Získat nového zákazníka je podle tradiční byznysové teorie 5x dražší než udržet si toho dosavadního. Jenže tato teorie pochází z analogového světa, z dob přehledného trhu, kdy průmysl tvořily velké centralizované výrobní podniky s masovou produkcí, klasickým obchodním modelem a indiferentním zákazníkem. V dnešní době personalizované klientely tento rozdíl narostl až na 25násobek. Ano, čtete správně, v závislosti na odvětví může být získání nového zákazníka až 25x nákladnější než udržení stávajícího.
Proto je retence tím, co by mělo firemní stratégy zajímat jako první. Jistě, odcházení zákazníků je běžnou součástí podnikání, je ale třeba ho udržovat na co nejnižší úrovni. Studie ukazují, že zlepšení tohoto parametru i v jednotkách procent má výrazný pozitivní vliv na hospodaření firem. Pětiprocentní zvýšení retence za rok může snížit náklady až o 10 procent a zároveň zvýšit zisky.
Udržet a prodat
Společnost CEOS Data pro tento účel vyvinula produkt CEOS Retenční model, který na základě stávajících dat o zákazníkovi a frekvenci jeho nákupů umí předpovědět, jaké bude jeho další chování, včetně případného odchodu ke konkurenci. Model přitom sleduje určité vzorce chování, jako jsou například nedokončené nákupy. Následně zákazníka identifikuje a zařadí do reprezentativní skupiny. Získané informace poté dokáže promítnout do podnikových aplikací tak, aby maximalizoval očekávané přínosy pro firemní byznys. Podle vzorců chování dokáže identifikovat nejen hrozící odchod zákazníka ke konkurenci, ale i příležitost pro prodej zboží či služeb.
Retenční model přitom využívá dvou metod, z nichž každá zkoumá chování klientů jiným způsobem, jejich kombinace ale přináší kýžené výsledky. První je strojové učení, které pomáhá se segmentací klientů, druhá je založena na využití takzvaného intervalu spolehlivosti a přistupuje ke každému zákazníkovi jako k suverénní identitě.
Úspěšnost 95 procent
Díky kombinaci obou metod je možné včasně reagovat i na rychlé změny chování a využít celé spektrum modelování pro predikci odchodu i v případech, kdy běžný pohled na data odchodu klienta nenapovídá. Model tak umí identifikovat nejen klienty, kteří jsou neaktivní nebo změnili chování, ale i ty, kteří by se takovými mohli brzy stát. Zároveň informuje o faktorech, které vedly ke změně chování zákazníka. Při validaci obou metod, tedy vyhodnocení, zda matematický model prokazuje shodu s reálnými daty, model vykazuje záchyt až 95 procent klientů, u nichž hrozil odchod ke konkurenci.
V praxi již funkčnost modelu osvědčila jedna z pěti největších bank v Česku, která má více než milion klientů. Umělá inteligence pracovala s klientskými údaji za posledních pět let. Model vyhodnocuje každý den změny chování na vybrané skupině identit. Vytipované skupiny jsou pak bankou oslovovány s konkrétní nabídkou produktu či služeb. Pozitivně na nabídku zareagovalo o 25 procent klientů více než před využitím modelu CEOS.
Model se prosadil i v retailu. Využívá jej maloobchodní síť s 40miliardovým obratem a více než 3 miliony zákazníků. V tomto případě retenční model detekoval 20 procent zákazníků se změnou chování. Více než 85 procent z nich pak reagovalo na zaslanou marketingovou nabídku. Reaktivace těchto zákazníků přinesla navýšení obratu o více než 5 procent.
Autor článku: Vladimír Ira