Data science pomůže s personalizovanými nabídkami

12. října 2020

Pokročilá prediktivní analytika pomáhá několikanásobně zpřesňovat a tím zefektivňovat veškeré marketingové a obchodní aktivity. S její pomocí vytváříme například vysoce personalizované nabídky šité na míru jednotlivým zákazníkům tak, aby pro ně byly relevantní a zároveň přicházely ve správný čas.  

Našim klientům v sektorech bankovnictví, pojišťovnictví a automobilového průmyslu pomáháme s optimalizací, zrychlováním i zefektivňováním řady nejen obchodních procesů. Vzhledem k jejich obchodu i přístupu k zákazníkům vnímáme jako stěžejní promptní reakce na chování jejich zákazníků v online prostředí, především pak vysoce personalizovaných nabídek, ať jde o finanční produkt nebo nové auto.

Pracovníkům jedné banky, od bankéřů po telefonní operátory, jsme například pomocí pokročilé práce s daty usnadnili přípravu na prodejní rozhovor. Dnes už v bance nemusejí procházet různé systémy, obrazovky a pídit se po informacích, ze kterých by následně složitě počítali a dedukovali, co konkrétnímu zákazníkovi a v jaké podobě nabídnout.

Naše řešení slouží i zákazníkům samotným – k chytrým nabídkám se dostanou v samoobslužných zónách jako jsou mobilní aplikace, bankomaty nebo internetové bankovnictví. Využili jsme také dávkově počítané prodejní nabídky (batchové nabídky), které v případě úvěrových produktů byly postaveny primárně na riskovém skóre a v kombinaci s prediktivními prodejními modely dosahovaly úspěšných výsledků. Prioritu nabídek jsme bankéřům řadili podle naléhavosti (vycházející z časově omezené nabídky nebo konkrétního aktuálního chování zákazníka) a ziskovosti. U jiného klienta jsme bankéřům zobrazovali několik nabídek, které byly jak prodejní, tak neprodejní. To se pro „naladění“ zákazníka na prodejní rozhovor ukázalo jako klíčové. Nejraději uvádím příklad personalizované nabídky na kreditní kartu.

Relevance takové nabídky vychází z prediktivních modelů, ale je bohatší o konkrétní výpočet benefitů, které by zákazník získal, pokud by kreditní kartu používal stejně jako tu debetní za poslední 3 měsíce. Např. v balíčku, kdy na hobby markety poskytuje kreditní karta cashback ve výši 5 %, by daný člověk mohl ušetřit 250 Kč měsíčně, což je 3 000 Kč za rok. A to už není zanedbatelná částka. 

Pokud proto v době klesajících úrokových sazeb hledáte cestu, jak udržet výši zisku na úvěrovém portfoliu nebo jak na digitálních kanálech elegantně prodávat vyšší objemy půjček, pomohou vám naše prediktivní modely. Ty v prvním případě identifikují cenovou citlivost u jednotlivých zákazníků a následně díky ní modifikují standardně nabízenou cenu. Ve druhém případě predikují elasticitu úvěrového objemu u individuálního zákazníka v rámci riskem předschválených úvěrových limitů a tomu přizpůsobují alternativní nabídku. Lze efektivně kombinovat oba způsoby parametrů prediktivních modelů a kdykoli je upravit tak, aby byly vždy v souladu se strategií úvěrové instituce a její aktuální prioritou.

Ukázka personalizovaného doporučení pro bankéře nebo telefonní operátory. Urychluje a usnadňuje hovor se zákazníkem, zvyšuje konverzní poměr, celkové prodeje a zákaznickou spokojenost.

Několik personalizovaných nabídek, jeden spokojený zákazník

Nutnou podmínkou personalizovaných nabídek je jejich aktuálnost, relevantnost a atraktivita pro zákazníka. Z tohoto důvodu je nutné aktualizovat a synchronizovat nabídky napříč komunikačními kanály v reálném čase. Stahovat nabídky, které již nejsou pro zákazníka aktuální z důvodu změny chování, riskového skóre či odmítnutí. 

Velmi důležitou část personalizovaných nabídek tvoří ty, které vypozorujeme z webového chování zákazníka, aniž by nám dával svůj zájem explicitně najevo. Tyto zájmy jsme schopni identifikovat pomocí našich prediktivních modelů. Modely umí identifikovat zákazníky s nejvyšší pravděpodobností zájmu o nákup konkrétního produktu či využití specifické služby. Podle výše skóre tedy vybereme klienty s nejvyšší pravděpodobností nákupu, v reálném čase ještě provedeme kontrolu na riskové podmínky a následně informace o tom, jakého zákazníka a proč kontaktovat pošleme ihned na call centrum k okamžité reakci. Podobně pracujeme s datovými událostmi, které vyhodnocujeme jako signifikantní spouštěče obchodních aktivit.

Pomocí streamování dat v reálném čase je neustále sledujeme a vyhodnocujeme jejich sílu a pokud vyhodnotíme, že určité chování je již dostatečně silné pro úspěšné spuštění obchodní aktivity, ihned reagujeme. V reálném čase ihned spustíme námi naprogramované algoritmy, které ověří možnosti nabídky. Pokud vše proběhne v pořádku, lze zákazníka ihned kontaktovat v mobilní aplikaci nebo SMS zprávou, které oproti telefonátu nejsou rušivé.

Námi osvědčený postup při práci na zakázce má 5 kroků: 

  • definice požadavku zákazníka 
  • analýza aktuálního stavu a návrh řešení (z pohledu byznysu, procesů, dat i IT architektury) 
  • vývoj a tvorba řešení 
  • nasazení řešení do produkce 
  • podpora při nasazení, validace a předání daného řešení, průběžná podpora (např. kontinuální analýza, udržování performance modelů apod.) 

Úspěchem a cílem ale není pouhé vytvoření samotného prediktivního modelu. Důležité je jeho správné použití v praxi, což znamená zapojení do stávajících procesů tak, aby společnosti přinášel kýžené benefity. S jeho nasazením proto souvisí i úpravy byznysových procesů, které zahrnují například změnu kroků a UX u online sjednání půjčky nebo úprava toho, jakým způsobem chodí leady ze CRM na call centrum.

Je třeba zajistit, aby se „horké“ leady automaticky prioritizovaly a komunikovalo se s nimi jako s prvními. Protože v opačném případě zůstanou někde hluboko na konci seznamu a zapojení AI do procesů společnosti nepřinese žádný benefit, pracovníci nebudou schopni včas reagovat a zákazník už bude mít o půjčku zažádáno jinde.

Máte zájem o konzultaci v oblasti Data Science? Napište nám.


Přečtěte si také

Zvyšte svoje konverze díky personalizovanému marketingu

Zvyšte svoje konverze díky personalizovanému marketingu

Častou chybou v B2B marketingu a komunikaci je, že se kontakty s klienty neudržují a opráší se ve chvíli, kdy se společnosti snaží prodávat.

Pomocí AI pomáháme zrychlit výrobu i ulehčit od hor papírů

Pomocí AI pomáháme zrychlit výrobu i ulehčit od hor papírů

Umělá inteligence v Trasku je především o reálném využití a práci s daty, která dnes pomáhá párovat závady ve výrobě s pracovními postupy, komunikovat se zákazníky nebo vyřizovat pozůstalosti.

Kdy má nasazení rozšířené reality smysl a jaké jsou její dnešní limity

Kdy má nasazení rozšířené reality smysl a jaké jsou její dnešní limity

Scénářů, kde má rozšířená realita (AR) potenciál najít využití, je mnoho – mobilní technologie, nemovitosti, retail, výroba, automobilový průmysl a další. Těch, kde má její využití z hlediska společností opravdu smysl, už je ale mnohem méně.

Co a jak lze elektronicky podepisovat

Co a jak lze elektronicky podepisovat

Uzavírat smlouvy elektronicky a na dálku je rychlejší a levnější. Elektronické podepisování v sobě však ukrývá několik úskalí a rizik. Jaké typy dokumentů a za jakých okolností můžete bezpečně elektronicky podepsat?