Publikált CRM cikkek tárhelye: banki és biztosítási szektor, telekommunikáció, kereskedelem ***************************** FONTOS! A BLOGON MEGJELENT ÍRÁSOK CSAK A SZERZŐ ENGEDÉLYÉVEL, A HIVATKOZÁS PONTOS MEGJELÖLÉSÉVEL HASZNÁLHATÓK FEL. *****************************

Friss topikok


2017.08.21. 16:50 S.CH

Microsoft is reporting big financial institution wins for its Dynamics CRM business. At the Sibos global financial services event in Dubai on Tuesday, Redmond announced several global financial institutions are modernizing business operations on the Dynamics CRM platform as they shift from transaction-based businesses to customer-centric businesses.
Prioritizing customer service is the key competitive differentiator for Metro Bank, Great Britain's first new bank in more than a century. Microsoft Dynamics CRM, combined with Microsoft devices and services, is the foundation of Metro Bank's customer-first strategy.

"As the first new high street bank in the U.K. for over 100 years, our unique, customer-focused model is reinventing the rules of retail banking," said Paul Marriott-Clarke, commercial director at Metro Bank. "Microsoft Dynamics CRM helps us enhance our customers' experiences, combining traditional face-to-face service in our stores with amazing technology to ensure our customers receive the very best in service and convenience."

Measuring CRM Results

Microsoft Dynamics CRM promises financial institutions a powerful solution to drive proactive interactions with end customers, provide deep client insight, and deliver intelligent offers and custom-built experiences. In the banking world, the results are often improved customer retention, adding new customers and improving advisor productivity.

MKB Bank, the second-largest bank by equity in Hungary, chose Microsoft Dynamics CRM to steer all customer-related processes in the bank and keep up with growth. The results: MKB improved customer service times by 25 percent, decreased customer churn by 5 percent and increased profit earned on the primary banking customer segment by 20 percent in the same period.

"Customer service is our top priority, and Microsoft Dynamics CRM gave us a comprehensive view of customers and integrated access to all channels," said Laszlo Kiraly, head of CRM and E-Channels at MKB. "Our CRM-driven front-end system has become the core application for our business. It is now our primary platform for collaboration, better efficiency and a superior multichannel experience."

Powering Entire Banks

And at the end of the day, to become customer-centric organizations, banks must first start thinking from their customers' perspectives. They need tools, technologies and processes that allow them to address customer inquiries anywhere, anytime. Banks need tools that provide complete and holistic views of their customers and enable them to reach out with intelligent and timely offers.

Volkskreditbank AG (VKB) tapped Microsoft Dynamics CRM to help it become one of the most customer-oriented banks in Austria. The bank reports a 32 percent boost in sales productivity, an 18 percent increase in customer service quality and a 95 percent decrease in the time needed to provide analyses and reports, giving managers and executives a near-real-time view into the health of the business.

"We needed a CRM solution to power our entire bank, not just a single division or set of products," said Michael Reifetshamer, IT manager at VKB. "Our experience with Microsoft Dynamics CRM shows that we made the right choice."

Finally, ABN AMRO Bank NV improved customer service by implementing Microsoft Dynamics CRM and connecting it to its asset management system to provide a single view of each customer account.

"Dynamics CRM is a robust solution tool," said Su Kia Tan, head of Process & Project Management for ABN AMRO Bank. "We use it to support our end users in managing business growth and productivity improvement with necessary controls built on customized and streamlined workflows."


Szólj hozzá!

Microsoft Crm - Case Studies

2017.08.21. 16:50 S.CH

Microsoft CRM – Leading by Example with Financial Services Case Studies
*Updated February 23 2014 to include Natwest*

Continuing with the financial services theme I wanted to write about some of the most successful case studies in the industry. Rather than just provide you a link to the case studies I have tried to pull out the salient points in two to four bullet points. If you want further detail then I have also included the full case study should you wish to read on.

I try to stay on top of the latest projects and CRM implementations in the financial services industry, keeping current with the latest trends and best practises is a key part of my job. I keep in regular contact with existing and previous clients and regularly catch up with people in the field to find out what they are doing in the client management arena. With so much going on it can be quite a challenge, fortunately Microsoft also maintains a site dedicated to case studies, If you use the advanced find you can filter by industry and product. Below are some of the ones I use most frequently, there are many, many more.

Some of the largest and most successful financial institution in the world use Microsoft Dynamics CRM unfortunately we can’t name them publicly! One such organisation is a major bank here in the UK, they went live in a matter of a few short months and are delivering new business processes to the organisation every week! Their CRM project is in fact so successful and cost effective that many other departments are looking to deliver their projects on the Microsoft CRM platform. A quite unexpected and good problem for the CRM delivery team! I hope to be able to share more information on this later in the year. In the meantime here are plenty of other great stories!





Citi Private Bank deploys Microsoft Dynamics CRM. Citi Private Bank is part of Citigroup and delivers private banking services to ultra-high net worth customers across the world. Three years ago, the company launched Project Sheen – an initiative focused on delivering an optimal client experience across all touchpoints.

Approximately 1,000 Citi Private Bank employees are using Microsoft Dynamics CRM. Implemented across locations in Asia in November 2012 and the full roll out across all regions worldwide was completed by August 2013. “Ease of implementation was important for us. We had already experienced the challenge of trying a new CRM system that didn’t work and so it was important that the switch was seamless – and it was,”
Citi wanted to ensure that customer information is held in a logical and ordered way that enables bankers to best evaluate clients’ portfolios and to identify investment opportunities.
“our technology team considered Microsoft Dynamics CRM and found that it was everything we wanted and more. Most importantly, it could serve as a global solution and integrate with the platform we were currently using.”
“Another factor we found to be positive with Microsoft Dynamics CRM was the ability to be compliant with regulatory requirements in each jurisdiction,”
We can deliver solutions to our clients in a much more relevant way because we understand their needs,”. “We know what they’re interested in and what their preferences are, which means we can target them better.”



Natwest. Natwest has a long history, now a part of the Royal Bank of Scotland, NatWest joined one of the largest financial services groups in the world, with more than 3,600 branches of its own.

Gained more than 95% user adoption
Deployment of Microsoft Dynamics CRM at NatWest took only four months, with the solution going live to 3,000 users in April 2013
Consolidated view of all customer touch points and streamline processes to free up employee time to better focus on those customers.
Drives cross-selling opportunities through value-added customer interactions
CRM helps them delvier a personalized service which supports customers in achieving their ambitions

Metro Bank. Metro Bank is Britain’s first new High Street bank in over 100 years. They offer banking focused on the customer through high levels of service and convenience.

UK Retail bank using CRM online, Office 365, SharePoint, Yammer, Lync etc.
“Fans not customers and a culture that is based around the customer”. “surprise and delight”
“Be there when the customer wants them”
Chose Microsoft CRM over SalesForce
“Microsoft CRM is our customer platform“

Raymond James provide broker services, capital markets and fixed income products. All about personalised financial planning.

6,000 Financial advisors across the world
4,000,000 Clients
20,0000 -30,000 transactions updates every day with updates to CRM in real time
Full back office integration that improves advisor efficiency and enables them to provide a personalised service
Knowledge is held in once place so that they can proactive personalised services
Access to information remotely wherever they are on mobile devices.

Henderson Global Investors. £65 billion in assets under management. Employing 1,000 people across 15 locations worldwide

Automated marketing
Mobile access
Better quality data & better reporting
Comprehensive view of their investors

Russell Investments. Founded in 1936 and having over 580 independent distributor partners Russell Investment has $237.3 billion under management

50 % cost saving compared with the leading on-demand competitor
Solution based on Microsoft CRM Online
Integration to other Microsoft technologies deployed like Lync, SharePoint, and Office
Expect the go-to-market time for new capabilities and vertical workloads like wealth management will be cut in half,

Allianz is one of the world leading Insurance organisations and is active in life and non-life, health, personal, and commercial insurance.

Reduced quote time by 30%
Significantly improved the quality of its distribution relationship management of brokers
Brokers are getting new product information to their customers faster and taking advantage of better management from our relationship managers

ING Bank (wanted to improve its market position by investing in CRM for the Salesforce) – Video Case Study

4 Month implementation
Maximise direct opportunities with customers
More productive sales time
Streamline the sales process

LV is the UK’s largest friendly society and has 5500 employees working in 17 offices. It provides investment and insurance services to more than 5 million members and customers

66 % reduction in sales administration
Centralised, secure data repository which is easily accessible by both in-house and on-the-road sales teams
Automation of previously manual tasks, while management have much greater visibility of profitability and are easily able to meet their compliance and auditing commitments

Sun National Bank (Wanted to be faster and more effective, and easy to implement and bring to market quickly)

Increased cross selling by 20%
Increased Loan profitability
Reduces time to approve loans by 80%
Reduces time-to-market by 67%, cost by 75%

MKB Bank (Improve the customer experience and marketing and sales force efficiency)

Customer service times improved by 25%
Customer churn decreased by 5%
Migration of customers to higher value segments takes on average 20% less time

Dubai Bank (Single customer view for service agents)

Quicker time to revenue through faster account opening
Reduction of service agent applications from eight to one

BancaTransilvania (Increase growth and adopt new business automation process and handle increasing volume of multi channel interactions )

Increase call centre productivity by 30%
Internet banking subscriptions processing is 75 % faster
Greater control on the productivity and efficiency of the users and the business

Sasfin Bank (Increase revenue, improve risk analysis with single view of the customer)

Reduce costs associated with gathering customer data and determining risk exposure
Provide easier approach to meet customer-satisfaction benchmarks
Streamline customer portfolio management

Oschadbank (Respond efficiently and effectively to a very large call volumes)

Implementation of Call Center across 6000 branches
Multi Channel (calls, SMS, e-mail), to attract, retain and service with minimum time and effort for both parties.

Garanti Pension. Garanti Pension provides life insurance services in Turkey, with a net asset value of US $1.8 billion and second place in overall market share.

Sales Team Efficiency Increased by 25 Percent
Call handling per day increased 50 percent
Contributions per customer increased 85 percent since 2007
Average resolution time reduced by 75 percent


BP Energy Trading. P has one of the largest and most successful energy trading organisations in the world, known as Integrated Supply & Trading (IST). As the single trading face of international oil and gas company BP, IST does business in over 140 countries and has a global portfolio of around 12,000 customers and suppliers.

Organisation wide collaboration
Using Dynamics CRM to meet high client demands and expectations
3000 employees, BP’s Energy Trading business is also known as Integrated Supply & Trading (IST). 80% of BP Group’s turnover flows through this supply and trading business
“Basically, if you can manage your Outlook e-mail you can start using some of the functionality in Dynamics CRM without much effort. I believe this makes a huge difference when it comes to successful organisation-wide adoption.”
This post was originally published on This posting is provided “AS IS” with no warranties, and confers no rights.

Szólj hozzá!

Microsoft Dynamics / CASE STUDY

2017.08.21. 16:50 S.CH


Experts of Microsoft Consulting Services worked with business and IT professionals of the Bank at the team level. This efficient communication also contributed to establishing such a good system which is also accepted by the user side.” Krisztina Schay, Director of the CRM Department MKB Bank


Szólj hozzá!

Marketing success...

2017.08.21. 16:50 S.CH

Marketing success requires integrated campaign and data management

Organizations are collecting an increasing amount and variety of client data, which can be challenging to manage and confusing when used to devise marketing campaigns. In order to maintain consistent strategies, firms can focus on integrating and sharing information from all analytics systems through a centralized data management platform.

Smart Data Collective contributor Julie Hunt asserted that more enterprises are capitalizing on marketing automation’s benefits for identifying opportunities for membership and revenue. The key to a successful marketing campaign, according to Hunt, is ensuring a positive multi-channel client experience, which can be difficult with the adoption of so many new communications platforms and technologies. Improving member relations demands the most advanced campaign management software to constantly measure and improve marketing by analyzing previous efforts.

Hunt explained that client data is at the core of effective marketing, and managing information demands an integration of multiple internal and external sources. By ensuring that information is up-to-date and accurate, organizations can more effectively segment and classify clients so that marketing strategies are customized to fit their unique preferences. She reported that it is imperative for marketing management and customer relationship management (CRM) systems to constantly interact and share information regarding clients’ needs and desires. This information, which has been collected on the organization’s social media channels and campaign management systems, can reveal members’ habits and values so that firms can better predict their future interests.

Data integration is particularly important for creating a more elaborate map of the member journey, which Hunt explained is crucial to ensuring that marketing content is relevant to each individual’s particular stage of membership.

Fostering long-term relationships
Forbes reported that the banking industry has already been making the integration of data analytics a priority to create a seamless client experience and more meaningful interactions that drive loyalty. In a hyper-competitive market, banks require a holistic understanding of clients across every channel. Forbes explained that MKB Bank utilized CRM to better understand clients and make more personalized offers for more valuable exchanges.

By integrating CRM and business intelligence (BI) solutions with existing data systems, the bank was able to reduce branch service times by 25 percent, decrease customer turnover by 5 percent and increase the most valuable customer segment profit by 20 percent.

Organizations can capitalize on new opportunities for enhanced marketing tactics by integrating CRM solutions and deploying more advanced data management systems. These practices aid firms in nurturing stronger client relationships by empowering more personalized interactions from greater insight into analytics.


Szólj hozzá!

When Banks Use Crm...

2017.08.21. 16:50 S.CH


FEB 28, 2013 @ 11:26 AM 11,023
When Banks Use CRM Technology, Customer Service Improves

The halcyon days of big banks with big, multi-year IT projects and loyal-to-a-fault customers are gone. Post financial crisis, a much tougher, leaner, and competitive banking environment has emerged, with more mature and sophisticated customers. In today’s new normal, banks not only have to meet stringent compliance requirements, but they also need to provide a more seamless customer experience and meaningful interactions to retain existing customers and increase wallet share. Ultimately, banks need tools that help them drive more profitable customer relationships in this hyper-competitive world.


But to do that, banks need a holistic view of customers across all channels. They need to understand their customers from all angles and be able to deliver more personalized products and services. Imagine, for instance, if when serving a customer, you could instantly know his or her risk profile, which of your colleagues that customer has spoken with or worked with at the bank, and the specific banking products that customer already owns. Maybe all of this information even feeds a marketing profile, which prompts you to offer the customer a tailored promotion, such as a credit card. Now we’re talking not just about speed-of-service , but also about customer satisfaction and retention, all with the goal of growing wallet share.

While these concepts may seem straightforward, implementing such a change is anything but. Technology can help aggregate customer data and automate key processes but at the end of the day it all starts with adoption. Simply put, bank staff and managers want tools that work the way they do and that are compatible with tools they already use in their daily work environment.

We think one way to banks can achieve this is through a CRM solution that is familiar and flexible. With a good solution, bank representatives should be able to leverage the powerful capabilities of CRM through tools and devices they already use every day, like Microsoft MSFT -0.54% Outlook or a mobile phone. They should be able to view CRM data in CRM and then slice and dice data in their favorite spreadsheet program—and have any changes made automatically reflected in the CRM solution. Likewise, CRM data should be accessible to approved users through real-time communications tools like Lync or via the document management capabilities of SharePoint to foster increased collaboration or streamline offers. The ability to use CRM in a familiar interface with other everyday tools is key to truly unleashing the power CRM.

That is exactly what MKB Bank did by using Microsoft Dynamics CRM. They were able to use the powerful yet familiar capabilities to reduce branch service times by 25%, decease customer churn by 5% and increase the profit of the most valuable customer segment by 20%.

As important as customer profitability is, compliance is emerging as another top concern for banks. And, in some cases, meeting compliance requirements can actually mean undermining the very productivity that drives the business. To meet the myriad compliance requirements, banks need solutions that are flexible and provide multiple delivery options (cloud, on premise, and hybrid).

To more fully enable improved customer profitability and successful compliance, a good CRM system should also include robust process automation capabilities; for example, a workflow that streamlines the customer onboarding process or automatically transfers calls of preferred customers to more senior staff. Sun National Bank did exactly that, using Microsoft Dynamics CRM robust workflow capabilities to increase cross-selling rates by 20%, reduce time to approve loans by 80%, and reduce time to market for new products by 67%.

Szólj hozzá!

Why Microsoft Dynamics...

2017.08.21. 16:50 S.CH

Why Microsoft Dynamics CRM is Winning Big with Banks
​To become customer-centric organizations, banks must first start thinking from their customers’ perspectives. Banks need tools that provide complete and holistic views of their customers and enable them to reach out with intelligent and timely offers. Microsoft Dynamics CRM is such a tool, said an ABN AMRO Bank exec at the Sibos 2013 event.

Microsoft Relevant Products/Services is reporting big financial institution wins for its Dynamics CRM Relevant Products/Services business. At the Sibos global financial services event in Dubai on Tuesday, Redmond announced several global financial institutions are modernizing business operations on the Dynamics CRM platform as they shift from transaction-based businesses to customer Relevant Products/Services-centric businesses.
Prioritizing customer service is the key competitive differentiator for Metro Bank, Great Britain’s first new bank in more than a century. Microsoft Dynamics CRM, combined with Microsoft devices and services, is the foundation of Metro Bank’s customer-first strategy.

“As the first new high street bank in the U.K. for over 100 years, our unique, customer-focused model is reinventing the rules of retail banking,” said Paul Marriott-Clarke, commercial director at Metro Bank. “Microsoft Dynamics CRM helps us enhance our customers’ experiences, combining traditional face-to-face service in our stores with amazing technology to ensure our customers receive the very best in service and convenience.”

Measuring CRM Results
Microsoft Dynamics CRM promises financial institutions a powerful solution to drive proactive interactions with end customers, provide deep client insight, and deliver intelligent offers and custom-built experiences. In the banking world, the results are often improved customer retention, adding new customers and improving advisor productivity.

MKB Bank, the second-largest bank by equity in Hungary, chose Microsoft Dynamics CRM to steer all customer-related processes in the bank and keep up with growth. The results: MKB improved customer service times by 25 percent, decreased customer churn by 5 percent and increased profit earned on the primary banking customer segment by 20 percent in the same period.

“Customer service is our top priority, and Microsoft Dynamics CRM gave us a comprehensive view of customers and integrated access to all channels,” said Laszlo Kiraly, head of CRM and E-Channels at MKB. “Our CRM-driven front-end system has become the core application for our business. It is now our primary platform for collaboration, better efficiency and a superior multichannel experience.”

Powering Entire Banks
And at the end of the day, to become customer-centric organizations, banks must first start thinking from their customers’ perspectives. They need tools, technologies and processes that allow them to address customer inquiries anywhere, anytime. Banks need tools that provide complete and holistic views of their customers and enable them to reach out with intelligent and timely offers.

Volkskreditbank AG (VKB) tapped Microsoft Dynamics CRM to help it become one of the most customer-oriented banks in Austria. The bank reports a 32 percent boost in sales productivity, an 18 percent increase in customer service quality and a 95 percent decrease in the time needed to provide analyses and reports, giving managers and executives a near-real-time view into the health of the business.

“We needed a CRM solution to power Relevant Products/Services our entire bank, not just a single division or set of products,” said Michael Reifetshamer, IT manager at VKB. “Our experience with Microsoft Dynamics CRM shows that we made the right choice.”

Finally, ABN AMRO Bank NV improved customer service by implementing Microsoft Dynamics CRM and connecting it to its asset management system to provide a single view of each customer account.

“Dynamics CRM is a robust solution tool,” said Su Kia Tan, head of Process & Project Management for ABN AMRO Bank. “We use it to support our end users in managing business growth and productivity improvement with necessary controls built on customized and streamlined workflows.”

Thanks to:


Szólj hozzá!

"Data Driven Marketing...

2017.05.10. 14:44 S.CH

and the next step: CUSTOMER EXPERIENCE MARKETING." (2017)


Szólj hozzá!


2017.05.04. 17:10 S.CH




Szólj hozzá!

Címkék: 3R


2017.03.03. 10:46 S.CH


Szólj hozzá!

Címkék: Case study


2017.03.03. 10:46 S.CH


Szólj hozzá!

Címkék: Case study


2017.03.03. 10:46 S.CH


Szólj hozzá!

Címkék: Case study


2017.03.03. 10:45 S.CH


Szólj hozzá!

Címkék: Case study

N°°227 EFMA Journal - January/February/March 2011

2011.02.04. 12:07 S.CH


MKB Bank (Hungary): Implementing CRM to support business strategy

"In traditional banking the legacy account management system was at the centre of operations. What about the front-office, the financial advisors and the relationship managers? Their main goal is to acquire prospect clients, deepen the relationship with the existing clients and enhance their value by identifying needs and offering suitable services. We believe that our CRM front-end solution is filling the gap, and  it is rightfully becoming the core application for business...."

Szólj hozzá!

Címkék: crm Case study


2009.12.04. 10:59 S.CH


A marketingkampányok automatizálása
Marketingkihívások az új évszázadban
Amíg a sarki fűszeresnek
közvetlen visszajelzései
vannak ajánlatai sikeréről
- hiszen a megfelelő terméket,
a megfelelő időpontban
tudja felkínálni vásárlójának,
s az értékesítés sikere
közvetlenül mérhető a vásárláson -,
addig a bankszektorban az
értékesítés és annak hatékonysága
sokkal nehezebben mérhető.
Az ügyfélcentrikus megközelítés
azonban ma már a banki szektorban
sem megvalósíthatatlan.
Milyen marketingkihívásokkal
kell szembenézni
az új évszázadban?
1. Az ügyfélelérési pontok egyre sokszínűbbé válnak. Néhány évvel ezelőtt az ügyfél-kapcsolattartás főbb csatornája a bankfiók volt, ma már a call center, az internet is része az értékesítési pontoknak. A disztribúciós csatornák pedig tovább bővülnek a direct mail, az e-mail, sms vagy telemarketing lehetőségek fokozottabb kihasználásával.
2. A marketingkampányokkal szembeni elvárások növekednek. Egyre fokozódó igény a marketingkampányok és kommunikációk hatékonyságának visszamérése s a marketingkampányok megtérülésének nyomon követése.
3. Erősödik az igény a különböző területek munkáinak összehangolására. Egy-egy marketingkampány az IT-szakértőtől, az elemzőn át a marketingvezetőig sok szereplőt fog át. Ezért fokozott igény jelentkezik a sokféle tevékenység összehangolására, konzisztens információk/ajánlatok előállítására és az ismétlődő feladatok automatizálására. A szervezeti adatok gyors növekedésével rendelkezésre álló adattengerben különösen fontos olyan struktúrált környezet kialakítása, amely hatékonyan támogatja az elemzéseket, lekérdezéseket.
Az egységes marketing-automatizáció fejlődésének szakaszai - marketingtörténeti kitekintő
A 60-as években Amerikában már elkezdődött az irányítószám alapú szegmentáció, a különböző adatok összefűzése, a számítógép által testreszabott levelek létrehozása és a direktmarketing-technikák kialakítása. A 70-es években kezdték alkalmazni az elemzők a szegmentáció finomabb, szofisztikáltabb eljárásait a célcsoportok meghatározásához, s ehhez különböző analitikus alkalmazásokat vettek igénybe. A 80-as években a lakossági adatok elemzése és a relációs adatbázisok adtak lendületet az adatbázis-marketingnek. A 90-es évek a "one-to-one marketing" kezdete. Ez a korszak feltételezi, hogy az információk hatékony eljuttatása az ügyfelekhez, illetve az ügyféligényekhez igazodó termékfejlesztések közvetlenül hatnak a profitra.
Az igények változásához igazodva a marketing-automatizáció fejlődésének négy generációját követhetjük nyomon:
Az első generáció - a 60-as, 80-as éveket jellemzi. Ennek során már elkezdődött a marketingfolyamatok bizonyos mértékű automatizálása, úgy mint a contactlisták aggregálása, a direkt marketing levelek generálása. Ezek a megoldások azonban jellemzően még önmagukban álló adatbázisokra épültek.
A második generáció - már holisztikus szemlélettel jellemezhető, s nagymértékben támogatja a termékfókuszú kampányok lebonyolítását.
A harmadik generáció - az adatintegráció terén jelentett előrelépést. Elsősorban az ügyfélcentrikus nézőpont kialakításával megteremtették az egységes ügyfélnézet feltételeit minden ügyfélelérési ponton.
A negyedik generáció - létrejöttét a fokozottabb értékesítési igények, a magasabb elvárások, a gyorsabb megtérülés és az alacsonyabb költségek iránti igények generálták. Ezek a megoldások biztosítják a fejlett analitikákból származó customer intelligence tudás hasznosítását, a marketingkampány-csapat minden szereplőjének támogatását (az IT szakértőtől az elemzőn keresztül a marketingvezetőig), továbbá lehetővé teszik a marketingkampányok hatékonyságának mérését is.
Igények a negyedik generációs direkt marketing folyamatában
Célok meghatározása
Végrehajtás, megvalósítás
Visszamérés, tanulás
Stratégia meghatározása
Ügyfélkör megismerése
Költség tervezés
Terv áttekintése
Az értékes ügyfelek megtartása
Új ügyfelek akvirálása
Az egy ügyfélre jutó értékesítés növelése
Marketing- teljesítmény teljesülésének felmérése
A teljesítés függvényében a stratégia kiigazítása
Üzleti felhasználó
A marketing- tevékenységek és a szükséges ügyfélelemzések becslése
Költségtervezés megvalósítása
Kampányelemek meghatározása (célszegmensek, ajánlatok, csatornák, időzítés stb.)
Szegmensek létrehozása
Szegmensek profilozása
Szegmensek kezelése a prioritásoknak megfelelően
részletek véglegesítése (kampánykód, időzítés, elvárt költségek és eredmények)
Válaszadás definiálása
Válaszadás, költségek, megtérüléselemzés
A kampány szegmensekre gyakorolt hatásának visszamérése
Eredmények kiértékelése
Adatbázis- marketing szakértő
Adatdefiníciók és adatkapcsolatok feltárása
További szükséges adatok meghatározása
Kampány komplexitásának meghatározása
Modellezésből származó pontszámok alkalmazása
Cellák felosztása, priorizáció stb.
A kampány részleteinek elérése
Export interface meghatározása
A contact és response history frissítése
Kvantitatív elemző, adatbányász
Válaszadási modellek, kockázati modellek, értékesítési- csatorna-modellek, keresztértékesítési modellek, előrejelzések, árérzékenység-elemzések, piaci- kosár-elemzések, idősoros elemzések, optimalizáció
Modellek regisztrálása az adott kampányhoz
A modellek optimalizálása és finomítása a kampányt követő elemzések, illetve az eredmények teljesülésének figyelembe
IT szakértő
ETL folyamat vezénylése
Adatbetöltés, analitikus minták, gyors adatkezelés
Platform függetlenség, skálázható infrastruktúra
Adatbázis gazdagítása a szükséges adatforrásokkal
A contact history folyamatok tervezése és menedzselése
Válaszadás-kezelési folyamatok tervezése és menedzselése
Automatizált adatbázis- karbantartás
Automatizált kampány- végrehajtás
opt-in/out e-mail kampánykezelés
Automatizált jogosultságkezelés
Response (válasz) adatkezelés
Riportok automatizált frissítése
Web-alapú riportok létrehozása
A megvalósítás
A negyedik generációs marketing-automatizálási megoldások lehetővé teszik
·    a felsővezetés számára - a marketingstratégia adatokra épülő kidolgozását és megvalósítását,
·    az üzleti felhasználók számára - az ügyfélkör megismerését és a kommunikációs stratégiák tervezését,
·    az adatbázis-marketing szakértők számára - komplex, többlépcsős, analitikára épülő kampányok létrehozását,
·    a kvantitatív elemzők számára - marketingmodellek építését és szofisztikált adatelemzések megvalósítását,
·    az IT szakértők számára - a marketing-automatizációs infrastruktúra fejlesztését és karbantartását.
A megvalósítást az alábbi technológiai komponensek biztosítják:
·    központosított adattárház támogatja az egységes ügyfélnézetet (mint korábban érintettük [ E-hírlevél, 2004/3. szám, Nagyító rovat] a bank számára az adattárház valójában a szervezet kollektív memóriája. Ez tartalmazza az ügyfél historikus adatait, tranzakciós adatait, demográfiai és egyéb forrásból származó adatait).
·    adatbányászati eszköztár segíti az ügyfélről szerzett ismeretek hasznosítását (a korábban kifejtett ügyfélérték-modellek, keresztértékesítési valószínűségek és elvándorlási elemzések profitabilitás [E-hl., 2004/5-6. sz.]; keresztértékesítés [E-hl., 2004/7. sz.]; ügyfélmegtartás [E-hl., 2004/8-9. sz.] eredményei lényegében itt hasznosulnak). Tipikusan alkalmazott modellek:
o   ügyfélérték modellezése - az ügyfél teljes életciklusán átívelő várható érték kiszámítása
o   ügyfélkockázati elemzés - az adott ügyfélhez tartozó kockázatok kalkulálása (így hitelkockázat, elvándorlási kockázat stb.)
o   piacikosár-elemzés - a termékmix alapján az adott ügyfél vásárlási kosarának azonosítása és annak megértése, hogy mely következő termék vásárlására fogékony
o   szegmentációs elemzés - a legértékesebb és legjövedelmezőbb ügyfélkör azonosítását támogatja, ez a célzott marketingprogramok alapja
o   keresztértékesítési valószínűségek - az adott ajánlatok megfelelő időben, megfelelő tartalommal és a megfelelő csatornán történő ajánlását segíti
o   ügyfélcsatorna-elemzés - a legmegfelelőbb és leghatékonyabb értékesítési csatorna elemzését és előrejelzését támogatja az adott ügyfél és termék vonatkozásában
o   "ha, akkor" elemzések - azt vizsgálják, hogy a kampány- paraméterek változtatása milyen hatást gyakorol a bevételre.
·    az interface -ek támogatják a különböző területek együttműködését a marketing- automatizálás teljes folyamata során. Ezen a felületen keresztül - az adateléréstől a célcsoport-kiválasztáson át, a visszamérésig - a teljes kampányfolyamat vezérelhető.
Schay Krisztina
SAS, CRM Business Consultant


Szólj hozzá!

Címkék: crm cikksorozat Campaign


2009.12.04. 10:58 S.CH


Ügyfélmegtartás - elvándorlás-elemzés
A pénzintézeteknek elsősorban a saját ügyfeleiket kell megérteniük, egyéni szinten megtanulniuk, hogy az adott ügyfél milyen szempontok alapján választotta az adott bankot, mi a valódi értéke hosszú távon, illetve hogyan tud hatni a bank az ügyfelére abban, hogy elvándorlási szándékát befolyásolhassa.
Bármily meglepő, a sikeres ügyfélmegtartás az első ügyfélkontaktussal kezdődik és a teljes kapcsolat idején folytatódik. Az ügyfelekről összegyűjtött információk tárolása (számlanyitás kezdete, demográfiai változások, például lakcímváltozás), viselkedésük nyomon követése (árazási döntések hatása stb.) segíti a későbbiekben a hatékony ügyfélmegtartási elemzéseket.
Mit is jelent az ügyfélelvándorlás?
Az ügyfélelvándorlás - definíció szerint - az ügyfél és a pénzügyi szolgáltató közötti kapcsolat végét jelenti, egy-egy termék vonatkozásában vagy a teljes kapcsolat megszakadásáig. Bizonyos értelemben, a finomabb elemzésekhez pusztán az ügyfél adott, megszokott viselkedéséhez viszonyított jelentős változást is az elvándorlás indikátorának tekinthetjük.
Az ügyfélelvándorlás méréséhez javasolt elvándorlási ráta képzése:
Elvándorlási ráta (t) =
Ügyfélvesztés az adott (t) időszakban

Teljes ügyfélállomány az adott (t) időszak végén
Természetesen a pénzintézeteknél az egyenlet sokkal összetettebb, a bankok, bankcsoportok többtermékes környezetet jelentenek, emiatt sokkal nehezebb az elpártoló ügyfelek számát mérni. Előfordulhat, hogy egy adott terméket ugyan lemond az ügyfél, helyette azonban másikat igényel. Azt is fontos követni ezért, hogy milyen arányú a tényleges - számlazárással végződő - elvándorlás. A definíciók és a mérések mögött mindvégig az a szándék húzódik meg, hogy az értékes és elvándorlásra hajlamos ügyfelek minél pontosabban azonosíthatóak legyenek.
Kezdetben a szervezet jelentős összegeket költ az ügyfél megszerzésére, és kampányokkal átitatott környezetben ez egyre növekvő költségekhez vezet. Előfordul, hogy az új ügyfelekre szánt promóciók olykor a meglévő, hűséges ügyfélkör elégedetlenségét válthatják ki. Ugyanakkor a költségesen megszerzett új ügyfél kevésbé marad hűséges, s hamarosan újabb pénzintézethez pártol.
Egy elégedett ügyfél kapcsán számolni kell azzal a ma még nehezen mérhető hatással, hogy ismerősei körében az adott pénzintézetet ajánlja, s ezzel újabb ügyfelet nyer meg a bank számára.
Ügyfélmegtartás kezelése - adatbányászat segítségével
Tipikusan felmerülő kérdések:
·         Mely ügyfelek vándorolhatnak el, s ez mekkora bevételkiesést jelent?
·         Milyen jelek utalnak az elvándorlásra?
·         Hogyan határozhatók meg azok az események, amelyek megelőzik az adott termékre
(pl. hitelkártya, folyószámla, megtakarítási számla stb.) vonatkozó elvándorlást?
·         Azonosítható-e tipikus elvándorló szegmens, s melyek a jellemzői?
·         Kik azok az ügyfelek, akikre különösen figyelni kell?
Az ügyfél megtartást célzó program eredményeként pontosítani tudjuk a lojalitási program célcsoportját. A marketing-kommunikáció felé is fontos üzenet, hogy az elvándorlás szempontjából kockázatos ügyfelek közül a bank számára jelentős értéket képviselő ügyfélkört egyértelműen azonosítsuk. Ennek eredményeként - az egyedi elvándorlási valószínűségi indexek és az egyedi ügyfélértékek ismeretében - képezhetők a bank elvándorlási kockázati kvadránsai. A rendelkezésre álló marketing-erőforrások függvényében elsősorban a magas elvándorlási kockázatú és magas értékű ügyfélkörű szegmensre célszerű fokuszálni (ez a mellékelt ábrán 7,95%).
Az adatbányászattal támogatott elvándorláselemzés egyrészt lehetővé teszi, hogy mélyebben megértsük az ügyfelek viselkedését, és megfelelő döntést hozzunk az optimális ügyfélkapcsolat-kezelés érdekében. Másrészt a modellek a perszonalizált ügyfélkezelést is nagymértékben támogatják, nemcsak a marketing-kommunikáció során, hanem az árazási, termékfejlesztési és értékesítési döntések meghozásakor is.
(A következő fejezetben összefoglaljuk, hogy az eddig javasolt szegmentációs, ügyfélérték-, keresztértékesítési és a most ajánlott elvándorlási elemzések eredményei hogyan hasznsulhatnak a gyakorlatban, a marketingkampányok során.)
Schay Krisztina
SAS, üzleti konzulens

Szólj hozzá!

Címkék: crm churn cikksorozat loyalty


2009.12.04. 10:56 S.CH


Keresztértékesítés a pénzügyi szektorban
A keresztértékesítés meglévő ügyfelek részére történő újabb termék-értékesítés gyakorlatát jelenti. Különösen a banki szektorban jelentős, hiszen az egy ügyfélre vetített bevétel növelésének eszköze, egyúttal az ügyféllojalitás erősítéséhez is hozzájárul. Nemzetközi kutatások szerint azok az ügyfelek, akik legalább 3 termékkel kötődnek a bankhoz, kevésbé hajlamosak az elvándorlásra, mint a csak 1 vagy 2 terméket használók.
A sokat emlegetett alapigazságot, amely szerint "a már meglévő ügyfélnek ajánlott további értékesítés költségei alacsonyabbak, mint az új ügyfelek meghódításának kiadásai" - a keresztértékesítés kapcsán érdemes felidézni.
A keresztértékesítés éppúgy a CRM-stratégia része, mint az ügyféljövedelmezőség becslése vagy az elvándorlás valószínűségek előrejelzése. Mindegyik azt a célt szolgálja, hogy a bank által definiált stratégiai szegmenseket ezen eszközök révén mindinkább a jelenleg és hosszú távon jövedelmező ügyfélszegmens felé tereljük - tehát valóban hosszú távú és jövedelmező ügyfélkapcsolatokat ápoljunk.
A keresztértékesítés célcsoportja így elsősorban az az ügyfélcsoport, amely jelenleg alacsonyabb értéket képvisel a bank ügyfélkörében, de prediktív modelljeink alapján jelentékeny potenciált képvisel a jövőben. Tipikusan ide tartoznak a fiatalok, a pályakezdők köre, illetve azok az ügyfelek, akik több bankkal is kapcsolatban állnak; bankszolgáltatási igényeiket s így a költéseiket is több bank között osztják meg.
A keresztértékesítés lényege, hogy a további értékesítés célcsoportját minél pontosabban jelezzük. Erre az alábbi módszerek állnak rendelkezésre:
Technikák és eljárások
Asszociáció-elemzés - "Mely termékek együttvásárlása jellemzi az ügyfeleinket?"
Számos banki ügyfél jelenleg is több termékkel kapcsolódik a bankhoz. Amennyiben adattárház is rendelkezésre áll, abból az együtt használt termékek s a termékek közötti összefüggések egyszerűen kinyerhetők. Az asszociáció-elemzés segít feltárni, mely termékcsoportok együttjárása jellemzi legjobban a bank ügyfélkörét. Az eljárás gyökerei a kiskereskedelemhez vezethetők vissza - az úgynevezett piaci kosár elemzések révén tárták fel a vásárlások alkalmával egyszerre megvett termékek körét. A módszer banki alkalmazása során azt kutatjuk, hogy melyek a termékek leggyakoribb, a teljes ügyfélkört vagy az egy-egy ügyfélszegmenst (például a fiatalokat) jellemző kombinációi.
Az asszociáció-elemzés eredményei egyszerűen alkalmazhatóak és vezethetőek át a gyakorlatba. Egyrészt azonosíthatóak azok az ügyfelek, akik számára a feltárt piaci kosarakból a hiányzó termék felajánlható. Másrészt az asszociáció-elemzés egy speciális fajtája révén - amikor az időtényezőt is figyelembe vesszük (szekvencia-elemzés) - a feltárt szekvenciaszabályok alapján felkínálható a következő követő termék. Pontosan feltárhatóak például azok a szabályszerűségek, hogy az adott bank ügyfélkörében milyen ügyfélcsoportokat, milyen egymást követő banki termék- és szolgáltatás-vásárlások jellemzik. Ebből választ kaphatunk arra, hogy a folyószámlanyitást milyen sorrendben milyen egyéb szolgáltatások igénybevétele jellemzi.
Ez az eljárás egyben arra is alkalmas, hogy egy új termék bevezetését követően (például hitelkártya) feltárjuk, hogy a meglévő ügyfélkörben főként milyen termék-igénybevételű csoportokat jellemez az új termék megvásárlása, milyen egyéb termékhasználat előzi azt meg, amíg az ügyfelünk hitelkártyát igényel.
Az asszociáció-elemzés előnye a többi keresztértékesítési eljárással szemben az, hogy kevés adat-előkészítést igényel, mivel elsősorban tranzakciós információkra van szükség. Hátránya ugyanakkor, hogy evidens szabályszerűségeket is kimutat (ilyen például a folyószámla és a kártya együttes használata stb.).
Klaszterelemzés - "Milyen termékeket birtokolnak jellemzően a hasonló ügyfelek?"
A klaszterelemzés a szegmentációs eljárások közé tartozik. A keresztértékesítést támogató klaszterelemzés során a termék-igénybevétel alapján homogén csoportok feltárása a cél.
A klaszterelemzés előnye, hogy a feltárt szegmensek tovább jellemezhetőek demográfiai, geográfiai jellemzőik alapján, ezáltal egyszerűen azonosíthatók és megszólíthatóak a homogén csoportok.
Az eljárás előnye, hogy részét képezi a bank szegmentációs eljárásainak (lásd: E-hírlevél, 2004/4. Szegmentáció ).
Prediktív modellezések - "Milyen megkülönböztető jegyek jellemzik egy adott termék vásárlóját? Milyen sajátosságok jellemzik a vásárlókat, szemben a nem vásárlókkal?"
A fenti kérdésekre a prediktív modellezési technikák adnak választ. A rendelkezésre álló historikus adatok alapján feltárhatóak azok a szabályszerűségek, amelyek egy adott terméket vásárló ügyfelet jellemeznek (ezek lehetnek demográfiai, geográfiai, tranzakciós, attitűd stb. jellemzők). A szabályrendszer alapján modell építhető az adott terméket jellemzően vásárló ügyfelekre, mely egy új adatállományon vagy a meglévő teljes ügyfélkörön futtatva egyedi ügyfélszinten is előrejelzi az adott kliens adott termékre vonatkozó vásárlási valószínűségét/hajlandóságát.
Ez a módszer a keresztértékesítési eljárások között a legkomplexebb, ugyanakkor eredményeit az adatbázis-marketing, a kampánymenedzsment vagy a marketing-kommunikáció is éppúgy hasznosíthatja, mint a stratégiai tervezés.
A keresztértékesítés nemcsak a banki termékek vonatkozásában, hanem a klasszikus terepén, a kiskereskedelemben is hasznosul. A co-branded és a lojalitási kártyák alapján épülő ügyféladatbázisok nemcsak az ügyfél banki tranzakciós szokásait, termék-igénybevételi jellemzőit tartalmazza, hanem a vásárlási szokásait, illetve a további demográfiai adatait is.Az adatvédelmi szabályok figyelembevételével ez valódi kincsesbányát jelent a keresztértékesítési elemzések számára.
(A következő fejezetben az ügyfelek megtartását támogató elemzéseket tekintjük át. A szerk .)
Schay Krisztina
SAS üzleti konzulens

Szólj hozzá!

Címkék: keresztértékesítés xsell


2009.12.04. 10:55 S.CH


Az ügyfél, mint "befektetés"

Az ügyfél-jövedelmezőség mérésének lehetőségei
Rejtett erőforrások
A jövő bankjának sikere egyre kevésbé a bankfiókok lokális tudásán nyugszik, sokkal inkább az ügyfelei és a piac ismeretén alapuló, információkra épülő stratégián és taktikán. A banki piacon éleződő versenyben a bankok számtalan "erőforrással" rendelkeznek, amelyek felismerése és kiaknázása tartós versenyelőnyt jelent, s egyben az organikus növekedés záloga is. Melyek ezek?
·    Az ügyfél - a jövő piaci részesedése a jövedelmező ügyfélállomány felismerésén, menedzselésén és növelésén alapul, melynek hátterében komplex ügyfélkapcsolat-kezelés áll.
·    Értékesítési csatornák - a piac-vezérelte retailstratégia szükségessé teszi a fiókhálózat szerepének újraértelmezését, az elektronikus csatornák valódi szerepének megértését, ami által a bank növelheti piaci részesedését a jövedelmező szegmenseken belül, ugyanakkor árazási döntéseivel hatékonyabb termékértékesítési csatornamixet működtethet.
·    Diverzifikált termékajánlat - a sokszínű termékkínálat, új termékek fejlesztése csak akkor hatékony, ha a jövedelmező ügyfélcsoportok igényeihez igazodik, s valóban eljut a célcsoportokhoz.
·    Meglévő rendszerek - a bankok ma már szofisztikált operációs rendszerekkel rendelkeznek, melyek a folyamatos működtetést biztosítják. Ezek olyan adattömeget tartalmaznak, melyek további hasznosításából, kiaknázásából döntést támogató információk nyerhetők ki.
A hagyományos marketingszemlélettel szemben az ügyfélkapcsolat-menedzsment (Customer Relationship Managament - CRM) hátterében nem a pillanatnyi, jelenre fókuszáló mérőszám, hanem a jövőt is figyelembe vevő, ügyfélélettartam fogalom húzódik meg. Az ügyféllel való folyamatos (interaktív) kapcsolattartás célja az ügyfél teljes életciklusán keresztül realizálható jövedelem maximálása. Ennek eszköze:
·    egyrészt célzottabb, kifinomult statisztikai és adatbányászati módszereken alapuló, célcsoport-leválogatásra épülő marketingkampányokkal a marketing- (akvizíciós) költségek csökkentése (M);
·    másrészt az ügyfél-életciklus alatt a keresztértékesítés és upselling révén a termékhasználat növelése (P);
·    harmadrészt az elvándorlás okainak korai felismerése révén s annak megelőzésével az ügyfél-életciklus idejének növelése (T), az elvándorlás pro-aktív megakadályozása.
A fentiek mögött mindvégig az ügyfélérték fogalma húzódik meg - a bank sikeres CRM-tevékenységének fókuszában a legjövedelmezőbb ügyfélkör azonosítása, a magasabb színvonalú szolgáltatások ajánlása, illetve a piacon jelenlevő hasonló profilú új ügyfelek megcélzása és meghódítása áll.
Ügyfél-jövedelmezőség - Customer Profitability
Az ügyfél-jövedelmezőség lényege leginkább a termékjövedelmezőség fogalmának szembeállításával határozható meg. A korábbi termékfókuszú szemlélet téves következtetésekhez vezethet. Egy ügyfél, aki egy adott termék vonatkozásában nem jövedelmező, egy másik termék vonatkozásában viszont lehet jövedelmező. Az ügyfelet - és termékhasználatát - nem vizsgálhatjuk izoláltan, sőt egy ügyfelet nem csak önmagában célszerű figyelembe venni, hanem érdemes kitekinteni háztartás szintű, illetve vállalkozói kapcsolataira is.
A termék és ügyfél-jövedelmezőség főbb kérdései
Rövidtávú jövedelmezőség növelése - taktikai döntés
Rövidtávú jövedelmezőség növelése - stratégiai döntés
Hosszútávú versenyelőny kialakítása
Mely termékeket támogassuk? Hogyan árazzuk be a különböző termékeket/
Melyik új terméket ajánljuk az adott ügyfélnek? A jövedelmezőség alapján mely terméket érdemes továbbfejleszteni?
Milyen folyamat eredményez jövedelmezőbb termékeket (termékkombináció, egyenleg, díjak és kockázati profilok) ?
Mely ügyfélnél releváns a kereszteladás? Mely csatornát használjuk az ügyfelek kiszolgálására?
Mely ügyfélre érdemes ügyfél-megtartási programot indítani? Milyen tevékenységek (újraárazás, csatornák, költségek változtatása) tudják az ügyfél jövedelmezőséget növelni?
Mi jellemzi a jövedelmező ügyfeleket (termék, csatorna, egyenleg)? Milyen termékeket vagy szolgáltatásokat használnak jellemzően a jövedelmező ügyfelek?


Az ügyfél-jövedelmezőség becslése - első megközelítések és csapdák
A jövedelmezőségi rendszer, az ügyfél-jövedelmezőség definiálása, mérése és karbantartása és hasznosítása - marketing, termékfejlesztés, kontrolling és üzletpolitikai aspektussal bír. Az ügyfél-jövedelmezőség mérése tipikusan az a terület, amelyhez különböző divíziók munkájának összehangolására és egységes fogalomhasználat bevezetésére van szükség. A bankok első közelítésben jellemzően az alábbiak szerint közelítik meg a jövedelmezőséget:
·    Szegmensek szerinti jövedelmezőség - az ügyfelek csoportosíthatóak életkor, jövedelem, foglalkozás, pszichográfiai jellemzők alapján, termék- vagy csatornahasználat alapján. Ezen megközelítés során nem egyedi szinten, hanem a megképzett szegmensek szintjén határozzuk meg a jövedelmezőséget. E módszernek az a hátránya, hogy nem individuális szinten méri a jövedelmezőséget.
·    Egyenleg - tradicionális megközelítés, az ügyfél-jövedelmezőség mérésének helyettesítésére szolgáló mutatószám, s általában egyszerűen kinyerhető az adatokból, könnyen mérhető és interpretálható, ugyanakkor egyénszintű. Pusztán az egyenleg használata torz képet adhat, hiszen ebben az esetben eltekintünk olyan kulcsváltozóktól mint például az egyedi termékhasználat.
·    Az ügyfélkapcsolat mélysége (a termékbirtoklás aránya) - gyakran használják az ügyfél-jövedelmezőség becslésére. Az előfeltevés az, hogy a termékhasználat alapján jól becsülhető: mely ügyfelek jövedelmezőek. Meg kell azonban jegyeznünk, hogy bár van pozitív korreláció az ügyfélkapcsolat mélysége és a jövedelmezőség között, ez nem 1:1 megfeleltetés, hiszen az ügyfél-jövedelmezőség nem növekszik automatikusan az igénybe vett termékek számával (pl. a megtakarítási számla, versus folyószámla jövedelmezősége).
·    Tranzakciók mennyisége (a termékhasználat intenzitása) - egy másik megközelítés szerint az az ügyfél, aki sok tranzakciót végez feltehetően jövedelmezőbb, azaz az intenzív termék- és szolgáltatáshasználat magasabb jövedelmezőségű ügyfelet jelez. A fenti feltevés eltekint azonban az elektronikus és hagyományos csatornákon végzett tranzakciók költségeinek különbségétől, a pontosabb becslésekhez célszerű a tranzakciók csatornáját és azok költségeit is figyelembe venni.
Az ügyfél-jövedelmezőség mérésének alternatívái és továbblépési lehetőségei
Relative Customer Profitability - Relatív ügyfél-jövedelmezőség
Cost-Based Customer Profitability - Költség alapú ügyfél-jövedelmezőség
Customer Total Relationship Value - Teljes ügyfélkapcsolati érték
Customer Future Lifetime Value - Ügyfél jövőbeni élettartamértéke
Kevésbé komplex
A legkomplexebb
Rövid távú fókusz
Középtávú fókusz
Középtávú fókusz
Hosszú távú fókusz
A legkönnyebb
Közepesen nehéz
Közepesen nehéz
A legnehezebb
Kevésbé pontos
A legpontosabb
Kevésbé pontos
A legkevésbé pontos
Relative Customer Profitability : az ügyfél által generált nyereség adott időszakban (hónap, év) - az egyedi számlák aggregálásával a költségek és bevételek figyelembevételével. Ez az irányvonalában korrekt, mégis torz képet adhat. A relatív ügyfél-jövedelmezőség elsősorban pénzügyi, könyvelési szemléletet tükröz, mivel az információk elsősorban historikus adatokra épülnek, s az ügyfél/háztartás múltbeli viselkedésére vonatkoznak.
Cost Based Profitability : a költség alapú jövedelmezőség-számítás az értékesítési csatornák használatára, speciális termékhasználatra és az ügyfél-kapcsolattartás költségeire épít. S bár pontosabb, mint a relatív ügyfél-jövedelmezőség - szintén múltbeli viselkedési adatokból indul ki, nem veszi figyelembe a jövőbeli változásokat. Elsősorban árazási döntésekhez, termék csomagok kialakításához, marketing programokhoz nyújthat támpontot.
Customer (Personal and Business) Total Relationship Value : a teljes ügyfélkapcsolat koncepció hátterében az a szemlélet húzódik meg, hogy az ügyfél több szállal kapcsolódik a bankhoz, pl. egyéni. illetve vállalati számlakapcsolatok révén. Ezért célszerű az egyéni kapcsolatokat és vállalati kötődéseket is feltárni.
Future Lifetime Value : hosszú távú szemléletet tükröző megoldás, figyelembe veszi az ügyfél életkorát, a pénzügyi kapcsolat hosszát, az ügyfél életciklusát, demográfiai és jövőbeli pénzügyi helyzetét.

Egy megvalósítási javaslat - az ügyfélérték alapú / stratégiai szegmensek kialakítása
A CRM szemléletű stratégia alapja az ügyfelek differenciált kiszolgálása - aminek hátterében az ügyfél-jövedelmezőség húzódik. Ezért a CRM folyamatok kezdetén - az ügyfélkör megismerését célzó szegmentációt követően - egy közelítő ügyféljövedelmezőségi számítást alapul véve érdemes kialakítani a stratégiai/értékalapú szegmenseket. Ezt követően minden további tervezési (termékfejlesztési, üzletpolitikai stb.) és megvalósítási (marketingkommunikációs, értékesítési stb.) lépésnél a kialakított szegmenseket, azok jellemzőit, az ügyfélkörben betöltött arányukat célszerű figyelembe venni.
A mátrix egyik tengelyében a jelenlegi ügyfélérték áll, mely első megközelítésben jól becsülhető az ügyfélből származó bevételből. (A későbbiek során ez finomítható a szegmensekre vetített költségekkel, s idővel ügyfélszintű bevétel- és költségadatok alapján folyamatosan és pontosan mérhető).
A mátrix másik tengelyében az ügyfélpotenciál szerepel, ez a kezdeti fázisban az ügyfél egyedi szintű potenciáljával becsülhető (jövedelme, életkora, végzettsége, vagyoni helyzete alapján adatbányászati technikákkal prediktált érték). A kontrolling rendszerek ügyfélszintű adatai alapján később pontosítható és idővel a rendelkezésre álló jó minőségű és megbízható adatok alapján life time value értékkel helyettesíthető (mely már magában foglalja több adatbányászati elemzés eredményét, így az ügyfélpotenciál becslést, a várható ügyfél-élettartam ívet, az elvándorlási vagy a kockázati valószínűséget, a keresztértékesítési valószínűség mérőszámait).
A kiinduló helyzetben a jelenlegi ügyfélérték és ügyfélpotenciál mentén megképzett stratégiai szegmensekre egyedi szegmensstratégiák alakíthatóak ki, s a CRM szemléletű bank számára különböző akciók révén a magas jelenlegi és jövőbeli ügyfélértékű (4.) szegmens arányának növelése a cél.
Az ügyfélérték alapú/stratégiai szegmensek:
1. A jelenleg alacsony ügyfélértékű és alacsony jövőbeli lehetőséget rejlő szegmens számára a standardizált, tömegtermékek és csomagok kialakítása optimális.
2. Az adott bank számára jelenleg az alacsony ügyfélértékű, de magas ügyfélpotenciálú ügyfélkör számára célzott, testreszabott cross-selling és upselling ajánlatokkal növelhető az ügyfél értéke. Ez tipikusan az az ügyfélkör, amely nagy lehetőségeket rejt magában, de jelenlegi költései alapján még alacsony értéket képvisel az adott bank számára (például pályakezdők, illetve a több bankkal kapcsolatban állók, akik csak bizonyos szolgáltatásokra, például átutalásokra használják az adott bankot).
3. A hűséges, magas értékű ügyfélkör elvesztése veszélyeztetné a bank jelenlegi bevételét, de hosszabb távon az értékük nem növelhető tovább. Ezen szegmensben a folyamatos elvándorlás-monitoring és lemorzsolódás-elemzés s az elvándorlás pro-aktív megakadályozása kiemelten fontos.
4. A jelenleg és hosszú távon is magas értéket képviselő ügyfélszegmens az, akik számára a banknak a termékfejlesztései során kiemelten figyelnie érdemes, velük a perszonalizált kapcsolattartás is megtérülő befektetés.
A fenti mátrix kialakítását követően sokkal egyszerűbb az alábbi kérdésekre választ adni.
Stratégia döntések:
·    melyek a meglévő, jövedelmező ügyfelek főbb jellemzői, várhatóan melyikük marad a jövőben is jövedelmező; mekkora arányt képvisel ez a szegmens a teljes ügyfélkörön belül;
·    a jelenleg jövedelmező ügyfelek mely termékeket használják jellemzően, s mely termékeket igénylik a jövőben;
·    milyen termékfejlesztés szükséges a jövedelmező ügyfélkör igényeinek kielégítéséhez;
·    mely értékesítési/kommunikációs csatornán lehet a legjobb szolgáltatást nyújtani a jövedelmező ügyfeleknek;
·    a közeljövőben milyen értékesítési csatornán fognak tranzakcionálni a jövedelmező ügyfelek.
Taktikai kérdések:
·    Ügyfélmegtartás: az ügyfélmegtartási programoknak mely ügyfélcsoporthoz kell szólnia.
·    Az ügyfélkapcsolatok és szolgáltatások növelése: ez csak a differenciált ügyfélszolgálati szintek kialakításával oldható meg hatékonyan.
·    A keresztértékesítés növelése: a magas ügyfélpotenciállal rendelkező ügyfelekre fókuszáló keresztértékesítés egyben az ügyfélérték növeléséhez is hozzájárul.
·    Ügyfélakvizíció: a meglévő, jövedelmező ügyfelek sajátosságainak ismeretében az akvizíció célja a hasonló tulajdonsággal rendelkező piaci szereplők megszerzése.
·    Árazás: ez az egyik leghatékonyabb eszköz az ügyfélviselkedés befolyásolására; a különböző árazási döntések hatása modellek segítségével egyszerűen előrejelezhető.
·    Értékesítési csatornák használatának ösztönzése: a standardizált termékek és az elektronikus csatornák optimális kombinációjának kialakítása.
·    Termékfejlesztés: az ügyféligények és -szokások folyamatosan változnak, ezért nélkülözhetetlen, hogy a bankok a tranzakciós alaptermékek különböző változatait fejlesszék ki és ajánlják.
A következő fejezetben a stratégiai szegmensek értékének növelését célzó cross-selling és upselling lehetőségekekről és technikákról szólunk.
Schay Krisztina
SAS - CRM üzleti konzulens

Szólj hozzá!

Címkék: crm cikksorozat profitability LTV Lifetime value


2009.12.04. 10:52 S.CH


Ahhoz, hogy a bank hatékony célcsoport-marketinget folytasson, célzott termékfejlesztéseket végezhessen, illetve saját ügyféladatbázisára épülő árazási döntéseket hozhasson, továbbbá a különböző ügyfélkapcsolati pontokon személyre szabott kiszolgálást nyújtson, ismernie kell az ügyfélkörét.
Szegmentációról beszélhetünk szűkebb értelemben - amikor lényegében 2-3 dimenzió mentén történő lekérdezés révén képzünk csoportokat. A tágabb értelemben vett szegmentáció több dimenzió mentén történő, kifinomult eljárásokat alkalmazó csoportképzés (klaszterezés, adatbányászat), amibe a szegmensek jellemzése, profilozása is beletartozik. Ennek eredményeként például a pénzügyi szolgáltatások szempontjából hasonló lehetőségekkel, fogyasztási szokásokkal és ügyféligényekkel rendelkező ügyfélcsoportok azonosíthatóak.
A szegmentációval szembeni elvárások
• mind stratégiai területen, mind az értékesítési pontokon legyen áttekinthető (például legyen egyszerűen alkalmazható a fiókhálózatban);
• a szegmentáció szempontjai legyenek mérhetőek, az adatbázisban jelenleg vagy kis erőfeszítéssel a jövőben előállíthatóak és folyamatosan karbantarthatóak;
• a szegmentáció eredménye illeszkedjék az analitikus CRM folyamatba, s az átfogó kampánymenedzsment megoldásba is integrálható legyen.

A szegmensekkel szembeni követelmények
• mérhetőség (szegmentumok mérete, vásárlóereje);
• méret (elég nagy vagy elég nyereséges);
• elérhetőség (hatékonyan elérhető és kiszolgálható).

A szegmentáció folyamata
A szegmentáció dinamikus folyamat, állandóan finomodik a bank ügyfélről szerzett információival, aminek következtében egyre pontosabb, az üzleti igényeket egyre inkább követő csoportok azonosíthatók.
A szegmentáció folyamatának különböző, egymásra épülő szintjei a rendelkezésre álló információk és a megvalósíthatóság függvényében a következők:

Termékportfólió / termékhasználat szerinti szegmentáció
A legegyszerűbb - s a bankok korábbi termékfókuszú szemléletéből adódóan egy analitikus folyamatban általában először megvalósítható - a termékportfólió szerinti csoportképzés.
Az egységes ügyfélnézetet biztosító adattárházból az ügyfélszintű termékportfóliók elemzése révén azonosíthatóak a homogén termék-igénybevételű ügyfélcsoportok, meghatározhatók például a jellemzően megtakarító, versus hitelfelvevő szegmensek. A termékportfólió szerinti szegmentációt lényegében termékhasználati definíciók kialakítása előzi meg, aminek során az elemi termékhasználatra vonatkozó adatokat a termékhasználati szokást jellemző változókká célszerű transzformálni (nem csupán a termékkel való rendelkezés, hanem a termék tényleges használata, a használat gyakorisága - például átlagos, átlag alatti, átlag feletti igénybevétel - a szegmensképző szempont).
Már az elemzéseknek ebben a stádiumában - a termékhasználati szegmentáció eredményeként kapott homogén termékportfóliójú ügyfélcsoportok kijelölésével - célzott termékajánlások tehetők, s egyúttal a termékhasználati szegmentáció a későbbi cross-selling és up-selling elemzések kiindulópontjául is szolgál.
Az ügyfél életciklusára épülő, demográfiai, geográfiai és jövedelem alapú szegmentáció
Amennyiben az ügyfelekről - az ügyfelek hozzájárulásával gyűjtött és tárolt - demográfiai adatok állnak rendelkezésre az ügyfél-adattárházban, akkor ez alapot teremt az ügyfél- életciklusok azonosításához.
Az elemzés során az ügyfél kiemelt demográfiai (életkor, nem, családi állapot) és geográfiai (régió, településtípus stb.) adatai alapján homogén geo-demográfiai csoportok azonosíthatók. A rendelkezésre álló demográfiai és geográfiai adatok további, a szegmentációt jelentős mértékben támogató változókkal gazdagíthatók. Különösen fontos a foglalkozási, ágazati, végzettségre vonatkozó információk, illetve a háztartások méretére, a családi állapotra, a gyermekek számára, életkorára vonatkozó információk rögzítése, amiket különböző akciók révén (pontgyűjtés, hűségprogram, internetes hírlevél) az ügyfél hozzájárulásával lehet begyűjteni. A hiányzó információk (például az ügyfél jövedelme) különböző statisztikai pótlási eljárásokkal vagy egyéb becslési módszerekkel előrejelezhetők.
Az ügyfél életciklusára épülő szegmentáció lehetővé teszi, hogy mind a meglévő ügyfélkör, mind a potenciális új ügyfelek számára - főbb demográfiai paramétereik azonosítása után - célzott termékajánlást adjanak akár a bankfiókban, akár a call centeren keresztül.
Tranzakciós szokások és értékesítésicsatorna-használat szerinti szegmentáció
A banki ügyfélkör megismerésének egyik kulcstényezője tranzakciós szokásaik ismerete, s ennek alapján a hasonló viselkedésű ügyfélcsoportok feltárása, illetve a tágabb értelemben vett értékesítési csatornák (POS, ATM, Call center, Branch, mobil, internet stb.) igénybevételére épített homogén ügyfélcsoportok azonosítása. A nagy mennyiségű tranzakciós adatok elemzéséhez már szofisztikált statisztikai és adatbányászati eljárások szükségesek.
A tranzakciós szegmensképzés alapja a tranzakciók gyakorisága, volumene, továbbá a lebonyolítás disztribúciós csatornája. Az elemzés során először riportok segítségével írhatók le a meglévő termékcsatorna-kombinációk, választ adva arra a kérdésre, hogy jellemzően milyen terméket, milyen csatornán s milyen arányban vesznek igénybe az ügyfelek. Ezután kerülhet sor adatbányászati eljárások (k-középpontú klaszterezés, vagy SOM Kohonen-eljárás) segítségével tranzakciós-viselkedési szegmensek kialakítására. A korábban már begyűjtött, megtisztított demográfiai, geográfia változók mentén pedig a szegmensek profiljai rajzolhatók meg.
Az elektronikus csatornákra vonatkozó tranzakciók alapján azonosított szegmensek folyamatos elemzése és a szerkezetükben bekövetkező változások követése nagymértékben támogatja a különböző értékesítési csatornákon indított tranzakciók árazásának adatbázisra épülő megalapozását, és lehetővé teszi a bank számára, hogy árazási döntéseivel, promóciókkal, célzott marketingkampányokkal a jövedelmezőbb értékesítési csatornák felé terelje a megcélzott szegmenseket, továbbá egy hatékonyan működtethető értékesítésicsatorna-mixet alakíthasson ki.
Homogén viselkedésű csoportok azonosítása, pszichográfiai szegmentáció
Az ügyfelek pénzügyi viselkedésének megértéséhez és előrejelzéséhez a legfontosabb információkat egyrészt a korábbi szegmentációk eredményeiből nyerhetjük (például a pénzügyekhez való attitűd: a megtakarító, túlköltekező vagy trendkövető magatartás jellemző-e, közvetetten mérhető a termékportfólió historikus elemzéseiből); másrészt az életstílus és attitűd alapú szegmensek képzéséhez a bankkártya-tranzakciókból származó adatok gazdag tára ad kiindulópontot (kártyatípus, vásárlási gyakoriság, a vásárlás összege, belföldi-külföldi vásárlási szokások, a vásárlás helyének típusa). Ezek az információk tovább gazdagíthatók a lojalitáskártyák, illetve co-branded kártyák információival.
Ez a típusú szegmentáció elsősorban az ügyfél-akvizíció célzottabbá tételét, a hatékonyabb megszólítást támogatja, továbbá információt szolgáltat a tömegmarketinghez.
A szegmentáció eredményeinek hasznosítása
A szegmentációs elemzések segítik a bankot annak megválaszolásában, hogy erőforrásait mely ügyfélcsoportokra fókuszálja, illetve a kulcsszegmensekre vonatkozóan milyen egyedi stratégiákat dolgozzon ki. A szegmentáció egyben minden további analitikus alkalmazás előkészítését is jelenti (keresztértékesítési / upselling elemzések, ügyfélmegtartási modellek, hitelpontozás, ügyfélérték-számítás), ugyanakkor már a CRM (ügyfélkapcsolat-menedzsment) project kezdeti fázisában is hasznos információkat szolgáltat az alábbi területek számára:
1. Termékfejlesztés (a termékportfólió-elemzések nagymértékben támogatják a jellemző termékmixek, szolgáltatáscsomagok kialakítását, keresztértékesítési és upselling modellezések alapját képezik);
2. Értékesítési pontok (az ügyféléletciklus-elemzések közvetlen információt nyújthatnak az ügyféleseményekhez igazodó célzott ajánlatok elkészítéséhez);
3. Marketing (az ügyfélviselkedésre épülő szegmentáció és az értékesítési csatornákra vonatkozó elemzések a kampányok, kommunikációs formák kiválasztását segítik, továbbá az árazási döntések szegmensekre gyakorolt hatásának mérését is támogatják);
4. Ügyfélszolgálat (az ügyfél-viselkedési, geográfiai és tranzakciós szokásokra vonatkozó elemzések az ügyfélszolgálat számára nyújtanak alapinformációkat a különböző szolgáltatásszintek meghatározásához).
Idén indított CRM sorozatunk (E-hírlevél 2004/1; 3. sz.) következő fejezetében az ügyfélérték-számítás területére tekintünk, s vázoljuk a stratégiai CRM szemlélet alapját képező ügyfélérték-alapú szegmentációt.
Schay Krisztina
SAS - CRM üzleti konzulens

Szólj hozzá!

Címkék: crm cikksorozat segmentation LTV Lifetime value


2009.11.30. 19:41 S.CH

  • Szegmentáció - Bankszövetség e-hírlevél 2004/
  • Az ügyféljövedelmezőség mérésének lehetőségei - Bankszövetség e-hírlevél 2004/
  • Keresztértékesítés a pénzügyi szektorban - Bankszövetség e-hírlevél 2004/
  • Ügyfél megtartás, elvándorlás elemzés - Bankszövetség e-hírlevél 2004/
  • Marketingkampányok menedzselése - Bankszövetség e-hírlevél 2004/

Szólj hozzá!

Címkék: crm strategy cikksorozat


2009.11.30. 19:27 S.CH









Szólj hozzá!

Címkék: crm strategy 4C

Data Mining

2009.11.30. 19:22 S.CH


piac és profit
Ismeri a vevőit?
Hogyan lehet a legjobb ügyfeleket megtartani?
Kik hajlamosak a versenytársakhoz szegődni, és miért?
Ezek manapság egyre inkább megválaszolható kérdések egy vállalatnál, csakhogy ehhez elő kell valahogyan ásni az adatokat abból a roppant halmazból, ami a rendszerében rejlik. Az adatbányászatot pontosan erre találták ki.
Cikkünkben a hazánkban is hozzáférhető megoldásokat mutatjuk be.
Nagy mennyiségű adat átválogatása, vizsgálata és modellezése annak érdekében, hogy az üzletben vagy kutatásban korábban kiaknázatlan előnyökre tegyünk szert – ez az adatbányászat. A módszer alkalmazásával a vállalatok feltérképezhetik a vevők viselkedését és vásárlási szokásait, könnyebben megérthetik motivációikat, megbecsülhetik a keresletet, és így tovább. Az adatbányászati alkalmazások 70-80 százaléka tehát nem véletlenül a marketinghez kapcsolódik. Egyelőre javarészt a banki biztosítási, telekommunikációs, államigazgatási és kereskedelmi szektorban használják, ahol rengeteg adat termelődik, de akad példa az adatbányászati módszerek tudományos, orvosi, gyógyszerkutatási, hadiipari alkalmazására is.

Adatbányászati körökben terjed a macro-mining kifejezés, amely az angol data mining (adatbányászat) szóból származik, és a milliós nagyságrendű rekord/adat kezelését lehetővé tevő szoftverekre utal. E téren Magyarországon az IBM, az Oracle és a SAS Institute termékei a meghatározóak, a „kisebbeket” forgalmazók népes táborában találjuk a Cygront, a Data Explorert, az Axist, a Silicon Computer Kft.-t, a DSS Consultingot és a Statsoftot. A Data Exploreré és a DSS Consultingé a nálunk legelterjedtebb adatbányászati szoftver, a Clementine. Néhány további a szoftverek közül: Darwin, Intelligence Miner, Enterprise Miner, Datascope, MineSet, Scenario. A legelső magyarországi adatbányászati projektet a Data Explorer szakemberei vezényelték le 1997-ben.


Megkülönböztethetünk szűkebb és tágabb értelemben vett adatbányászatot. A szűkebb technikával is lehet előrejelzéseket készíteni, tehát a múltbeli ügyfélviselkedésből következtethetünk a jövőbelire. A tágabb azonban ezen felül magában foglalja a szegmentációs eljárásokat és az asszociációs elemzést is.
Az általános adatbányászati lépések a következők: az üzleti probléma megfogalmazása, az adatbányászat előkészítése, modellek építése, az eredmények elemzése, az üzleti információk felhasználása. A szoftverek legjellemzőbb algoritmusai a neurális hálózat, a lineáris és logisztikus regresszió, a döntési fák, a mintaillesztési modellek, a Bayes-féle tanulás, a klaszterezés és feltáró adatelemzés, a vizuális elemző eszközök, az alkalmazható üzleti modellek és a speciális szolgáltatások.
– Az adatbányászati szoftver csak egy eszköz, amelynél sokkal fontosabb a mögöttes üzleti tudás és az elemzést megelőző jó koncepció. Az adatbányászat fő funkciója, hogy mielőbb jó megoldást találjon egy jól meghatározott problémára. Ám a kreatív ötleteket semmi sem pótolja, ezért fontos a humán oldal – állítja Tóth Nándor, a Data Explorer Kft. ügyvezető igazgatója.

Alkalmazási lehetőségek

Az adatbányászat jellemző felhasználási területe az úgynevezett csoportleírás, amely az adatok egy meghatározott körének jellemzőit tárja fel. Megadja az adatok alapstatisztikáit, például a várható értéket, szórást. Alkalmas továbbá különféle asszociációs kapcsolatok feltárására, amelynek során kiderül, hogy a különböző adatok mennyire viselkednek hasonlóan, ezért melyeket lehet nyugodtan elhagyni. Szaknyelven ez az információtisztítás, például hogy az életkor és a születési dátum közül elegendő csak az egyiket tárolni. (A modellépítésben használt adatbányászati algoritmusok futási ideje ugyanis jelentősen csökkenhet, ha szűkebb leíró adathalmazon történik meg.)

Az adatbányászat további funkciója a szabálygenerálás. Például amikor egy vállalat ismeri a vásárlóinak bizonyos jellemzőit (nemét, korát, jövedelmét), és ezek alapján az adatbányászat a vásárlókat csoportokba osztja, úgymint kis, közepes és nagy fogyasztó, akkor a munka során megállapítható például, hogy az a 35 év alatti nő, akinek havi jövedelme meghaladja a 100 ezer forintot, nagyfogyasztó.
Már említettük az előrejelzést. Az adatbányászat ugyanis a rejtett összefüggések feltárása után ezeket képes új szituációkra is kiterjeszteni. Az előző példát folytatva: ha az adott vállalat úgy dönt, hogy a nagyfogyasztók meggyőzésére a direkt marketing eszközét használja, akkor a célközönsége a 35 év alatti, 100 ezer forint feletti havi jövedelemmel rendelkező nők lesznek, hiszen ők azok, akik a legnagyobb valószínűséggel válhatnak nagyfogyasztóvá.

A szegmentáció vagy klaszterezés nem más, mint hogy egy adott adathalmazt, adott paraméterek, illetve az egyes elemek hasonlósága szerint csoportokra osztunk. Például egy új termék bevezetésénél a vállalat szeretné tudni, hogy a célközönsége egy bizonyos szempontból, kikből áll. A szegmentálás után jöhet a csoportok jellemzése, leírása, majd a nekik szánt termék testreszabása. Ezután következik az idősorelemzés.
Idősorok minden vállalat életében találhatók, igaz, sokszor olyan bonyolult formában, olyan sok magyarázó változóval kísérve, hogy hagyományos statisztikai eszközökkel már nem elemezhetők. Ekkor jön ismét az adatbányászat, amely ezekben a bonyolult esetekben is képes feltárni az összefüggéseket, jó közelítéssel, és azokból előrejelzéseket készíteni. Hogy érthetőbb legyen, ismét egy egyszerű példa: adatbányászattal annak a terméknek a várható értékesítése is előre jelezhető, aminek a sikere a sok-sok versenytárs mellett az általános gazdasági helyzettől, az időjárástól és akár a vevő reggeli hangulatától is függ.

A CRM részeként

Az adatbányászat egyébként szorosan kapcsolódik a manapság oly sokat emlegetett CRM-hez (customer relationship managementhez), vagyis az ügyfélkapcsolat-kezeléshez, aminek a célja a jövedelmezőség optimalizálása érdekében az ügyfél elégedettségének a növelése. Miután a CRM analitikus-elemző és operatív tevékenységek összessége, így az alkalmazásai is feloszthatók az ügyfelekkel történő kapcsolattartás napi eseményeit támogató operatív (például e-mail, call-center) és az ügyféladatok ésszerű összegyűjtését és értékesítési célú felhasználását támogató, analitikus csoportokra. Másképp fogalmazva: az operatív CRM lép kapcsolatba az ügyféllel, míg az analitikus alkalmazások visszacsatolást, javaslatokat adnak az operatív alkalmazásoknak. Az analitikus alkalmazásoknak sok formája létezik a piacon, amelyek közül az egyik az adatbányászat, és ilyenek még az általános lekérdező eszközök. A CRM rendszerek alapja pedig a szervezetben felgyűlt összes, már tisztított ügyfél-információt integráló ügyféladatbázis, amely célszerűen egy adattárházban tárolódik.

Nem megy gyorsan

– Általában egy kisebb adatbányászati program végrehajtása is heteket vesz igénybe, ha pedig nagyobb mennyiségű adatról van szó, amelyeket több helyről kell összeválogatni, majd tisztítani, akkor a munka akár hónapokra is elhúzódhat. Tehát minél komplexebb a feladat, és minél „rosszabb minőségűek” az adatok, annál tovább kell várni a kívánt eredményre – vallja be Fekete Zoltán, az Oracle Hungary vezető termékmenedzsere. Hozzátéve: ennek ellenére vagy éppen ezért ma már egyre több alap- és üzleti kurzus létezik Magyarországon is az adatbányászati szoftverek népszerűsítésére, oktatására, amit esetenként rendkívül értékes tanácsadó szolgáltatás egészít ki. Azok a szoftverfejlesztő cégek ugyanis, amelyek már sok nemzetközi üzleti problémát oldottak meg és modelleztek, jelentősen lerövidíthetik az új projekt időtartamát.

– Az adatbányászatról mindenki hallott már valamit, de valóságos lehetőségeit és nehézségeit mégis nagyon kevesen ismerik – állítja Tóth Nándor. – Ám szerintem ez is fokozatosan épül majd be a vállalatok életébe, mint bármely más, hasznos alkalmazás.

A SAS séma

A SEMMA a tágabb értelemben vett adatbányászatot támogató szoftverünk alkalmazásának módszertana, és egy ötlépcsős eljárást takar – mondja Schay Krisztina, a SAS Institute Kft. üzleti konzulense. Cége az üzletiintelligencia- és az adattárház-megoldások piacvezetője, 26 éve foglalkozik információszolgáltatással, adatbányászati szoftvere pedig az Enterprise Miner.
A SEMMA tehát angol rövidítés a következőkből: S mint sample (mintavételezés), E mint explore (adatfeltárás), M mint modify (adattranszformáció), M mint model (modellezés), és A mint assess (értékelés).
Az első három fázis lehetővé teszi a mintavételezési eljárások közötti választást, vizuális és analitikus feltárást, adattranszformációkat (új változók képzését, hiányzó értékek pótlását, extrém értékek kezelését), továbbá szegmentációs eljárásokat és affinitáselemzést. A SAS Enterprise Miner legújabb verziója már magában foglalja a linkanalízis eszköztárát is, amely különösen az internetbejárási útvonalak, kapcsolathálók, csalások feltárását támogatja. Az adatbányászati folyamat lényege a modellezés, amikor többféle prediktív modellezési eljárást alkalmazhatunk az ügyfél viselkedésének előrejelzésére. Végül az Enterprise Minerrel elkészíthető egy HTML formátumú jelentés is az adatbányászati folyamatról, a beállításokról, eredményekről.
Az Enterprise Miner grafikus felületű, ikonos elrendezésű, ami megkönnyíti a programban való navigálást. Az adatbányászati modell készítését leegyszerűsíti, hogy a forráskód C és Java programnyelven is megírható.

Szólj hozzá!

Címkék: Data mining

Data Mining

2009.11.30. 19:22 S.CH
Adatbányászat a jó döntésekért
|Utolsó módosítás: 2004. 9. 29. 00:00|Pénzügy
A vállalatok nagy részénél ma már a tranzakciós, számlázási, eladási és egyéb rendszerekből rengeteg adat áll rendelkezésre. Ezek tisztítását követően biztosítható, hogy konzisztens, azonos forrásból származó riportok készülhessenek. A riportok statisztikai elemzésekkel társulva lényegében arra adnak választ, hogy mi történt eddig: például egy direkt marketinges kampány során a perszonalizált levéllel és telemarketinggel megkeresett ügyfelek válaszadása alapján feltárható, hogy az adott kampány mennyire volt hatékony, milyen demográfiai jellemzővel bíró ügyfeleket sikerült megszólítani, mely kommunikációs csatornát preferálták az ügyfelek.

Az adatbányászat által alkalmazott prediktív modellek ugyanakkor lehetővé teszik, hogy a feltárt múltbeli összefüggések alapján jövőre vonatkozó következtetések legyenek levonhatók. Az optimalizációs modellek arra adnak választ, hogy a jövőbeli események közül mely lenne a vállalati hatékonyság szempontjából az optimális. Az adatokból információ nyerhető, az információból levont következtetések tudást jelentenek, s ennek a tudásnak a hasznosítása valójában az intelligencia. Az adatbányászat ebben a folyamatban egy eszköz, mely a vállalatok sikerességét segíti.

A SEMMA (sampling-exploration-modification-modeling-assessment) módszertan az adatbányászat folyamatának tipikus lépéseit és logikai folyamatát tükrözi. A mintavételezés (sampling) az elemzéshez szükséges adat-előkészítési fázisokat támogatja, úgymint mintavételezési eljárások alkalmazása, adatparticionálás, hiányzó értékek pótlása, extrém értékek elhagyása stb. A feltárás (exploring) az interaktív vizuális és statisztikai elemzések gazdag tárházát biztosítja az egyszerűbb összefüggések felismeréséhez. Az előzetes elemzések függvényében kerülhet sor adattranszformációk, módosítások elvégzésére (modification) - például új változók képzése - majd az előkészített adatokon a prediktív modellezés (modeling) végrehajtására. A megfelelő modellek kiválasztását a modellek értékelése, grafikus összehasonlítása (assessment) segíti.

Az adatbányászat tehát eszköz az üzleti felhasználók és elemzők számára, amelyek konkrét üzleti céljainak megvalósítását, illetve a döntések adatokra történő alapozását támogatja.

A vállalatok stratégiai tervezésénél az ügyfélkör megismerését nagymértékben támogatja a szegmentáció. A szegmentáció során - statisztikai eljárások alkalmazásával - például klaszterelemzés segítségével képezhetők homogén ügyfélcsoportok. Ezt követően a szegmensek profilozása, karakterisztikájuk feltárása, a szegmens változók későbbi modellekben mint inputváltozók alkalmazása már a modellezés folyamatába tartozik.

A prediktív modellek gazdag tárháza áll ma már rendelkezésre. Az egyik legismertebb statisztikai eljárás a regressziós modellek alkalmazása. Ennek során valamely esemény bekövetkezését - így például az ügyfél lemorzsolódását - a figyelembe vett input változók alapján becsülik. A regressziós modellek új adatállományon való futtatása, vagy a képzett algoritmus alkalmazása többek között új ügyfelekre már prediktív modellezést jelent. A regressziós modelleken túl döntési fa, neurális hálók és ma már újabb modellek is rendelkezésre állnak.
Szerző: Schay Krisztina

Szólj hozzá!

Címkék: Data mining


2009.11.30. 19:21 S.CH


Napi Gazdaság
Az üzleti tudás az adatok mélyén rejtőzik
Üzleti tudás az adatok mélyén címmel tartott szakmai rendezvényt a KFKI Csoporthoz tartozó IQSYS Informatikai Rt. Az esemény résztvevői az üzletiintelligencia- és adattárház-megoldások aktuális trendjeivel, a szegmens jelenlegi helyzetével, az adattárházprojektek üzleti és műszaki oldalával ismerkedhettek meg.
 Az IQSYS a közelmúltban „Üzleti tudás az adatok mélyén” címmel kötetet adott ki azok számára, akik érdeklődnek az üzletiintelligencia- (BI) és az adattárházprojektek iránt. A maga nemében úttörő kiadvány adta a társaság június 15-i rendezvényének apropóját is. Résztvevői olyan vezetők és szakemberek voltak a banki, államigazgatási és nagyvállalati szférából, akiknek elemi szakmai vagy piaci érdekük, hogy lépést tartsanak a BI fejlődésével és felhasználásának legújabb módszereivel.
Az IQSYS üzleti intelligencia területért felelős vezetője, Sipos Ferenc előadásában 1995-ig tekintett vissza, amikor a cég üzembe helyezte az első magyar adattárházat a Mabisznál. Felhívta a figyelmet, hogy bár az adattárházprojektek jellege és felépítése azóta sem változott, a hangsúly már régen nem a sikeres megvalósításon, sokkal inkább a nyert adatok minél hatékonyabb hasznosításán van.
Papp Attila, a cég vezető üzletiintelligencia-szakértője a BI-projektek állami alkalmazásáról szólt. Előadásában egy nemrégiben elkészült rendszer bemutatásán keresztül bizonyította, mennyire hatékonyan szolgálhatja egy adattárház-alapú információszolgáltató rendszer az államigazgatási struktúra, és ezen keresztül a társadalom céljait. A megoldás segítségével korábban elsikkadó összefüggések tárhatók fel, és megvalósítható a valóban naprakész, folyamatosan frissülő jelentési rendszer, amire régebben esély sem volt. Az ilyen megoldások segítségével rövidülnek az átfutási idők, gyorsul az ügyintézés, és radikálisan csökken a visszaélések lehetősége – hívta fel a figyelmet a szakértő. Schay Krisztina, az MKB ügyfélkapcsolat-kezelési (CRM) tanácsadója a BI-rendszerek direkt kampányokban betöltött szerepéről beszélt. Ezen rendszerek segítségével olyan ügyféladatok is összevethetők, amelyek soha nem látott mértékben pontosítják egy-egy kampány célcsoportját. Így nemcsak olcsóbb a kampány – hiszen feleslegesen nem keresnek meg senkit –, hanem sokkal hatékonyabb is, mert új ügyfelek is a látótérbe kerülhetnek az összefüggések elemzésével.
Adatbányászati sikertényezők – banánhéjak az elemzésben című előadásában Fajszi Bulcsú, az IQSYS adatbányászati vezetője hangsúlyozta: bármilyen adattárházprojekt sikerének feltétele az alapadatok minősége. Ha ez nem megfelelő (redundáns elemeket, pontatlan írásmódokat, elavult információkat tartalmaznak), akkor legyen bár az adattárházrendszer bármilyen jó és fejlett, az eredmény kérdéses lesz. Ez a teljes projekt hitelét is megingathatja, és eljátszhatja a felhasználók és a döntéshozók bizalmát, közvetlen kárt okozva az ügyfélnek.
A rendezvényen előadások hangzottak el a fentieken túl az adatminőség, a számvitel és a tudástőke tárgyában, valamint a résztvevők számos esettanulmányon keresztül ismerhették meg az üzletiintelligencia-projektek különböző felhasználási területeinek tapasztalatait.

Szólj hozzá!

Címkék: Campaign

Data Mining

2009.11.30. 19:20 S.CHőpage=2
A cégek fejlődésének egyik alapja az adatbányászat
2004. április 21. szerda 13:39:57
Új ügyfél a kiskereskedelmi szektor
Schay Krisztina, a SAS Institute CRM konzulense szerint a pénzügyi, a telekom és újabban, az ügyfél-kártyák hazai megjelenésével, a kiskereskedelmi szektorban is szükségessé válik az adatbányászat alkalmazása.

A SAS definícója szerint az adatbányászat a prediktív eljárások használatával kezdődik. A most beinduló hitelkártya-piac egyik fő kérdése például, hogy a meglévő ügyfelek fogékonyak-e a szolgáltatók által felkínált új lehetőségekre. A kampányokban például azokat kell megszólítani, akik a legfogékonyabbak lehetnek, a valószínűségi számítások alapján. De az adatbányászat segítségével az is megjósolható, hogy egy ügyfél csalásra, vagy elvándorlásra hajlamos-e. a jó modellek négy-ötszörösen hatékonyabbak a véletlenszerű megszólításnál. Amennyiben a 'kibányászott' adatok segítségével szűkített lista alapján küldik ki a DM leveleket, akkor ugyanis ekkora mértékben növelhető az akció hatékonysága.

Az értékes ügyfeleket, akikre hosszú távon is lehet építeni, meg kell tartani, és bővíteni kell a számukat. Az adatbányászat jó eszköz arra, hogy a maximumot hozzuk ki az ügyfélkapcsolatokból. A különböző cross-selling akciókkal például egy magasabb kapcsolati szint felé mozdíthatjuk el a klienseket.

A SAS iparági tudása alapján banki, biztosítói és telekommunikációs adatmodellt alakított ki, és hamarosan elkészül a kereskedelmi szektorra vonatkozó modell: ezek utat mutatnak, hogy milyen kiaknázási célok relevánsak az adott iparágban.

Az adatbányászati eszközök tipikus felhasználói a marketing, a tervezés, kontrolling szakemberek. 'Korábban az IT részleget zaklatták az elemzők, hogy adjon adatbázist, az analitikus elemezte, továbbküldte, amely alapján címlistát generáltak, a direct mail-eket kiküldték, az eredményt, azaz a válaszadást vagy elemezték, vagy nem. Ma már ez a manuális módszer, mivel sokat kampányolnak a cégek, az ügyfelek köre pedig hatalmasra nőtt, s a kommunikáció is több csatornát érint - elképzelhetetlen. A kampányfolyamatot ma már automatizálni kell: korábban a kampányok előkészítése, lebonyolítása három hónapig tartott, ma már ezeknek folyamatosan kell zajlaniuk. Az sem mellékes, hogy a kampánykezelő megoldások az adatvédelmet is sokkal inkább biztosítják.' - mondta el Schay Krisztina.

Az adatbányászat fontosságának érzékeltetéséhez érdemes tudni, hogy a SAS szakembere szerint a cégek organikus növekedésének ma már tulajdonképpen az alapja, hogy az ügyféladatokat maximálisan kihasználják.


Szólj hozzá!

Címkék: crm loyalty xsell


2009.11.30. 19:20 S.CH


Kultúraváltásra várva
Az ügyféllojalitásért vívott harc gyönyörei és útvesztői (VI.)
2002. április 3. 21:39
A több évtizedes termékközpontúság után az elmúlt egy-két évben fordulni látszott a világ, mégpedig az ügyfél irányába. Erre való tekintettel mintegy fél éven át életben tartottuk lapunk hasábjain az ügyfélkapcsolat-kezelés témáját, az operatív oldaltól az üzleti stratégiákra, célokra is hatással levő analitikus CRM-ig. Sorozatunk "zárszavában" az utóbbiban külföldön jelentős szerepet játszó, ám idehaza részben még "kihasználatlan" tanácsadókkal, valamint a filozófia megvalósulását támogató informatikai megoldások szállítóival készült interjúkra támaszkodva folytatjuk a hazai viszonyok feltérképezését. Elsősorban -  felcsillantva a várható előnyöket, de nem rejtve véka alá a nehézségeket, többek között a jogból fakadó ellenmondásokat sem -  az érdektelenségből való kilábalás szükségességét firtattuk. 
Az IFUA Horváth és Partner Kft. külhonban is tapasztalatot szerző tanácsadója, Tóth Miklós komoly különbséget érez a nemzetközi és a hazai piac között. "Németországban például filozófiaként és stratégiaként egyaránt elfogadott a CRM. Túljutván a "hittérítés" fázisán, a cégvezetők többsége tisztában van az ügyfélorientált vállalatirányításban rejlő lehetőségekkel, sőt sokan tudatos -  a CRM-filozófia alapelveinek megfelelő -  ügyfélkezelési stratégiát követnek. A német vállalatvezetők a hazaiaknál sokkal tisztábban látják, hogy a folyamatszervezés, illetve az informatika szempontjából milyen támogató eszközökben, megoldásokban érdemes és kell gondolkodniuk."
Magyarországon, ahogy az eddigi hozzászólásokból is kiderült, még nem tartunk itt. "Ennek elsősorban kulturális okai vannak" -  véli Tóth. "A hiánygazdaságból a piacgazdaságba vezető út gyökeresen eltérő magatartást követel mega piaci szereplőktől, amit sokan hajlamosak elfelejteni." Vagyis hiába vannak csodarendszerekkel felszerelt vállalatok, ha a telefon mellett ülő, a pult mögött álló, az önkiszolgálók gondoláit feltöltő munkatársak motivációja nem megfelelő, csak ímmel-ámmal propagálják a termékeket, szolgáltatásokat. Ha baj van a munkatársi vagy a vállalati attitűddel, és ha nem tanulnak meg a vállalatvezetők az ügyfél fejével gondolkodni, elmaradnak a várt eredmények. Az ember ugyanis része a folyamatnak.
Idehaza a vállalatok még keresik a fogást a CRM-en, de a nagyvállalati szféra, a multik már megmoccantak. Min múlik vajon a filozófia, a kultúra terjedésének sebességeő Szállítói oldalon például fékező hatású lehet a gyenge ügyfélismeret: az ügyfél tevékenységének, üzleti folyamatainak, urambocsá, ha már ügyfélkezelésről beszélünk, az ügyfél ügyfelének, szokásainak, tulajdonságainak hiányos ismerete. A felhasználók legszembetűnőbb hiányosságainak felismeréséhez elegendő csupán a saját -  bankokban, üzletekben, telekommunikációs cégeknél, szolgáltatóknál vásárlóként, ügyfélként szerzett -  tapasztalatainkat előszedni. Az egy helyről több szolgáltatás ellenértékéről külön-külön érkező számlák, a nem átvezetett lakcímváltozások azt sugallják, ezen az oldalon is van mit javítani, úgy a vállalati, mint az informatikai kultúra szintjén.
Annak ellenére, hogy idehaza sok területen hiányzik az ügyfélközpontú gondolkodás legnagyobb ösztönzője, a valódi piacgazdaság által megteremtett versenyhelyzet, s a közszolgálat sem érzett még rá a törvényes kereteken belül az adatgazdálkodásban rejlő lehetőségekre, az Oracle-t képviselő Radnai Szabolcs úgy véli, a hazai szabályozás jó irányba mozdult, hiszen a már meglévők mellett a felszabaduló más piacok is jó táptalajai lesznek az analitikus CRM-nek.
Schay Krisztina a SAS Institute-tól az adattárházak hiányára vezeti vissza, hogy nehezen éreznek rá a hazaiak az analitikus CRM értékeire. A valódi áttörést az elektronikus csatornák, továbbá a hitelkártyák, a co-branded kártyák elterjedésétől várja.
"Sajnos még ritka a tényleges vállalati érdekként ébredő CRM-igény, szükségét többnyire csak a marketing- és értékesítési területek érzik. Fúziók esetén azonban - például a pénzintézeti szektorban, ahol a SAS különösen erős - felértékelődik a CRM, hiszen a cég értékének növelője elsődlegesen nem az ügyfelek száma, hanem azok ismertsége és minősége. Nemzetközi tapasztalatok is igazolják, hogy egy-egy fúzió után a megszerzett új ügyfélállomány demográfiai, tranzakcionálási jellemzőinek ismerete és hatékony megszólítása jelentős mértékben hozzájárul az új ügyfelek integrálásához."
A Compaq képviseletében megszólaló Szűcs István szerint az itthoni körülmények és cégméretek közepette a multik alkalmazásai kevésbé életképesek. Azok egy része inkább eszköz, mint kiforrott alkalmazás, s a magyarországi vendorok nagy hányada nem rendelkezik megfelelő piaci, illetve projekttapasztalattal, hogy az adott üzleti problémák megoldására alkalmassá tegye azokat.
Mintegy erre válaszként jegyzi meg a DSS Consulting szakérője, Bálizs Árpád, hogy Nyugaton és Amerikában már működő modell a jó értelemben udvari szállítónak is nevezhető tanácsadócsapat. Ez ügyfelenként két-három tanácsadócéget jelent, amely - egy hosszú távú kapcsolat eredményeként - az ügyfelek bizalmát élvezve minden adódó kérdésre segít választ találni. "Nálunk még ritka a tanácsadók iránti bizalom, a szállítók viszont nehezen azonosulnak az ügyfél üzleti problémáival. Ilyen körülmények között az alkalmazások, a szoftverek minősége csak másodlagos kérdés."
"Termékfüggő és termékfüggetlen tanácsadók közül választhatnak a felhasználók" - mondja Kenesei János az Accenture-től. "Az előbbiek maguk végzik a bevezetést, és érthető, de nem megérthető módon a portfóliójukban lévő megoldásokat, eszközöket propagálják. A termékfüggetleneknél, különösen a kisebb vállalatoknál, viszont sokszor hibádzik a szakmai háttér. Magyarországon gyakran előfordul, hogy az informatikai eszközök megjelenésekor elsősorban az érdekeli a cégeket, hogy azok mire valók, s közben elfelejtik az üzleti alkalmazás egyéb feltételeit megteremteni. A marketingesek például kíváncsiak az elvégezhető elemzésekre, de eközben az adatok számosságára és minőségük fontosságára senki nem hívja fel a figyelmüket. Szerencsére a mai tőkeínséges időkben egyre kevesebb az ilyen melléfogás."
"Erősen iparág-specifikus üzleti megoldásról lévén szó, az iparáganként különböző hajtóerőkre, motivációkra is tekintettel kell lenni" - mondja Seres János az SAP Hungary képviseletében. "Néhány hazai bank számára például kimondottan motiváló lehet az analitikus CRM, hiszen nagyszámú, gyakran egymástól elszigetelt alaprendszereiből e nélkül körülményes például az ügyfelekről, a termékekről folyamatosan riportolni."
A haszonélvezők
Magyarországon ma a telekommunikációs szektorban egyértelmű a versenyhelyzet, így az ügyfelekért ádáz harcot vívó cégek a CRM-filozófia "első számú birtokosai".
Analitikus CRM-eszközöket és megoldásokat alkalmazva ügyfélértéket számolhatnak, választ kaphatnak a lemorzsolódás miértjére, de a távozni készülő előfizetőket is előre jelezhetik, eldöntve, megéri-e azokat visszatartani.
A pénzintézetek közül a bankok sorai is rendeződnek; befejeződnek a fúziók, eltűnnek a pozíciót nem szerzett pénzintézetek, vagyis kialakul a valódi versenyhelyzet. Mivel az üzleti szektor többnyire már elkötelezett valamelyikük mellett, a versenyelőny megszerzéséhez két út marad: ki kell lépniük a lakossági piacra, illetve költséghatékonyságra kell törekedniük. Mindkettő alapja a vállalat egésze által támogatott ügyfélközpontú stratégia és cégpolitika, amelynek megvalósítását segítik az operatív és analitikus CRM-eszközök. A lakosság felé fordulásukat segíthetné a fiókhálózat kiépítésének költségét csökkentő vagy éppen megtakarító, a call, illetve contact centerek üzemeltetését preferáló elektronikus üzletvitel terjedése is, ehhez azonban országos szintű IT-kultúraváltásra és a szolgáltatások árkérdéseivel összefüggő internetpenetráció-növekedésre lenne szükség. A biztosítóknál még tart a termékszintű - gépjármű, lakás stb. - hallgatólagos piacmegosztás, de a tény elől, hogy egy új ügyfél megszerzése sokszorosába kerül egy régi megtartásának, itt sincs menekvés.
Harmadik aspiránsnak - a utilityben különösen erős SAP örömére - a privatizálás által gerjesztett versenybe bekerülő energiaszektort tartják, ahol a költséghatékony működés érdekében analitikus CRM alkalmazásával az alapadatokból a költségek jól elkülöníthetők. Az új helyzetben számukra is felértékelődnek az ügyfelek, így aktuálissá válnak a korábban említett ügyfélmegszerzési és -megtartási problémák.
S végül, úgy vélik a tudorok, bár a kártyás fizetések lassú hazai terjedése nem kedvez nekik, de a gyors piaci változásoknak, az új szereplők gyakori feltűnésének kitett kereskedelmi szektor vállalatai is jó hatásfokkal alkalmazhatják az analitikus CRM eszközeit és módszereit. Tóth Miklós erre saját referenciájukat, a Plus Élelmiszer Diszkont Kft. kiskereskedelmi láncának értékesítési adatpiac-megoldását említi példaként, ahol az ügyfelek szokásaira alapozva igényeik magasabb szintű kielégítése és az áruházlánc értékesítési potenciáljának jobb kihasználása volt a cél.
Az eszköz vagy alkalmazás kérdésének előző számunkban külön fejezetet szenteltünk, így erre nem térünk ki, de az adatpiac kontra adattárház témánál érdemes kicsit elidőzni. A vita alapja az, hogy szorítkozhat-e a cég (és a szállító) egyes funkcionális területeitől indíttatva csupán azok munkáját támogató, például marketing- vagy értékesítési adatpiac kiépítésére, miközben az ügyfelek a cég más területeihez is kapcsolódnak, hiszen így sérül a CRM-filozófia szerinti "befelé egységes ügyfélkép, kifelé egységes vállalati kép". Ezért egyre nő azoknak a szállítóknak a tábora, akik a vállalati adattárház szakaszosan, kis lépésekben történő építési koncepciója mellett voksolnak. A KFKI Isys e témában jártas szakértője, Fajszi Bulcsú így fogalmaz: "Az adattárházat fokozatosan - a funkcionális területek igényeit lépésről lépésre integrálva - építjük ki egy nagyobb struktúra alá. Így, bár a felhasználó számára emészthetőbb módon, lépcsőnként zajlik a megvalósítás, a végeredmény mégis egy egységes, a vállalat egészére kiterjedő rendszer lesz."
Esetenként az elemzési módszerek terén is eltérőek a vélemények a szállító és a felhasználó között. "Előfordul, hogy az utóbbi már előre meghatározza az alkalmazandó szegmentumot, miközben a CRM egyik alapja az, hogy az elemzés több dimenzióban, valamilyen haszonkritérium mentén az összes felhasználón elvégezhető legyen" - véli a HP-től Újj Béla. "Tipikus vitatéma, hogy az előbbi módon, dinamikusan vagy előre meghatározva, ťbezsinórozottanŤ dőljön el, lesz-e külön rendszer a felső, a közepes és az alsó szegmensbe tartozó ügyfelek számára. A mihamarabbi profit reményében a felhasználók általában a felsőbe invesztálnak, pedig az adatkonszolidáció során hosszú távon minden ügyfél és termék feldolgozása a célravezető. A rendszert később nehezebb kiterjeszteni, ha erre az igényre a kezdetektől nem figyelünk."
Projekt alatt és után
A projekt ideje a felhasználó által választott eszköztől, technikától függően eltérő lehet. A megvalósíthatóság szempontjából fontos, mondja Schay Krisztina, hogy a szállító, a tanácsadó minél korábban, lehetőleg már a feladat definiálásánál jelen legyen. A SAS üzleti problémára fókuszáló - technológiai, tudás- és tanácsadás-komponenst tartalmazó - "tudás alapú megoldásai" révén optimalizálható a projekt megvalósítási ideje, és a módszertani útmutatások, üzletág-specifikus fejlesztések révén folyamatos, in-house megvalósításra és működtetésre nyílik lehetőség.
Az analitikus CRM-projektek és a bevezetőkkel együtt maguk a felhasználók is a működtetés alatt vizsgáznak, mert a "kérdezni tudni kell" szlogen ez esetben halmozottan igaz. A rendszer csak az üzleti cél teljesülése érdekében jól feltett kérdésekre - vagyis a működtetővel együtt gondolkodva - ad jó válaszokat. Menet közben dől el, hogy használják-e - például az elemzések eredményeként megjelenő szempontok szerint küldi-e a DM-leveleket a marketing -, mint ahogy az is, sikerült-e a bevezetés során kezelni és elsimítani a CRM kapcsán gyakori és meglehetősen szerteágazó érdeksérüléseket.
Radnai Szabolcs egy nagy magyar banknál készített analitikus CRM-projekt tapasztalataira támaszkodva hívja fel a figyelmet néhány elkerülhető nehézségre. A banki rendszerek némelyike meglehetősen nagy szabadosságot enged az ügyintézőnek. Az így kialakuló strukturálatlan adattárolás megkérdőjelezi az adatok megbízhatóságát, nehezíti az adatfeldolgozást, és már egy egyszerűnek tűnő kérdés, az ügyfélszám tekintetében sem számíthatunk egzakt eredményre. A rendrakásnak ekkor adattisztítással kell kezdődnie, amit az Oracle adattárház módszertana, illetve a konzultációs részleg tapasztalatai alapján végez el. "Adódtak klasszikus adattárház-építési nehézségek is" - folytatja Radnai. "A ťsokat akar a szarkaŤ kezdetű közmondás itt is érvényes, vagyis stratégia alapján jól meghatározott célt csak lépésről lépésre szabad megvalósítani. Az adattárházprojektek időigényesek, ezért hogy ne fáradjanak bele a meglehetősen komoly befektetéssel járó projekt résztvevői a megvalósításba, és ne kedvetlenedjenek el, legalább 3-6 hónaponként fel kell tudni mutatni a későbbi megtérülést előre jelző eredményeket. Ehhez a projektszponzornak látnia kell, mit és milyen lépésekben akar megvalósítani, és hogyan, illetve honnan tud hozzá minden szükséges erőforrást előteremteni. Ellenkező esetben már a felépítés sem biztos, de a működtetésre végképp alig van remény."
Az adattisztítás és -betöltés Horváth Gábor, az IBM specialistája szerint is kritikus pontja a projektnek, többek között azért, mert érdekek sérülhetnek, ha ilyenkor kiderül, hogy nincsenek megfelelően kezelve a tranzakciós rendszerben lévő adatok. A menet közben lankadó érdeklődés ébren tartására is érdemes figyelmet fordítani, mondja Horváth. Például egy viszonylag korai szakaszban a még félkész adattárházon végzett adatbányászat pozitív eredményei felpörgethetik a hosszú és fáradságos projektbe beleunt résztvevőket.
A pilotok tapasztalatait összegezve Szűcs István izgalmasnak s mindkét fél számára ösztönzőnek tartja, ahogy a kezdeti idegenkedést követően a közösen összeállított és kiválasztott kérdésekre a rendszertől választ váró, előbb csak kíváncsi résztvevőknek beindul a fantáziájuk, és hirtelen záporozni kezdenek az addig csak belül érlelődő, ám most már kérdéssé formálódó elemzési igények.
Ügyfél és internet
Az internet izgalmas terület az analitikus CRM számára, hiszen a logfájlok révén automatikusan nagy mennyiségben keletkeznek az ügyfélkezelés szempontjából hihetetlen értéket képviselő, de ma még szinte alig elemzett adatok.
Örvendetes, hogy egyre több portálon találhatók regisztrációs kérdőívek, amelyek lehetővé teszik a látogatók azonosítását, s ezen adatok elemzésével például jó minőségű, valóban testre szabott oldalak készíthetők, illetve az oldalt lehívó látogató érdeklődéséhez igazíthatók a bannerek. Számtalan lehetőséget rejt az internet, az egyik ígéretes fejlesztési irány a text mining területe, amelynek egyik felhasználási lehetősége például a tömegesen érkező e-mailek automatikus szortírozása.
Csengő forintok
Mivel az ügyfél-elégedettség számokban történő kifejezéséhez viszonylag elvont modelleket kell felállítani, a CRM megtérülése nehezen számszerűsíthető. Ennek elfogadása segítheti a felhasználót meggyőzni a rendszerhasználat, a CRM-cégpolitika előnyeiről. Minél közelebb kerül a bevezetést végző és/vagy a tanácsadó az analitikus CRM-mel megoldani kívánt üzleti problémákhoz, annál pontosabb válaszokat kap a rendszertől feltett kérdéseire, és annál gyorsabban érhető el a megtérülés. Ez nem közömbös egy olyan országban, ahol csaknem minden informatikai beruházás esetében az első két kérdés az, hogy mennyibe kerül, és mennyi idő alatt térül meg. "Ezt a fajta üzleti célfeltáró tevékenységünket Discovery Engagement néven kínáljuk a piacon - mondja a HP-tól Ujj Béla -, ebbe többek között beletartoznak a jövedelmezőségi számítások, valamint a jövőkép kialakítása is. Magyarországon azonban ez ma még a felhasználó fejében nem értékteremtőként, tehát ellenszolgáltatásért végzett tevékenységként, inkább grátiszként rögzül, így nem eladható, vagy csak ritkán. Pedig ennek a fajta tanácsadásnak a projekt jövőjét illetően olykor nagyobb az értéke, mint a bevezetéssel kapcsolatosaknak."
"Az analitikus CRM terén két szemszögből kell a törvényi szabályozást vizsgálni" - mondja Ujj Béla. "A magyar törvények szerint pl. a pénzintézetek nem kezelhetik együtt az eltérő tevékenységeikkel (bank, biztosító, nyugdíjpénztár stb.) kapcsolatos ügyféladatokat, vagyis az ügyfelek azonos adatai egyénenkénti hozzájárulásuk nélkül nem vonhatók össze. Ez élő probléma, de általános, aggregált adatokról lévén szó, az adattárház-technológiát nem érinti, hiszen ott - például a távközlésben a hívások feldolgozásakor - nem az egyedi adatok, hanem a tendencia meghatározása a cél. Tény azonban, hogy az alkalmazott technológiától függően vissza lehet menni az elemi adatszintig. Valójában az analízis folyamán annak érdekében szelektálunk, hogy egyező tulajdonságú ügyfelek azonos, az igényüknek megfelelő kiszolgálásban részesüljenek. Így ma az a gyakorlat, hogy ha valaki például a webes tájékozódását elősegítő, érdeklődésének megfelelő, testre szabott információt akar kapni - amihez olyan adatokra van szükség, mint például a honlapokon történő bolyongási szokásait rögzítő logfájlok -, annak el kell tűrnie adatainak kezelését. Ugyanis ha a szabó előtt eltitkoljuk derékbőségünket, lötyögni fog rajtunk a nadrág, vagy ránk sem jön."
"Furcsa anomáliája a dolognak, hogy a mai törvények szerint a fenti elemzések nagy tömegben, így a weblátogatások tekintetében törvénysértők, ha azonban az árusnál kérés nélkül mindig a kedvenc újságomat teszik elém, az jó és természetes. A jog tehát nincs felkészülve, s mindezt tovább bonyolítja, hogy egy multinacionális vállalat ahány piacon van jelen, annyi szabályozással találja szembe magát."
Szűcs István szerint a szigorú hazai adatvédelem miatt gyakran az ügyfélérdekek is sérülnek, ezért meggondolandó a szabályozás módosítása. Szabályozásra vár például, hogy az adatok - építő célzattal - a gyűjtésükkor megjelölt célon túl is felhasználhatók legyenek, amivel többek között limitálni lehetne a csalás lehetőségét. Az ebből származó kárt ugyanis a cégek jelenleg a tisztességes állampolgárokkal kénytelenek megfizettetni.

Szólj hozzá!

Címkék: crm loyalty