Clever data 1dmp_oracle_fors

1DMP Data Marke+ng Pla/orm

by CleverDATA

Company Profile Make your data clever

1DMP Data Marke7ng Pla9orm

cleverdata.ru | [email protected]

Make your data clever

Развитие бизнеса на международном рынке

Входит в тройку лидеров российских ИТ компаний 43 подразделения в России и за рубежом Более 7000 сотрудников 100 тыс.проектов для 10 тыс.заказчиков

Marke7ng Data Pla9orm решение для использования

внешних данных в маркетинговых кампаниях

Разработка и внедрение решений для предиктивной аналитики и обработки

больших объемов данных Собственные центры разработки

Партнерство с мировыми лидерами Центр экспертизы по технологиям Big

Data и Digital Marke+ng

1DMP

Data Marke7ng Pla9orm платформа управления данными для целевого маркетинга

1dmp.io | [email protected]

1DMP Сбор и управление собственными данными и их анализ для целей углубленной клиентской аналитики

«ACRM из коробки»

1DMC

«Биржа данных» для поставки уникальных

внешних данных и взаимодействия с

партнёрами

«БКИ для маркетинга»


Как увеличить ценность клиента?

Как «разбудить» спящих клиентов?

Как сделать целевое предложение?

Какой продукт предложить?

Как повысить эффективность коммуникаций?

Какой канал использовать?

Как уменьшить отток?

Как увеличить лояльность?

Как сегментировать клиентов?

Кто наши клиенты?

Когда выйти на контакт?

Целевой маркетинг основанный на данных,

больших данных

У целевой рекламы на 14% больше CTR и на 10% больше конверсия

Целевые рекламные предложения в 18 раз эффективнее, чем стандартные рассылки

Повышение эффективности маркетинговых кампаний в 3 раза


Три простых шага к эффективности •  Собрать максимум данных •  Проанализировать, задействовав модную

математику •  Использовать измеряя эффективность

Эффективность подтверждена реальным опытом:

Одно из решений


•  Собрать •  А где взять уникальные «внешние» данные? •  Как хранить детальные данные? •  Огромное количество источников, форматов, протоколов? •  Как собирать данные из «нестандартных» источников (сайты,

киоски, приложения, реклама)? •  Как взаимодействовать с партнёрами и покупать данные?

•  Проанализировать •  Разнородные данные (тексты, ссылки, логи и тд)? •  Как связать offline и online данные? •  Сложная математика и дорогие утилиты? •  Как быстро пересчитать огромный объем данных?

•  Использовать •  Как интегрировать со всеми каналами? •  Как использовать онлайн рекламу? •  Как монетизировать?

Но не все так просто

Data Marke7ng Pla9orm – дает ответы на все вопросы и позволяет:

Собрать максимальное количество данных: •  собственные данные; •  данные партнёров; •  открытые данные в сети Интернет; •  данные внешних поставщиков.

Построить аналитический 3D профиль каждого клиента с использованием алгоритмов искусственного интеллекта Использовать для целей целевого таргетированного маркетинга с использованием любых каналов


Что такое 3D профиль клиента?

•  Предопределенные •  Рассчитываемые

•  Событийные •  Прогнозируемые

Вероятность оттока 35%

Кредитная нагрузка Низкая

Доход семьи Средний

Инвестиции, экономика

66%

Автомобили 50%

Недвижимость 90%

Накопления 80%

Технологии 63%

Активность 28%

LTV Средний

В клиентской базе

35.2 мес Лояльность 75%

Уровень коммуникации

20%

Уровень отклика 18%

Количество жалоб 0%

•  Построен на базе внутренних и

внешних данных

•  Расчет метрик в реальном времени

•  Ориентир на единичного клиента

•  Отражение эволюции клиентского

профиля – тренды и прогнозы

•  Выявление событий

Доступны маркетологу в любой момент времени

Более 1000 метрик и характеристик


Сбор данных


Интеграция с прикладными системами

Public Data Exchange

Данные партнёров

Открытые данных в сети Интернет

Собствен

ные да

нные

Данны

е от data провайдеров

Сбор данных

Customer Transac+ons CRM

1th Pa

rty

Campaign Management

Call Center

Web/Mobile analy+cs Интеграция с прикладными системами

Адаптеры к интернет

площадкам

Доски объявлений

Площадки e-‐commerce

Форумы и блоги

3rd Pa

rty

Данные соц сетей

Онлайн реклама (RTB)

Трафик сети Интернет


Данные бизнес-‐парнеров

2th Pa

rty

Private Data Exchange

•  Сбор и анализ текста •  Классификация •  Ключевые слова •  Выявление событий и фактов

•  Платежные системы •  Розничные сети •  Авиакомпании •  Автодилеры

Анкетные данные История использования продуктов Лояльность и склонность к оттоку Чувствительность к коммуникациям

Намерения и события Предпочтения и интересы

Соц-‐дем информация Контакты, круг общения Поведенческие характеристики

Финансовое положение Финансовые привычки Продуктовые предпочтения Намерения и события


Каналы лидогенерации

•  RTB реклама:

•  Мобильный маркетинг:

•  Email маркетинг:

Data Marke7ng Cloud


Биржа данных – это доступ к вселенной данных, основанной на взаимодействии владельцев, а не на агрегации и перепродаже •  Только брендированные данные от

проверенных поставщиков •  Фиксированная комиссия вне

зависимости от стоимости данных •  Online и Offline данные любых типов и

поставщиков Биржа данных дает уникальные возможности: •  Кросс идентификация •  Максимизация hit rate

Data Marke7ng Cloud

Площадка взаимодействия между поставщиками и потребителями данных

Partners discovery Shared learning

•  Оптимизация стоимости •  Максимальный hit rate •  Cross-‐device идентификация

•  Единая точка доступа к данным всех поставщиков и партнеров

•  Использование данных партнёра без обмена конфиденциальной информацией

Data supplying

•  Безопасность данных •  Контроль использования •  Защита персональных данных •  Гарантия легальности и верификация данных

Data security Single point

•  Одна точка интеграции •  Один контракт поставки •  Один контрагент для расчетов


* Мы не храним и не передаем персональные данные физических лиц

До 80% Более 10

Обработка данных


Machine Learning

Decision Modelling

Personality Profiling

Trigger Iden7fica7on

Event Predic7on

Rela7onship Profiling

Real-‐7me Analysis

Готовые модели:

•  Моделирование оттока клиентов

•  Рекомендация лучшего канала коммуникации

•  Модель кросс-‐продаж и рекомендаций

Передовые методы анализа данных

•  Применение алгоритмов машинного обучения;

•  Алгоритмы look alike для сегментации;

•  Использование внутренних и внешних данных;

•  Постоянное самообучение по мере работы у

улучшение прогнозов.

Применение знаний


Customer Transac+ons CRM

Campaign Management

Call Center

Web/Mobile analy+cs

Доски объявлений

Площадки e-‐commerce

Форумы и блоги

Данные соц сетей

Онлайн реклама (RTB)

Трафик сети Интернет

Данные бизнес-‐парнеров

Каналы лидогенерации

Campaign

Managem

ent

Programma+

c Bu

ying

Моб

ильный

маркетинг

Email

маркетинг

Источники дохода: •  Внутренние : Использование знаний для повышения

эффективности внутренних процессов и предложение новых услуг клиентам компании.

•  Внешние: Поставка данных партнёрам и потребителям данных. 1. Private DMP Инфраструктура поставки: Поддержка и организация собственными силами Продвижение: Самостоятельное 2. Private DMC Инфраструктура: Интеграция через инфраструктуру 1dmp.io Продвижение: + через private раздел 1dmp.io

2. Public DMC Инфраструктура: Интеграция и расчеты через инфраструктуру 1dmp.io Продвижение: + через public раздел 1dmp.io + продвижение силами команды 1dmp.io + включенные ваших данных в состав «3D» профиля платформы 1dmp

Как зарабатывать на данных


•  Компания с большой клиентской базой -‐ Finance -‐ Telecom -‐ Retail -‐ eCommerce

•  Интернет-‐площадка с большой аудиторией •  Рекламная Интернет сеть или DSP •  Компания, оказывающая услуги маркетинга

Private DMP

Ваши данные Аналитические алгоритмы

Customer Insights


Дополнительные внешние данные

У вас накоплено большое количество данных:

Превратите ваши данные в знания о клиентах

Private DMP

Private DMC Public DMC Private DMP 1 2 3

B2C B2B2C

Insight – обезличенный состав атрибутов клиента, не содержащий персональные данные и личную информацию, предназначенный для использования в маркетинговых активностях

Преимущества 1DMP •  Готовое коробочное решение класса ACRM и Data Exchange •  Доступ к внешним данным и большому количеству разнородных

источников; •  Связь online и offline данных; •  Единая точка накопления и обработки больших данных •  Интеграция с прикладными системами и маркетинговыми каналами


Поставщиков данных

Более 10 Типов данных

7 Новых

потребителей в месяц

3 Подключенных DSP

5

Профилей в базе

Более 200 млн

Соц. сети

6 Источников clickstream

Более 4-‐х

Реализованных проектов

Более 10 Повышение отклика

На 60%

Снижение затрат

На 50%

Повышение кросс-‐продаж

На 25%

Срок окупаемости

Менее года

Архитектура


Web site Call Center App

1DMPData Management Platform

1DMCData Marketing Cloud

external DSP WebCrawler

1DMP 1DMP 1DMP

Social

Web Usage

eCommerce

Private Data Partners

Open Internet Data

CampaignManagement

CRM

DWH Publ

ic D

ata

Partn

ersERP

Enterprise architecture


1

2

43

Основные функции 1DMP 2 – Сбор и атрибуция данных из BigData источников 3 – Сбор и атрибуция данных из OLTP источников 4 – Выполнение предиктивных моделей

Основные функции 1DMC 1 – Поставка внешних данных Контроль доступа к данным Статистика и взаиморасчеты

Reference Enterprise Architect


CRM ERP ABS

DWH

Marketing Data Mart

Campaign Management System

Channels


3D

BigData storage

Analytic engine

Master Data Storage

OLTP sources Emerging semi-structured sources

GUI•  Логи, полу-‐структурированные данные и

неструктурированные данные, записи в социальных сетях, вебсайты и т.д.

•  Данные, которые могут очень быстро накапливаться, при этом, обычно информационная плотность их низкая

•  Данные, которые очень дорого хранить и обрабатывать, используя традиционный подход

Data Management Pla9orm – осуществляет качественное преобразование данных, выявляя «знания» в большом массиве информации Big Data технологии позволяют существенно удешевить хранение и обработку данных


Data

Exchange

Big Data storage

Real Time storage

Predic+ve analy+cs

Common

Services

Мастер данные для быстрого доступа (NoSQL)

Прогнозная аналитика (Spark)

Хранилище структурированной и неструктурированной информации (Hadoop)

Общие сервисы (авторизация, безопасность, загрузка данных и др.)

Technology Web

Craw

ler

Поставка внешних данных

1DMP for Enterprise

PARTNER PERSPECTIVE 1DMP pla9orm on Oracle Big Data Appliance will allow customers to build their own data management solu7ons, such as tools for the collec7on and classifica7on of web data, user profile management within the data driven marke7ng model

-‐  Denis Afanasev, CEO

§  The system was able to handle 101361.32 requests per second with the 99th percen+le of latency equal to 1.17ms. This means that Big Data Appliance was able to handle 1.45 +mes more requests per second with the 1.7 +mes be�er latency using just a single nod;

§  Classifica+on +me of the same dataset on the 3 nodes of Oracle Big Data Appliance took 25.45 mins, which is 4.81 7mes faster than a baseline;

§  Classifica+on +me of the same dataset on the 6 nodes of Oracle Big Data Appliance took 11.28 mins, which is 5.43 +mes faster than the expected baseline.

COMPANY OVERVIEW § CleverDATA §  Industry: Informa+on technology § Employees: 20 § Revenue: $1M

GOALS/OBJECTIVES § CleverDATA is a Big Data ISV in Russia which is specialized in solu+ons suppor+ng customer’s marke+ng campaigns. The company developed 1DMP -‐ data management pla/orm which uses Hadoop and Aerospike NoSQL DB on technology layer. We are going to migrate 1DMP to Oracle NoSQL and BDA and to cer+fy the solu+on on BDA under BDA Ready and Op+mized Program

SOLUTIONS § 1DMP 0.5.0.0 § Oracle NoSQL Database § Oracke Big Data Appliance § Cloudera Distribu+on of Apache Hadoop (CDH 4.x & 5.x) + Cloudera Manager

RESULTS


Варианты архитектуры


Описание текущей архитектуры Заказчика

Поставка внешних данных

Сбор и атрибуция BigData

Выполнение аналитических моделей

Сбор и атрибуция OLTP источник

ов

Нет DWH, нет практики анализа данных, нет сбора полу структурированных данных

+ + + +

Есть DHW, нет практики анализа данных, нет сбора полу структурированных данных

+ + + -‐

Есть DWH, есть практика анализа данных, нет сбора полу структурированных данных

+ + -‐ -‐

Есть DWH, есть практика анализа данных, есть сбор полу структурированных данных

+ -‐ -‐ -‐

CRM ERP ABS

DWH

Marketing Data Mart

Campaign Management System

Channels


3D

BigData storage

Analytic engine

Master Data Storage

OLTP sources Emerging semi-structured sources

GUI

Варианты развертывания

Использование как сервис в облаке 1DMP.IO Развертывание в периметре организации на базе open source компонент

Развертывание на базе Oracle Big Data Appliance


Текущая версия облачного сервиса 1DMP

Доработки по требованию заказчика

Развертывание в контуре заказчика и

интеграция

Адаптация аналитических моделей

анализа данных

Версия Заказчика на сопровождении

2-‐3 месяца до бизнес-‐результата

Подключение поставщиков

данных

Поставка решения под лицензией AGPL

25

Демо



Интерфейс администратора








Интерфейс аналитика данных


Интерфейс аналитика данных


Интерфейс маркетолога











Примеры внедрений



Монетизация данных телеком оператора

Результаты: Построенная платформа управления данными позволяет телеком оператору монетизировать знания

(insight) об своих абонентах, в т.ч. путем участия в RTB аукционах рынка Интернет рекламы.

Задача:

Обеспечить возможность монетизации знаний о трафике абонентов для таргетирования интернет рекламы Анализ более 1ТB мобильного трафика в сутки; Выявление интересов и намерений пользователей в реальном времени на основе их поведения в сети Интернет; Предоставление партнерам возможности распространять знания об абонентах телеком оператора на свою аудиторию; Предоставление сервиса по рекомендации рекламных кампаний рекламным агентствам и их представителям, обрабатывающего не менее 70 000 запросов в секунду, в режиме 24x7.

Заказчик – российский мобильный оператор из «большой четверки». Услуги сотовой связи и доступа в интернет в 18 странах мира, обслуживает более 200 миллионов абонентов. Ежедневно абонентами оператора генерится 650Gb мобильного трафика, данные о котором монетизируются.


Платформа управления данными для лидогенерации

Решение:

Внедрение облачной платформы управления данными 1DMP, собственной разработки CleverDATA;

Использование методов предиктивной аналитики для сегментирования аудитории;

Срок реализации проекта – 2 месяца.

Результаты:

Возможность хранения больших «сырых» данных и обогащения внутренних данных сторонними;

Появление в активе Заказчика новой услуги -‐ выделения сегментов и лидогенерации;

Увеличение эффективности маркетинговых коммуникаций в 3 раза – отправка предложений только

релевантной аудитории и только по «продающим» каналам;

Привлечение новых клиентов с высоким уровнем откликом.

Задача:

Внедрить платформу управления данными для создания нового уникального сервиса – сегментирования

аудитории с использованием предиктивной аналитики данных;

Повысить скорость обработки больших массивов данных до сотни миллионов сообщений в день;

Повысить эффективность маркетинговых рассылок и уровень отклика.

Заказчик -‐ лидер российского рынка мобильного маркетинга


Решение для сегментации аудитории и ретаргетинга

Решение:

Программное решение для построения пользовательских сегментов на основе анализа 45 TB «сырых» данных с использованием более 100 правил; Использование предметно-‐ориентированного языка (DSL), разработка грамматики предметно-‐ориентированного языка; Разработка Run-‐+me представления DSL; Разработка соответствующих парсеров.


Появление в активе Заказчика новой уникальной услуги – онлайн сегментации для ретаргетинга пользователей на основе собранных данных об активности пользователей в Интернете и безопасности данных при помощи правил, описанных на удобочитаемом языке.

Задача:

Требуется решение для анализа и сегментации аудитории на основе правил, описанных на удобочитаемом языке; Для работы с данными Заказчик использует DMP платформу и собирает 1,5 TB данных в месяц (клики, посещения, показ баннеров) от 100 клиентов.

Заказчик – компания, специализирующаяся в области Интернет-‐рекламы, использующая технологию RTB и Programma+c Media.


Прогнозирование отклика клиентов на предложение

Решение:

Анализ исторических данных и выявление признаков клиентов, откликнувшихся на предложение через определенный канал коммуникаций; Построение предиктивной модели на основе алгоритмов машинного обучения; Применение модели для клиентской базы и выявление по заданным признакам клиентов с потенциально высоким откликом на предложение из массы «спящих» клиентов; Использование двух комплексных каналов коммуникаций – (1)Telemarke7ng: звонок из колл-‐центра + e-‐mail + SMS и (2) Mailing: e-‐mail + SMS

Результаты: Применена стратегия оптимизации расходов на коммуникации с целью максимизации прибыли Выявлены клиенты с потенциально высоким откликом на предложение из массы «спящих» клиентов; Расходы на коммуникацию снижены за счет перераспределения клиентов по каналам; На 38% клиентской базы было достигнуто 82% отклика, что на 22% лучше ситуации до проекта; Срок окупаемости пилотного проекта – менее месяца, промышленного – 3-‐4 месяца.

Задача:

Требуется оптимизировать расходы на маркетинговые коммуникации с целью максимизации прибыли и получить требуемый уровень отклика на предложение в рамках маркетинговой кампании; В данном кейсе откликом считается заявка на кредит, поданная в Банк в течение 6 месяцев после коммуникации.

Заказчик – российский банк из Топ-‐100, специализирующийся на выдаче потребительских кредитов и предоставляющий дистанционные кредиты через контакт-‐центр


Подбор предложений для посетителей веб-‐сайта

Решение:

Анализ исторических данных о клиентах, получавших услуги Банка через веб-‐сайт; Выявление признаков и составление профиля идеального клиента для каждого из продуктов компании Использование модели в реальных условиях. Подбор оптимального предложения для каждого конкретного посетителя веб-‐сайта; В режиме реального времени на основе данных о пользователе, полученных из внешних источников определение вероятности его заинтересованности тем или иным продуктом.

Результаты: Формирование профиля интересов посетителей веб-‐сайта; Показ релевантного интересам и ожиданиям посетителя предложения (ипотека, автокредит, денежный перевод, размещение срочного депозита) Высокая конверсия посещения веб-‐сайта Банка, рост лояльности посетителей за счет релевантного контента.

Задача:

Проанализировать в реальном времени интересы и предпочтения потенциальных клиентов на основе информации из внешних источников; Увеличить конверсию посещения веб-‐сайта Банка за счет показа таргетированных предложений.

Заказчик – российский банк из Топ-‐30, специализирующийся на розничном кредитовании и срочных депозитах


Предиктивная модель оттока клиентов

Решение:

Анализ с помощью инструментов Data Mining исторических данных о клиентах, прекративших пользоваться услугами Заказчика; Определение закономерных признаков оттока и его вероятности за фиксированный интервал времени; Построение предиктивной модели оттока клиентов на базе исторических данных и паттернов; Микросегментация клиентской базы Заказчика и машинное обучение модели; Выбор наилучшего предложения (действия) с целью максимизации отклика, отсрочки оттока и увеличения активности клиента. Результаты:

Своевременное выявление каждого клиента, потенциально планирующего прекратить пользоваться услугами Заказчика; Использование самых действенных инструментов для мотивации и возврата «оттекающих» клиентов; Снижение расходов на удержание клиентов, повышение их лояльности, рост продаж в целом.

Задача:

Анализ клиентской базы и выявление склонных к оттоку клиентов; Определение наилучшего предложения различных сегментов склонных к оттоку клиентов с целью предотвращения ухода.

Получение знаний о клиентах для выстраивания целевого взаимодействия Снижение затрат на маркетинговые кампании в силу сужения сегментов Повышение лояльности клиентов после получения релевантного контента и снижения «спама» Повышение отклика на кампании и, как следствие, увеличение конверсии и продаж

Сбор и анализ данных профилей, информации об участии в группах и сообществах, записях на «стене» путем семантического разбора текста сообщений пользователя и проведения соответствия между словами и категориями интересов; Объединение полученных данных с внутренними данными с помощью сервисов платформы 1DMP.io; Извлечение знаний и выделение сегментов по категориям интересов данных об интересах для использования в маркетинговых кампаниях.


Сбор данных о клиентах из соц.сетей

Решение:


Задача:

Обогащение внутренних (1st/2nd party) данных о клиентах за счет внешних данных; Получение информации об интересах и предпочтениях клиентов для таргетированного взаимодействия.

Заказчик – российский розничный банк из числа Топ-‐30

Возможность оперативной оценки каждого потенциального сотрудника; Прогнозирование времени работы кандидата в компании; Сокращение времени, затрачиваемого на интервью с кандидатами на вакансию продавца; Снижение нагрузки на HR-‐департамент; Снижение затрат на обучение и адаптацию; Повышение качества работы Департамента продаж.


Модель оценки соискателей на вакансию

Решение: Сбор и обработка внешних данных о соискателях (источники – социальные сети, сайты вакансий, платежные системы, SMS рассылки); Моделирование. Поиск корреляций между признаками реальных продавцов компании и качеством их работы; Выделение значимых предикторов. Использование методов machine learning для «обучения» модели; Тестирование работы модели на реальных данных, достижение точности модели не менее 70%.


Задача:

Разработать аналитическую модель для предварительной оценки соискателей на вакансию продавца; Использовать для построения модели внешние (3rd party) данные о кандидате из различных источников; Протестировать полученную модель на реальных данных и получить заданный уровень точности.

Заказчик – крупная розничная мультибрендовая торговая сеть

Data & Analytics

Clever data 1dmp_oracle_fors