BG
DM
Customer Relationship Management
DataBase and Data Mining Group of Politecnico di Torino
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
DataBase and Data Mining Group of Politecnico di Torino
Schema funzionale dei sistemi CRM
Moduli “front-end”
Venditore
Telefono
Customer Relationship
Management
• Esecuzione richieste
cliente
•Amministrazione cliente
Gestione
campagne e
marketing
Copyright – Tutti i diritti riservati
Tratto da G.
Bracchi, C.
Francalanci,
G. Motta,
“Sistemi
Informativi per
l’impresa
digitale”, McGraw-Hill,
2005
CRM
Direzionale
Elena Baralis
Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
DataBase and Data Mining Group of Politecnico di Torino
Schema funzionale dei sistemi CRM
• CRM operativo
– gestione del contatto cliente durante tutto il ciclo di vita
della relazione
• Strategia aziendale per gestire la relazione con il
cliente lungo il suo intero ciclo di vita dal contatto
all'assistenza post-vendita, fino al termine della
relazione con il cliente
• Obiettivo: formulare (idealmente) per ciascun
cliente
• contatto in entrata (inbound) e in uscita (outbound)
– scopo del contatto
•
•
•
•
l'offerta più appropriata
attraverso il canale più adatto
al momento giusto
al prezzo più idoneo
Copyright – Tutti i diritti riservati
CRM
Analitico
CRM - 4
Database and data mining group, Politecnico di Torino
Customer Relationship
Management
–
–
–
–
CRM
Operativo
Data warehouse marketing e direzionale
Moduli “back-end”
(Sistemi ERP e
legacy)
Elena Baralis
Politecnico di Torino
CRM - 1
Corrispondenza
Dati Clienti e Prodotti
Elena Baralis
Politecnico di Torino
Copyright – Tutti i diritti riservati
Web
campagna di promozione o vendita
raccolta reclami e osservazioni
richiesta di assistenza
verifica dello stato delle operazioni del cliente
– informatizzazione dei canali attraverso cui avvengono i
contatti con il cliente
– multicanalità
– condivisione dei dati su clienti e prodotti fra i moduli
Elena Baralis
Politecnico di Torino
CRM - 2
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
Uso dei sistemi CRM
Elena Baralis
Politecnico di Torino
CRM - 5
Database and data mining group, Politecnico di Torino
DB
MG
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
DataBase and Data Mining Group of Politecnico di Torino
Schema funzionale dei sistemi CRM
• CRM analitico
– informatizza l'analisi della clientela,
– fornisce informazioni a supporto dei processi di marketing
e delle attività del CRM operativo
Numerosità della clientela
Continuità e frequenza della relazione
Assicurazioni
Stato
Sanità
Trasporti
Turismo
Beni consumo
durevole
Basso
Copyright – Tutti i diritti riservati
Banche
TLC
Beni Strumentali
Farmaceutica
Alto
Basso
• Dipende da
• CRM direzionale
– Intensità della relazione con la
clientela
– frequenza dell’interazione,
– durata del rapporto
– Numerosità della clientela
– Lealtà della clientela
– Multicanalità del rapporto
– permette al management di pianificare e controllare le
performance dell'azienda verso il cliente
• CRM analitico e CRM direzionale usano
prevalentemente dati di sintesi
• Sistemi di back-end
– gestiscono operativamente l'evasione delle richieste dei
clienti raccolte dai moduli di front-end (prodotti, servizi,
assistenza, manutenzione, ...)
Alto
CRM - 3
Elena Baralis
Politecnico di Torino
Elena Baralis
Politecnico di Torino
Copyright – Tutti i diritti riservati
Pag. 1
CRM - 6
Elena Baralis
Politecnico di Torino
BG
DM
Customer Relationship Management
DataBase and Data Mining Group of Politecnico di Torino
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
Schema funzionale dei sistemi CRM
•Redditivita' della clientela
•Soddisfazione della clientela
– agente di vendita (promotore finanziario, informatore
scientifico)
– negozio, filiale (sportello bancario)
Informazioni
analitiche
sui clienti
Informazioni analitiche
sui clienti
• Costituito dai sistemi per le forze di vendita (sales
force automation, SFA)
– disponibilità ai venditori di informazioni su clienti, prodotti,
visite eseguite dagli agenti
– assistenza al venditore nella costruzione di un’offerta
tecnicamente corretta e mirata alle caratteristiche ed
esigenze del cliente
CRM analitico:
analisi e profilatura
dei clienti
CRM operativo:
contatto con il cliente
Dati operativi
delle transazioni con i clienti
• Esempio: configurazione dell'offerta di una polizza assicurativa
Elena Baralis
Politecnico di Torino
CRM - 7
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
DB
MG
DB
MG
Canale Web
DataBase and Data Mining Group of Politecnico di Torino
DataBase and Data Mining Group of Politecnico di Torino
• Portale per le transazioni fra cliente ed azienda
• Multicanalità
– clienti Business
– clienti Consumer
– il cliente sceglie ogni volta il canale più conveniente
• acquista il prodotto in negozio
• modifica il contratto per telefono
• consulta lo stato dei propri pagamenti su web
• Funzionalita' di riferimento
– catalogo dei prodotti disponibili e informazioni generali al cliente
– capacità di supportare le transazioni di acquisto
⇒ servire il cliente ubiquo 24 ore su 24
• suggerimento del prodotto al cliente
• guida alla configurazione dell’ordine
• assistenza nel ciclo di acquisto (funzione carrello)
• Unicità dei dati su clienti e prodotti
– ogni modulo che supporta un canale dispone di tutte le informazioni sui
clienti e sui prodotti, indipendentemente dal canale/sistema che le ha
create
– modello dei dati unico
– basi di dati uniche o unificate
– informazioni sullo stato e la storia di tutte le transazioni del cliente
(ordini fatti, consegnati, ...)
– gestione delle interazioni pre e post vendita
• richieste informazioni
• reclami
• Integrazione fra
– memorizzazione del percorso di navigazione del cliente sul portale
(clickstream), usato per
– Front Office (moduli di contatto cliente)
– Back Office (moduli di erogazione del prodotto o servizio)
• analisi statistiche sull'uso del portale
• gestione delle promozioni
Elena Baralis
Politecnico di Torino
CRM - 8
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
DB
MG
Canale telefonico
DataBase and Data Mining Group of Politecnico di Torino
Schema funzionale dei sistemi CRM
Moduli “front-end”
Telefono
Web
Elena Baralis
Politecnico di Torino
CRM - 11
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
Venditore
Elena Baralis
Politecnico di Torino
CRM - 10
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
Il paradigma CRM
DataBase and Data Mining Group of Politecnico di Torino
• Interazione reale tra il cliente (privato/azienda) e il
rappresentante dell'azienda
CRM direzionale
Dati operativi
delle transazioni con
i clienti
DB
MG
Canale venditore
DataBase and Data Mining Group of Politecnico di Torino
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
• Moduli call center
Corrispondenza
– gestione accessi telefonici con integrazione fra tecnologia telefonica
e informatica (CTI - Computer Telephone Integration)
CRM
Operativo
• IVR (Interactive Voice Response)
• ACD (Automatic Call Distribution)
• altre tecnologie: riconoscimento chiamante, riconoscimento vocale, …
Dati Clienti e Prodotti
• Funzionalità di riferimento:
Moduli “back-end”
(Sistemi ERP e
legacy)
• Esecuzione richieste
cliente
•Amministrazione cliente
Copyright – Tutti i diritti riservati
–
–
–
–
–
–
Data warehouse marketing e direzionale
Gestione
campagne e
marketing
CRM - 9
Elena Baralis
Politecnico di Torino
CRM
Analitico
CRM
Direzionale
Elena Baralis
Politecnico di Torino
informazioni al cliente su prodotti e azienda
gestione transazioni di acquisto
informazioni al cliente sullo stato delle richieste
gestione dei reclami
tracciamento contatti (memorizzati su scheda cliente)
telemarketing inbound e outbound (vendita guidata da script)
Copyright – Tutti i diritti riservati
Pag. 2
CRM - 12
Elena Baralis
Politecnico di Torino
BG
DM
Customer Relationship Management
DataBase and Data Mining Group of Politecnico di Torino
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
Schema funzionale dei sistemi CRM
Moduli “front-end”
Venditore
Telefono
CRM
Operativo
Corrispondenza
– durata della relazione cliente-impresa
– frequenza e tipo (profittabilità) dei “contatti” tra
cliente e impresa
– esempi
• propensione di un consumatore ad acquistare
regolarmente prodotti della stessa marca
• propensione di un consumatore a servirsi dello stesso
punto vendita
Data warehouse marketing e direzionale
Gestione
campagne e
marketing
• Esecuzione richieste
cliente
•Amministrazione cliente
CRM
Analitico
CRM
Direzionale
Elena Baralis
Politecnico di Torino
CRM - 13
Copyright – Tutti i diritti riservati
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
DB
MG
– clienti nello stesso segmento siano “simili” tra loro
– clienti in segmenti diversi siano “diversi” tra loro
• Proprietà di una corretta segmentazione
– completa
– mutuamente escusiva
• segmentazione della clientela
• elaborazione di indici predittivi sui clienti
• selezione di segmenti di clienti per individuare liste
clienti per campagne
• One-to-one marketing e customer
segmentation
Elena Baralis
Politecnico di Torino
Copyright – Tutti i diritti riservati
profitti
Retention
Lost
proposal
Churner
Database and data mining group, Politecnico di Torino
DB
MG
Customer Lifetime
DataBase and Data Mining Group of Politecnico di Torino
• Basata su diversi tipi di informazioni
Tratto da Carlo Vercellis,
“Business intelligence Modelli matematici e
sistemi per le decisioni”,
McGraw-Hill, 2005
– anagrafiche dei clienti
– preferenze espresse dai clienti raccolte mediante
interviste
– informazioni su “cosa fanno” i clienti (data-driven
segmentation)
Cross-selling
• Utilizza tecniche di
– clustering per identificare segmenti di clienti
– classificazione per caratterizzare le proprietà di ogni
segmento (costruire un modello del segmento)
tempo
perdite
DB
MG
Customer segmentation
DataBase and Data Mining Group of Politecnico di Torino
Acquisizione
Copyright – Tutti i diritti riservati
Elena Baralis
Politecnico di Torino
CRM - 17
Database and data mining group, Politecnico di Torino
Cross-selling
DataBase and Data Mining Group of Politecnico di Torino
• Partizionamento di un insieme di clienti in
segmenti tali che
– basate su tecniche di data mining
– esempi
Retention
DB
MG
Customer segmentation
DataBase and Data Mining Group of Politecnico di Torino
• Opera su dati memorizzati in un data
warehouse
• Comprende una ampia gamma di
funzionalità di supporto ai processi di analisi
CRM - 14
Elena Baralis
Politecnico di Torino
CRM - 16
Database and data mining group, Politecnico di Torino
CRM analitico
Copyright – Tutti i diritti riservati
DataBase and Data Mining Group of Politecnico di Torino
• Indica la lealtà di un cliente verso un’azienda
Web
Dati Clienti e Prodotti
Moduli “back-end”
(Sistemi ERP e
legacy)
DB
MG
Customer loyalty
DataBase and Data Mining Group of Politecnico di Torino
Customer Lifetime Value (CLV): Profitti
generati da un cliente durante il suo ciclo
di vita (customer lifetime)
CRM - 15
Elena Baralis
Politecnico di Torino
Elena Baralis
Politecnico di Torino
Copyright – Tutti i diritti riservati
Pag. 3
CRM - 18
Elena Baralis
Politecnico di Torino
BG
DM
Customer Relationship Management
DataBase and Data Mining Group of Politecnico di Torino
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
Indici
Customer attrition
DataBase and Data Mining Group of Politecnico di Torino
• Variabili utilizzate per profilare e monitorare il
cliente
• Caratterizzati da
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
• Motivazioni
– prospettiva di condizioni più vantaggiose (costo del conto
corrente, tariffa telefonica)
– prospettiva di servizi più interessanti
– offerte legate all’apertura del nuovo contratto (ad esempio i
primi mesi servizi gratuiti o a costi contenuti)
– “semplicità” del passaggio da un’azienda ad una
concorrente
– periodicità: frequenza con cui il dato è campionato
– storicizzazione: tempo per cui sono mantenuti indici
periodici (permette la valutazione di trend)
– granularità dell'indice (ad es. cliente/anno)
– valori minimi, medi e massimi
– dati utilizzati per calcolare l'indice
• Numero di indici usati per profilare e monitorare il
cliente può essere elevato
– 300-500 negli operatori telefonici mobili)
Copyright – Tutti i diritti riservati
Elena Baralis
Politecnico di Torino
CRM - 19
Database and data mining group, Politecnico di Torino
Tipologie di indici
Database and data mining group, Politecnico di Torino
DB
MG
Customer retention
DataBase and Data Mining Group of Politecnico di Torino
Copyright – Tutti i diritti riservati
Elena Baralis
Politecnico di Torino
CRM - 23
Database and data mining group, Politecnico di Torino
Customer retention
DataBase and Data Mining Group of Politecnico di Torino
– il costo per l’acquisizione di un nuovo cliente rappresenta
un investimento significativo
– il costo per l’acquisizione di un nuovo cliente e per
riconquistare un cliente perduto è più elevato del costo di
azioni di marketing per trattenere un cliente giudicato a
rischio di abbandono
– le azioni per la riconquista di un cliente possono essere
tardive
Elena Baralis
Politecnico di Torino
CRM - 20
DB
MG
• Motivazioni
• Anagrafici: età, titolo di studio, indirizzo
• Operativi: volumi e valore delle transazioni
del cliente
• Comportamentali: reclami, richieste di
informazioni, mail
• Economici: customer lifetime value, indice di
fedeltà
• Predittivi: rischio di abbandono (churn) o di
morosità
Copyright – Tutti i diritti riservati
Elena Baralis
Politecnico di Torino
CRM - 22
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
DB
MG
Customer retention
DataBase and Data Mining Group of Politecnico di Torino
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
• Attività di customer retention
• In alcuni settori (banche, telefonia, risparmio
gestito, assicurazioni) l’acquisizione di nuovi clienti
spesso avviene a scapito di un'altra azienda
• Customer attrition (customer churn nel caso di
compagnie telefoniche) indica il passaggio di clienti
da una azienda ad una concorrente
• Customer retention indica l’insieme di attività
messe in atto per evitare il fenomeno di abbandono
da parte del cliente
Copyright – Tutti i diritti riservati
CRM - 21
Elena Baralis
Politecnico di Torino
– predizione del rischio di abbandono
• definizione di indicatori/comportamenti che risultano correlati
all'effettivo abbandono
• costruzione di un modello (classificatore) per poter classificare ogni
cliente rispetto al rischio di abbandono
– esecuzione di opportune azioni di retention
• verso i clienti a più alto rischio di abbandono e di valore più elevato
(clienti potenzialmente più profittevoli)
• proposta di un’offerta adeguata
⇒Riduzione del costo dell’azione di marketing e
aumento dell’efficacia con selezione mirata dei
destinatari dell’offerta
Elena Baralis
Politecnico di Torino
Copyright – Tutti i diritti riservati
Pag. 4
CRM - 24
Elena Baralis
Politecnico di Torino
BG
DM
Customer Relationship Management
DataBase and Data Mining Group of Politecnico di Torino
Database and data mining group, Politecnico di Torino
Esempio: customer retention
nelle telecomunicazioni
Database and data mining group, Politecnico di Torino
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
Esempio: alberi di decisione
T2
T1
• Definizione di un modello per classificare i clienti
rispetto alla propensione all'abbandono (non
abbandono) del servizio
%traffico verso
altri
≤T1
Mesi servizio
Mesi servizio
• Definizione del segnale di abbandono
≤M2
– disdetta del contratto
– numero di chiamate in uscita o in ingresso inferiore a una
certa soglia
churner=no
Elena Baralis
Politecnico di Torino
CRM - 25
≤M1
>M2
churner=yes
churner=no
churner=yes
Elena Baralis
Politecnico di Torino
CRM - 28
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
DB
MG
≤T1
T1
%traffico verso
altri
>T2
M1
Mesi servizio
Mesi servizio
≤M2
– accesso a servizi accessori (fax, segreteria telefonica,
numeri speciali)
– chiamate a call center
– segnalazioni di malfunzionamenti e disservizi
churner=no
≤M1
>M2
churner=no
churner=yes
churner=yes
Classificazione di un nuovo dato
avviene mediante l’attraversamento
dell’albero di decisione
Elena Baralis
Politecnico di Torino
Churner=yes
>M1
Copyright – Tutti i diritti riservati
Nuovo cliente:
Traffico < T1 AND Mesi > M2
Churner? ⇒ Yes
Elena Baralis
Politecnico di Torino
CRM - 29
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
DB
MG
Regole di classificazione
dall’albero di decisione
DataBase and Data Mining Group of Politecnico di Torino
Esempio: customer retention
nelle telecomunicazioni
DataBase and Data Mining Group of Politecnico di Torino
%traffico verso
altri
≤T1
>T2
>T1 and ≤T2
Mesi servizio
≤M2
churner=no
% traffico verso altri
Customer database
(training set)
churners
churner=yes
≤M1
churner=yes
>M1
churner=no
IF Traffico ≤ T1 AND Mesi ≤ M2 THEN churner=no
IF Traffico ≤ T1 AND Mesi > M2 THEN churner=yes
IF Traffico > T1 AND Traffico≤ T2 AND Mesi ≤ M1 THEN churner=yes
IF Traffico > T1 AND Traffico≤ T2 AND Mesi > M1 THEN churner=no
IF Traffico >T2 THEN churner=yes
Mesi di servizio del cliente
Elena Baralis
Politecnico di Torino
>M2
• Informazione rappresentata mediante regole nella forma
IF-THEN
• Le regole sono ottenute analizzando i cammini
dell’albero di decisione
clienti fedeli
CRM - 27
Churner=yes
Mesi servizio
• Mediante la classificazione si costruisce un modello
dei clienti a rischio di abbandono
Copyright – Tutti i diritti riservati
M2
>T1 AND ≤ T2
• periodo (settimane, mesi)
• direttrice di traffico (verso quali operatori)
CRM - 26
DataBase and Data Mining Group of Politecnico di Torino
T2
dati anagrafici
mesi di servizio del cliente
informazioni amministrative e contabili
traffico telefonico in ingresso e in uscita, distinto per
Copyright – Tutti i diritti riservati
DB
MG
Esempio: alberi di decisione
DataBase and Data Mining Group of Politecnico di Torino
• Dati disponibili sui clienti
–
–
–
–
Churner=yes
>M1
Database and data mining group, Politecnico di Torino
Esempio: customer retention
nelle telecomunicazioni
M2
>T1 AND ≤T2
– attributo di classe: abbandono/non abbandono del
servizio (classificazione binaria)
Copyright – Tutti i diritti riservati
M1
>T2
Elena Baralis
Politecnico di Torino
Copyright – Tutti i diritti riservati
Pag. 5
CRM - 30
Elena Baralis
Politecnico di Torino
BG
DM
Customer Relationship Management
DataBase and Data Mining Group of Politecnico di Torino
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
Esempio: customer retention
nelle telecomunicazioni
– possono essere ignari o non del tutto consapevoli dei
prodotti/servizi offerti dall’azienda
– possono essere clienti di concorrenti per prodotti/servizi
analoghi
– in passato non presentavano le caratteristiche per
diventare clienti
• esempio: prodotti per bambini
– sono stati clienti dell’azienda in passato
• l’azienda dispone di molte più informazioni che li riguardano
Elena Baralis
Politecnico di Torino
CRM - 31
Copyright – Tutti i diritti riservati
Elena Baralis
Politecnico di Torino
CRM - 34
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
Cross-selling
DataBase and Data Mining Group of Politecnico di Torino
• Insieme di attività svolte da un’azienda per
acquisire nuovi clienti
• Richiede l’identificazione dei clienti potenziali
(prospect)
• Si vuole predire il rischio di abbandono nell’arco di due mesi
– abbandono/non abbandono del cliente all'istante t
– informazioni sui clienti all'istante t-2
• Distinzione a priori di alcuni macro-segmenti di mercato tra
loro eterogenei
– tipologia (aziende/privati)
– tipo di schede telefoniche (abbonamento/prepagate)
– anzianità di attivazione (inferiore/superiore a una soglia
opportuna)
– zona di residenza
• Costruzione del modello separatamente per ogni macrosegmento
Copyright – Tutti i diritti riservati
DB
MG
Customer acquisition
DataBase and Data Mining Group of Politecnico di Torino
DB
MG
Customer acquisition
DataBase and Data Mining Group of Politecnico di Torino
• Offerta di un (ulteriore) prodotto o servizio da parte
di un’azienda a un cliente esistente
DataBase and Data Mining Group of Politecnico di Torino
• Le campagne di acquisizione si devono indirizzare
verso i segmenti a
– esempio: una banca che offre anche servizi assicurativi
vuole individuare, tra i suoi clienti, i segmenti
potenzialmente interessati ad una polizza assicurativa
– maggiore potenziale di redditività
– alta probabilità di adesione
• Up-selling: la nuova offerta è legata agli acquisti già
fatti dal cliente
• Uso di tecniche di data mining per eseguire
campagne mirate di customer acquisition
– tentativo di vendita un prodotto o di un servizio di livello
superiore, più ricco di funzionalità per chi lo acquista e
più redditizio per l’azienda
– esempio: un istituto che rilascia carte di credito
promuove l'offerta di una carta di credito gold ai
possessori di carta di credito standard
– identificazione di segmenti di mercato con maggiore
probabilità di rispondere positivamente alla campagna
– basata sull’uso di tecniche di clustering e classificazione
• offre più servizi ai clienti, è più redditizio per l’azienda
Copyright – Tutti i diritti riservati
Elena Baralis
Politecnico di Torino
CRM - 32
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
Cross-selling
–
–
–
–
nei settori della grande distribuzione
nelle attività di e-commerce
mediante carte di credito
polizze/conti correnti attivati da uno stesso nucleo
familiare
– servizi accessori attivati da possessori di numeri
telefonici mobili o fissi
• basata sull’uso di tecniche di clustering e classificazione
– identificazione di correlazioni tra la vendita di prodotti
diversi (prodotti candidati per un’offerta di cross-selling)
• basata sull’estrazione di regole di associazione
Elena Baralis
Politecnico di Torino
DataBase and Data Mining Group of Politecnico di Torino
• Analisi degli acquisiti effettuati dai clienti per
ottenere conoscenze utili alla pianificazione delle
azioni di marketing
• Utilizzata per analizzare gli acquisti effettuati
– identificazione di segmenti di mercato con maggiore
probabilità di rispondere positivamente a un’offerta di
cross-selling (up-selling)
CRM - 33
DB
MG
Market basket analysis
DataBase and Data Mining Group of Politecnico di Torino
• Uso di tecniche di data mining per eseguire azioni
mirate di cross-selling
Copyright – Tutti i diritti riservati
Elena Baralis
Politecnico di Torino
CRM - 35
Elena Baralis
Politecnico di Torino
Copyright – Tutti i diritti riservati
Pag. 6
CRM - 36
Elena Baralis
Politecnico di Torino
BG
DM
Customer Relationship Management
DataBase and Data Mining Group of Politecnico di Torino
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
Market basket analysis
DataBase and Data Mining Group of Politecnico di Torino
• Attività finalizzate a
• Tecniche di data mining
– acquisire o mantenere un cliente
– proporre nuovi prodotti/servizi al cliente
– Estrazione di regole di associazione
• analisi delle transazioni di acquisto (basket) per estrarre
correlazioni nell’acquisto di gruppi di articoli
• offre supporto a processi decisionali quali
• In alcuni casi (operatori telefonici, banche)
– le campagne raggiungono un volume elevato di
clienti (milioni, decine di milioni)
– si svolgono numerose campagne (decine
all’anno) rivolte a segmenti specifici di mercato
– posizione dei prodotti negli scaffali
– determinazione del layout fisico di un punto vendita
– definizione delle promozioni
• Esempio: articoli in promozione nel volantino, nelle
inserzioni, o quali buoni sconto sono distribuiti ai clienti
Elena Baralis
Politecnico di Torino
CRM - 37
Copyright – Tutti i diritti riservati
DB
MG
Gestione delle campagne
DataBase and Data Mining Group of Politecnico di Torino
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
Market basket analysis
Elena Baralis
Politecnico di Torino
CRM - 40
Database and data mining group, Politecnico di Torino
DB
MG
DB
MG
Gestione delle campagne
DataBase and Data Mining Group of Politecnico di Torino
DataBase and Data Mining Group of Politecnico di Torino
• Pianificazione
• Tecniche di data mining
– definizione di
– Regole associative temporali (sequential pattern)
• obiettivo della campagna (azione di cross-selling, retention,
acquisition)
• risultati attesi
• budget
• le transazioni di acquisto sono associate a una dinamica temporale
– il cliente deve essere identificato
– esempi: mediante tessera fedeltà, emissione fattura
• le tecniche di analisi tengono conto della dinamica temporale degli
acquisti
• Progettazione (pianificazione operativa)
– definizione di
•
•
•
•
Elena Baralis
Politecnico di Torino
CRM - 38
Copyright – Tutti i diritti riservati
lista clienti target
offerta
canali
fasi della campagna
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
Gestione delle campagne
DataBase and Data Mining Group of Politecnico di Torino
Schema funzionale dei sistemi CRM
Moduli “front-end”
Venditore
Telefono
Web
Elena Baralis
Politecnico di Torino
CRM - 41
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
• Esecuzione
Corrispondenza
– inoltro della lista clienti ai canali
– esecuzione della campagna da parte dei canali
– monitoraggio dell’avanzamento
CRM
Operativo
Dati Clienti e Prodotti
• Validazione (closed loop)
Moduli “back-end”
(Sistemi ERP e
legacy)
• Esecuzione richieste
cliente
•Amministrazione cliente
Copyright – Tutti i diritti riservati
– acquisizione dati su contatti e avanzamento
– valutazione efficacia e efficienza dei contatti
– valutazione del comportamento del cliente
Data warehouse marketing e direzionale
Gestione
campagne e
marketing
CRM - 39
Elena Baralis
Politecnico di Torino
CRM
Analitico
CRM
Direzionale
Elena Baralis
Politecnico di Torino
Copyright – Tutti i diritti riservati
Pag. 7
CRM - 42
Elena Baralis
Politecnico di Torino
BG
DM
Customer Relationship Management
DataBase and Data Mining Group of Politecnico di Torino
Database and data mining group, Politecnico di Torino
Database and data mining group, Politecnico di Torino
DB
MG
Gestione delle campagne
DB
MG
Tool CRM
DataBase and Data Mining Group of Politecnico di Torino
• I moduli software per la gestione delle campagne
sono offerti in quasi tutte le suite CRM e
supportanto
DataBase and Data Mining Group of Politecnico di Torino
• Suite CRM
– SIEBEL, KANA, Epiphany, Onyx, ...
• Suite CRM integrata in uno strumento ERP
– fase di progettazione
– fase di esecuzione
– Peoplesoft, SAP, ORACLE, ...
• Funzionalità
• Suite di CRM analitico (specialisti BI)
– selezione automatica lista clienti
– descrizione delle proprietà caratteristiche della
campagna
– schedulazione delle attività
– SAS, ...
• specifica di uno schema di flusso
• processo esecutivo (selezione dei dati della campagna e
trasmissione ai vari canali di contatto con il cliente)
Copyright – Tutti i diritti riservati
Elena Baralis
Politecnico di Torino
CRM - 43
Copyright – Tutti i diritti riservati
Database and data mining group, Politecnico di Torino
Gestione degli allarmi
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
• Rilevazione automatica di situazioni di criticità nella
relazione con il cliente e segnalazione al
responsabile aziendale
• Esempio: rischio di abbandono
– banca
• ritiro depositi in percentuale superiore a soglia prefissata
– azienda telefonica
• riduzione del numero di chiamate effettuate
• sbilanciamento tariffario: il cliente paga di più di quanto
pagherebbe presso un’azienda concorrente
Copyright – Tutti i diritti riservati
Elena Baralis
Politecnico di Torino
CRM - 44
Database and data mining group, Politecnico di Torino
Tool CRM
DB
MG
DataBase and Data Mining Group of Politecnico di Torino
• I possibili scenari di realizzazione sono simili
a quelli ERP
– opzione “in house”
– opzione “best of breed”
– opzione “suite integrata”
– opzioni “application service provider” e
“outsourcing” (specialmente per call center)
Copyright – Tutti i diritti riservati
CRM - 45
Elena Baralis
Politecnico di Torino
Elena Baralis
Politecnico di Torino
Pag. 8
CRM - 46
Elena Baralis
Politecnico di Torino