslovíme je nic neříkající nabídkou (představme si to jako zaslání neoznačené obálky s prázdným papírem bez uvedení odesílatele nebo telefonát, při němž řekneme, že je to omyl). Taková kampaň i přes dobré zacílení nemá žádný efekt.
Kvalita kampaně říká, jak konkrétní kampaň (SMS, dopis aj.) dokáže zaujmout klienty při odstínění ostatních kampaní. Kvalita kampaně se zpravidla vyhodnocuje pomocí kontrolních skupin. Kontrolní skupina je náhodně vybraný vzorek z našeho cílení, který neoslovíme kampaní. Jsou v ní tedy klienti, kteří mají úplně stejné charakteristiky jako oslovení klienti, jediným rozdílem je právě oslovení. Porovnání úspěšnosti (například prodeje produktu) ve skupině oslovených a v kontrolní skupině (spontánní prodej produktu) ukáže skutečný efekt kampaně s odstíněním ostatních kampaní.
Cílové skupiny
Příklad expertně definované skupiny: Zákazníci, kteří jsou u nás déle než rok a utratili alespoň 5 tisíc Kč.
Příklad skupiny definované dataminingovým cílením: Zákazníci, u nichž je pravděpodobnost koupě alespoň 5%.
Varovná data
Příklad části přípravy dat - údaje, podle kterých včas poznáme zvýšené riziko odchodu zákazníka:
- Zákazník hlásí opakovaně tentýž problém na kontaktním centru, případ opakovaně označen jako vyřešený.
- Opakovaná stížnost zákazníka na tentýž problém, případ označován jako neoprávněná reklamace.
- Přechodem ke konkurenci na obdobnou službu by zákazník ušetřil více než tisíc Kč ročně.