Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
Jak pomocí
machine learningu
vytěžovat data
z RTB i v CRM?
Prezentující
Eliška Králová
• Digital Data Manager v České spořitelně
• Vedení týmu zaměřeného na zpracování a aktivaci on...
Prezentující
Eliška Králová
• Digital Data Manager v České spořitelně
• Vedení týmu zaměřeného na zpracování a aktivaci on...
NEVYUŽITÝ POTENCIÁL.
DETERMINISTICKÁ
BYZNYSOVÁ PRAVIDLA.
RUČNÍ
ZPRACOVÁNÍ.
HLEDÁNÍ
SOUVISLOSTÍ.
ZDLOUHAVOST.
TĚŽKOPÁDNOST.
BARIÉRA.
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
ONLINE
SVĚT
OFFLINE
SVĚT
POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA
3rd ...
PROPOJENÍ.
FLEXIBILITA.
AUTOMATIZACE.
UMĚLÁ
INTELIGENCE.
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
ONLINE
SVĚT
OFFLINE
SVĚT
POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA
3rd ...
NÁVRH ŘEŠENÍ.
SPECIALISTÉ.
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
Uživatelský online profil
ONLINE
SVĚT
CLOUDOVÉ
PROSTŘEDÍ
OFFLINE
SVĚT
PO...
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
Uživatelský online profil
ONLINE
SVĚT
CLOUDOVÉ
PROSTŘEDÍ
OFFLINE
SVĚT
PO...
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
Uživatelský online profil
Klientský profil (CRM)
ONLINE
SVĚT
CLOUDOVÉ
PR...
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
Uživatelský online profil
Klientský profil (CRM)
ONLINE
SVĚT
CLOUDOVÉ
PR...
POSTUPNĚ.
AGILNĚ.
END-TO-END.
Optimalizace nákupu reklamy
1.CÍL = Navýšení online konverzí
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
Uživatelský online profil
Klientský profil (CRM)
ONLINE
SVĚT
CLOUDOVÉ
PR...
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
Uživatelský online profil
Klientský profil (CRM)
ONLINE
SVĚT
CLOUDOVÉ
PR...
Optimalizace nákupu online reklamy
CÍL
Získat více
angažovaných
návštěv
Optimalizace nákupu online reklamy
Vstupní data pro optimalizační model
NAVŠTÍVENÉ WEBY
S REKLAMOU ČS
KLIK
ANGAŽOVANÁ
NÁVŠ...
Optimalizace nákupu online reklamy
Vstupní data pro optimalizační model
VYSVĚTLUJÍCÍ PROMĚNNÉ
CÍL
Získat více
angažovaných...
Optimalizace nákupu online reklamy
Vstupní data pro optimalizační model
NAVŠTÍVENÉ WEBY
S REKLAMOU ČS
KLIK
ANGAŽOVANÁ
NÁVŠ...
Optimalizace nákupu online reklamy
Nalezení signifikantních proměnných
NAVŠTÍVENÉ WEBY
S REKLAMOU ČS
KLIK
ANGAŽOVANÁ
NÁVŠT...
Optimalizace nákupu online reklamy
Nalezení signifikantních proměnných
VYSVĚTLUJÍCÍ PROMĚNNÉ
CÍL
Získat více
angažovaných
...
Optimalizace nákupu online reklamy
Nalezení signifikantních proměnných
VYSVĚTLUJÍCÍ PROMĚNNÉ
CÍL
Získat více
angažovaných
...
Vstupní data = uživatelem navštívené URL adresy
Optimalizace nákupu online reklamy
Příprava machine learning modelu
1.Extrakce proměnných pomocí term frequency inverse do...
Upravená vstupní data = prediktory z klíčových slov v URL
Optimalizace nákupu online reklamy
Machine learning model
1.Extrakce proměnných pomocí term frequency inverse document fre...
Optimalizace nákupu online reklamy
Machine learning model nepotřebuje expertní pravidla
handmade_hardcoded_model.py​
if ur...
Optimalizace nákupu online reklamy
Automatické získání pravidel z historie
MACHINE LEARNING
MODEL
Evaluace modelu pro navýšení počtu angažovaných návštěv
TOP 10 % uživatelů
s největší pravděpodobností
ang. návštěvy CSAS....
MÍRA NÁVŠTĚVY PRO MODELEM VYBRANÉ SKUPINY UŽIVATELŮ
Optimalizace nákupu online reklamy
Přínos ML modelu pro predikci angaž...
2 000 000 000
záznamů
Optimalizace nákupu online reklamy
Přínos ML modelu pro predikci angažované návštěvy
2x více návštěv...
Optimalizace péče o klienta
2.CÍL = Navýšení offline konverzí (např. sjednání půjčky)
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
Uživatelský online profil
Klientský profil (CRM)
ONLINE
SVĚT
CLOUDOVÉ
PR...
Optimalizace péče o klienta CÍL
Predikce
sjednání
půjčky
Optimalizace péče o klienta
Vstupní data pro optimalizační model
NAVŠTÍVENÉ WEBY
S REKLAMOU ČS
WEB ČS
1.imprese 2.imprese ...
Optimalizace péče o klienta
Vstupní data pro optimalizační model
NAVŠTÍVENÉ WEBY
S REKLAMOU ČS
WEB ČS
1.imprese 2.imprese ...
Optimalizace péče o klienta
Vstupní data pro optimalizační model
NAVŠTÍVENÉ WEBY
S REKLAMOU ČS
WEB ČS
OFFLINE
SKÓRE
1.impr...
Optimalizace péče o klienta
Predikce offline konverze pro obohacení klientského profilu
NAVŠTÍVENÉ WEBY
S REKLAMOU ČS
WEB ...
Optimalizace péče o klienta
Příprava machine learning modelu
1.Extrakce proměnných pomocí term frequency inverse document ...
Evaluace modelu pro predikci sjednání půjčky
REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE
Uživatelský online profil
Klientský profil (CRM)
ONLINE
SVĚT
CLOUDOVÉ
PR...
Příprava machine learning modelu
1.Extrakce proměnných pomocí term frequency inverse document frequency
ze spojených URL
2...
Obohacení klientského profilu o online signály
Generování doporučení pro zákazníky na pobočce
byty
idnes
půjčka
chalupy
hy...
Obohacení klientského profilu o online signály
Generování doporučení pro zákazníky na pobočce
byty
idnes
půjčka
chalupy
hy...
Obohacení klientského profilu o online signály
Generování témat komunikace
byty
idnes
půjčka
chalupy
hypotéka
finance
sezn...
byty
idnes
půjčka
chalupy
hypotéka
finance
seznam
twitter
instagram
wikipedia
seznam
seznam
jágr
wikipedia
wikipedia
babiš...
byty
idnes
půjčka
chalupy
hypotéka
finance
seznam
twitter
instagram
wikipedia
seznam
seznam
jágr
wikipedia
wikipedia
babiš...
SPOLUPRÁCE.
PŘÍLEŽITOSTI.
BUDOUCNOST.
DĚKUJEME!
Jakub Štěch
DataSentics s.r.o.
jakub.stech@datasentics.com
Eliška Králová
Česká spořitelna a.s.
ekralova@csas.cz
Jak pomocí machine learningu vytěžovat data z RTB i v CRM?
Jak pomocí machine learningu vytěžovat data z RTB i v CRM?
Jak pomocí machine learningu vytěžovat data z RTB i v CRM?
Jak pomocí machine learningu vytěžovat data z RTB i v CRM?
Nächste SlideShare
Wird geladen in …5
×

Jak pomocí machine learningu vytěžovat data z RTB i v CRM?

442 Aufrufe

Veröffentlicht am

Jakub Štěch a Eliška Králová na konferenci Data Restart 2019.

Co se skrývá pod buzzwordem “machine learning” a jak nám může pomoci zvýšit výkon kampaní? Na případu České spořitelny ukážeme, jak jsme optimalizovali nákup RTB a online data začala pomáhat i ve světě CRM kampaní.

Veröffentlicht in: Daten & Analysen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Jak pomocí machine learningu vytěžovat data z RTB i v CRM?

  1. 1. Jak pomocí machine learningu vytěžovat data z RTB i v CRM?
  2. 2. Prezentující Eliška Králová • Digital Data Manager v České spořitelně • Vedení týmu zaměřeného na zpracování a aktivaci online dat
  3. 3. Prezentující Eliška Králová • Digital Data Manager v České spořitelně • Vedení týmu zaměřeného na zpracování a aktivaci online dat Jakub Štěch • Seniorní Data Scientist v DataSentics​ • PhD student FJFI ČVUT v Praze (Matematika ​statistika)
  4. 4. NEVYUŽITÝ POTENCIÁL.
  5. 5. DETERMINISTICKÁ BYZNYSOVÁ PRAVIDLA. RUČNÍ ZPRACOVÁNÍ. HLEDÁNÍ SOUVISLOSTÍ.
  6. 6. ZDLOUHAVOST. TĚŽKOPÁDNOST.
  7. 7. BARIÉRA.
  8. 8. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE ONLINE SVĚT OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA 3rd party
  9. 9. PROPOJENÍ.
  10. 10. FLEXIBILITA.
  11. 11. AUTOMATIZACE. UMĚLÁ INTELIGENCE.
  12. 12. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE ONLINE SVĚT OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA 3rd party
  13. 13. NÁVRH ŘEŠENÍ. SPECIALISTÉ.
  14. 14. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE Uživatelský online profil ONLINE SVĚT CLOUDOVÉ PROSTŘEDÍ OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA 3rd party
  15. 15. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE Uživatelský online profil ONLINE SVĚT CLOUDOVÉ PROSTŘEDÍ OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA 3rd party
  16. 16. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE Uživatelský online profil Klientský profil (CRM) ONLINE SVĚT CLOUDOVÉ PROSTŘEDÍ OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA 3rd party ON-PREM PROSTŘEDÍ
  17. 17. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE Uživatelský online profil Klientský profil (CRM) ONLINE SVĚT CLOUDOVÉ PROSTŘEDÍ OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA NÁSTROJE PRO SPRÁVU ONLINE REKLAMY 3rd party NÁSTROJE PRO SPRÁVU KLASICKÝCH KAMPANÍ ON-PREM PROSTŘEDÍ
  18. 18. POSTUPNĚ. AGILNĚ. END-TO-END.
  19. 19. Optimalizace nákupu reklamy 1.CÍL = Navýšení online konverzí
  20. 20. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE Uživatelský online profil Klientský profil (CRM) ONLINE SVĚT CLOUDOVÉ PROSTŘEDÍ OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA NÁSTROJE PRO SPRÁVU ONLINE REKLAMY 3rd party NÁSTROJE PRO SPRÁVU KLASICKÝCH KAMPANÍ ON-PREM PROSTŘEDÍ
  21. 21. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE Uživatelský online profil Klientský profil (CRM) ONLINE SVĚT CLOUDOVÉ PROSTŘEDÍ OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA NÁSTROJE PRO SPRÁVU ONLINE REKLAMY 3rd party NÁSTROJE PRO SPRÁVU KLASICKÝCH KAMPANÍ ON-PREM PROSTŘEDÍ
  22. 22. Optimalizace nákupu online reklamy CÍL Získat více angažovaných návštěv
  23. 23. Optimalizace nákupu online reklamy Vstupní data pro optimalizační model NAVŠTÍVENÉ WEBY S REKLAMOU ČS KLIK ANGAŽOVANÁ NÁVŠTĚVA WEBU 1.imprese 2.imprese 3.imprese seznam sauto sauto 1 1 finance babiš - 1 1 finance seznam finance 0 1 lidl seznam seznam 0 1 idnes rohlik 0 0 idnes 0 0 CÍL Získat více angažovaných návštěv
  24. 24. Optimalizace nákupu online reklamy Vstupní data pro optimalizační model VYSVĚTLUJÍCÍ PROMĚNNÉ CÍL Získat více angažovaných návštěv NAVŠTÍVENÉ WEBY S REKLAMOU ČS KLIK ANGAŽOVANÁ NÁVŠTĚVA WEBU 1.imprese 2.imprese 3.imprese seznam sauto sauto 1 1 finance babiš - 1 1 finance seznam finance 0 1 lidl seznam seznam 0 1 idnes rohlik 0 0 idnes 0 0
  25. 25. Optimalizace nákupu online reklamy Vstupní data pro optimalizační model NAVŠTÍVENÉ WEBY S REKLAMOU ČS KLIK ANGAŽOVANÁ NÁVŠTĚVA WEBU 1.imprese 2.imprese 3.imprese seznam sauto sauto 1 1 finance babiš - 1 1 finance seznam finance 0 1 lidl seznam seznam 0 1 idnes rohlik 0 0 idnes 0 0 VYSVĚTLUJÍCÍ PROMĚNNÉ CÍL CÍL Získat více angažovaných návštěv
  26. 26. Optimalizace nákupu online reklamy Nalezení signifikantních proměnných NAVŠTÍVENÉ WEBY S REKLAMOU ČS KLIK ANGAŽOVANÁ NÁVŠTĚVA WEBU 1.imprese 2.imprese 3.imprese seznam sauto sauto 1 1 finance babiš - 1 1 finance seznam finance 0 1 lidl seznam seznam 0 1 idnes rohlik 0 0 idnes 0 0 VYSVĚTLUJÍCÍ PROMĚNNÉ CÍL Získat více angažovaných návštěv CÍL
  27. 27. Optimalizace nákupu online reklamy Nalezení signifikantních proměnných VYSVĚTLUJÍCÍ PROMĚNNÉ CÍL Získat více angažovaných návštěv CÍL NAVŠTÍVENÉ WEBY S REKLAMOU ČS KLIK ANGAŽOVANÁ NÁVŠTĚVA WEBU 1.imprese 2.imprese 3.imprese seznam sauto sauto 1 1 finance babiš - 1 1 finance seznam finance 0 1 lidl seznam seznam 0 1 idnes rohlik 0 0 idnes 0 0
  28. 28. Optimalizace nákupu online reklamy Nalezení signifikantních proměnných VYSVĚTLUJÍCÍ PROMĚNNÉ CÍL Získat více angažovaných návštěv CÍL NAVŠTÍVENÉ WEBY S REKLAMOU ČS KLIK ANGAŽOVANÁ NÁVŠTĚVA WEBU 1.imprese 2.imprese 3.imprese seznam sauto sauto 1 1 finance babiš - 1 1 finance seznam finance 0 1 lidl seznam seznam 0 1 idnes rohlik 0 0 idnes 0 0
  29. 29. Vstupní data = uživatelem navštívené URL adresy
  30. 30. Optimalizace nákupu online reklamy Příprava machine learning modelu 1.Extrakce proměnných pomocí term frequency inverse document frequency ze spojených URL 2.Obohacení URL o popis navštívených webů 3.Nalezení kontextu pomocí embedovacích technik word2vec
  31. 31. Upravená vstupní data = prediktory z klíčových slov v URL
  32. 32. Optimalizace nákupu online reklamy Machine learning model 1.Extrakce proměnných pomocí term frequency inverse document frequency ze spojených URL 2.Obohacení URL o popis navštívených webů 3.Nalezení kontextu pomocí embedovacích technik word2vec 4.Machine learning model (glm, xgboost) pro predikci pravděpodobností angažované návštěvy na základě featur z URL adres z Adform Master Data
  33. 33. Optimalizace nákupu online reklamy Machine learning model nepotřebuje expertní pravidla handmade_hardcoded_model.py​ if url in [‘babis’, ‘sauto’, ‘finance’]: return ‘click’ elif url in [‘blesk’, ‘seznam’] and clicks > 3: return ‘click’ else return ‘impression’ MACHINE LEARNING MODEL
  34. 34. Optimalizace nákupu online reklamy Automatické získání pravidel z historie MACHINE LEARNING MODEL
  35. 35. Evaluace modelu pro navýšení počtu angažovaných návštěv TOP 10 % uživatelů s největší pravděpodobností ang. návštěvy CSAS.cz Skutečné navýšení počtu návštěv
  36. 36. MÍRA NÁVŠTĚVY PRO MODELEM VYBRANÉ SKUPINY UŽIVATELŮ Optimalizace nákupu online reklamy Přínos ML modelu pro predikci angažované návštěvy 2 000 000 000 záznamů
  37. 37. 2 000 000 000 záznamů Optimalizace nákupu online reklamy Přínos ML modelu pro predikci angažované návštěvy 2x více návštěv za stejnou cenu MÍRA NÁVŠTĚVY PRO MODELEM VYBRANÉ SKUPINY UŽIVATELŮ
  38. 38. Optimalizace péče o klienta 2.CÍL = Navýšení offline konverzí (např. sjednání půjčky)
  39. 39. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE Uživatelský online profil Klientský profil (CRM) ONLINE SVĚT CLOUDOVÉ PROSTŘEDÍ OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA NÁSTROJE PRO SPRÁVU ONLINE REKLAMY 3rd party NÁSTROJE PRO SPRÁVU KLASICKÝCH KAMPANÍ
  40. 40. Optimalizace péče o klienta CÍL Predikce sjednání půjčky
  41. 41. Optimalizace péče o klienta Vstupní data pro optimalizační model NAVŠTÍVENÉ WEBY S REKLAMOU ČS WEB ČS 1.imprese 2.imprese 3.imprese Kalkulačka FAQ BLOG finance sauto sauto 1 1 0 finance babiš - 0 1 0 seznam seznam finance 1 0 1 lidl seznam seznam 0 0 1 idnes rohlik 0 0 0 idnes 0 0 0 CÍL Predikce sjednání půjčky
  42. 42. Optimalizace péče o klienta Vstupní data pro optimalizační model NAVŠTÍVENÉ WEBY S REKLAMOU ČS WEB ČS 1.imprese 2.imprese 3.imprese Kalkulačka FAQ BLOG finance sauto sauto 1 1 0 finance babiš - 0 1 0 seznam seznam finance 1 0 1 lidl seznam seznam 0 0 1 idnes rohlik 0 0 0 idnes 0 0 0 VYSVĚTLUJÍCÍ PROMĚNNÉ z online světa CÍL Predikce sjednání půjčky
  43. 43. Optimalizace péče o klienta Vstupní data pro optimalizační model NAVŠTÍVENÉ WEBY S REKLAMOU ČS WEB ČS OFFLINE SKÓRE 1.imprese 2.imprese 3.imprese Kalkulačka FAQ BLOG finance sauto sauto 1 1 0 0,79 finance babiš - 0 1 0 0,31 seznam seznam finance 1 0 1 0,34 lidl seznam seznam 0 0 1 0,01 idnes rohlik 0 0 0 0,07 idnes 0 0 0 0,08 VYSVĚTLUJÍCÍ PROMĚNNÉ z online světa VYSVĚTLUJÍCÍ PROMĚNNÉ z offline světa CÍL Predikce sjednání půjčky
  44. 44. Optimalizace péče o klienta Predikce offline konverze pro obohacení klientského profilu NAVŠTÍVENÉ WEBY S REKLAMOU ČS WEB ČS OFFLINE SKÓRE OFFLINE KONVERZE 1.imprese 2.imprese 3.imprese Kalkulačka FAQ BLOG finance sauto sauto 1 1 0 0,79 1 finance babiš - 0 1 0 0,31 0 seznam seznam finance 1 0 1 0,34 0 lidl seznam seznam 0 0 1 0,01 0 idnes rohlik 0 0 0 0,07 0 idnes 0 0 0 0,08 0 VYSVĚTLUJÍCÍ PROMĚNNÉ z online světa CÍL VYSVĚTLUJÍCÍ PROMĚNNÉ z offline světa
  45. 45. Optimalizace péče o klienta Příprava machine learning modelu 1.Extrakce proměnných pomocí term frequency inverse document frequency ze spojených URL 2.Obohacení URL o popis navštívených webů 3.Nalezení kontextu pomocí embedovacích technik word2vec 4.Machine learning model (glm, xgboost) pro predikci pravděpodobností offline konverze
  46. 46. Evaluace modelu pro predikci sjednání půjčky
  47. 47. REKLAMA WEB INTERNETOVÉ BANKOVNICTVÍ DALŠÍ ZDROJE Uživatelský online profil Klientský profil (CRM) ONLINE SVĚT CLOUDOVÉ PROSTŘEDÍ OFFLINE SVĚT POBOČKY TRANSAKCE MAIL/SMS/PUSH CALLCENTRA NÁSTROJE PRO SPRÁVU ONLINE REKLAMY 3rd party NÁSTROJE PRO SPRÁVU KLASICKÝCH KAMPANÍ
  48. 48. Příprava machine learning modelu 1.Extrakce proměnných pomocí term frequency inverse document frequency ze spojených URL 2.Obohacení URL o popis navštívených webů 3.Nalezení kontextu pomocí embedovacích technik word2vec 4.Machine learning model (glm, xgboost) pro predikci pravděpodobností offline konverze 5.Vysvětlení koeficientů a signifikantních proměnných modelu
  49. 49. Obohacení klientského profilu o online signály Generování doporučení pro zákazníky na pobočce byty idnes půjčka chalupy hypotéka finance seznam twitter instagram wikipedia seznam seznam jágr wikipedia wikipedia babiš wikipedia bezrealitky
  50. 50. Obohacení klientského profilu o online signály Generování doporučení pro zákazníky na pobočce byty idnes půjčka chalupy hypotéka finance seznam twitter instagram wikipedia seznam seznam jágr wikipedia wikipedia bezrealitky babiš wikipedia
  51. 51. Obohacení klientského profilu o online signály Generování témat komunikace byty idnes půjčka chalupy hypotéka finance seznam twitter instagram wikipedia seznam seznam jágr wikipedia wikipedia bezrealitky babiš wikipedia
  52. 52. byty idnes půjčka chalupy hypotéka finance seznam twitter instagram wikipedia seznam seznam jágr wikipedia wikipedia babiš wikipedia Klient řeší půjčku/hypotéku (80%) bezrealitky
  53. 53. byty idnes půjčka chalupy hypotéka finance seznam twitter instagram wikipedia seznam seznam jágr wikipedia wikipedia babiš wikipedia Klient řeší: bydlení (60%) půjčku/hypotéku (30%) bezrealitky
  54. 54. SPOLUPRÁCE. PŘÍLEŽITOSTI. BUDOUCNOST.
  55. 55. DĚKUJEME! Jakub Štěch DataSentics s.r.o. jakub.stech@datasentics.com Eliška Králová Česká spořitelna a.s. ekralova@csas.cz

×