Customer Profiling, Segmentazione e Strategie di Marketing

Transcript

1 Customer Profiling, Segmentazione e Strategie di Marketing Presentazione del corso di Analisi di dati aziendali Pavia, 6 Aprile 2005 Bruno Scarpa Università di Pavia

2 Quelli che s'innamoran di pratica sanza scienzia son come 'l nocchier ch'entra in navilio senza timone o bussola, che mai ha certezza dove si vada. (Leonardo da Vinci)

3 la mia esperienza in azienda Nel 1997, dopo gli studi, ho avuto l occasione di cominciare un avventura nel mondo delle aziende... a. in RAS mi sono occupato della quotazione dei rischi e della definizione delle tariffe e dei prezzi delle assicurazioni non vita (auto, infortuni, incendio...) b. Sono poi passato in OMNITEL dove ho avuto modo di impostare le attività di data mining come strumenti statistici per il marketing sulla clientela... c. Dopo un po di esperienza sono passato a TIN.IT dove oltre alle analisi statistiche avevo il compito di curare le azioni di marketing verso i clienti/navigatori/sottoscrittori... d. L ultima tappa della mia esperienza aziendale è stata in, una azienda in start up, dove avevo il compito di curare l impostazione globale e quindi la definizione di requisiti per la gestione della relazione con i clienti.

4 Divisioni di Business Analisi Statistiche Data mining Divisioni Tecniche Marketing CRM Vendite Pianificazione e Controllo Comunicazione Dove???? Information Technology Rete Servizi Logistica Orientamento al Mercato/ Cliente Orientamento al prodotto: la Fabbrica

5 Divisioni di Business Analisi Statistiche Data mining Divisioni Tecniche Marketing CRM Vendite Pianificazione e Controllo Comunicazione È più vicino ai problemi centrali dell azienda Fornisce suggerimenti e utilizza le analisi per modificare e muovere gli orientamenti di business sulle necessità dei clienti L ambiente riunisce insieme esperienze e competenze molto diverse: esperti di marketing, di budget, sulle azioni, sulla comunicazione sulla gestione dei clienti......ma è fondamentale collaborare con gli esperti informatici (IT) Information Technology Rete Servizi Logistica Orientamento al Mercato/ Cliente Orientamento al prodotto: la Fabbrica

6 statistica nel marketing Diversi livelli di coinvolgimento della statistica nel fare business focus sui prodotti Analisi di marketing: reports e statistiche descrittive di base Supporto all uomo di marketing: aiuto quantitativo alle idee di marketing Fare analisi e proporre idee: è il motore delle azioni di marketing Guida commerciale e tecnologica focus sul cliente Strumenti: Reports Tabelle Semplici indicatori Reports Tabelle Semplici indicatori Semplici modelli Tabelle Indicatori/tassi Modelli Data mining Modelli Statistici Data mining Reports Tabelle Indicatori

7 un azienda di telecomunicazioni Customer Base Nuove Acquisizioni pay totale pay totale dic-99 feb-00 apr-00 giu-00 ago-00 ott-00 dic-00 pay totale dic-99 feb-00 apr-00 giu-00 ago-00 ott-00 dic-00 pay totale IL MANAGEMENT DELLA CUSTOMER BASE GUIDA LA STRATEGIA DI MARKETING

8 customer base: approccio strategico Un unico obiettivo attraverso Aumentare il Customer Lifetime Value attraverso la riduzione del churn e l aumento dell ARPU PROFILING & SEGMENTATION Identificare i potenziali churners churners Massimizzare la soddisfazione dei clienti Focalizzarsi su target per cross e up sell Ridurre il churn Massimizzare il valore del cliente

9 Customer Relationship Management Identificare Realizzare Praticare tutte le attività necessarie a garantire il processo di attenzione e fidelizzazione dell individuo verso l azienda e la sua offerta di prodotti e servizi e, conseguentemente la massimizzazione delle opportunità di business attraverso la soddisfazione costante dei bisogni

10 profiling Identificare Classificare Acquisire Gestire tutte le informazioni che consentono la conoscenza e l analisi del proprio target di riferimento e, conseguentemente la realizzazione di prodotti e servizi ad elevata probabilità di soddisfazione dei suoi bisogni sources analysis mgmnt

11 customer base: segmentazione di base 0% VALORE DEL CLIENTE 100% COSTRUIRE FELDELTA DIFFERENZIAZIONE DEI SERVIZI INBOUND & OUTBOUND SCHEMA DI LOYALTY (Incentivi) BLOCCHI (Disincentivi alla fuga) AZIONI A BASSO COSTO/ NO PROMOZIONI NON COSTI AGGIUNTIVI PER LA GESTIONE DEL CLIENTE AZIONI DI MASSA MASSIMIZZARE IL VALORE OPERATORE CC PERSONALE NUOVI VAS MEMBER GETS MEMBER CURA & ATTENZIONE AUMENTARE IL VALORE AZIONI DI UP / CROSS SELL INCENTIVARE L USO INCENTIVARE ATTIVAZIONE DI VAS 0% FEDELTA DEL CLIENTE 100% ALLA CONCORRENZA!

12 L approccio di crm OBIETTIVI Generazione di profitti attraverso l acquisizione di clienti ad alto valore, la creazione di valore e un attenta politica di cost to serve 4Acquisizione di clienti (conversione di prospect in clienti) 4Aumento del valore dei clienti attraverso azioni di cross-sell e di up-sell 4 trattenere i clienti (retention) 4Attenzione al cost to serve AZIONI 4Campagne 4Programmi di Loyalty 4Personalizzazione dei Servizi 4Gestione dei canali di contatto 4(sviluppo di nuovi prodotti) ANALISI (PROFILING) DATI GREZZI 4Analisi di dati sui clienti 4Segmentazione & micro-segmentazione 4Suggerimenti sui bisogni e le preferenze dei clienti CUSTOMER DATA 4ID (nome, indirizzo, num. di telefono, piano tariffario...) 4Dati Demografici (età, città,...) 4Dati Socio-economici (reddito, professione, titolo di studio, classe di valore,...) 4Dati Psicografici (ambiente, preferenze, hobbies,...) 4Patterns d uso (spesa telefonica, servizi usati e frequenza,...) 4Analisi delle propensioni sui contatti Uso dei canali Ragioni di contatto 4Esperienza del cliente per ogni canale (CC, Portale,chat, Messaging, Dealers) 4Efficienza del Customer Care 4Storia dei contatti del cliente Uso dei canali Motivo di contatto Numero di contatti DATI SUI LIVELLI DI SERVIZIO DEI CANALI...

13 L approccio di crm OBIETTIVI Generazione di profitti attraverso l acquisizione di clienti ad alto valore, la creazione di valore e un attenta politica di cost to serve 4Acquisizione di clienti (conversione di prospect in clienti) 4Aumento del valore dei clienti attraverso azioni di cross-sell e di up-sell 4 trattenere i clienti (retention) 4Attenzione al cost to serve AZIONI 4Campagne 4Programmi di Loyalty 4Personalizzazione dei Servizi 4Gestione dei canali di contatto 4(sviluppo di nuovi prodotti) ANALISI (PROFILING) DATI GREZZI 4Analisi di dati sui clienti 4Segmentazione & micro-segmentazione 4Suggerimenti sui bisogni e le preferenze dei clienti CUSTOMER DATA 4ID (nome, indirizzo, num. di telefono, piano tariffario...) 4Dati Demografici (età, città,...) 4Dati Socio-economici (reddito, professione, titolo di studio, classe di valore,...) 4Dati Psicografici (ambiente, preferenze, hobbies,...) 4Patterns d uso (spesa telefonica, servizi usati e frequenza,...) 4Analisi delle propensioni sui contatti Uso dei canali Ragioni di contatto 4Esperienza del cliente per ogni canale (CC, Portale,chat, Messaging, Dealers) 4Efficienza del Customer Care 4Storia dei contatti del cliente Uso dei canali Motivo di contatto Numero di contatti DATI SUI LIVELLI DI SERVIZIO DEI CANALI...

14 TLC: alcuni problemi acquisizione della clientela prospect Raggiungere una soglia minima di clienti ASAP Trovare e attrarre i clienti giusti: quanto spendere per ciascun diverso cliente potenziale? Scoprire frodi di sottoscrizione determinare domande di sottoscrizione fraudolente profittabilità dei clienti valore del cliente dormienti e share of wallet monitoraggio e management del rischio Determinare e ottimizzare i parametri di rischio

15 TLC: alcuni problemi fedeltà Approccio predittivo modelli di previsione del churn Attrito e retention Customer profiling Chi sono i clienti? Cosa ciascun cliente vuole? Come contattare ogni cliente? Modellazione e determinazione e delle principali cause Azioni: programmi di loyalty/campagne/up sell-cross sell Relazione col cliente Personalizzazione dell attenzione de del contatto Customer satisfaction valutazione delle azioni Spesso non è possibile effettuare esperimenti caso-controllo I clienti sono autoselezionati Valutare a posteriori alcune azioni Stima gli effetti delle azioni condizionatamente all effetto di tutte le altre variabili

16 L approccio di crm OBIETTIVI Generazione di profitti attraverso l acquisizione di clienti ad alto valore, la creazione di valore e un attenta politica di cost to serve 4Acquisizione di clienti (conversione di prospect in clienti) 4Aumento del valore dei clienti attraverso azioni di cross-sell e di up-sell 4 trattenere i clienti (retention) 4Attenzione al cost to serve AZIONI 4Campagne 4Programmi di Loyalty 4Personalizzazione dei Servizi 4Gestione dei canali di contatto 4(sviluppo di nuovi prodotti) ANALISI (PROFILING) DATI GREZZI 4Analisi di dati sui clienti 4Segmentazione & micro-segmentazione 4Suggerimenti sui bisogni e le preferenze dei clienti CUSTOMER DATA 4ID (nome, indirizzo, num. di telefono, piano tariffario...) 4Dati Demografici (età, città,...) 4Dati Socio-economici (reddito, professione, titolo di studio, classe di valore,...) 4Dati Psicografici (ambiente, preferenze, hobbies,...) 4Patterns d uso (spesa telefonica, servizi usati e frequenza,...) 4Analisi delle propensioni sui contatti Uso dei canali Ragioni di contatto 4Esperienza del cliente per ogni canale (CC, Portale,chat, Messaging, Dealers) 4Efficienza del Customer Care 4Storia dei contatti del cliente Uso dei canali Motivo di contatto Numero di contatti DATI SUI LIVELLI DI SERVIZIO DEI CANALI...

17 Informazini socio demografiche Il DWH Informazioni sulla attivazione Dati sull uso & sulla rete Pattern di utilizzo (traffico, log files, cookies ) dati dal call center (calls, complains, billing problems) Informazioni da ricerche di mercato (customer satisfaction,, U & A, ) Dati sulla gestione della customer base (campaign management, loyalty,, ) DATAWAREHOUSE

18 Dati sui clienti generali dati informazioni socio demografiche dati di attivazione (es. Dati di sottoscrizione, tipo di contratto, piano sottoscritto,...) dati di fatturazione dati sulle telecomunicazioni dati di traffico telco Dati sui VAS & Killer Applications Dati su altri servizi a valore aggiunto (internet, Msites...) dati esterni ricerche di mercato informazioni sui costi dati da internet dati di traffico web page provisioning/ Web contents (es. page views, unique visitors,...) dati sulle dati raccolti attraverso il web (questionari e customer behaviour) dati sulle community dati sulla gestione della customer base dati dal CRM operazionale Dati sul campaign Management & Marketing contact history Dati dai programmi di loyalty Informazioni sugli errori (madornali) dell azienda (e.g. billing errors,...)

19 Il DWH: i problemi è enorme! DWH Per esempio È quindi opportuno tener conto degli obiettivi dell analisi non concentrarsi solo su da dove e come raccogliere le informazioni utilizzare estrazioni di parti del DWH (datamart)) diverse a seconda degli obiettivi Nel datamart per la previsione della disattivazione, è più utile tenere l informazione sugli errori di fatturazione rispetto ai dettagli sociodemografici Campioni di clienti possono essere molto utili

20 L approccio di crm OBIETTIVI Generazione di profitti attraverso l acquisizione di clienti ad alto valore, la creazione di valore e un attenta politica di cost to serve 4Acquisizione di clienti (conversione di prospect in clienti) 4Aumento del valore dei clienti attraverso azioni di cross-sell e di up-sell 4 trattenere i clienti (retention) 4Attenzione al cost to serve AZIONI 4Campagne 4Programmi di Loyalty 4Personalizzazione dei Servizi 4Gestione dei canali di contatto 4(sviluppo di nuovi prodotti) ANALISI (PROFILING) DATI GREZZI 4Analisi di dati sui clienti 4Segmentazione & micro-segmentazione 4Suggerimenti sui bisogni e le preferenze dei clienti CUSTOMER DATA 4ID (nome, indirizzo, num. di telefono, piano tariffario...) 4Dati Demografici (età, città,...) 4Dati Socio-economici (reddito, professione, titolo di studio, classe di valore,...) 4Dati Psicografici (ambiente, preferenze, hobbies,...) 4Patterns d uso (spesa telefonica, servizi usati e frequenza,...) 4Analisi delle propensioni sui contatti Uso dei canali Ragioni di contatto 4Esperienza del cliente per ogni canale (CC, Portale,chat, Messaging, Dealers) 4Efficienza del Customer Care 4Storia dei contatti del cliente Uso dei canali Motivo di contatto Numero di contatti DATI SUI LIVELLI DI SERVIZIO DEI CANALI...

21 modelli statistici e data mining 4Utilizzo di tecniche e metodologie statistiche di vario tipo e di diverso livello di complessità 4L approccio è graduale: si parte da soluzioni e metodologie semplici e poi man mano ci si sposta su modelli e strumenti più sofisticati (KISS = Keep It Simple. Sam!) 4È preferibile non affidarsi a soluzioni automatiche (black box) che propongono schiaccia il bottone e il computer farà tutto da solo (la proposta tipica dei tools in vendita) 4Data mining: Insieme ditecniche statistiche (e non) per la stima di modelli non-lineari per grosse quantità di dati, ma caratterizzate da ridotta complessità computazionale.

22 Il valore del cliente Obiettivi Individuazione dei clienti da trattare con maggior cura Individuazione di clienti su cui agire per aumentare la redditività Strumenti Determinazione di un indicatore del valore di ciascun cliente per l azienda Definizione di poche classi di valore

23 Funzione di profittabilità Valore di un Cliente = Revenue mensile Costi mensili di chiamate e servizi Costi di gestione Vita stimata per quel cliente Eventuale fattori di sconto /crescita (upgrades/ downgrades) - - x x - Costi di acquisizione - Eventuale subsidy Drivers / Components: Fattura mensile Costi di attivazione Costi di rete Costi diretti dei servizi Costi di customer care G&A Lunghezza di vita prevista con H3G Soddisfazione Tassi di sconto per le aziende Advertising /Promozioni Costi di Commissione Upgrades & downgrades previsti Cambi di propensioni Selling Overhead Handset subsidies Il valore del cliente è legato all intero ciclo di vita e non solo al profitto annuale

24 Il valore: le classi Si determina per ogni cliente un indicatore di valore con caratteristiche di semplicità, intuitività e stabilità nel tempo Si determina la classifica dei clienti ordinata secondo il valore che essi portano all azienda e si cerca un numero limitato di classi per i vari sottogruppi di clienti 25.1% 6.9% 15.7% 30.8% 14.0% quota clienti 5.47% 5.7% quota valore totale 48.4% 14.5% 18.5% 13.1% 81.4% 3.8% 1.0% 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 100% 80% 60% 40% 20% Login per tipo di Abbonamento e classe a valore ADSL Pay Free Hosting Login pay, free, ADSL e hosting per classe a valore Classe 7 Classe 6 Classe 5 Classe 4 Classe 3 Classe 2 Classe 1 hosting pay free ADSL 20.7% 7 0.7% 0% Classe 1 Classe 2 Classe 3 Classe 4 Classe 5 Classe 6 Classe 7 Classi a valore

25 customer base: il churn Modellare la disattivazione: costruire, validare, interpretare un modello che descriva il comportamento degli utenti in termini di disattivazione in relazione ad altre variabili note Perché? Per descrivere il fenomeno Per prevedere i potenziali futuri disattivi Per predisporre azioni Per verificare l efficacia di operazioni di marketing/customer Operation

26 customer base: il churn Le fonti Aziendali: ( DWH, RADIUS, logs, Remedy, ) Per tutti i clienti Informazioni su traffico servizi opzionali comportamento del cliente reclami-rapporti con customer care azioni di marketing/customer care fatture/ricariche dati demografico/anagrafici Altre fonti: Ricerche di mercato Per un piccolo campione casuale di clienti Informazioni su comportamenti stili di vita motivi della disattivazione tempi della scelta ottenuti tramite interviste

27 il churn: gli obiettivi Determinare un indicatore di propensione alla disattivazione per ogni login Prevedere i potenziali futuri disattivi Capire i motivi fondamentali che portano alla disattivazione e i comportamenti che la precedono Individuare possibili azioni volte alla retention del cliente Verificare l efficacia di operazioni di Marketing/Customer Operation

28 il churn: gli obiettivi Chi è a rischio di disattivazione? Caratteristiche demografiche Usage di internet Comportamenti di traffico Contatti con l azenda Informazioni sul billing Copertura della rete dei pop Comportamento dei clienti sul churn Quando è maggiore il rischio di disattivazione? Promozioni della concorrenza Eventi della vita Perché sono a rischio di disattivazione? Offerte della concorrenza convenienza dei prezzi Prezzo dell Hardware Servizio al cliente Programmi a premi

29 il churn: data mining Passi principali Identificazione della popolazione Determinazione e reperimento delle variabili Definizione del target Stima del modello Verifica dell accuratezza Utilizzo del modello

30 il churn: data mining Modelli per il churn Il modello più semplice (lineare) non è sufficiente a descrivere i dati Regressione lineare/logistica bisogna ipotizzare modelli più complessi lasciarsi guidare dalle osservazioni per costruire le relazioni tra variabili e disattivazione MARS/ reti neurali Regressione projection pursuit/ GAM Alberi di regression e/ CART

31 obiettivo: trovare per ciascun cliente un punteggio di propensione alla disattivazione (churn) Capire quali variabili hanno effetto sulla decisione di churn e qual è l effetto di ogni variabile considerata tra le altre è più importante capire gli effetti che l accuratezza della precisione un modello GAM model è stato adattato a un campione casuale di dati (bilanciati) I risultati sono stati valutati sull intera customer base churn: GAM Traffico Variabile ougoing A Traffico incoming Variabile Tariffa B 'Picco' Traffico incoming Variabile Tariffa C 'Ordinaria' Internet Mailbox Opzione Segreteria Zona di Attivazione N Y N Y Variabile H Variabile M Variabile N Propensione alla disattivazione Propensione alla disattivazione Propensione alla disattivazione Propensione alla disattivazione Propensione alla disattivazione Propensione alla disattivazione Business Time 20 - Gold 50 - Valore 51 - Valore Valore Altre Variabile Sim Attive D Data di Variabile Attivazione E Piano Tariffario a b c d e Propensione alla disattivazione Propensione alla disattivazione Variabile F Propensione alla Propensione alla disattivazione Metodo di Pagamento Canale di Vendita Programma Affari SI N NO Y Variabile I Bollettino Postale Carta di Credito Domiciliazione Bancaria Cellular Promoters Franchisee GDO Dealers Indipendent Dealers Major Accounts OPI Stores Office Automation Special Channels Propensione alla disattivazione Propensione alla disattivazione Propensione alla disattivazione a b c Variabile I a b c d e f g h Variabile H

32 L organizzazione del corso 2 filoni + extra a. Modellazione statistica classica (Luca Monno) b. Introduzione a R (Luca Monno) c. Data mining e modellazione statistica moderna (modelli non-parametrici di regressione e classificazione) d. Esercitazioni sui vari temi a. Laboratorio e analisi di problemi reali Lavori di gruppo Verrà fornito un problema quantitativo aziendale che andrà discusso in gruppo All occorrenza verranno forniti i dati richiesti (tra quelli disponibili in una ipotetica azienda) E richiesta, entro tempi stabiliti una risposta al problema aziendale, con presentazione finale (ppt o altro) b. Analisi di dati Gara sull analisi di un dataset Analisi di dataset diversi e presentazione risultati Testimonianze dalle aziende: come si analizzano nella realtà i dati?

33 Testi e altre fonti utili Libri: A. Azzalini, B. Scarpa (2004). Analisi dei dati e Data mining. Springer- Verlag, Milano. T. Hastie, R. Tibshirani, J. Friedman (2001). The Elements of Statistical Learning.Data Mining, Inference, and Prediction. Springer-Verlag, New York. S.M. Iacus, G. Masarotto (2003). Laboratorio di Statistica con R. McGraw- Hill, Milano. P. Bortot, L. Ventura, A. Salvan (2000). Inferenza Statistica: Applicazioni con S-PLUS e R. CEDAM, Padova Homepage: Software: R R packages modreg, mass, sm, splines, kernsmooth

34 Non sono libri di testo ma questo non vuol dire che non insegnino qualcosa William Occam (ca ) "Entia non sunt multiplicanda praeter necessitatem" o anche "Pluralitas non est ponenda sine necessitate" (`il rasoio di Occam') Sir Harold Jeffreys (1961, Theory of probability, preface to the first edition): "It is sometimes considered a paradox that the answer depends not only on the observations, but on the question; it should be a platitude." Ronald Aylmer Fisher: "To consult the statistician after an experiment is finished is often merely to ask him to conduct a post mortem examination. He can perhaps say what the experiment died of. Ronald H. Coase (premio Nobel 1991 per l Economia): If you torture the data long enough, Nature will always confess George E. P. Box: All models are wrong, but some are useful Peter McCullagh and John Nelder (1989, GLM, 2nd edition): "Modelling in science remains, partly at least, an art" (p.8), "One of the few points on which theoretical statisticians of all persuasions are agreed is the importance of the role played by the likelihood function in statistical inference" (p.323).

35 Bruno Scarpa