Jak menší než velká data mohou přispět k větší než malé

Výzkum a
Jak
k
menší
než
BIG
velká
data
data mohou přispět
větší než malé retenci zákazníků
Pavel Vaněček
BIG data
wisdom
variety
velocity
volume
DWH DM Flat file Data table DS OLAP segment Znáte svého
zákazníka?
spokojenost
připoutanost
DWH DM Flat file Data table DS OLAP segment využití konkurence
Retence zákazníků
1 milión
zákazníků
500,- za měsíc
6 mld. za rok
20 % churn rate
550 mil.
za rok
akvizice 200.000
15 tisíc za zákazníka
3 mld. za rok
Jak zvýšit retenci
svých zákazníků?
(a uspořit miliardu korun za rok ;)
1.  Nebát se zeptat
2.  Být připraven
1. Nebát se zeptat
cena 31%
událost 29%
značka 12%
produkt 9%
živ. situace 8%
Win-back potenciál
vysoký
cena
41%
událost
16% 17%
značka
31%
produkt
nízký
žádný
29%
30%
67%
41%
55%
28%
27%
18%
2. Být připraven
datová integrace
příprava prediktorů
DWH modelování
DM Flat file Data table DS OLAP implementace do CRM, early-warning
výzkum
trhu
Early-warning systém
Customer ID
Churn
likelihood –
one month
Churn
likelihood –
3 month
Potential
revenue
churn
Reason for
churn
Proposed
solution
4857359
46%
88%
24
Price
Offer most
rational
package
2947428
12%
35%
43
Customer
service
Comfort call
9083628
10%
25%
12
Technical
faults
Apologize,
offer free gift
akvizice
15 tisíc za zákazníka
~ 3 mld. Kč za rok
retence
1 tisíc za zákazníka
7% response rate
~ 3 mld. Kč za rok
10% response rate
~ 2 mld. Kč za rok
15% response rate
~ 1,3 mld. Kč za rok
retence zákazníků
1.  Pochopit a kvantifikovat důvody
odchodu zákazníků
2.  Odhadnout win-back potenciál
3.  Nastavit win-back strategii
4.  Implementovat early-warning
Díky moc
a držím palce!
Pavel Vaněček
[email protected]
vanecekpavel @Twitter, @LinkedIn