Customer Profiling, Segmentazione e Strategie di MarketingPresentazione del corso di Analisi di dati...

Pavia, 6 Aprile 2005Pavia, 6 Aprile 2005

Bruno ScarpaUniversità di Pavia

Customer Profiling, Segmentazione e Strategie di Marketing

Presentazione del corso di Analisi di dati aziendali

Quelli che s'innamoran di pratica sanza scienziaQuelli che s'innamoran di pratica sanza scienzia son son

come 'lcome 'l nocchier ch'entranocchier ch'entra inin navilio senza timonenavilio senza timone oo

bussolabussola,, che maiche mai haha certezzacertezza dovedove si vadasi vada. .

(Leonardo(Leonardo dada Vinci) Vinci)

la mia esperienza in aziendaNel 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.

Divisioni di Business

Vendite

CRM

Pianificazione e Controllo

Divisioni Tecniche

Information Technology

Servizi

Rete

Logistica

Marketing

Comunicazione

Analisi

Statistiche

Data mining

???

Dove?

Orientamento al Mercato/

Cliente

Orientamentoal prodotto: la

Fabbrica

Divisioni di Business

Vendite

CRM

Pianificazione e Controllo

Divisioni Tecniche

Information Technology

Servizi

Rete

Logistica

Marketing

Comunicazione

Analisi

Statistiche

Data mining

•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)

Orientamento al Mercato/

Cliente

Orientamentoal prodotto: la

Fabbrica

statistica nel marketing

Guida commerciale e tecnologica

Fare analisi e proporre idee:

è il motore delle azioni di

marketing

Supporto all’uomo di marketing:

aiuto quantitativo alle idee di marketing

Analisi di marketing: “reports” e statistiche

descrittive di base

Diversi livelli di coinvolgimento della statistica nel „fare business“

ReportsTabelle Semplici indicatori

ReportsTabelleSemplici indicatoriSemplici modelli

Tabelle Indicatori/tassiModelliData mining

Modelli StatisticiData miningReportsTabelleIndicatori

Strumenti:

focus sui prodotti

focus sul cliente

dic-

99

feb-

00

apr-

00

giu-

00

ago-

00

ott-0

0

dic-

00

pay

tota

le

0

500

1000

1500

2000

2500

3000

3500

4000

paytotale

dic-

99

feb-

00

apr-0

0

giu-

00

ago-

00

ott-0

0

dic-

00

pay

tota

le

0

200

400

600

800

1000

1200

paytotale

Nuove AcquisizioniCustomer Base

IL MANAGEMENT DELLA CUSTOMER BASE IL MANAGEMENT DELLA CUSTOMER BASE GUIDA LA STRATEGIA DI MARKETINGGUIDA LA STRATEGIA DI MARKETING

un’azienda di telecomunicazioni

Un unico obiettivo

Aumentare ilAumentare il Customer Lifetime ValueCustomer Lifetime Valueattraversoattraverso la la riduzioneriduzione del churn del churn

e e l’aumento dell’ARPUl’aumento dell’ARPU

PROFILING & SEGMENTATIONPROFILING & SEGMENTATION

Identificare i potenziali “Identificare i potenziali “churnerschurners””

Massimizzare la soddisfazione dei clientiMassimizzare la soddisfazione dei clienti

Focalizzarsi su target per cross e up sellFocalizzarsi su target per cross e up sell

Ridurre il Ridurre il churnchurn

Massimizzare ilMassimizzare ilvalore del clientevalore del cliente

… attraverso

customer base: approccio strategico

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

Customer Relationship Management

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

profiling

0%

V

ALO

RE D

EL C

LIE

NT

E

1

00

%0

% V

ALO

RE D

EL C

LIE

NT

E

1

00

%

0% FEDELTA’ DEL CLIENTE 0% FEDELTA’ DEL CLIENTE 100%100%

MASSIMIZZARE MASSIMIZZARE IL VALOREIL VALORE

OPERATORE CC PERSONALEOPERATORE CC PERSONALENUOVI VASNUOVI VASMEMBER GETS MEMBERMEMBER GETS MEMBERCURA & ATTENZIONECURA & ATTENZIONE

AZIONI A BASSO AZIONI A BASSO COSTO/ NO COSTO/ NO

PROMOZIONIPROMOZIONI

NON COSTI AGGIUNTIVI PER LA NON COSTI AGGIUNTIVI PER LA GESTIONE DEL CLIENTEGESTIONE DEL CLIENTE

AZIONI DI “MASSA”AZIONI DI “MASSA”

AUMENTARE IL AUMENTARE IL VALOREVALORE

AZIONI DI UP / CROSS SELLAZIONI DI UP / CROSS SELL

INCENTIVARE L’USOINCENTIVARE L’USO

INCENTIVARE ATTIVAZIONE DI INCENTIVARE ATTIVAZIONE DI VASVAS

COSTRUIRE COSTRUIRE FELDELTA’FELDELTA’

DIFFERENZIAZIONE DEI SERVIZIDIFFERENZIAZIONE DEI SERVIZIINBOUND & OUTBOUNDINBOUND & OUTBOUNDSCHEMA DI LOYALTY (Incentivi)SCHEMA DI LOYALTY (Incentivi)BLOCCHI (Disincentivi alla fuga)BLOCCHI (Disincentivi alla fuga)

…ALLA CONCORRENZA!…ALLA CONCORRENZA!

customer base: segmentazione di base

DATI “GREZZI”

ANALISI(PROFILING)

AZIONI

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-sell4“trattenere” i clienti (retention)4Attenzione al “cost to serve”

4Campagne4Programmi di “Loyalty”4Personalizzazione dei Servizi4Gestione dei canali di contatto4(sviluppo di nuovi prodotti)

4Analisi di dati sui clienti4Segmentazione & micro-segmentazione4Suggerimenti sui bisogni e le preferenze dei clienti

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

CUSTOMER DATA4ID (nome, indirizzo, num. di telefono, piano tariffario...)4Dati Demografici (età, città, ...)4Dati Socio-economici (reddito, professione, titolo distudio, classe di valore, ...)4Dati Psicografici (ambiente, preferenze, hobbies, ...)4Patterns d’uso (spesa telefonica, servizi usati e frequenza, ...)

4Storia dei contatti del cliente•Uso dei canali•Motivo di contatto•Numero di contatti

DATI SUI LIVELLI DI SERVIZIO DEI CANALI...

L’approccio di crm

TLC: alcuni problemiacquisizione 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

fedeltà

Approccio predittivo→modelli di previsione del churn

Attrito e retention

→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

TLC: alcuni problemi

Customer profiling

Chi sono i clienti?

Cosa ciascun cliente vuole?

Come contattare ogni cliente?

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

DATI “GREZZI”

ANALISI(PROFILING)

AZIONI

OBIETTIVI





4Esperienza del cliente per ogni canale (CC, Portale,chat, Messaging, Dealers)4Efficienza del Customer Care

CUSTOMER DATA4ID (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, ...)




InformaziniInformazinisocio demografichesocio demografiche

DATAWAREHOUSEDATAWAREHOUSE

InformazioniInformazionisulla attivazionesulla attivazione

Dati sull’uso & Dati sull’uso & sulla retesulla rete

Informazioni da Informazioni da ricerche di mercatoricerche di mercato((customer satisfactioncustomer satisfaction, U & A, …), U & A, …)

dati dal dati dal callcall centercenter((callscalls, , complainscomplains, , billing problemsbilling problems))

Pattern di utilizzoPattern di utilizzo(traffico, log (traffico, log filesfiles, , cookiescookies…)…)

Il DWH

Dati sulla gestione Dati sulla gestione della della customer customer basebase((campaigncampaign management, management, loyaltyloyalty, …), …)

datiDati sui clienti

generali

→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 e-mail

→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, ...)

…

è enorme!è enorme!

Campioni di clienti possono essere molto utiliCampioni di clienti possono essere molto utili

Per esempioPer esempio

•• tener conto degli obiettivi dell’analisitener conto degli obiettivi dell’analisi

•• non concentrarsi solo su da dove e come non concentrarsi solo su da dove e come raccogliere le informazioniraccogliere le informazioni

•• utilizzare estrazioni di parti del DWH utilizzare estrazioni di parti del DWH ((datamartdatamart) diverse a seconda degli obiettivi) diverse a seconda degli obiettivi

Nel Nel datamart datamart per la previsione della disattivazione, è più utile tenere per la previsione della disattivazione, è più utile tenere l’informazione sugli errori di fatturazione rispetto ai dettaglil’informazione sugli errori di fatturazione rispetto ai dettagli sociodemograficisociodemografici

DWHDWHÈ quindi opportuno

Il DWH: i problemi

DATI “GREZZI”

ANALISI(PROFILING)

AZIONI

OBIETTIVI





4Esperienza del cliente per ogni canale(CC, Portale,chat, Messaging, Dealers)4Efficienza del Customer Care

CUSTOMER DATA4ID (nome, indirizzo, num. di telefono, piano tariffario...)4Dati Demografici (età, città, ...)4Dati Socio-economici (reddito, professione, titolo distudio, classe di valore, ...)4Dati Psicografici (ambiente, preferenze, hobbies, ...)4Patterns d’uso (spesa telefonica, servizi usati e frequenza, ...)




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 piùsofisticati (KISS = Keep It Simple. Sam!)

4È preferibile non affidarsi a soluzioni automatiche (black box) che propongono “schiaccia il bottone e il computer farà tutto dasolo” (la proposta tipica dei tools in vendita)

4Data mining: Insieme di tecniche statistiche (e non) per lastima di modelli non-lineari per grosse quantità di dati, macaratterizzate da ridotta complessità computazionale.

modelli statistici e data mining

ObiettiviObiettiviIndividuazione dei clienti da trattare con

maggior curaIndividuazione di clienti su cui agire per

aumentare la redditività

StrumentiStrumentiDeterminazione di un indicatore del

valore di ciascun cliente per l’aziendaDefinizione di poche classi di valore

Il valore del cliente

Valore di un Cliente = Costi di

gestioneRevenue mensile

Eventuale fattori di sconto

/crescita (upgrades/

downgrades)

Costi di acquisizione

Vita stimata per quel cliente

- - x x -Costi

mensili dichiamate e

servizi

Eventualesubsidy -

Costi di rete

Costi diretti dei servizi

Costi di customer care

G&A

Advertising /Promozioni

Costi di Commissione

Selling Overhead

Handset subsidies

Lunghezza di vita prevista con H3G

Soddisfazione

Cambi di propensioni

Tassi di sconto per le aziende

Fattura mensile

Costi di attivazione

Upgrades & downgrades previsti

Drivers / Components:

Il valore del cliente è legato all’intero ciclo di vita e non solo al profitto annuale

Funzione di “profittabilità”

25.1%

30.8%

15.7%

quota clienti quota valore totale

4

5.7%

5.47%

14.0%

48.4%

14.5%

18.5%

13.1%

3.8%

81.4%

5

3

12

6.9%

20.7%

6

7

1.0%

0.7%

•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

Login pay, free, ADSL e hosting per classe a valore

0%

20%

40%

60%

80%

100%

Classe 1 Classe 2 Classe 3 Classe 4 Classe 5 Classe 6 Classe 7Classi a valore

hostingpayfreeADSL

Login per tipo di Abbonamento e classe a valore

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

ADSL Pay Free Hosting

Classe 7Classe 6Classe 5Classe 4Classe 3Classe 2Classe 1

Il valore: le classi

Modellare la disattivazione: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?Perché?

Per descrivere il fenomeno

Per prevedere i potenziali futuri disattivi

Per predisporre azioni

Per verificare l’efficacia di operazioni di marketing/Customer Operation

customer base: il churn

Le fontiLe fonti

Aziendali: (“DWH”, RADIUS, logs, Remedy,…) •Per tutti i clienti•Informazioni su

trafficoservizi opzionalicomportamento del clientereclami-rapporti con customer careazioni di marketing/customer carefatture/ricarichedati 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

customer base: il churn

il churn: gli obiettivi

Determinare un indicatore di propensione alla disattivazione perogni login

Prevedere i potenziali futuri disattivi

Capire i motivi fondamentali che portano alla disattivazione e icomportamenti che la precedono

Individuare possibili azioni volte alla retention del cliente

Verificare l’efficacia di operazioni di Marketing/Customer Operation

il churn: gli obiettivi

Caratteristiche demograficheUsage di internetComportamenti di trafficoContatti con l’azendaInformazioni sul billingCopertura della rete dei pop

Comportamento Comportamento dei clienti sul dei clienti sul churnchurn

Chi è a Chi è a rischio di rischio di disattivazionedisattivazione??

PerchéPerché sonosono a a rischiorischio didi

disattivazionedisattivazione??

QuandoQuando è è maggiore il rischio maggiore il rischio di disattivazionedi disattivazione??

Promozioni della concorrenzaEventi della vita

Offerte della concorrenzaconvenienza dei prezziPrezzo dell’HardwareServizio al clienteProgrammi a premi

Identificazione della popolazione

Determinazione e reperimento delle variabili

Definizione del target

Stima del modello

Verifica dell’accuratezza

Utilizzo del modello

Passi principali

il churn: data mining

il churn: data mining

Regressione Regressione projection pursuitprojection pursuit//

GAMGAM

MARS/MARS/reti neuralireti neurali

Alberi di Alberi di regressionregression

e/e/CARTCART

Regressione Regressione lineare/logisticalineare/logistica

Il modello più semplice (lineare) non è sufficiente a descrivere i dati

bisogna ipotizzare modelli più complessi

lasciarsi guidare dalle osservazioni per costruire le relazioni tra variabili e disattivazione

Modelli per il churn

churn: GAMobiettivo: 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

-2.5

-1.0

0.0

N Y

Pro

pens

ione

alla

dis

attiv

azio

ne Internet Mailbox

-1.5

-0.5

0.5

N Y

Pro

pens

ione

alla

dis

attiv

azio

ne Opzione Segreteria

-1.0

0.0

1.0

1 2 3 4

Pro

pens

ione

alla

dis

attiv

azio

ne Zona di Attivazione

Traffico ougoing

Pro

pens

ione

alla

dis

attiv

azio

ne

0 20000 40000 60000 80000

-1.0

0.0

1.0

Traffico incoming Tariffa 'Picco'

Pro

pens

ione

alla

dis

attiv

azio

ne

0 5000 10000 15000

-1.0

0.0

1.0

Traffico incoming Tariffa 'Ordinaria'

Pro

pens

ione

alla

dis

attiv

azio

ne

0 2000 4000 6000 8000

-1.0

0.0

1.0

Altre Sim Attive

Pro

pens

ione

alla

dis

attiv

azio

ne

0 1 2 3 4

-1.0

0.0

1.0

Data di Attivazione

Pro

pens

ione

alla

dis

attiv

azio

ne

-10

12

3

1995 1996 1997 1997 1998 1998

-0.5

0.0

0.5

1.0

15 - Busin

ess Tim

e

20 - Gold

50 - Valore

51 - Valore 50

52 - Valore 25

Prop

ensi

one

alla

dis

attiv

azio

ne

Piano Tariffario

-0.5

0.0

0.5

1.0

Bollettino Posta

le

Carta di C

redito

Domiciliazio

ne Bancaria

Prop

ensi

one

alla

dis

attiv

azio

ne

Metodo di Pagamento

-20

24

Cellular Promoters

Franchise

e

GDO Dealers

Indipendent Dealers

Major Acco

unts

OPI Stores

Office Automatio

n

Special C

hannels

Prop

ensi

one

alla

dis

attiv

azio

ne

Canale di Vendita

-0.5

0.5

1.5

N Y

Pro

pens

ione

alla

dis

attiv

azio

ne Programma Affari

Variabile A Variabile B Variabile C

Variabile D Variabile E

SI NO

Variabile I

a b c d e

Variabile F

a b c d e f g h

Variabile H

a b c

Variabile I

Variabile H Variabile M Variabile N

Pro

pens

ione

alla

dis

attiv

azio

ne

Pro

pens

ione

alla

dis

attiv

azio

ne

Pro

pens

ione

alla

dis

attiv

azio

ne

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?

Libri: A. Azzalini, B. Scarpa (2004). Analisi dei dati e Data mining. Springer-Verlag, Milano.

Software: R http://www.r-project.orgR packages modreg, mass, sm, splines, kernsmooth

Homepage: http://www.unipv.it/mr/materialedidattico/analisidati

T. Hastie, R. Tibshirani, J. Friedman (2001). The Elements of StatisticalLearning.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

Testi e altre fonti utili

Non sono libri di testo ma questo non vuol dire che non insegnino qualcosa

•William Occam (ca.1280-1349)"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).

Bruno [email protected]

Customer Profiling, Segmentazione e Strategie di MarketingPresentazione del corso di Analisi di dati...

Documents

Transcript of Customer Profiling, Segmentazione e Strategie di MarketingPresentazione del corso di Analisi di dati...