Augmentace CRM databáze jako cesta k většímu blahu zákazníků i prodejců

Jste-li B2C firma, máte jistě databázi svých zákazníků. V takové databázi bývá k nalezení řada údajů o interakci zákazníka s vaší firmou a nejspíš tam najdete i adresu, možná věk a pohlaví zákazníka.

V okamžiku, kdy chcete databázi použít a nabídnout svým zákazníkům nějaký nový produkt, doplňkovou službu apod. se můžete dostat do úzkých.  Nejspíš nechcete spamovat všechny, ale jen ty, kteří mají potenciál si váš produkt nebo službu koupit, možná chcete šetřit náklady na telemarketing, direct mailing atd. Asi byste také chtěli svou nabídku učinit způsobem, kterému konkrétní zákazník rozumí a přijme ho. Když se vám to všechno podaří, je to win-win situace (gratulujeme!). Zákazník je rád, že dostal relevantní srozumitelnou nabídku, firma se raduje, že šetří a přitom zvyšuje úspěšnost kampaní. Motivaci máme za sebou, teď jen jak na to.

Naše řešení se opírá o dva pilíře:

• Obrovský pool dat, který obsahuje odpovědi na otázky, které potřebujete vědět o svých zákaznících – typicky odpovídá na jednu otázku od několika tisíc do několika desítek tisíc lidí, a to buď ve stejném okamžiku, nebo maximálně v průběhu 2 let.
• Segmentaci těchto dat na malé homogenní kousky, které budou představovat různé typy zákazníků z CRM databáze. Všem lidem stejného typu pak připojíme stejné údaje.

Hlavní problém CRM databází našich klientů představuje poměrně malý počet klíčovacích proměnných, které by umožňovaly „připojit“ do databáze údaje z externího zdroje. Tím připojením nemyslím, že by někdo k historii plateb pana Nožičky jmenovitě přidal údaje o tom, jaké má pan Nožička zájmy a jaký má potenciál pro nový produkt XY. Myslím připojení dat v pravděpodobnostním smyslu. Pokud pan Nožička vykazuje známky chování typické pro rockery, prohlásím o něm, že je rocker s pravděpodobností třeba 85 %. Problém je, jak najít vztah např. mezi platbami za elektřinu a rockerstvím.

Nabízíme minimálně dvě cesty, jak z toho ven:

• Všimnu si, kde pan Nožička bydlí, a prohlásím o něm, že má stejné zájmy a potřeby produktu XY, jako jeho sousedi. To dává smysl, pokud beru sousedy v blízkém okolí definovaném třeba ZSJ, nebo alespoň PSČ. Pokud k tomu ještě přidám věk a pohlaví (které si například spočítám z rodného čísla pana Nožičky), mám celkem slušnou šanci, že se nespletu v údajích jako společenský status a výše příjmu. Možná se trefím i v mediálním chování, zájmech a politické příslušnosti. Důkazem posledního tvrzení je například mapa „Koho volili vaši sousedi“ připravená týmem datové žurnalistiky Českého rozhlasu.

• Druhý způsob je více segmentační. Vezmu všechny proměnné, které má společné CRM databáze a náš data pool (případně si mohu do data poolu nějaké proměnné přidat pomocí ad-hoc výzkumu). Na těchto proměnných vyzkouším, nakolik dobře kombinace odpovědí předpovídají údaje, které chci do databáze připojit (třeba zájem o produkt XY, rockerství pana Nožičky). Jednoduchý postup, který dobře vede k cíli, je použití rozhodovacích stromů. Algoritmus sám vyhodnotí, které proměnné jsou pro předpověď relevantní a jak agregovat odpovědi, aby na konci byla co nejlépe diferencovaná příslušnost ke skupině, kterou chci předpovídat. Když budu mít například zákazníka, který platí účty za elektřinu se zpožděním a k holiči chodí 1× ročně, je to s 80% pravděpodobností rocker. Když však platí se zpožděním a nechodí k holiči vůbec, je to na 90 % pankáč.

Nakonec příslušnost ke skupinám připojíme do CRM databáze klienta, který může tuto informaci využít třeba k nabídce benefitů (když budeš, rockere, platit účty včas, dostaneš na konci roku lístky na koncert kapely AC/DC). Nebo ji může využít k predikci zákazníků, které se vyplatí oslovit s nějakou kampaní, protože má největší pravděpodobnost, že zákazník nabídku akceptuje. Tahle úloha však velmi často vyžaduje realizaci samostatného výzkumu, který změří profily zájemců.

Jiný zajímavý příklad použití je nastavení komunikace s klientem na základě jeho psychologického profilu. Na někoho lépe fungují racionální argumenty, na někoho zase emoční… Vzhledem k tomu, že v CRM databázi na 100 % nebudou proměnné, které by umožnily psychologický profil připojit, řeší se to kombinací postupů. Psycho profil si připravíme pro každého zákazníka nahrubo (věk a pohlaví do jisté malé míry fungují) a pak vybereme z rozsáhlejší baterie výzkumných otázek co nejmenší počet, který predikuje emoční profil např. v různých věkových pásmech. Tyto otázky (je jich typicky 1-5) položí operátor zákazníkovi na začátku telemarketingového hovoru a call script na základě odpovědí vyhodnotí správnou rétoriku a argumentaci.

Těch možností jak augmentovat data (zvyšovat jejich vytěžitelnost) je opravdu mnoho a každá se musí dělat na míru. Máte-li chuť to vyzkoušet, dejte vědět ().