Transcript of Wartosc klienta
- 1. Warto klienta - dlaczego warto j analizowa i jak j
mierzy?Warszawa, 23 stycznia 2013
- 2. Grupa MDDP12254688121140150 155130Liczba konsultantw Jedna z
najwikszych polskich firmwiadczcych kompleksowe usugidoradcze 7
wyspecjalizowanych linii biznesowych Trwaa alternatywa w wyborze
doradcy dlapolskich firm oraz dla midzynarodowychKim
jestemy212200420052006200720082009201020112012polskich firm oraz
dla midzynarodowychkorporacji dziaajcych w
PolsceHistoria2004200920052006 2007 2008 2010
- 3. Rola MDDP w projektach ITNasze zaangaowanie stanowi
gwarancjpomylnego przebiegu wdroenia systemu IT.Zapewniamy naszym
Klientom wsparcie na kadymetapie procesu wdroenia. Szczegln
uwagzwracamy na te elementy, ktre istotnie determinujkocowy sukces
procesu wdroenia. W tym zakresieoferujemy: okrelanie wymaga
biznesowych / tworzeniekoncepcji i optymalizacja procesw
biznesowychpoprzedzajcych wybr i wdroenie systemw; wsparcie w
tworzeniu zapyta ofertowych iwyborze waciwego systemu oraz
firmywdroeniowej, koordynacja procesu podpisaniaumowy; penienie
roli menedera projektu przy3KLIENTINTEGRATORITMDDP
BUSINESSCONSULTING penienie roli menedera projektu przywdroeniach
systemw informatycznych; optymalizacja funkcjonowania ju
wdroonychsystemw.Odpowiadamy za pen zgodno docelowegorozwizania z
potrzebami klienta oraz optymalnedopasowanie do unikalnych cech
kadegoprzedsibiorstwa. Dbamy o efektywno kosztowprzedsiwzicia,
rekomendujc rozwizaniaadekwatne do skali i istotnoci problemu.
Przyprojektowaniu i wyborze rozwiza uwzgldniamycakowity koszt
posiadania systemu (Total Cosf ofOwnership, TCO), wskazujc wpyw
poszczeglnychdecyzji projektowej na koszt wdroenia jak rwniekoszty
zwizane z przyszym utrzymaniem systemu.Pomagamy przedsibiorstwom w
osigniciumaksymalnej integracji i standaryzacji
informacjiprzedsibiorstwa oraz zapewnieniu wysokiejelastycznoci
wdraanego systemu
- 4. CRM analityczny - segmentacja
klientwZOTYSREBRNYSTANDARDOWY
- 5. Przykadowe miary relacji z klientemCLDCustomer
LifetimeDurationCLRCustomer LifetimeRevenueWallet ShareProste
PCRPast CustomerRevenue5RFMRecency-Frequency-MonetaryPCVPast
Customer ValueCLVCustomer LifetimeValueHistoria PrzyszoZoone
- 6. PCV rentowno kontrahentwObsugujc w ubiegym roku jedynie 52
klientwosignlibymy a 80% naszych zyskw! Moewarto o nich zadba w
sposb szczeglny?Nigdy bymy nie powiedzieli, e D generujenajwysz
mar; przecie przychody od A, B i Cs znacznie
wiksze20%40%60%80%100%Skumulowany zysk generowany przez
kontrahentw6632% 33%38%44%27%30% 31%29%34%28%43%32%25%
24%33%27%23%36%33%23%A B C D E F G H I J K L M N O P R T U V20
najwikszych kontrahentwPrzychody M5 [PLN] M5 [%]0%0 50 100 150 200
250
- 7. RFM zaoenia podstawoweRecencyjak dawno temu klient dokona
ostatniego zakupu?Frequency7Frequencyjak czsto kupowa?Monetary
Valuejak duo zapaci?
- 8. RFM praktyczne metody wizualizacjiRecency Frequency
Monetary545454Customer
Scoring5555545535525518432143214321545544122121115114113112111
- 9. RFM od wartoci absolutnych do ocen syntetycznych20% klientw,
dlaktrych upynonajwicej czasu odostatniej transakcji20% - 40% 40% -
60% 60% - 80%20% klientw, dlaktrych upynonajmniej czasu odostatniej
transakcji1 2 3 4 5Recency czas od ostatniej transakcjiFrequency
liczba transakcji w cigu ostatniego roku920% klientw onajmniejszej
liczbietransakcji20% - 40% 40% - 60% 60% - 80%20% klientw
onajwikszej liczbietransakcji1 2 3 4 520% klientw onajniszych
obrotach20% - 40% 40% - 60% 60% - 80%20% klientw onajwyszych
obrotach1 2 3 4 5Monetary warto transakcji w cigu ostatniego
roku
- 10. CLV spojrzenie na relacj z klientemlost for good always a
shareTransakcje klienta (mara operacyjna) - CGKoszty utrzymania
klienta - M10Ostatnia transakcja Pw roku poprzednim 30%2 lata temu
20%3 lata temu 15%4 lata temu 5%5 lat temu 0%Model
migracyjnyMacierz migracji(prawdopodobiestwo dokonania
transakcji)Model retencyjnyWspczynnik churnu(prawdopodobiestwo
kontynuacji wsppracy)Koszty utrzymania klienta - M
- 11. CLV przewaga nad innymi metrykami11Venkatesan R., Kumar V.,
The Impact of Customer Relationship Characteristics on Profitable
Lifetime Duration, Journal of Marketing, 67 (2003)
- 12. CLV przewaga nad innymi metrykami (cd)12Reinartz W.J.,
Kumar V., A Customer Lifetime Value Framework for Customer
Selection and Resource Allocation Strategy, Journal of Marketing,
68(2004)
- 13. CLV praktyczne zastosowaniaMotyleOptymalizacja transakcji a
niedugookresowej satysfakcjiStrategia niw tak dugo jak
tomoliweZaprzestanie inwestowania w chwiliosignicia punktu
przegiciaPrawdziwi przyjacieleStaa ale niezbyt czsta
komunikacjaUkierunkowanie na wielkotransakcji i lojalnoDogadzanie
klientom aby czuli
siusatysfakcjonowaniLifetimeValueWysoka13ObcyZaprzestanie
jakichkolwiek inwestycjiWymuszenie zyskownoci
kadejtransakcjiSkorupiakiSprawdzenie wielkoci portfela iudziau w
nimJeli udzia w portfelu jest niski,zintensyfikowanie sprzedayJeli
warto portfela jest niska,wymuszenie kontroli kosztw obsugiCustomer
Lifetime DurationCustomerLifetimeKrtki DugiNiskaReinartz, Werner
and V Kumar (2002),The Mismanagement of Customer Loyalty, Harvard
Business Review, July
- 14. CLV - czynniki ksztatujce warto klientaKlientPotencja
bazowy Potencja wzrostu Potencja sieciowy Potencja wiedzy14Przepywy
pienine zwizane zproduktami/usugamistanowicymi trzon
obecnejrelacjiPrzepywy pienine zwizaneze sprzeda
dodatkowychproduktw/usug (cross-selling,zwikszenie udziau w
koszykuzakupw, etc)Przepywy pienine zwizane znowymi klientami
pozyskanymina podstawie relacji z danymklientem (referencje,
polecenia,etc)Przepywy pienine wynikajcez wiedzy zdobytej w
ramachrelacji z danym klientemWarto klienta (CLV)oczekiwane
przychody i koszty oczekiwane przychody i koszty oczekiwane
przychody i koszty oczekiwane przychody i kosztyStahl H.K, Matzler
K., Hinterhuber H.H., Linking customer lifetime value with
shareholder value, Industrial Marketing Management 32 (2003)
- 15. CLV model koncepcyjny15Reinartz W.J., Kumar V., A Customer
Lifetime Value Framework for Customer Selection and Resource
Allocation Strategy, Journal of Marketing, 68(2004)
- 16. CLV funkcja cech klienta( )nccccfCLV ,...,,, 321=(
)klientfCLV =16( )nccccfCLV ,...,,, 321=( ),...,,,, 54 ccmfrfCLV
=
- 17. Data MiningEksploracja danych (spotyka si rwnie okrelenie
dreniedanych, pozyskiwanie wiedzy, wydobywanie danych,
ekstrakcjadanych) (ang. data mining) () wykorzystanie
szybkocikomputera do znajdowania ukrytych dla czowieka (wanie z
uwagina ograniczone moliwoci czasowe) prawidowociwdanych
zgromadzonych w hurtowniach danych.17 advanced analysis step ofthe
"Knowledge Discovery inDatabases" processthe automated extraction
of hiddenpredictive information from databasesdata mining automates
the detection of relevant patterns in adatabase, using defined
approaches and algorithms to look intocurrent and historical data
that can then be analyzed to predictfuture trends
- 18. Techniki Data MiningAlgorytmyData MiningPredykcyjne
Opisowe18Predykcyjne OpisoweKlasyfikacja
RegresjaGrupowanieReguyasocjacyjneOdkrywaniesekwencjiWyszukiwanieanomaliiAnaliza
szeregwczasowych
- 19. CLV drzewo regresjiFrequency > 3Monetary > 4Monetary
> 3Umowa ramowaRecency > 2AVG 3 032COUNT 1 668MED 2 821STDDEV
1 530?19AVG 474COUNT 201MED 300STDDEV 235AVG 902COUNT 273MED
1073STDDEV 204AVG 5 302COUNT 130MED 5 024STDDEV 751AVG 3 022COUNT
302MED 2 978STDDEV 853AVG 6 307COUNT 176MED 6 443STDDEV 503AVG 8
320COUNT 85MED 7840STDDEV 903Recency > 4AVG 2 589COUNT 501MED
2640STDDEV 993
- 20. czc to wszystko razemBaza danych(np. systemu CRM)Analiza
RFM(klasyfikacja poszczeglnychklientw wg stanu obecnego)20Analiza
RFM(klasyfikacjaposzczeglnychklientw wgstanu 3
latatemu)PCV(ContributionMargin kadegoklienta zaostatnie 3
lata)Reguy decyzyjne(np. drzewo decyzyjne)Prognoza CLV(oczekiwana
warto
kadegoklienta)31.12.201231.12.201131.12.201031.12.200931.12.2008
- 21. PodsumowanieChcemy dostosowa sposb obsugi do potencjau
klientaKlienci nie s anonimowiJestemy w stanie powiza najwaniejsze
koszty z klientemKIEDY?21Przeprowad analizy historyczne PCV/RFMUyj
technik DataMining do uzyskania regu decyzyjnychZacznij korzysta z
wiedzy na temat swoich klientw!!!JAK?
- 22. Mariusz SumiskiMariusz.Suminski@mddp.pl