Описание бизнес-кейса проведения сегментации клиентской базы для выявления наиболее склонной к покупке страховых продуктов аудитории и последующей целевой коммуникации
3. cleverdata.ru
|
info@cleverdata.ru
Исходные
данные
Для
анализа
была
предоставлена
обезличенная
база
клиентов
Заказчика
с
отражением
исторической
информации
о
покупке
или
отказе
от
покупки
страховки
–
сформирована
обучающая
выборка.
Поставленная
задача:
• Составить
типовые
профили
клиентов,
склонных
к
покупке
страховки;
• Понять,
каким
клиентам
целесообразно
предлагать
страховку
в
будущем.
Для
проверки
была
предоставлена
обезличенная
база
клиентов
с
отсутствующей
информацией
о
покупке
страховки
–
тестовая
выборка.
Всего
клиентов
–
10
804.
Со
страховкой
–
3
359.
36%
купили
страховку
4. cleverdata.ru
|
info@cleverdata.ru
Решение
задачи.
Разработка
модели
отклика
5. cleverdata.ru
|
info@cleverdata.ru
Способ
решения
задачи
Для
решения
задачи
с
помощью
интеллектуального
Big
Data
анализа
была
разработана
модель
сегментации
клиентов
по
признаку
«Склонность
к
покупке
страховки».
Это
позволило:
1) Определить
профиль
клиента
и
выделить
микросегменты
из
всей
базы;
2) Выявить,
каким
клиентам
следует
предлагать
страховку,
а
каким
–
нет.
Машинное
обучение
Предиктивная
модель
Точно
купит
Скорее
всего
купит
Может
быть
купить
Точно
не
купит
6. cleverdata.ru
|
info@cleverdata.ru
Выявленный
профиль
клиента
«Хороший»
клиент
«Типичный»
клиент
«Плохой»
клиент
Доход
10-‐14
тыс.
руб.
Доход
18-‐23
тыс.
руб.
Доход
22-‐27
тыс.
руб.
Кировград,
Озерск,
Снежинск
Преподаватель,
воспитатель,
фельдшер
Екатеринбург,
Киров
Водитель,
продавец,
директор
Новосибирск,
Липецк
Менеджер
по
продажам,
предприниматель
7. cleverdata.ru
|
info@cleverdata.ru
Построение
клиентских
сегментов
Количество
клиентов
Без
страховки
Со
страховкой
SEGM
1
SEGM
2
SEGM
3
SEGM
4
SEGM
5
SEGM
6
Вероятность
отклика
На
основе
вероятности
отклика
на
предложение
страховки
было
выявлено
6
клиентских
сегментов
по
степени
склонности
к
покупке
–
начиная
от
самого
«холодного»
и
заканчивая
самым
«теплым».
8. cleverdata.ru
|
info@cleverdata.ru
Построение
клиентских
сегментов
Сегмент
Кол-‐во
клиентов
Объем
базы
Клиенты
со
страховкой
Процент
отклика
SEGM1
1330
15%
79
6%
SEGM2
1491
17%
291
21%
SEGM3
2217
26%
630
29%
SEGM4
1798
21%
921
57%
SEGM5
1644
19%
1237
76%
SEGM6
171
2%
146
90%
SEGM1
–
«холодные»
клиенты,
продукт
нерелевантный
SEGM2
–
клиенты
с
минимальной
вероятностью
покупки
SEGM3
–
клиенты
со
средней
вероятностью
отклика
SEGM4
–
клиенты
с
большой
вероятностью
отклика
SEGM5
–
клиенты
с
максимальной
вероятностью
покупки
SEGM6
–
«горячие»
клиенты,
продукт
оптимален
10. cleverdata.ru
|
info@cleverdata.ru
Результаты
модели
Средняя
точность
модели
(AUC)
-‐
80%.
Модель
на
60%
лучше
случайной
коммуникации
(GINI).
Обзвон
1000
клиентов
без
использования
модели
-‐
страховку
купят
360
клиентов.
Обзвон
1000
клиентов,
выбранных
по
модели
-‐
страховку
купят
576
клиентов.
ROC
кривая
на
обучающей
(красный)
и
тестовой
(синий)
выборках
Распределение
клиентов
по
вероятности
отклика
Количество
клиентов
Вероятность
отклика
Без
страховки
Со
страховкой
11. cleverdata.ru
|
info@cleverdata.ru
Обзор
тестовой
выборки
Клиенты
тестовой
выборки
принадлежат
сегментам,
наиболее
склонным
к
отклику
Холодные
сегменты
1
и
2
Теплые
сегменты
3-‐6
Купили
Не
купили
Тестовая
выборка
Обучающая
выборка
Сегментирование
тестовой
выборки
(факт
покупки
неизвестен)
и
сравнение
распределения
теплых
и
холодных
сегментов
показало:
12. cleverdata.ru
|
info@cleverdata.ru
Как
использовать
результат
13. cleverdata.ru
|
info@cleverdata.ru
Планирование
Планирование,
настройка
событий,
подготовка
кампаний
Источники
Campaign
management
Внешние
данные
Внутренние
данные
Сбор
данных
Маркетинговая
витрина
Внутренние
данные
Внешние
данные
Сегменты
Прогнозные
модели
Аналитика
Отчетность,
профилирование,
сегментация
Исполнение
Создание,
выполнение,
отслеживание
Каналы
Клиенты
ATM
web
CC,
IVR
email
mobile
chat
Обратная
связь
Проведение
маркетинговых
кампаний
Модель
внедряется
в
систему
Campaign
management,
и
результаты
работы
модели
используются
для
сегментирования
клиентов
и
проведения
высокоэффективных
маркетинговых
кампаний.
14. cleverdata.ru
|
info@cleverdata.ru
o Повышение
точности
модели
за
счет
внешних
данных;
o Оптимизация
продуктовых
предложений
для
клиентов;
o Оптимизация
офферов;
o Исследование
эластичности
к
ставке
и
др.
параметрам;
o Оптимизация
каналов
коммуникаций.
Результат:
рост
эффективности
маркетинговых
кампаний.
Дальнейшее
развитие
Среднее
увеличение
прибыльности
по
результатам
проекта:
+15-‐30%,
если
в
компании
уже
используется
клиентская
аналитика;
+30-‐80%,
если
в
компании
ранее
не
использовалась
клиентская
аналитика.
16. cleverdata.ru
|
info@cleverdata.ru
Make
your
data
clever
Развитие
бизнеса
на
международном
рынке
Входит
в
тройку
лидеров
российских
ИТ
компаний
43
подразделения
в
России
и
за
рубежом
Более
7000
сотрудников
100
тыс.проектов
для
10
тыс.заказчиков
Облачная
платформа
управления
данными
«Биржа»
данных
Прикладные
сервисы
и
приложения
Big
Data
интегратор
Опыт
работы
более
3-‐х
лет
Собственные
центры
разработки
Партнерство
с
мировыми
лидерами
и
научными
институтами
Центр
экспертизы
по
технологиям
Big
Data
и
Marke‡ng
Automa‡on
1DMP
17. cleverdata.ru
|
info@cleverdata.ru
Автоматизация
маркетинга
Клиентская аналитика
Campaign Management
Обогащение внешними данными
Прогнозное моделирование
Реал-тайм кампании
Решения
для
укрепления
клиентского
опыта
и
повышения
продаж
за
счет
консолидации
всех
элементов
вашей
data-‐driven
маркетинговой
стратегии;
Решения
для
автоматизации
маркетинговых
кампаний
на
базе
решений
лидеров
рынка
–
компаний
IBM
и
Teradata;
Модели
управления
оттоком
клиентов,
моделирования
отклика,
микро-‐сегментирования
клиентской
базы;
Решения
для
управления
всей
digital
активностью
компании.
Digital Intelligence
Наша
задача
–
с
помощью
данных
сделать
ваш
бизнес
эффективнее
Продвижение в интернет-канале