Optymalizacja kampanii reklamowych

Wykorzystanie modeli predykcyjnych, tak˙ze modeli kart skoringo-wych, w zarz ˛adzaniu kampaniami reklamowymi stało si˛e dzi´s stan-dardem. Mo˙zna ´smiało twierdzi´c, ˙ze w instytucjach finansowych roz-wijanie modeli predykcyjnych dotyczy głównie dwóch zespołów:

jednego odpowiedzialnego za zarz ˛adzanie szeroko rozumianym ry-zykiem; drugiego odpowiedzialnego za działania marketingowe czy sprzeda˙zowe przede wszystkim zwi ˛azane ze spersonalizowanymi kam-paniami reklamowymi (marketing bezpo´sredni, ang. below the line – BTL), czyli przygotowanymi dla konkretnego klienta, przez wy-słanie listu zwykł ˛a drog ˛a pocztow ˛a, emaila, SMS-a lub wykonanie telefonu.

Koszty spersonalizowanych kampanii s ˛a zdecydowanie mniejsze od kosztów kampanii powszechnych (ang. above the line – ATL), głównie wykorzystuj ˛acych kanały telewizyjne, radiowe i plakaty. Co wi˛ecej, pozwalaj ˛a one na stworzenie specyficznej relacji z klientem, która daje długoterminowe korzy´sci i przede wszystkim powoduje,

˙ze klient ma wra˙zenie, ˙ze proponowany produkt jest wła´snie dla nie-go. Klient nabiera do instytucji wi˛ekszego zaufania, powoli zaczy-na uto˙zsamia´c propozycj˛e z własnymi potrzebami, a˙z wreszcie staje si˛e coraz bardziej podatny na tak dobrane reklamy. Proces nawi ˛ azy-wania tego typu relacji ogólnie jest zwany zarz ˛adzaniem relacjami z klientem (ang. customer relationship management – CRM) i jest ju˙z opisany w literaturze od 10 lat (Payne, 2005). Wa˙znym elemen-tem tworzenia relacji jest ci ˛agłe doskonalenie procesów docierania do klientów, przez rozwijanie zarówno kanałów dystrybucyjnych, jak i samych modeli predykcyjnych optymalizuj ˛acych koszty kam-panii. Im wi˛ecej danych o klientach ma dana instytucja, tym lepsze modele potrafi budowa´c, a tym samym mniejsze koszty ponosi przy kolejnych kampaniach. Rozpoczyna si˛e zatem wy´scig du˙zych korpo-racji. Czas odgrywa tu wa˙zn ˛a rol˛e: im szybciej zdob˛edzie si˛e

wi˛ek-szy zasób precyzyjnych informacji o klientach, tym wi˛eksz ˛a zyska si˛e przewag˛e nad konkurencj ˛a.

Do lepszego zrozumienia przydatno´sci modeli skoringowych w za-rz ˛adzaniu kampaniami reklamowymi mo˙ze posłu˙zy´c prosty przy-kład w arkuszu kalkulacyjnym. Rozwa˙zmy kampani˛e, któr ˛a poten-cjalnie mo˙zna by wykona´c a˙z dla 7 mln klientów (number of ca-ses), patrz rysunek 20, oraz arkusz o nazwie campaign_manage-ment.xlsx. Przypu´s´cmy, ˙ze ´sredni koszt dotarcia do jednego klien-ta kampanii BTL to 5 PLN (average cost of conklien-tact, offer, campa-ign). Dodatkowo na podstawie kampanii testowych najcz˛e´sciej ma-my informacj˛e, ˙ze ´sredni procent odpowiedzi dotycz ˛acych pozytyw-nych reakcji na kampani˛e (ang. response rate) jest na poziomie 0,5%

(global response rate). Klient, który pozytywnie reaguje na nasz ˛a kampani˛e, kupuj ˛ac nasz produkt, przynosi ´srednio 800 PLN przy-chodu (average income on responded case). Jest to zatem przychód z pojedynczego respondenta, czyli osoby reaguj ˛acej na kampani˛e.

Je´sli zdecydujemy si˛e wykona´c kampani˛e dla wszystkich klientów (7 mln), to poniesiemy koszty w wysoko´sci 35 mln PLN, nasi re-spondenci przyczyni ˛a si˛e do przychodu 28 mln PLN, co sumarycz-nie przysumarycz-niesie nam ujemny wynik w wysoko´sci −7 mln PLN. Tak zdefiniowany model biznesowy nie przyniesie nam nigdy korzy´sci i narazimy instytucj˛e finansow ˛a na du˙ze straty.

Je´sli jednak posiadane dane o naszych klientach s ˛a wystarczaj ˛ a-co długo gromadzone i reprezentuj ˛a po˙z ˛adan ˛a jako´s´c, to jest mo˙z-liwe zbudowanie modelu predykcyjnego, który znacz ˛aco zmodyfi-kuje nasz proces biznesowy, powoduj ˛ac istotne zyski. Mianowicie, mo˙zliwe jest ustawienie naszych klientów w kolejno´sci od tych, któ-rzy najmniej reaguj ˛a na kampani˛e, do tych, którzy reaguj ˛a najbar-dziej. Ustala si˛e wtedy wła´sciwy punkt odci˛ecia i realizuje kampa-ni˛e skierowan ˛a do wybranej grupy docelowej. W naszym przypadku wysyłamy tylko 1750 tys. ofert, co powoduje znacz ˛ace zmniejszenie kosztów z 35 mln PLN do niecałych 9 mln PLN. U˙zywany jest tu model z bardzo du˙z ˛a moc ˛a predykcyjn ˛a liczon ˛a statystyk ˛a Giniego na poziomie 78%. Na jego podstawie potrafimy wyselekcjonowa´c w ramach wysyłanych ofert a˙z 91% potencjalnych respondentów – patrz statystyka captured percent (gains). Inn ˛a statystyk ˛a u˙zywan ˛a w tego typu procesach jest lift, równa 3,6, pozwala ona na

oblicze-Rysunek 20. Fragment arkusza kalkulacyjnego. Kalkulacja kampanii reklamowej

Number of cases7 000 000 Average income on responded case800 Average cost of contact, offer, campaign5 Gini global78,36% Global response rate0,5% Accepted response rate1,83% Acceptance rate25,00% Cummulative lift on accepted3,66 Captured percent (Gains)91,43% Global cost35 000 000 Global income28 000 000 Global profit-7 000 000 Accepted cost8 750 000 Accepted income25 599 340 Accepted profit16 849 340 Number of offers1 750 000 Number of expected responders31 999

0,0%

0,5%

1,0%

1,5%

2,0%

2,5%

3,0%

3,5% 1234567891011121314151617181920 Score band

Response rate

Zródło: opracowanie własne.´

Tabela 16. Fragment arkusza kalkulacyjnego. Zale˙zno´sci zysku z kampanii reklamowej od mocy predykcyjnej modelu

Accepted costbaGiniOptimal profitOptimal acc rateCaptured percent (Gains) 8 750 0001-0,678,36%16 849 34025,00%91,43% 8 750 0001-0,678,36%16 849 34025,00%91,43% 8 750 0001-0,573,81%15 330 31025,00%86,00% 10 500 0001-0,467,06%13 134 99330,00%84,41% 10 500 0001-0,356,38%10 018 79230,00%73,28% 12 250 0001-0,2853,55%9 281 16335,00%76,90% 12 250 0001-0,2650,43%8 476 73835,00%74,02% 12 250 0001-0,2447,01%7 606 99835,00%70,92% 12 250 0001-0,2345,18%7 149 19535,00%69,28% 12 250 0001-0,2243,28%6 677 39335,00%67,60% 12 250 0001-0,239,24%5 697 23035,00%64,10% 12 250 0001-0,1834,91%4 680 28735,00%60,47% 12 250 0001-0,17233,11%4 267 21135,00%58,99% 12 250 0001-0,1732,66%4 163 64135,00%58,62% 12 250 0001-0,1630,35%3 645 13935,00%56,77% 12 250 0001-0,1528,01%3 127 82035,00%54,92% 1%of Gini272 569PLN 5%of Gini1 362 844PLN 10%of Gini2 725 687PLN

Zródło: opracowanie własne.´

nie, ile razy lepiej nasz model od zwykłego modelu losowego se-lekcjonuje respondentów w grupie docelowej, innymi słowy, dzi˛eki modelowi potrafimy prawie cztery razy skuteczniej trafia´c do po˙z ˛ a-danych klientów ni˙z w sytuacji wysyłania ofert losowo. Pozytyw-na reakcja Pozytyw-na kampani˛e w grupie docelowej wynosi prawie 2%, co wła´snie oznacza, ˙ze prawie cztery razy lepiej identyfikujemy klien-tów, bo w całej populacji reakacja ta jest na poziomie 0,5%. Finalnie przychód z kampanii b˛edzie tylko o 2,5 mln PLN mniejszy od mak-symalnego, ale całkowity wynik staje si˛e dodatni i wynosi prawie 17 mln PLN.

Zamiast zatem traci´c 7 mln PLN na ka˙zdej kampanii zarabia-my 17 mln PLN. Je´sli tych kampanii prowadzizarabia-my wiele w roku, to wnioski nasuwaj ˛a si˛e same – warto jest wykorzystywa´c modele pre-dykcyjne i nasza instytucja jest w stanie wygrywa´c z konkurencj ˛a.

Mo˙ze si˛e jednak okaza´c, ˙ze przy obecnej wiedzy o procesach i danych o klientach nie jeste´smy w stanie zbudowa´c modelu o mocy 78%. W do´s´c łatwy sposób w symulacji mo˙zna przeprowadzi´c wiele scenariuszy, analizuj ˛ac kolejno wzrastaj ˛ace warto´sci mocy predyk-cyjnej (patrz tabela 16). Wida´c wyra´znie, ˙ze nawet przy stosunkowo małej warto´sci statystyki Giniego, równej 28%, uzyskujemy ju˙z do-datni wynik na poziomie 3 mln PLN. Docieramy wtedy do prawie 55% respondentów. Dodatkowo mo˙zna wyliczy´c korzy´s´c z lepszego modelu, poprawiaj ˛ac jego predykcyjno´s´c o 1%. Powi˛eksza si˛e wtedy zysk o dodatkowe prawie 300 tys. PLN.

Zwró´cmy uwag˛e na to, ˙ze parametry modelu biznesowego musz ˛a by´c odpowiednie, nie ka˙zda ich kombinacja finalnie przynosi dodat-nie zyski. Problemy mog ˛a by´c zarówno po stronie zbyt małej licz-by klientów, niewła´sciwych proporcji kwotowych pomi˛edzy kosz-tem dotarcia do klienta a przychodem z respondenta, jak i po stro-nie samego modelu czy jako´sci danych, na podstawie których model był budowany. Wreszcie mo˙ze si˛e okaza´c, ˙ze sam proces jest bardzo niestabilny. Ze wzgl˛edu na zmienny rynek lub zmienne upodoba-nia klientów mo˙ze sta´c si˛e oczywiste, ˙ze danego produktu nie da si˛e sprzedawa´c przez kampanie bezpo´srednie. Opisane modele bizneso-we najcz˛e´sciej s ˛a stosowane w typowych powtarzalnych procesach sprzeda˙zy krzy˙zowej (ang. cross-sell – up-sell).

Kolejna metoda jeszcze lepszego zmniejszania kosztów to mode-lowanie uplift, opisane w podrozdziale 3.4. Chodzi tu o oddzielenie takich klientów, którzy dobrowolnie b˛ed ˛a korzysta´c z kolejnych pro-duktów, od takich, do których musimy skierowa´c kampani˛e, bo ina-czej nie skorzystaj ˛a z produktu. Mamy te˙z sytuacj˛e odwrotn ˛a, gdy klienta mo˙zemy zniech˛eci´c, je´sli dotrzemy do niego z dan ˛a kampa-ni ˛a reklamow ˛a. W obu tych przypadkach mo˙zemy dzi˛eki takiemu modelowaniu zaoszcz˛edzi´c niepotrzebne koszty. Tego typu działania powinny by´c elementem codziennego organizowania kampanii. Jed-nocze´snie ka˙zda z nich powinna mie´c swoj ˛a grup˛e kontroln ˛a. Trze-ba te˙z starannie zadTrze-ba´c o to, by grupa kontrolna nie była przez po-myłk˛e grup ˛a docelow ˛a innej kampanii. Co wi˛ecej, trzeba te˙z umie´c wyznaczy´c limity kontaktów z klientem. To zagadnienie jest bar-dzo ciekawe i trudne. Mo˙zemy mówi´c o limicie indywidualnym dla klienta i kanału dystrybucyjnego. W praktyce nie prowadzimy tyl-ko jednej kampanii i nie jest łatwo organizowa´c proces zarz ˛ adza-nia kampaadza-niami w przypadku przedsi˛ebiorstwa maj ˛acego miliony klientów. W takim układzie procesy te musz ˛a sta´c si˛e automatycz-ne i wykonywaautomatycz-ne przez jeden dedykowany system. Narz˛edzie tak organizowanych kampanii jest jednak bardziej sztuk ˛a intelektualn ˛a ni˙z zagadnieniem zwi ˛azanym z jakim´s oprogramowaniem. Mo˙zemy je nazwa´c angielskim poj˛eciem Multichannel Campaign Manage-ment(MCCM), wprowadzonym przez Gartnera w 2013 roku (Sarner i Hopkins, 2013), które mo˙zna przetłumaczy´c jako wielokanałowe zarz ˛adzanie kampaniami reklamowymi. Od pewnego czasu nazywa si˛e je tak˙ze Omnichannel, by podkre´sli´c spójno´s´c ofert w ´srodowisku wielokanałowym. Istot ˛a takiego podej´scia jest tworzenie i groma-dzenie wszelkich pasywnych kampanii reklamowych (inaczej ofert) w jednym systemie na poziomie klienta. Nast˛epnie przez w pełni kontrolowane i automatyczne procesy generuje si˛e kampanie aktyw-ne dzi˛eki zaawansowanym regułom analitycznym i statystycznym, wybieraj ˛ac najlepsze kampanie dla danego klienta, dedykowane do wła´sciwych kanałów dystrybucji i regulowane tak˙ze ustalonymi li-mitami kontaktów. W procesie tym s ˛a podejmowane wci ˛a˙z decyzje wyboru z wielu mo˙zliwych ofert najlepszej kampanii aktywnej dla danego klienta. Przy podejmowaniu decyzji mog ˛a znacz ˛aco pomóc nie tylko modele response, ale tak˙ze LTV czy CLTV (Customer Life

Time Value), wspomniane w podrozdziale 1.2. Bardzo wa˙znym te-matem w zarz ˛adzaniu kampaniami jest podej´scie klienckie, a nie produktowe. Dzi´s cz˛esto w przedsi˛ebiorstwach spotyka si˛e typow ˛a hierarchi˛e stanowisk, opart ˛a na oferowanych produktach. Powodu-je to, ˙ze osoba odpowiedzialna za produkt w naturalny sposób, ze wzgl˛edu na swój produktowy cel, b˛edzie d ˛a˙zyła do tego, by kam-panie dotycz ˛ace jej produktu były najliczniejsze. Z punktu widzenia klienta, a tak˙ze w kontek´scie globalnego zysku przedsi˛ebiorstwa

mo-˙ze to by´c jednak zupełnie niewła´sciwe podej´scie. Po pierwsze momo-˙ze si˛e okaza´c, ˙ze daje si˛e zbudowa´c segmentacj˛e klientów okre´slaj ˛ac ˛a kombinacje produktowe najlepsze dla danego segmentu. Po drugie niektóre produkty mog ˛a by´c mniej opłacalne w krótkim horyzoncie czasowym, a inne w długim. Nale˙zy zatem u˙zywa´c zaawansowanych narz˛edzi analitycznych, mierz ˛ac najlepiej jak si˛e da potencjał klienta i dobieraj ˛ac sekwencje produktowe w taki sposób, by maksymali-zowa´c zyski. Dzieje si˛e to zazwyczaj, gdy budujemy dług ˛a relacj˛e z klientem i odpowiednio obci ˛a˙zamy go opłatami w czasie, nieko-niecznie od razu du˙zymi na starcie. Fakt budowania długookreso-wych relacji staje si˛e powodem powstawania zespołów CRM (ang.

customer relationship management), które powinny by´c odseparo-wane od hierarchii produktowej w firmie. Wtedy maj ˛a szans˛e spra-wowa´c finaln ˛a kontrol˛e nad wła´sciwym sposobem zarz ˛adzania kam-paniami i nad metodami maksymalizacji zysku.