A projekt célja
Ügyfél telefonálási, és egyéb kommunikációs szokásai, valamint a termék-ajánlat elfogadási viselkedések adatbányászati elemzése megteremti a célkiválasztás pontosításának, a megtartás, illetve az akvizíció fejlesztésének lehetőségét. Az újfajta megközelítés az értéknövelt szolgáltatások iránti affinitás növelésére, nem csak a hagyományos mérőszámokat használja fel, mint a hűségidő, a havi költés vagy készülékvásárlási kedvezmény, de ezeket kombinálja a hívási viselkedésalapú szegmentációval, a telekommunikációs cég által használt PageRank® típusú szkóringgal. E mutatószámok segítségével csökkenteni tudjuk a lemorzsolódást, azonosíthatjuk a nem-valós „rotational churn”-t, mérsékelhetjük a megtartás költségét és kétszámjegyű százalékponttal növelhetjük a szociális szolgáltatások elterjedtségét.
Módszertan
A következőkben példát mutatunk egy termék-elterjesztési projektre. Az előelemzési fázis alatt időbeli szociális hálókat rajzolunk fel, melyeken feltüntetjük a termék elterjedtségét. A múltbeli, jelenlegi hívásrekordokat, valamint egyéb kommunikációs mintázatokat is fölhasználjuk az időbeli szociális hálózatok felépítéséhez, majd azonosítjuk az emberek szolgáltatás-elterjedés elősegítő erejét. Az egyének közötti kapcsolat súlyát a közöttük lévő kommunikáció intenzitása adja. Az üzleti céloktól függően a szociális hálózati ábrát megvághatjuk, ha például csak esti vagy hétvégi kapcsolódásokra vagyunk kíváncsiak. A hálózati információ további mélyítésére kombináljuk a szolgáltatás használati adatot, a demográfiai adatot és egyéb tranzakcionális, illetve termékaffinitás adatot. Egy ügyféllel kapcsolatos tudásunk egy vektorban összegződik, amely a demográfiai jellemzőkön kívül figyelembe vesz minden, az adott termékkel kapcsolatba hozható ügyfél általi akciót. A vektorok ügyfelek közötti hasonlósági szkórokat határoznak meg, melyekből képzett súlyok, kombinálva az előzőleg definiált súlyokkal teljesebb képet adnak az ügyfelek közötti interakciókról. Ezt követően a csoport-átszűrési (’ clique-percolation’) algoritmusunkat alkalmazzuk a hálózaton belüli csoportok és véleményvezérek azonosítására. A módszer lehetővé teszi, hogy szoros kapcsolatban lévő emberek csoportját határozzuk meg, akik nagy valószínűséggel befolyásolják egymás termékhasználati döntéseit. A közösség ilyen építőkövei az ún. klikkek. Egy klikken belül minden tag kapcsolatban áll a másikkal, nem csupán szociális távolság, de termékadaptációs történet alapján is. A közösségeket klikkek csoportjai alkotják melyek között nagy átfedés is lehet. E szerint egy közösség két tagja között több klikken keresztül is lehet kapcsolat. A kapcsolatok összesített mértéke adja meg, hogy egy közösségi tag mekkora potenciállal terjeszti egy szolgáltatás/termék használatát. A hálózat múltbeli növekedésének elemzésével azonosíthatjuk, hogy a közösség tagjai mekkora terjesztési potenciállal rendelkeznek és így a kampányokat fókuszálhatjuk nagy virulenciával bíró emberekre.
Eredmények
- Virulens mechanizmusok által közvetíthető termékek és szolgáltatások azonosítása a portfolión belül
- Célcsoport optimális meghatározása többhullámú és megtartó kampányoknál
- Ügyfélélettartam meghatározása közösségi szerep figyelembevételével
- Ügyfélkapcsolatok értékének meghatározása harmadik feles promóciókban
- ’Rotational churn’ hatékonyabb azonosítása
Érdemes, nem érdemes
Érdemes
- Fontos lehet bevonni a folyamatba a cégen belüli innovációért felelős kollégákat és megnyerni menedzsment támogatását a projektre
- Több mint két évre visszamenőleg szükséges az bevezetett szolgáltatások terjedés-történetének valamint a magas virulenciával bíró pontok feltérképezése
- Válassza jól körülhatárolható közösségek gráfjait az teljes sokaságból (pl. város, térség, sziget stb.)
- Használja gyorsan végrehajtható PoC projectre új ügyfél akvizíciójakor
- Finom hangolja az algoritmust a dinamikus „közösség” definíciók szerint
|
|
Nem érdemes
- Ne vásároljon előre lefejlesztett alkalmazásokat, amelyek más gráfokra és régiókra lettek programozva
- Ne próbálja keverni a „hívási kör” adatokat a gráfokból származtatott változókkal
- Ne próbálja az elsődleges tesztelések előtt a modell alapján az értékesítést fokozni
|
Miben vagyunk mi mások?
- Komoly tapasztalatunk van a több milliós hívási gráfok és számítás igényes adathalmazok kezelésében
- Az előredobozolt szoftveres alkalmazásokkal szemben a mi community definíciónk egymást átfedő kontextus specifikus csoportokba sorolja a tagokat. Egy csomópont alkalmas lehet például egy csengőhang terjesztésére egy közösségen belül, de lehet, hogy egyéb célra nem virulens hatású
- A modell képes meghatározni az egy közösségbe tartozó visszahívásokat, de nem virulens az egyikből a másikba
- A változóinkat a gráfok helyi jellemzőiből és kommunikációs intenzitásokból származtatjuk, ahogy a vásárlók is különböző demográfiai, szociális és geográfiai szegmensekbe sorolhatóak
- Megbízható megoldásokkal rendelkezünk rekord követés és lift-modellek számítására
|
