next best offer что это
Газпромбанк и GlowByte Consulting успешно завершили проект по внедрению системы Next best offer (NBO) на базе аналитического решения SAS RTDM (Real-time decision manager)
Проект Глобальный RTO начался летом 2018 года, и состоял из трех этапов:
Система «RTO» интегрирована в общую стратегию коммуникации с клиентом и позволяет совершать коммуникации и привлекать клиентов на розничные продукты и услуги банка с большей эффективностью, чем при традиционных off-line подходах. Уже подключены цифровые и дистанционные каналы коммуникаций, такие как push-уведомления, смс, колл-центр, Email баннеры в мобильном банке. В дальнейшем банк планирует увеличивать число каналов коммуникации.
Как работала система до старта проекта?
В 2017 году Газпромбанк и GlowByte внедрили аналитический CRM на базе продукта SAS Marketing Automation. Система позволяет определять точные сегменты клиентов, которым может быть интересен тот или иной продукт или услуга банка, в автоматическом режиме формировать для них предложения, а затем передавать его в каналы коммуникации.
Какие результаты проекта есть уже сейчас?
На данный момент отклик на целевые предложения по потребительскому кредитованию доходит до 8-9% рассматриваемых заявок от доставленных коммуникаций, а объем вторичных продаж существенно увеличился за счет новых real-time подходов к формированию кампаний по предложению потребительских кредитов и кредитных карт банка.
Какие задачи решает система RTO?
Например, в момент транзакции на заправке система определяет, что клиент часто расплачивается картой за топливо и ему выгодно оформить дебетовую карту с программой лояльности компании-партнера банка. В результате в течение минуты после оплаты клиент получает смс-сообщение или push-уведомление с предложением карты с программой лояльности, позволяющей накапливать баллы и расплачиваться ими на АЗС. Карту клиент может оформить через цифровые каналы, что существенно изменяет клиентский опыт в лучшую сторону и значительно увеличивает конверсионные показатели воронки продаж.
Какие задачи решает функционал NBO.
Следующее лучшее предложение (Next Best Offer, NBO) – представляет собой связку продукт + канал коммуникации для каждого клиента. В сентябре 2019 г. В Банке для всех сотрудников офисов и операторов колл-центра в едином окне стали доступны персональные предложения, при формировании которых прежде всего используются аналитические вероятностные модели отклика.
Теперь клиенты Газпромбанка получают те предложения, которые наиболее подходят именно им в текущий момент. Система NBO определяет лучшее предложение для клиента, исходя из контекста взаимодействия и предыдущей истории отношений. NBO обеспечивает 89% охват клиентской базы, что значительно выше средне рыночной в России. Кроме этого, благодаря внешним данным, удалось использовать функционал NBO и для новых клиентов Банка.
Что дальше?
В планах команды Департамента CRM пилотирование нового продукта SAS на базе платформы SAS Viya, а именно Маркетингового Оптимизатора.
Next Best Offer
Next Best Offer
Предскажет, что ваши клиенты купят в следующий раз, и в нужный момент пришлёт им персональное предложение.
Как работает
Покупатели оставляют компаниям огромное количество данных о себе. Многие ведут себя похоже, и на основе этой информации можно строить цепочки потребления. Например, если человек купил кресло или одежду для 6-месячного малыша, через полгода ему наверняка понадобятся вещи для годовалого.
Как только новый пользователь оформил заказ, искусственный интеллект отнесёт его к определённому «звену» цепочки потребления. Затем он предположит, какой товар заинтересует клиента в будущем, и в самый подходящий момент отправит ему предложение.
Как искусственный интеллект предсказывает следующую покупку:
Анализирует последовательность покупок всех клиентов, сколько времени проходит между ними
Определяет статистически значимые цепочки потребления
После заказа товара система предполагает, какая покупка будет следующей в цепочке потребления
Покупая товары, пользователь может попасть сразу в несколько цепочек потребления. Тогда искусственный интеллект вычислит самые важные предложения, соберёт их и отправит в одном письме.
Пишем о стратегическом маркетинге на основе Big Data
Прирост выручки более 12% с помощью триггерных email-рассылок: кейс Gipfel
Как оптимизация CJM с помощью персональных рекомендаций позволяет увеличить выручку и средний чек: кейс Gipfel
Обновления платформы Retail Rocket за первое полугодие 2021
У нас более 1 000 клиентов по всему миру
В прошлом году мы принесли им более 34 352 379 223 i дополнительной выручки.
Выручка страницы поиска на сайте выросла
Товарный оборот на сайте вырос
Выручка email-кампании выросла
Выручка на сайте увеличилась
Уменьшили отток клиентов
Конверсия в email-рассылках увеличилась
Посмотрите, как работает платформа
Оставьте заявку и мы свяжется с вами. Покажем, как работает Next Best Offer и ответим на вопросы.
Мы можем приехать к вам в офис или пригласим к нам. Если не получается встретиться, проведём демонстрацию по видеосвязи.
Модули Retention Management Platform
Campaign Management System
Увеличит выручку и повысит лояльность клиентов с помощью кроссканальных коммуникаций в email-рассылках, push и sms
Customer Intelligence Platform
Открывает возможности стратегического маркетинга на основе баз данных, чтобы LTV и прибыль росли
Data Warehouse
Объединит данные о клиентах из офлайн и онлайн-источников в одном месте и быстро создаст сегменты под любые задачи маркетинга
AI Personalization Engine
Знает, в какой момент, какое персональное предложение и через какой канал нужно сделать вашему клиенту
Рассылка от Retail Rocket
Свежие инсайты о маркетинге и retention в вашем почтовом ящике
Мы в социальных сетях
Исследования осуществляются при грантовой поддержке Фонда «Сколково»
Predictive Marketing
Прогностические и сегментационные модели
для задач CRM
Клиентская аналитика в настоящее время прочно закрепилась в практике маркетинга как эффективный инструмент неценовой конкуренции, позволяющий обратить знание своих клиентов в ощутимые бизнес-результаты: дополнительный доход и лояльность.
Объединив 10-летний опыт внедрения аналитических решений для CRM, мы разработали интегрированный продукт для задач клиентской аналитики — Predictive Marketing.
ЗАКАЗАТЬ КОНСУЛЬТАЦИЮРешение
Predictive Marketing позволяет комбинировать встроенные схемы анализа данных и свои собственные идеи и разработки для решения наиболее распространенных бизнес-задач, стоящих перед целевым маркетингом:
Predictive Marketing опирается на лучшую из известных нам аналитических платформ — IBM SPSS Business Analytics. Это позволяет сделать решение не только надежным, но и масштабируемым. В его состав могут входить лидирующие программные продукты для клиентской аналитики и внедрения аналитических процессов:
Заключая в себе множество полезных шаблонов, отвечающих конкретным задачам, в том числе шаблоны типовых операций с данными для подготовки их к анализу, моделированию, построению отчетов, решение PM не является «черным ящиком», предписывающим решение определенных задач по строго определенным схемам. Логику процессов в PM диктует сам пользователь. В этом решении мы сохранили всю мощь лежащих в ее основе инструментов для того, чтобы по мере работы с решением Вы осваивали все новые приемы работы с данными и могли построить процесс, в точности отвечающий поставленным бизнес-целям.
Основные функции
Сегментация клиентов
Выделение клиентских сегментов с близкими профилями потребления продуктов и услуг и другими поведенческими характеристиками позволяет разрабатывать эффективные маркетинговые стратегии, нацеленные на определенный тип потребителя, правильно позиционировать новые товары и услуги и получать большую отдачу от текущих маркетинговых активностей.
Использование PM позволяет Вам быстро выявлять однородные сегменты клиентов по выбранным поведенческим характеристикам, определять наиболее важные предикторы, влияющие на образование сегментов. Решение предоставляет удобные средства изучения и сравнения профилей полученных сегментов и выделения ключевых характеристик, наиболее специфичных для каждого сегмента. Разработанная модель применяется в дальнейшем для регулярной автоматической сегментации клиентской базы.
Информация о принадлежности клиента к определенному сегменту применяется также в прогностических моделях в интересах предотвращения оттока или расширения потребительской корзины клиентов.
Предотвращение оттока
Успешность предупреждения оттока клиентов обеспечивается оптимальным сочетанием мер, направленных в целом на повышение лояльности клиентов, с эффективными средствами работы с клиентами, обнаруживающими признаки ухода в отток. Решение PM обеспечивает выделение наиболее склонных к оттоку клиентов за счет настройки особого класса прогностических моделей (Churn Prediction) с последующей регулярной оценкой склонности к оттоку каждого клиента. Результаты такой оценки позволяют фокусировать меры, направленные на предотвращение оттока, непосредственно на клиентах группы риска.
Идея моделирования оттока основана на сравнительном анализе истории поведения активных и бывших клиентов. Решение обеспечивает автоматический отбор поведенческих показателей, которые являются лучшими индикаторами склонности к оттоку, включение этих показателей в модель и формирование отчетов о качестве модели и концентрации потенциальных «churn’еров» в зоне с максимальными скоринговыми баллами. По результатам скоринга формируются списки клиентов для ведения целевых активностей по удержанию и повышению лояльности.
Развитие клиентов
Бизнес всегда заинтересован в дополнительных доходах от уже существующих клиентов — в расширении потребительской корзины. Доходность клиента можно повысить за счет расширения спектра потребляемых им продуктов (Cross-sell) или за счет повышения существующего профиля потребления (Up-sell). Решение Predictive Marketing помогает делать это ненавязчиво и эффективно.
Наилучшие результаты Cross/Up-sell активностей достигаются, когда предложения попадают на подготовленную почву, то есть делаются клиентам, склонным к развитию в предложенном направлении. Такая нацеленность в решении задачи развития клиентов одновременно снижает риски отрицательного влияния на лояльность клиентов как реакции на неподходящие предложения.
Решение PM обеспечивает настройку моделей Cross/Up-sell, оценивающих склонность клиентов к приобретению определенных продуктов и услуг или к повышению объемов потребления. По результатам регулярного автоматического применения моделей к клиентской базе выделяются сегменты клиентов, в которых целевые маркетинговые активности по продвижению конкретных продуктов получат наибольший отклик.
Оценка эффектов целевых маркетинговых кампаний
Общая эффективность целевого маркетинга во многом определяется возможностью своевременно оценивать результативность кампаний и выбирать из них наиболее эффективные. Решение предоставляет специально разработанный интерфейс для проведения оценки, который не требует знания деталей организации данных о кампаниях. Достаточно выбрать нужные кампании, оцениваемые эффекты, периоды оценки. Далее процесс работает полностью автоматически, генерируя отчеты с данными по запрошенным эффектам в табличной и графической форме.
Предусмотрены возможности проверки статистической значимости различий эффекта в целевой и контрольной группах, фильтрации выбросов, которые могут искажать оценки эффектов. Допускается оценка эффектов в специфических подгруппах клиентов. Например, помимо общего отклика можно оценить отклик среди клиентов с определенным диапазоном расходов на продукты и услуги.
Выбор оптимального предложения для клиента
Большое количество проводимых маркетинговых кампаний часто приводит к тому, что клиент потенциально попадает сразу в несколько из них. Обычно в такой ситуации клиент назначается в одну из конкурирующих кампаний случайным образом, либо относится в ту кампанию, запрос на списки для которой пришел первым. Решение Predictive Marketing позволяет назначить клиента в ту из кампаний, в которой он принесет максимальную прибыль с учетом вероятности отклика на конкретное предложение, дохода от предложения и бизнес-ограничений.
Исходными данными для оптимизации кампаний является история контактов и откликов для оценки вероятностей отклика в сегментах клиентов. Если отбор клиентов в некоторые кампании проводится по результатам скоринга, например, по моделям Cross/Up-sell, скоринговые баллы также учитываются при выборе оптимального предложения каждому клиенту.
Подготовка данных
Учитывая значительную составляющую подготовительного этапа при разработке моделей аналитического CRM, мы включили в решение Predictive Marketing специальный модуль подготовки данных. Он содержит шаблоны аудита, подготовки и преобразования данных о клиентах, продуктах и транзакциях к виду, требуемому для последующего анализа и моделирования. Шаблоны включают выполнение таких операций, как:
Автоматизация
Широкие, гибкие и масштабируемые возможности интеграции и автоматизации в решении Predictive Marketing обусловлены наличием множества средств внедрения разработанных процессов в производственном режиме:
Для получения более подробной информации
по функциональным возможностям и вопросам внедрения решения
закажите бесплатную консультацию
Новости и Кейсы
Next Best Offer или предиктивная аналитика для взлета продаж
Как разработать индивидуальное предложение для каждого клиента с высокой эффективностью?
Предикативная или прогностическая аналитика представляет собой множество методик и способов анализа исторических данных для построения прогноза событий в будущем.
В настоящее время, данная аналитика прочно закрепилась в практике маркетинга, поскольку представляет собой эффективный инструмент по анализу клиентской базы. Цель анализа – получить из знаний о своих клиентах определенные бизнес-результаты (повышение лояльности, либо увеличение дохода, либо нахождение новых точек роста и т.д.).
Одним из наиболее популярных направлений предиктивной аналитики является поиск оптимального предложения для клиента или Next Best Offer. Однако, для того чтобы сформировать наиболее подходящее предложение, необходимо проделать ряд работ, которые можно разложить на этапы:
1. Сегментация и мониторинг параметров сегментов.
2. Разработка стратегии для каждого сегмента.
3. Прогнозное моделирование.
4. Выбор конкретного предложения.
Сегментация и мониторинг параметров сегментов
Под сегментацией понимается разбиение всей клиентской базы на несколько групп, которые обладают какими-то отличительными характеристиками. Это нужно для того, чтобы собрать в одну группу клиентов похожих друг на друга и составить для себя их потрет потребителя.
Следующим шагом будет анализ этих групп клиентов с точки зрения их удержания в группе, а так же миграции клиентов из одного сегмента в другой.
В качестве характеристик, на базе которых будет происходить деление на группы, могут быть выбраны как экономические, сезонные, поведенческие, таки любые другие показатели (Кол-во чеков, средняя сумма чека, день недели с наибольшим чеком, наличие
Разработка стратегии для каждого сегмента
Исходя из полученных сегментов клиентов (групп по отличительным характеристикам) необходимо разработать стратегии развития для каждой группы. Для этого необходимо сформировать цель для каждого сегмента (увеличить средний чек, увеличить частоту покупок и т.д.), после чего разработать условие, которое должен выполнить клиент для достижения данной цели и поощрение, которое он получить в том случае, если выполнит условие. Например:
Однако, разрабатывая условия для достижения целей нужно всегда помнить об ограничениях, с которыми могут столкнутся клиенты из конкретного сегмента. Например, их бюджет не сможет позволить делать покупки на слишком большие суммы исходя из заработной платы либо их рабочий или учебный график не позволит приходить за покупками в конкретный временной период или день недели т.д.
Прогнозное моделирование
Необходимо провести анализ совместных покупок в рамках каждого сегмента и выявить наиболее популярные сочетания товаров для каждой группы клиентов.
Дальше необходимо изучить историю участия в акциях клиентов из каждого сегмента. На основании этого ответить на 2 вопроса:
Если клиент и так всегда принимает участие в акциях, то не нужно тратить время на рассылку для него. Если клиент принимал участие в акциях только тогда, когда его об этом информировали, то следует обязательно его оповестить. Если же он никогда не реагировал на акции, тоне стоит тратить на него время и в этот раз.
Выбор конкретного предложения
В результате прохождения всех выше описанных этапов для каждой акции, которую мы собираемся ввести, рассчитывается сегмент, который будет в ней участвовать, вероятность его отклика при отсутствии коммуникации (рассылки) и при ее наличии, а так же вероятный доход от данной акции. На основании этого менеджер может принять решение о том, насколько оптимальным это предложение будет для клиента и для компании.
Например, рассмотрим продуктовый портфель любого банка, это часто сложные продукты с множеством переменных и индивидуальным подходом к Клиенту. Для таких типов продуктов или услуг наиболее применим Next Best Offer. Он позволяет рассчитывать целевое маркетинговое предложение для клиента с учетом текущего контекста и истории взаимодействия клиента с банком в режиме реального времени. Система также автоматически подбирает наиболее удобный канал коммуникации для отправки сформированного предложения — через SMS, звонок, автоматизированную банковскую систему и др.
Конечно, все зависит от полноты собранных данных о клиенте и его предпочтениях и от качества ведения учетной и CRM систем. Если мы говорим о крупной розницы – то без системы определения предпочтений потребителей Next Best Offer и ее автоматизации, крайне сложно длительно оставаться в отраслевых лидерах
Если вы хотите узнать больше о прогнозной аналитике, получить ответы на свои вопросы компетентно и по существу — напишите нам запрос Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра. или позвоните консультантам +375296083700
Финансовая сфера
Предугадать ожидания клиента
Next Best Action — это подход, при котором каждый клиент изначально рассматривается сугубо индивидуально. Каждую коммуникацию с ним банк стремится использовать для того, чтобы выполнить наилучшее действие по отношению к клиенту с точки зрения стратегической цели взаимодействия с ним
Директор по работе с финансовым сектором
Почему подход NBA стал активно развиваться именно в течение последних лет, а в России фактически только стартует? Он просто не мог появиться раньше. Прежде всего, клиентоориентированная концепция должна была пройти довольно долгий путь — от ориентации на клиентские сегменты до полностью персонального взаимодействия. Кроме того, должны были созреть технологические предпосылки. Ведь речь идет о массовом клиенте, и без технологий невозможно ни сформировать 360-градусное понимание каждого клиента, ни обеспечить использование этих знаний в режиме реального времени при любом контакте с клиентом. Можно выделить несколько технологических предпосылок NBA. Первая?— это значительное развитие каналов коммуникации с клиентом. Если еще несколько лет назад взаимодействие осуществлялось только через офисы, контакт-центр, прямую почтовую рассылку, смс, то сегодня появилось множество новых каналов; в их числе: мобильные приложения, интернет-сайт, социальные сети, которые активно прогрессируют как по количеству пользователей, так и по своим интерактивным возможностям.
Вторая предпосылка — это возможность получения компаниями гораздо большего спектра данных о клиентах, чем было доступно ранее. В первую очередь, благодаря новым технологиям поиска и обработки информации, текстовой аналитике, появился доступ к широким пластам дополнительных поведенческих параметров: это и поведение клиента на сайте банка, и его действия в социальных сетях, транзакции клиента с географической привязкой, автоматическая расшифровка переговоров с контакт-центром с оценкой эмоциональной окрашенности разговора (вплоть до данных телеметрии машины клиента) и т.п. Кроме того, благодаря продвинутой аналитике компании также научились довольно точно оценивать такие персональные характеристики клиента, как вероятность дефолта, вероятность отклика на предложение определенного продукта, вероятность успешной коммуникации по конкретному каналу, чувствительность к параметрам продукта, чувствительность к колебанию курсов валют, вероятность прекращения обслуживания в компании.
Одним из важнейших аспектов развития NBA стало становление и развитие так называемого событийного маркетинга. Например, в одном из крупнейших американских банков на сегодня построена так называемая Signal Factory, которая позволила собирать информацию по почти тысяче различных сигналов-триггеров по клиентам, включая транзакции, превышения пороговых значений, события по клиенту и договорам, внешние триггеры (данные бюро кредитных историй, налоговой службы, службы по трудоустройству и пр.), различные жалобы и запросы. Но как показал опыт многих организаций, использовать атомарные (единичные) сигналы-триггеры, чтобы планировать и подбирать Next Best Action, неэффективно. Эти сигналы нужно объединять в пакеты и рассматривать их в совокупности. Для того, чтобы уметь интеллектуально формировать такие пакеты сигналов, нередко за продолжительный период, точно определять, какие действия лучше предпринять в ответ на тот или иной сигнал, а также иметь возможность мгновенно реагировать, когда последний сигнал пакета сработал, и необходимо специализированное аналитическое решение компании SAS — Signal Factory, включающее программное обеспечение для построения аналитической лаборатории и репозитория сигналов-триггеров.
В России сегодня NBA только начинает развиваться, но судя по семимильным шагам, которыми у нас развивается целевой маркетинг, и большому интересу ко всем аспектам этой методологии, вполне вероятно, что уже скоро новый подход станет реальным конкурентным преимуществом для наиболее клиентоориентированных организаций.