CLV i budowanie wartości w oparciu o dane, jak to wdrażać w organizację, wraz z praktycznymi przykładami jak to CLV mierzyć, a dodatkowo, na co uważać, przy łączeniu danych z różnych silosów w organizacji.

1. Kongres 01.12.2015
Michał Kreczmar
Dyrektor Ecommerce Hypermedia
Łukasz Dziekan
Szef działu data science/Big Data PwC CEE
Kogo pozyskujesz: klienta czy jego transakcje?

2. I am not a speed reader
I am a speed understander
Isaac Asimov

3. Kupuj wartość – a nie transakcje
Typowy model
to kupowanie
klików…
w kanałach
zdalnych (Adwords,
facebook, affiliates)
przy pomocy Google
Analytics/Omniture/innych
zdalnych narzędzi do pomiaru
siły poszczególnych kampanii
… i ewentualnie
segmentowanie
ich
PRZED zakupem
Po zakupie
najczęściej
zapominamy
Think
why!
You make transactions – not Value
Łatwy accounting – CAC+COGS+Alokowane
koszty stałe < Price sold  Profit!
Segmentujesz
Chcesz wiedzieć po co klient jest u Ciebie,
żeby lepiej robić message dla nowych klientów
podobnych do tych co kupujesz teraz (żeby
zwiększyć konwersję – czyli obniżyć CAC)
Co jeśli jednak możesz z jednego klienta
mieć więcej niż jedną transakcję?
(teraz to czysty profit)
Nie bój się ułatwiać logowania i pobierania
danych od serwisów trzecich (logowanie przez
Facebook/Google czy inne) – oni już i tak mają
tego klienta!
3

4. Od leada do lojalnego klienta długa droga
Automatization
• Ułatwianie
uczestnictwa poprzez
automatyczne
generowanie korzyści
• Wykorzystanie technologii
płatniczych
Personalization
• Oferta korzyści
dostosowana do
oczekiwań segmentów lub
indywidualnych klientów
• Możliwość auto-selekcji
korzyści lub oferta
dostosowana na
podstawie danych klienta
Warto
wiedzieć
Cały czas rządzi
sprzedaż – targety
targety tagery na
acquisition
Dobry loyalty
program jest trudny
do zrobienia – i tak
naprawdę jest ciągle
ewoluującym
zwierzęciem
Trzeba mieć dobrą
propozycję dla
użytkownika (SPG,
Prime…), żeby
użytkownik czuł się
wynagradzany
Przykład
Fnac – program lojalnościowy z szerokim wachlarzem
istotnych korzyści dla różnych grup klientów z roczną opłata
za członkostwo (zniżki w sieci Fnac i sieciach partnerskich,
darmowe dostawy książek, indywidualne oferty promocyjne,
oferty na wydarzenia, koncerty, spektakle)
Przykład
Zencard – dostawca programu lojalnościowego połączonego z każda karta
płatniczą, oferującego korzyści bezpośrednio w momencie płatności poprzez
oprogramowanie terminala płatniczego
mBank – indywidualny program lojalnościowy mOkazje z systemem
bankowości internetowej, gdzie skorzystanie z oferowanych zniżek w sieciach
partnerskich jest proste, a bezpośrednia korzyść jest bardziej przekonująca dla
użytkowników
Hebe – personalizowany program lojalnościowy ze zniżkami
w sklepach oferowanych wyłącznie do członków klubu oraz
personalizowanymi promocjami wygenerowanymi w oparciu o historię
zakupową
4

5. CLV – ktokolwiek widział, ktokolwiek wie
5
Klienci w 2 – mają od 70 do
300% większy wpływ na
przychody aniżeli klienci w
1 i w 3.
W Polsce często nie ma
nawet rozróżnienia
pomiędzy 1 i 3…
Oferty w każdym momencie
życia zależeć powinny od
oczekiwanej wartości
klienta w czasie relacji – bez
niej jesteśmy nieco ślepi i nie
mamy perspektywy
długoterminowej
Potrzeby klientów mogą zmieniać się z czasem (zwłaszcza w biznesach c2c)
1
Customer lifetime value
Value
Time
2
3
0
LojalizacjaEksploracja Dojrzałość X- and up-sellSale
Social media
Www, product,
sensors, apps
3rd party data
Market data
Data
Machine learning
Approach
Simulation
Text mining
Graph analysis
Working
prototype on
real data
Klient kupił, ale produkt go
nieco rozczarował i nie
rośnie tak jak powinien
Zmiana potrzeb/zachowań
klienta – możliwość
zmiany providera
Zakończenie współpracy,
brak lojalizacji

6. CLV - Gdybyś wiedział ile ten klient jest warty….
6
1 seg 2 seg 3 seg 4 seg
Koncept jest stary jak świat – minimum 15 lat
Ale (prawie) nikt tego nie robi – Banki, Telecomy
raczkują, choć są bardzo „data-rich”
To naprawdę nie jest takie trudne
Silosowość przeszkadza, M&A też nie pomaga –
integruj dane, jak integrujesz firmy!
Bo wszyscy mają inne KPI, a marketing się
sprzedażą nie zajmuje, a customer care
robi inne rzeczy, a sprzedaż chce tylko
domknąć transakcje bo są KPI
A 80% wartości klientów znajduje się w 15-20%
95% wartości w 35-40% populacji
CLV =
Obecna
wartość kontraktu
+
Oczekiwane
przyszłe zakupy
+
Oczekiwany
upsell
0
500
1,000
1,500
2,000
2,500
3,000
3,500
4,000
4,500
5,000
Przychód
Ryzyko churnu
High Risk Low RiskMedium Risk
Wielkość kulki to wielkość przychodów

7. X1 X2 X3
X1
X2
X3
Praktyczne CLV - Jak to Zamodelować
będzie MATMA (BRRR)
7
X1, X2, X3 – Stany reprezentujące zwiększone wartości – np. Segmenty wartości (FRV), poziom subskrypcji, średnia
wielkość koszyka, poziom usługi. Każdemu X powinna być przypisana wartość pieniężna np. średnia marża, przychód
etc.
Budujemy Macierz przejść – takt w zależności od biznesu – ale generalnie jak migrują użytkownicy – np. z kwartału na
kwartał, z roku na rok – takt związany z naszą komunikacją i zachowaniami klientów
M =
Przejścia które minimalizujemy
MF – prognoza z w jakim
horyzoncie czasowym
klient znajdzie się w danej
kategorii
t – horyzont czasowy
prognozy
Mt = MF
Przejścia które maksymalizujemy

8. Praktyczne CLV - Przykład dla firmy SAAS
8
0%
10%
20%
30%
40%
50%
1 6 11 16 21
Probability of upsell
(for clients with starting with the starting tier)
1
1.5
2
2.5
3
3.5
1 6 11 16 21
Rollover multiplier
(how much more profitable is the tier)
𝑽𝒂𝑹 𝒂𝒅𝒋 = 𝑴𝒂𝒙( 𝟏 − 𝒑𝒓𝒐𝒃 ∗ 𝑪𝑨𝑪𝒂𝒋𝒅 ⋅ 𝑪𝒐𝒏𝒕𝒓𝒂𝒄𝒕𝑽𝒂𝒍 + 𝒑𝒓𝒐𝒃 ∗ 𝑪𝑨𝑪𝒂𝒅𝒋 ⋅ 𝒎𝒖𝒍𝒕 ⋅ 𝑪𝒐𝒏𝒕𝒓𝒂𝒄𝒕𝑽𝒂𝒍 , 𝟎, 𝟐 ∗ 𝑽𝒂𝒓𝑰𝒏𝒊𝒕) ⋅
0.00
0.10
0.20
0.30
0.40
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Rollover probability by CAC
Rolling probability
Average rolling probability
Fitted trend
• Liczymy prawdopodobieństwo upgradu do tieru w czasie od uruchomienia
• Rollover multiplier – o ile wzrasta nam przychód zysk – jak upgraduje
• Ale prawdopodobieństwo można skalować – np. CAC albo inną zmienną która ją wyraźnie różnicuje (sposób wykorzystania API etc.) żeby dostać dokładne oszacowanie
• Przypisujemy to każdemu klientowi – boom – można porównywać klientów, customizować oferty, zniżki, kupony etc. – odświeżamy miesięcznie/tygodniowo/codziennie.
• Warto analizować kanał pozyskania, demografię, sposób wykorzystania serwisu, urządzenia etc.

9. Analityka to kultura – nie narzędzia
Projekt analityczny
Nie jest to model matematyczny
choć jest to ważny element opisujący rzeczywistość i zmieniający sposób patrzenia na pewien jej aspekt
(wcześniej być może pomijany, nie brany pod uwagę etc.)
Nie jest to SOFTWARE
choć jest to jeden z najważniejszych elementów. Model jest zaimplementowany i wdrożony w ramach
istniejącej infrastruktury (choć może to być tylko podstawa do stworzenia nowego projektu)
Nie jest to proces
choć niezwykle ważne jest by coś istniejącego w organizacji ulepszyć, zoptymalizować a być może
całkowicie zmienić lub stworzyć od nowa
Nie jest to raport, zestaw raportów ani dashboard
choć niewątpliwie ważne jest by zmienioną rzeczywistość mierzyć, oglądać jak się zmienia, obserwować
postępy
Nie jest to też odpowiedzialność IT
i chodź istnieją szkoły by tworzyć tę funkcję w ramach IT – tak naprawdę jest to nowy twór na styku
biznesu i IT – chodź – jak pokazują przykłady zza wielkiej wody – dziś już IT to jest biznes po prostu.
Czy to jest dla Ciebie
Jeżeli jako kierujący –
całą firmą lub częścią
biznesu – wierzysz, że
wyniki modelu, analizy
etc. Mogą zmienić twoje
podejście – to tak.
Czy potrzebujesz czegoś
(jakichś narzędzi) by
obserwować zmieniające
się segmenty/realia
rynkowe?
Czy wierzysz, że świat
można zamodelować
matematycznie?
Czy chcesz
eksperymentować?
9
Dane są dla WSZYSTKICH
Na każdym poziomie, Pozwól ludziom to eksplorować i daj im mandat to robienia zmian (w procesach,
kampaniach, produktach). To prawie jak wewnętrzny integrator – ale biznesowy. A/B test everything.

10. Analityka budująca wartość – twoje potrzeby strategiczne
Gdzie jesteś teraz
10
Analitycznie
upośledzony
Firma wie, że ma
dane i chciałaby
coś z nimi
analitycznie robić
Lokalna analityka
Poszczególne
działy wykonują
podstawowe
działania
analityczne a
management
docenia wyniki
Aspirująca
analityka
Zarząd zobowiązuje
się do wsparcia
analityki –
dedykowane zasoby
i plan do stworzenia
zaawansowanego
centrum
analitycznego i
zmiany kultury
Data-Driven
Kluczowe decyzje
wynikają z
analitycznego
potwierdzenia;
Zarząd pracuje na
wynikach modeli a
analityka jest jednym
z priorytetowych
strumieni firmy
Gracz analityczny
Firma tworzy nowe
standardy czy
modele operacyjne
oparte o analityce.
Wszystkie obszary
działalności
posiadają kawałek
analityczny
Gdzie jesteś?:
• Silosy
umiejętności
• Statyczne
segmentacje i
pewne modele
prognostyczne
• Marketing
sobie/e-marketing
sobie/sprzedaż w
oddziałach sobie?
• Każdy ma swój
dashboard
• Ograniczona
komunikacja
• Kontroling sobie a
departamenty
sobie?
Stany dojrzałości

11. Integracja danych procesów i platform
• Gdzie jest klient?
• Gdzie jego wartość?
• Które KPI optymalizują wartość klienta?
• Które optymalizacje kosztów kosztują więcej niż churn klientów?
CRM
Finance/
Accounting
Digital
marketing
Customer Care Offline Sales
Workflow
Analytics
Campaign
management
Landingi
Online process
Paid-traffic
Social
SEM + website +
affiliates
Workflow
Analytics
Dostęp do konta klienta
Logi z rozmów
telefonicznych
SMS follow up
Self-Care, self-support
Głowny system
transakcyjny
Transaction point
Beacons?
Call Logs
Mystery Client/Static
site data
CRM system
Hurtownia danych
raportowanie
Kontroling/alokacja
kosztów
Polityka cenowa
Różnice w
raportowaniu różnych
linii/krajów etc
Transakcje i
planowanie finansowe

12. Techstack – kupowanie zabawek wartości nie zwiększa
The average
enterprise site has
more than 75
vendors on it, only
20% of which are
directly placed by
someone at the
company
Ghostery
The average
marketing stack
consists of 17 or
more tools.
Signal
Database
reporting
Data Storage
(OCDB)
Reporting
Consumer online touch points
CO/BG Content
Management System
My / FSSMicrosites
Consumer registration
Enrichment & Engagement
Survey
Web Analytics
NPS
Ratings & Reviews
Database
Campaign CRM IboxEmail/SMSContent pers.Data enrichmentLoyalty/
Gamification
(Social) Account
creation
Cleansing
• Technologie, przepływy danych i procesy
• Zespół: decydenci i teamy odpowiedzialne za narzędzia
• Silosy organizacyjne: IT, marketing, CRM, e-commerce, sprzedaż, dane, legal, web
ops…
• Nadzór: integration, performance, competition, governance, privacy, legal, data…
Registration form
Campaign landing
pages

13. Czego potrzebjesz
• Integracja: API,
webservice, cookies/JS
• Dashboardy i dostępy:
data driven organisation
• Dane a wiedza: algorytmy
i ludzie
• Przejście od analityki
opisowej do predykcyjnej
• Od analityki do
samouczącego się
procesu
Data Lake – rozwiązanie do
zbierania masy danych
wytwarzanej obecnie w
organizacji. Rozszerzalne,
łączące dane różnych
typów.
Open Services Architecture
Data lake – na czym będziesz budował wartość
Open APIS
KNOWLEDGE
DATA
X-SELL, UP-
SELL
CSDP
BD
Omnibus
PROCESS
OPTIMIZATION
SOCIAL CRM
OMNICHANNEL
DATA
MANAGEMENT
INTERNET
MONITORING
MEDIA
OPTIMIZATION
CRM
OPERATIONAL
EFFECTIVENESS/B
USINESS
OPTIMIZATION
CONTENT
MARKETING
BD
Chronos
BDCRM
BD
BD Cookie Scoring
BD Amplift
BD
BD Viz
BD CMS
Sensoric
RTB
Open ETL Architecture
SERVICES
Pamiętaj o:
• Warstwa polityk:
dostępy do danych
(audytowalne)
• Probiznesowy prawnik
• Czy masz ludzi i strategię
ich pozyskiwania

14. Ludzie – potrzebujesz ich do nowego
modelu budowania wartości
Brain drain
# of Individuals Moving from Technology Platforms to Brand
Global, May 2015, LinkedIn
IN
OUT -650
0
1
2
1
55
2
1
00000
1
0
11
2
4
9
1
Richemont KeringLVMHP&G L’Oreal Estee LauderUnilever
-398 -343 -41 -29 -12 -1
Google AmazonFacebook
Tech is eating the world! Firmy technologiczne
przejmują ambitnych pracowników z biznesów
tradycyjnie niebędących TECH. W drugą stronę
ruch jest bardzo ograniczony.
Będą mogły wchodzić w nowe rynki i modele
biznesowe, w sposób niewidziany wcześniej.

15. Przewaga konkurencyjna i rekomendacje
Większość firm ma
już te same klocki
Szybkość,
głębokość, cel
Actionable data,
algorytm
Know how,
rozumienie biznesu
Wcale nie
technologie
Integracja Dane Ludzie Kreatywność Allways Be
Testing
Churn
Next Best Offer
Dynamic pricing
Loyalty
Silniki rekomendacyjne
Best practices:
• Netflix – 2/3 obejrzanych filmów jest dzięki
rekomdendacji
• Google News – rekomendacje generują 38%
więcej ruchu
• Amazon – 34-36 % zakupów jest
rekomendowanych
• Spotify – 26% utworów odtwarzanych jest
rekomendowane
Możliwość
wdrażania nowego
Świat się zmienia,
ty też!

16. 16
listopad 2015
Michał Kreczmar
Dyrektor Ecommerce Hypermedia
Łukasz Dziekan
PAn_Dziekan on Twitter
lukaszdziekan on linkedin
ldziekan on FB