Referencie /

SAS Slovakia, s. r. o.
Lazaretská 12
811 08 Bratislava 1
Tel: 02 / 5778 0910 - 1
Fax: 02 / 5778 0999
www.sas.com/slovakia

Referencie

Verzia pre tlačVerzia pre tlač

Referencie

 

Pokroková segmentácia 5 miliónov zákazníkov v Českej sporiteľni

Česká sporiteľňa je najväčšou retailovou bankou v Českej republike a má aj najdlhšiu históriu. Napriek tomu si uvedomila ako málo vlastne pozná svojich zákazníkov. Projekt segmentácie zákazníkov založený na softvéri spoločnosti SAS jej priniesol znalosti, ktoré potrebuje preniest do oblasti marketing typu one-to-one, tzn. priamo k zákazníkovi

Česká spořitelna so svojimi piatimi miliónmi zákazníkov je najväčšou retailovou bankou v Českej republike a jej korene siahajú až do roku 1825. Od roku 2000 kedy sa Česká spořitelna stala členom silnej medzinárodnej finančnej skupiny Erste Bank, táto spoločnosť prešla rozsiahlou transformáciou a dosiahla v kľúčových oblastiach výrazné zlepšenie.Teraz sa zameriava na zlepšenie svojej ponuky produktov pre individuálnych klientov. Aby to mohla dosiahnuť spustila projekt segmentácie svojej klientskej základne, na základe vysokej prepracovanosti, s dátami o vlastníctve a s využitím bankových produktov a služieb a navyše použila demografické dáta. „Tím, že sme s dát vyťažili informácie o našich klientoch, mohli sme položiť základy segmentácie všetkých našich zákazníkov. „To je veľmi podstatný posun, lebo v našom dátovom sklade sa nachádza veľké množstvo informácií,“ hovorí Peter Ptáčník, Data Mining Project Manager v České spořitelne. Odborníci na obchod a marketing v našej banke si uvedomovali, že precízna segmentácia klientov bude základným kameňom pre budúcu voľbu, ako zachádzať so zákazníkmi a vytvárať pre nich produkty. Nad tým všetkým potom Česká spořitelna mala v pláne spravovať vzťahy so svojimi zákazníkmi ako s jednotlivcami aby mohla maximalizovať výslednú hodnotu.

Na základe auditu bankových dát bolo navrhnutých 10 dimenzií, na základe ktorých bolo možné segmentovať zákazníkov, aby banka vyťažila potrebné informácie. Tím, na hĺbkovú analýzu dát (datamining) zvolil primárne dimenzie, ktoré vytvárajú samotné segmenty. Primárne dimenzie sa ďalej členili jednak čo do všeobecných charakteristík klentov (ziskovosť, stav životného cyklu, bonita a vernosť), jednak čo do charakteristík špecifických pre banky (vklad versus pôžičky klientov, nároční klienti versus tradiční klienti, aktívni versus spiaci klienti a tiež klienti s aktívnym transakčným účtom versus tí, ktorí ho nemajú). Sekundárne dimenzie, ktoré neboli určené pre tvorbu segmentov, avšak skôr na ich opis a na poskytnutie niektorých ďalších pohľadov na jednotlivých klientov, zahŕňali demografické údaje, ako napr. miesto bydliska a ďalšie informácie vzťahujúce sa ku klientovi a k banke.

Niekoľko dimenzií volalo po kreatívnom myslení a rozhodovaní tímu, aby bolo možné preklenúť medzery ukryté v dostupných informáciách. Banka napríklad nemala k dispozícii údaje o ziskovosti svojich zákazníkov, takže tím sa musel rozhodnúť použiť hrubý zárobok (s úrokom a bez úroku) než skutočný zisk. Pôvodný plán počítal s využitím popisných stavov životného cyklu klienta, akými sú napríklad dieťa, mladá rodina, bezdetná rodina a pod. Tým však zistil, že informácie z dostupných dát boli často nespoľahlivé alebo neúplné. Tí, ktorí mali z dát vyťažiť informácie, museli kvôli tomu robiť odhady založené na dostupných demografických údajoch, akými sú napríklad vek, príjem a výdaje, a ďalej ukazovatele typu študent alebo penzista. Za pojem „bohatosť“, tím považoval odhad finančného potenciálu, napríklad akú požičku si môže klient dovoliť a s akým ďalším potenciálom zárobku môže banka počítať. Pre výpočet tejto hodnoty tým pripočítal ku všetkým účtom celkovú kreditnú sumu, polovicu celkového debetu a funkciu čistého príjmu.“ Vypracovali sme vzorec pre kalkuláciu bohatosti klienta so značnou presnosťou. Avšak tento vzorec bol príliš komplexný na to, aby pomohol pri samotnom predaji a v marketingu. Takže sme nakoniec použili jednoduhší ukazovateľ,“ hovorí Petr Ptáčník.

Analytici Českej spořitelny si postupne začali uvedomovať, že efektívna segmentácia sa pohybuje takmer na pomedzí umenia a vedy. Ako je totiž možné považovať zákazníka ako „loajálneho“? Jedným z možných uhlov pohľadu je čas, počas ktorého je jednotlivec zákazníkom banky. Druhým zase počet bankových produktov a služieb, ktoré si kupuje. Realizačný tím, preto zaradil do hodnotenia loajality zákazníka oba tieto ukazovatele. A nálsledne vo firemných databázach stanovil sedem úrovní loajality, on nie-klientov, cez nových klientov až po „stredne zaviazaných klientov“ s dvom účtami, pričom jeden z nich musel byť starší ako 5 rokov, a nakoniec až po „silne zaviazaných klientov“ prinajmenšom s tromi účtami.

Uvedomili sme si, že jednou z najužitočnejších dimenzií bolo jednoduché určenie zákazníkov s vkladom a zákazníkov s pôžičkami, kedy mse prepočítali čistý pomer odpočítaním celkových pôžičiek od celkových vkladov,“ hovorí Peter Ptáčník a pokračuje:“To bolo veľmi užitočné, pretože nám to umožnilo identifikovať zákazníkov s vysokými vkladmi, ktorých sme nazvali „investormi“ a ďalej tých zákazníkov, ktorí majú veľké dlhy. Obe vyššie menované skupiny predtavujú pre banku zdroj hodnôt. U zákazníckych sementov prinášajúcich veľké príjmy sa ukázalo, že veľmi málo takýchto zákazníkov sa pohybuje okolo nuly alebo tesného vyváženia, a že existuje veľký počet zákazníkv s vysoko pozitívnym alebo negatívnym nevyvážením. Keď sa postupne prechádza smerom dole k zákazníkom k nižším príjmovým hodnotám, tieto pomery sa postupne obracajú.

Odborníci na marketing chceli rovnako vedieť rozlíšiť medzi tradičnými a vyspelejšími klientami. To znie síce pekne, avšak rozlíšiť takýchto klientov v praxi je omnoho náročnejšie. „Využívanie nových distribučných kanálov je určujúce a užitočné kritérium pre popis, ale príliš úzke na definovanie,“ vysvetľuje Petr Ptáčník, Dimenzia „aktívnych versus spiacich klientov“ bola ďalšou zaujímavou oblasťou, založenou na množstve transakcií za mesiac, ktorú tím rozdelil na dve skupiny. Jednu z nich určili ako „spiacich klientov“na jednom okraji na druhej strane definovali skupinu „extrémne aktívnych“.

Priraďovanie klientov špecifickým segmentom zjednodušila modelovacia analýza. „Dôvodom skúmania bolo opäť poskytnúť praktickú a užitočnú informáciu pre obchod a marketing,“ zdôrazňuje Petr Ptáčník. Realizačný tým nasadil štandardné štatistické nástroje, akými sú napríklad korelačná alebo faktorová analýza, a následne použil K-rozmerný priestori pre vytvorenie 20 zväzkov (clusterov) s využitím 10 dimenzií.“Tento prístup môže byť dosť komplexný, preto sme hľadali spôsob, ako znížiť počet 20 clusterov na 10 klientských segmentov (plus 3 ne-klientské segmenty) spojovaním, novým segmentovaním a novými návrhmi,“ Avšak, ak bolo cieľom prísť len s jednoduchými segmentmi, prečo ísť až tak do hĺbky? Prečo pre segmentáciu len jednoducho nenasadiť hotové pravidlá, ktoré stačí vybrať zo zásuvky?  Odpoveď je jednoduchá. Takýto pristup by neposlúžil ani na praktické účely a ani by nepriniesol banke hľadanú konkurenčnú výhodu. Napríklad dva klientské segmenty, vkladatelia a klienti pobočky sú identickí inak, než podľa toho, či sú vkladatelia zákazníkmi materskej banky. „Rozdiel je z analytického hľadiska bezvýznamný. Avšak ku vkladateľom môžeme pristupovať s ponukou priamo, takže z perspektívy subjektívneho marketingu je táto skutočnosť kriticky dôležitá. Účelom bolo vytvoriť niektoré pravidlá, ktoré by stanovili jednoduché, hierarchické a ľahko aktualizované segmenty, ktoré by bolo možné využiť v špecifických aplikáciách banky. Segmentácia nie je obyčajným štatistickým cvičením. Segmentácia je požiadavkou a zorným uhlom pohľadu dnešného trhu.

Klientské segmenty v zostupnom poradí, podľa významu pre banku:
  1. Investori: vysoko hodnotní (bonitní) klienti
  2. Držitelia pôžičiek: klienti s pôžičkami, klienti generujúci vysoký príjem alebo držitelia hypoték
  3. Solventní klienti: vysoké príjmy alebo vysoká vyváženosť
  4. Dlžníci : výrazne negatívna čistá nevyváženosť
  5. Mládež a študenti mladší ako 18 rokov a študenti
  6. Penzisti: klienti starší ako 60 rokov alebo klienti s penziou ako zdrojom príjmov
  7. Nezabezpečení: nízka nevyváženosť a vlastníctvo produktov typu pôžičiek
  8. Transaktori: vygenerujú v priemere štyri transakcie za jeden mesiac
  9. Klienti pobočky: klienti, ktorí nie sú zákazníkmi materskej banky
  10. Vkladatelia: ostatní

Hodnotu pre banku predstavujú kľúčovo určujúce prvky: investor je napríklad vysoko bonitní klient bez ohľadu na ostatné príznaky, akými sú napríklad vek alebo príjem. „Sme presvedčení, že sme zostavili súbor zákazníckych segmentov, s ktorými je obchodný a marketingový tím spokojný,“ tvrdí Petr Ptáčník a dodáva: „Keď sa kolega z marketingu nakoniec opýtal: „Prečo je to tak jednoduché?; bolo nám jasné, že je náš prístup správny“.

Projekt segmentácie nakoniec dospel v popise segmentov až do značných detailov; ich veľkosti, ziskovosti, demografie, vlastníctva produktov a dynamiky segmentov. Napríklad graf príjmov podľa klientov na jednej osi a veľkosť vkladov na druhej osi ukázal, že investori prinášajú banke podstatne vyššiu hodnotu než akýkoľvek iný segment. Na druhej strane ide však o ten najmenší zákaznícky segment. Majitelia pôžičiek, ktorí tvoria ďalší veľmi malý segment, sú tiež veľmi ziskoví, napriek tomu, že vykazujú negatívnu vyváženosť. „Takéto pozorovania dávajú banke dôležitý pohľad na to, ako majú so zákazníkmi komunikovať na individuálnej úrovni.

Odborníci, ktorí sa v Českej sporiteľni zaoberajú hĺbkovou analýzou dát vytvorili na zákazníckej báze dve segmentácie, a síce jednu v roku 2002 a druhú v roku 2003. To im umožnilo sledovať presuny medzi segmentmi a ukázalo sa, že presun nastal zhruba u 20% klientov. Tím potom zmapoval štatisticky najvýznamnejšie presuny. Množstvo z nich sa dalo predvídať, ostatné boli skôr nepredvídateľné. Zavedenie tohto riešenia od SAS pomohlo banke porozumieť typickým životným cyklusom a odhaliť najlepšie spôsoby, ako premiestniť zákazníkov z niektorého segmentu do ziskovejšieho. Typickou cestou je presun z ne-klientskej skupiny do skupiny študentov a mládeže alebo vkladateľov, transaktorov (ak sa zákazníkovi dobre darí) prípadne do skupiny solventných klientov. Solventní klienti potom smerujú buď do segmentu investorov ablebo (napríklad ak si zákazník vezme hypotéku), medzi držiteľov pôžičiek. Menej úspešní zákazníci potom spravidla zostávajú v zajatí bludného kruhu periodických prechodov medzi segmentami nezabezpečených a dlžníkov.  

Copyright © SAS Institute Inc. All Rights Reserved.

Česká spořitelna, a.s.

Biznis úloha:
zlepšenie ponuky produktov pre individuálnych klientov.
Riešenie:

SAS Enterprise Miner pre dolovanie dát a pokrokovú analýzu.

Výhody:

Vznik platformy pre marketing na zákazníckej úrovni.

Prediktívne modelovanie založené na segmentácii nám dáva na našom trhu kľúčovú výhodu.

Petr Ptáčník

Data Mining Project Manager v Českej sporiteľni

Čítajte viac: