- Časopis: Bankovnictví, 6/2006
- Autor: Jaromír Sladkovský, Martin Šály
- Klíčová slova: Data Mining,Direct Marketing
Se vstupem zahraničních vlastníků se na českém finančním trhu výrazně přiostřila konkurence. Jedním z důsledků je posun zacílení bank z tzv. "pull" produktů (produkty, u kterých postačuje vyhovět poptávce) do oblasti "push" produktů, kde o prodeji rozhoduje především kvalitní a cílená nabídka. Dnes jde například o kreditní karty i podílové fondy.
Voblasti push produktů může být budoucí růst méně limitován externími faktory (zde nelze opominout velkou konkurenci ze strany nebankovních poskytovatelů, například splátkové společnosti).
Na jedné straně tedy nabývá nabídka "push" produktů na významu, na straně druhé z dlouhodobého pohledu efektivita nabídkových kampaní klesá. O takové situaci dobře vypovídá dostupný údaj z USA o poklesu odezvy hromadné kampaně určitého typu ze 6,2 % v roce 1993 na 0,65 % v roce 2003.
Na místě je pak otázka, jakým způsobem kampaň zefektivnit a jakým způsobem změřit, zda se investice do zefektivnění vyplatily.
MOŽNOSTI ZVÝŠENÍ EFEKTIVITY KAMPANÍ
Původní metody kampaní, spočívající v obeslání určité množiny klientů nabídkou, nezřídka vedou k účinnosti kampaně nižší než 1 %. Odezvu může zvýšit například následné obvolání potenciálních zákazníků prostřednictvím call centra. Hlavní cestou se však dnes stává cílení kampaní na skupiny potenciálních zákazníků s nejvyšší pravděpodobností odezvy.
Uvažujeme-li třeba o křížovém prodeji pro současné zákazníky, můžeme v bankovnictví (v případě souhlasu zákazníka) využít značné množství údajů o jeho dřívějším chování. Tyto údaje spojíme se zkušenostmi z historie prodeje produktu, který budeme v kampani nabízet.
Pokud například zjistíme, že na nabídku spotřebního úvěru reagovali dříve nejvíce zákazníci, kteří mají obrat na účtech v určitém rozmezí, bude patrně efektivnější naplánovat, aby se nová kampaň na spotřební úvěry zaměřila právě na zákazníky, u kterých hodnota údaje ("prediktoru") "průměrný měsíční obrat" nabývá podobného rozsahu. Takový přístup "intuitivním výběrem" je dnes patrně nejčastější, avšak začíná být nedostatečný a postupně ho nahrazuje data mining.
DATA MINING
Data mining bývá formálně definován jako "zjišťování dosud neznámých, netriviálních a obchodně využitelných údajů z rozsáhlých datových zdrojů".
Pro praktické přiblížení využijme ilustraci z předchozího odstavce. Pokud bychom chtěli náš intuitivní výběr nadále vylepšovat, můžeme se zaměřit na další prediktor, například věk. Možná bychom zjistili, že existují dvě různé skupiny zákazníků, které si nejčastěji spotřební úvěr pořizují; každá z nich v jiném rozmezí věku a současně v jiném rozmezí obratu na účtech. Náš původní intuitivní výběr bychom tak mohli vylepšit.
Nemohou však pro další zlepšení výběru vstoupit do hry další prediktory, jako průměrná výše zůstatku na účtech zákazníka či snad ještě lépe poměr průměrného zůstatku k obratu? Nebo délka vztahu s bankou? Možností je velmi mnoho a "ruční" ověřování se již stává neefektivní.
Při využití data miningu se nejprve shromáždí všechny potenciální prediktory a ve druhém kroku se vytváří s využitím pokročilých analytických technik "model", který vybírá a kombinuje prediktory co nejlepším způsobem.
Shromáždění všech potenciálních prediktorů je nejnáročnější částí data miningu a předpokládá zajištění klientských i externích dat, nejlépe prostřednictvím datového skladu. V případě, že klientská data jsou uložena v různých zdrojových informačních systémech, nutností bývá jejich dobrá konsolidace (zjištění, že klient zpracovávaný ve dvou různých systémech je ve skutečnosti jedna a tatáž osoba, případně patří do stejné domácnosti a podobně).
Jsou-li klientská data k dispozici, prostřednictvím pokročilých analytických technik se realizuje predikční model. Model se vytváří pomocí znalostí z historie prodeje, jež získáme některým z následujících postupů:
- z předcházející podobné kampaně na daný produkt,
- z testovací kampaně,
- z nákupu produktu mimo kampaně.
CÍLE DATA MININGU
Ideálním cílem data miningového modelování je nalezení kritérií, podle nichž se zákazník rozhodoval o koupi produktu. Je zřejmé, že zdaleka ne všechna kritéria se odrážejí v dostupných prediktorech.
Proto je praktickým cílem modelování nalezení co nejlepšího modelu - vzorce, který v souhrnu dobře přiřazuje všem zákazníkům hodnotu pravděpodobnostního "skóre", nejčastěji v rozmezí 0 (minimální pravděpodobnost nákupu) až 1 (maximální pravděpodobnost nákupu).
Model se vytváří s využitím pokročilých analytických technik, většinou pomocí rozhodovacích stromů, logistické regrese nebo umělé neuronové sítě.
Zmíněný model se pak použije v procesu zvaném "skórování" - potenciálním zákazníkům se pomocí modelu vypočte pravděpodobnost, že zareagují na nabídku, a pro realizaci kampaně se postupem podrobněji popsaným dále vyberou zákazníci s nejvyšší pravděpodobností.
MĚŘENÍ EFEKTIVITY ATL A BTL KAMPANÍ
V minulosti se v bankovnictví primárně monitorovala efektivita tzv. ATL kampaní - to znamená především reklamy a sponzorství. K tomu se využívaly obecně známé ukazatele, jejichž hodnoty se srovnávaly vždy před, v průběhu a po skončení ATL kampaně.
Šlo například o:
- spontánní a dotazovanou znalost značky (u klientů a neklientů),
- sledování atributů značky (přátelská, dynamická...),
- spontánní a dotazovanou znalost reklamní/sponzorské kampaně,
- správné přiřazení kampaně/sponzorství ke značce,
- správné přiřazení obsahu kampaně ("message"),
- preferenci značky v případě hypotetické potřeby změnit banku a podobně.
BTL kampaně - kampaně cílené na individuální zákazníky - jsou dnes již v bankovnictví nedílným doplňkem široce zacílených ATL kampaní. Na rozdíl od ATL jsou obchodní dopady a efektivita BTL kampaní mnohem lépe měřitelné, a to včetně měření efektivity investic do data miningu a odhadu konečného finančního výnosu. V uvedeném rámečku je uvedena "kuchařka", podle které lze takové měření BTL kampaně realizovat a v závěru jsou prezentovány konkrétní zkušenosti.
Praktický postup měření výsledků BTL kampaní
Postup měření výsledků BTL kampaně ilustruje uvedené schéma.
- Krok 1: identifikace klientů pro oslovení a Kontrolní skupina 1
Identifikují se všichni klienti (označeni jako A0), kteří připadají v úvahu pro oslovení v kampani. Příkladem mohou být klienti, kteří: - ještě nevlastní daný produkt, - nebyli součástí předchozích kampaní v určitém časovém období, - neodmítají marketingové oslovení, - (pro úvěrové produkty) jsou předskórovaní na odpovídající kreditní riziko, - odpovídají pevně zadaným intuitivním kritériím, například jsou v určitém věkovém rozmezí.
Končeným cílem bude z množiny A0 vybrat příslušný počet klientů, kteří v kampani nejpravděpodobněji kladně zareagují na nabídku. Pro účely objektivizace měření nejprve z množiny klientů A0 vybereme náhodným výběrem kontrolní skupinu (KS). Minimální velikost této kontrolní skupiny (podobně jako velikost druhé kontrolní skupiny DTG, viz dále) lze stanovit určitými statistickými kritérii nebo s využitím zkušeností.
- Krok 2: data mining skórování a výběr klientů
Každému ze zbylých oslovitelných klientů (A) přiřadíme skóre podle příslušného data mining modelu. Jak již bylo uvedeno, skóre nabývá typicky hodnoty v intervalu 0 až 1, kde 0 označuje nejnižší pravděpodobnost nákupu a 1 pravděpodobnost nejvyšší. Klienti jsou následně seřazeni podle skóre a je vybrána skupina (K0) s nejvyšší pravděpodobností k nákupu. Počet klientů v této skupině K0 odpovídá některému z uvedených kritérií: - plánovaná velikost kampaně, - stanovená minimální pravděpodobnost odezvy (minimální skóre), - maximalizace efektivity, to znamená velikost kampaně se dynamickou kalkulací zoptimalizuje podle nákladových a výnosových položek.
- Krok 3: Kontrolní skupina 2 (DTG), realizace kampaně
Ze skupiny pro oslovení (K0) vybereme náhodně druhou kontrolní skupinu klientů (tzv. "Do not touch group", DTG), kteří nebudou osloveni; z původní skupiny (K0) zůstane pro oslovení skupina (K).
Konečný "lead-list" pro realizaci přímého oslovení BTL kampaní (zaslání nabídky, telefonát prostřednictvím call centra a podobně) pak tvoří skupina (K) a první kontrolní skupina (KS).
- Celkovou úspěšnost kampaně představuje procento nákupů v lead-listu, to znamená poměr klientů, kteří si daný produkt koupili vůči všem osloveným.
- Účinnost data mining modelování získáme z poměru procenta nákupů skupiny (A) v porovnání s první kontrolní skupinou (KS).
- Účinnost BTL kampaně zjistíme z poměru procenta nákupů ve skupině vybraných k oslovení (K) v porovnání s druhou kontrolní skupinou neoslovených (DTG)
KONKRÉTNÍ ZKUŠENOSTI
Celková úspěšnost kampaní je proměnlivá a kromě cílení závisí na typu produktu, obchodních parametrech či období.
Například cílené kampaně nabízející kreditní kartu realizované v průběhu roku 2004 měly celkovou úspěšnost kampaně v rozmezí 10 až 20 %. Data mining modelování bylo podle našich měření účinné vždy, přičemž pro kampaně realizované v roce 2004 se účinnost pohybovala nejčastěji kolem tří - to znamená, že kdyby byl výběr realizován pouze intuitivně, celková úspěšnost kampaně by byla třikrát nižší. Popsané měření BTL našich kampaní považujeme za velmi důležitý krok umožňující prokázat jejich realistickou efektivitu.
Schéma postupu výběru klientů pro BTL kampaň
A0: Všichni oslovitelní klienti
A: Klienti pro data mining skórování
KS: Kontrolní skupina 1 (zůstane mimo skórování)
K0: Zvolený počet klientů s nejvyšším skóre
DTG: Kontrolní skupina "Do not touch group"
K: Oslovení v kampani