Konstantin Obukhov - Customer Experience Technologies

Технологии Customer Experience

Konstantin Obukhov,Head of Data Science at CleverDATA

cleverdata.ru | [email protected]

Make your data clever

Развитие бизнеса на международном рынке

Входит в тройкулидеров российских ИТ компаний43 подразделения в России и за рубежомБолее 7000 сотрудников100 тыс.проектов для 10 тыс.заказчиков

Облачная платформа

управления данными

«Биржа» данных

Прикладные сервисы и приложения

Big Data интегратор

Опыт работы более 3-х лет

Собственные центры разработки

Партнерство с мировыми лидерами и

научными институтами

Центр экспертизы по технологиям Big

Data и Digital Marketing

1DMP


Мы знаем все о больших данных и их обработке

ВЫСОКАЯ СКОРОСТЬБОЛЬШОЙ ОБЪЕМЗНАЧИТЕЛЬНАЯ ВАРИАТИВНОСТЬ

Web логиФинансовые транзакцииСоциальные сетиWeb контентМашинные данныеОткрытые данные

HadoopMPP (Vertica, Exadata, Greenplum, Teradata)NoSQL (Key-Value, Document-oriented, Column-based, Graph-oriented)In-memory Data Grids, Calculation GridsData Mining Machine Learning / Statistics / Natural Language ProcessingEvent-Stream Processing

Ценность данных в том, как вы их анализируете и применяете для развития своего бизнеса

Понимание клиента и его поведенияИнформационная безопасностьУправление рискамиПовышение операционной эффективности

“Потенциал Big Data раскрывается в полной мере при взаимодействии с другими данными корпорации.” Билл Фрэнкс.


Ценность клиентовОгромное количество коммуникаций, атакующих клиента по разным каналам, делают задачу привлечь внимание клиента и при этом сохранить его лояльность все более сложно выполнимыми.

Нерелевантные предложения клиенту приносят больше вреда, чем пользы.

Digital маркетингпоказывать только те предложения, которые релевантны интересам посетителя сайта

Маркетинговые кампаниипрогноз отклика на продукт, канал, предложение

Управление оттокомоценка вероятности отказа от продукта или ухода клиента из компании

Удержание

Каждая информация о клиенте несет в себе ценность

Привлечение

Продажи


Customer Experience ProfileВероятность

оттока 35%

Лояльность 87%

Надежность 20% Кредитная

нагрузкаНизкая Семья

2 чел

Доход семьиСредний

Инвестиции, экономика 66%

Автомобили5%

Недвижимость10%

Накопления18%

Технологии63%Действующих

продуктов5

Последняя покупка

36 дн

Активность28%

CLTVСредний

В клиентской базе

35.2 мес

Удовлетворенность 75%

Уровень коммуникации

20%

Уровень отклика 18%

Централизованный сбор десятков заранее определенных

метрик

Глубокая аналитическая витрина объединяет внутренние и

внешние данные о клиенте

Расчет метрик в реальном времени;

Ориентир на единичного клиента или микро-сегмент;

Отражает эволюцию клиентского профайла – тренды и

прогнозы;

Адаптация под конечного пользователя;

Обеспечивает «живые» рабочие данные для маркетинговых

приложений.


Применение CXP


Отличие от традиционных систем

Big Data Real Time Analytics

Традиционные аналитические

системы

«Что уже случилось и почему?»

«Что произойдет?Что стоит предпринять?»

Большие объемы данных разной структуры

Real-time системы

Структурированные sampled-данные

Офф-лайн системы

Традиционные BI системы покажут завтра то, что было позавчера

CIO Fortune 50 Banksvv


Управление оттоком клиентов

• Необходимо выявить клиентов, которые с большой вероятностью прекратят взаимодействие с компанией

• Каждому клиенту сопоставляется вероятность уйти в отток через какой-то промежуток времени

• Действия по удержанию (скидки, предложения) формируются для клиентов с высокой вероятностью оттока


Моделирование отклика


Кейс – вторичные продажи в банке

• Социально-демографические данные (регион, образование, возраст…)

• История коммуникаций (звонки в колл-центр, отправленные предложения)

• История контрактов (типы и параметры первых кредитов, кредитная история)

Предоставлены внутренние данные обучающей выборки

Текущая модель банка обладает следующими особенностями

• Текущая модель показывает результат 47% базы – 78% отклика• AUC 0,74 • Модель в 1.5 раза лучше случайного выбора

Откликом является факт приобретения конкретного продукта


Подход к решению

Data Preprocessing

Feature Engineering

Feature Selection

Machine Learning

• Очистка выбросов one-class SVM, boxplot. Выделение unbiased выборки KS test

• Генерация агрегатов из предыдущих коммуникаций, паттерна кредитной истории, дискретизация woe, MDLP, Entropy Measure

• Отбор признаков по AUC, Random Forest FS, RFE Decision Trees

• Построение модели Logistic Regression, LASSO Regularization

• Cross Validation, Leave-out tests на ретро данныхBack Testing


ПредикторыОбразование

Переплата за первый кредит

Параметры первого кредита играют важную роль


Результаты

Увеличение GINI на 15%На 38% базы достигается 82% отклика

Модель на 30% лучше текущей модели у банка

• Выявлены клиенты, склонные к отклику из большой массы спящих клиентов• Расходы на коммуникацию снижены за счет перераспределения клиентов по каналам• Применена стратегия оптимизации расходов на коммуникации с целью максимизации прибыли


Спасибо за внимание!

Documents

Konstantin Obukhov - Customer Experience Technologies