W handlu i gastronomii nikt nie rezygnuje. Klienci po prostu pojawiają się rzadziej. Dopiero po kilku miesiącach zauważalny jest spadek obrotów. Właśnie w tym miejscu do akcji wkracza analityka predykcyjna: zamiast patrzeć wstecz, prognozuje przyszłość. Oszacowuje, z jakim prawdopodobieństwem dana osoba nie pojawi się w najbliższych tygodniach. A Twój program lojalnościowy dostarcza w tym zakresie najlepszych danych, jakie tylko możesz mieć.
W tym przewodniku dowiesz się, jak to wygląda w praktyce. Poznasz definicję odpływu klientów bez umowy, dowiesz się, jakie sygnały możesz już dziś zaobserwować oraz jaki poziom rozwoju najlepiej pasuje do Twojej firmy. Znajdziesz tu również przystępne wskaźniki, plan pięciu kroków oraz najważniejsze wytyczne dotyczące RODO.
Czym analiza predykcyjna różni się od klasycznych metod analizy danych
Większość firm już teraz prowadzi dokładne pomiary. Znają swoje obroty, średnią wartość paragonu, a często także wskaźnik rezygnacji klientów (churn rate), czyli odsetek utraconych klientów w danym okresie. Liczby te opisują to, co już się wydarzyło. Są jak lusterko wsteczne. Analiza predykcyjna to spojrzenie w przyszłość: wskazuje, kto prawdopodobnie odejdzie jako następny. Oba elementy są ze sobą powiązane, ponieważ bez rzetelnego spojrzenia wstecz nie ma wiarygodnej prognozy.
| Pytanie | Analiza klasyczna | Analiza predykcyjna |
|---|---|---|
| Kierunek czasu | Podsumowanie zakończonych okresów | Prognoza na najbliższe tygodnie |
| Typowy wskaźnik | Wskaźnik rezygnacji, wskaźnik ponownych zakupów, wartość paragonu | Prawdopodobieństwo emigracji na osobę |
| Wynik | Wartość procentowa w odniesieniu do całkowitej liczby | Ranking poszczególnych osób |
| Korzyści | Zdajesz sobie sprawę, że istnieje pewien problem | Możesz zareagować, zanim to się stanie |
| Warunek | Czysta baza danych | Czysta baza danych oraz historia zachowań |
Różnica ta może wydawać się czysto techniczna, ale ma bardzo praktyczne konsekwencje. Wskaźnik rezygnacji na poziomie 20 procent nie podpowiada, do kogo należy zadzwonić. Natomiast ranking 300 członków najbardziej narażonych na rezygnację wskazuje to bardzo precyzyjnie.
Kiedy uznaje się, że klient bez umowy odszedł?
To właśnie ta kwestia stanowi przeszkodę dla większości projektów. Siłownia rozpoznaje odejście klientów na podstawie wypowiedzenia umowy. Piekarnia nigdy nie otrzymuje żadnego sygnału. Dlatego potrzebujesz własnej definicji, którą najlepiej wywnioskować na podstawie indywidualnego rytmu.
Ważne jest indywidualne podejście. Sztywna wartość dla wszystkich dyskryminuje rzadziej kupujących i pomija codziennych gości. Jako punkt wyjścia pomocne będzie zgrubne podział na branże. Poniższe wartości to praktyczne wskazówki wynikające z doświadczenia, a nie wyniki badań. Koniecznie zweryfikuj je na podstawie własnych danych.
| Branża | Typowy czas od podjęcia decyzji do zakupu | Odpowiedni okres na zmianę pracy | Co jeszcze ma znaczenie |
|---|---|---|---|
| Piekarnia, kawiarnia, bar z przekąskami | Od 1 do 3 dni | od 14 dni bez zakupu | Okresy urlopowe, wakacje, praca zdalna |
| Gastronomia | od 2 do 6 tygodni | od 10 do 12 tygodni | Sezon, pogoda, okazje |
| Handel odzieżą | od 6 do 12 tygodni | od 6. miesiąca życia | Zmiana kolekcji, zmiana rozmiaru |
| Kosmetyka i fryzjerstwo | od 4 do 8 tygodni | od 14 tygodni | Dotrzymywanie terminów, niepojawienie się na spotkaniu |
| Apteka | od 4 do 8 tygodni | od 4. miesiąca życia | Leki przyjmowane długotrwale, pora roku |
| Sklepy z napojami i sklepy specjalistyczne | od 3 do 8 tygodni | od 4. miesiąca życia | Zakupy zapasowe, promocje |
Jakie sygnały dostarcza już twój program lojalnościowy
Ogromna zaleta cyfrowego programu lojalnościowego: gromadzi on dokładnie te dane, które są potrzebne do prognozowania. Nie więcej, ale konkretnie te właściwe. Karta papierowa nic o tobie nie wie. Aplikacja wie, kiedy ktoś był ostatnio obecny, co zebrał i czy reaguje na wiadomości. Z tych śladów powstają tak zwane cechy, w żargonie fachowym określane jako „features”. Każda cecha to kolumna w twojej tabeli danych.
| Grupa sygnałów | Konkretne cechy | Co zdradzają |
|---|---|---|
| zachowaniu zakupowym | Ostatni zakup, odstęp między zakupami, wartość paragonu, koszyk | Najważniejszy fragment. Spadająca częstotliwość to najwcześniejszy sygnał. |
| Trend wbrew samemu sobie | Zakupy z ostatnich 30 dni w porównaniu z analogicznym okresem ubiegłego roku | Wykrywa spadek liczby klientów, nawet wśród tych, których i tak jest niewielu. |
| Korzystanie z programu | Stan punktów, czas od ostatniego wykorzystania, zaległe premie | Kto zbiera punkty, ale nigdy ich nie wykorzystuje, traci zainteresowanie programem. |
| Komunikacja | Wyświetlenia, kliknięcia, realizacja kuponów, zgoda na powiadomienia push | Brak reakcji w trakcie kilku kampanii stanowi poważny sygnał ostrzegawczy. |
| Korzystanie z aplikacji | Ostatnia rejestracja, liczba sesji w miesiącu, odinstalowany lub aktywny | Często sygnalizuje odpływ klientów wcześniej niż zachowania zakupowe. |
| Serwis | Reklamacje, zwroty, niepojawienie się na umówionych spotkaniach | Niewiele przypadków, ale bardzo wymowne. |
| Dane podstawowe | Oddział, region, data zatrudnienia, poziom statusu | Wyjaśnia różnice między lokalizacjami a kohortami. |
Nie musisz od razu uwzględniać wszystkich grup. Z doświadczenia wynika, że największe znaczenie mają zachowania zakupowe i sposób korzystania z programu. Wszystko inne to tylko dopracowanie szczegółów.
Trzy etapy rozwoju: od reguły do modelu
Analiza predykcyjna kojarzy się z zespołem ds. danych i dużym projektem. Niekoniecznie tak musi być. W praktyce istnieją trzy etapy, a pierwszy z nich możesz wdrożyć w ciągu zaledwie kilku godzin. Ważne jest, abyś zaczął od etapu, który odpowiada Twojej ilości danych i składowi zespołu.
| Poziom | Jak to działa | Pasuje, jeśli | Nakład | Granica |
|---|---|---|---|---|
| 1. Zasady RFM | Ocenasz ostatni zakup (Recency), częstotliwość (Frequency) i wartość transakcji (Monetary) za pomocą punktów i tworzysz grupy. | Masz mniej niż 5 000 aktywnych członków lub chcesz szybko rozpocząć działalność. | Od godzin do dni, bezpośrednio na pulpicie nawigacyjnym | Nie rozpoznaje subtelnych wzorców ani wzajemnych powiązań. |
| 2. Model regulacyjny z wartościami trendu | Uzupełniasz model RFM o porównania z analogicznym okresem poprzedniego roku oraz o sygnały programowe. | Masz od 5 000 do 30 000 członków i dobrze prowadzoną historię. | Dni, częściowo z pomocą | Waga pozostaje szacowana, a nie wyuczona. |
| 3. Model uczący się | Algorytm samodzielnie uczy się na podstawie danych historycznych, które cechy mają znaczenie. Najczęściej stosuje się regresję logistyczną, drzewa decyzyjne lub gradient boosting. | Masz ponad 30 000 członków i co najmniej roczną historię działalności. | Tygodnie poświęcone umiejętnościom w zakresie danych | Wymaga opieki, nadzoru i dalszego szkolenia. |
Oto jak stworzyć pierwszą prognozę w pięciu krokach
Procedura jest taka sama na każdym etapie. Różnią się jedynie narzędzia. Trzymaj się tej kolejności, a unikniesz typowych błędów w rozumowaniu.
- Określ cel i przedział czasowy. Określ, na jaki okres chcesz sporządzić prognozę, na przykład na najbliższe 60 dni. Zdefiniuj też, co dokładnie oznacza w Twojej firmie zjawisko odejść pracowników.
- Sprawdź bazę danych. Bez powiązanej historii zakupów nic nie da się zrobić. Sprawdź, czy dane z kas, aplikacji i programu rzeczywiście odnoszą się do tej samej osoby oraz jak daleko sięga Twoja historia zakupów.
- Określ cechy i przypadki. Wybierz zamknięty okres z przeszłości, aby określić cechy. Kolejny okres wykorzystaj do zaznaczenia, kto faktycznie nie pojawił się. To rozróżnienie ma kluczowe znaczenie, w przeciwnym razie będziesz sprawdzać samego siebie.
- Oceń i wybierz wartość progową. Przetestuj model na danych, których model nie zna. Nie wybieraj wartości progowej na podstawie najkorzystniejszej wartości procentowej, lecz kierując się korzyściami ekonomicznymi.
- Wprowadź działania i monitoruj je. Przypisz jedno działanie do każdego poziomu ryzyka, zachowaj grupę kontrolną bez podejmowanych działań i co miesiąc sprawdzaj, czy prognoza nadal się sprawdza.
Jak dobrze to „dobrze”? Proste wyjaśnienie trafności
W kontekście prognoz szybko pojawiają się angielskie terminy specjalistyczne. Musisz znać dwa z nich, ponieważ decydują one o tym, ile będzie Cię kosztować kampania i ile przypadków przeoczysz.
| Pojęcie | Znaczenie w życiu codziennym | Gdy jest wysoki | Jeśli jest niski |
|---|---|---|---|
| Dokładność trafień (Precision) | Spośród wszystkich osób oznaczonych jako zagrożone: ile z nich faktycznie odchodzi? | Nie marnujesz premii na osoby, które i tak by zostały. | Oferujesz zniżki stałym klientom, co w ogóle nie budzi wątpliwości. |
| Zakres wykrywalności (Recall) | Spośród wszystkich osób, które faktycznie wyemigrowały: ile z nich wykrył model? | Udaje ci się złapać prawie wszystkie zagrożone osobniki. | Znaczna część wymyka się niezauważona. |
| wartość progowa | Od jakiego poziomu prawdopodobieństwa podejmujesz działania. | Wysoki próg: niewiele przypadków, ale pewnych. | Niski próg: duża liczba przypadków, większe straty związane z rozproszeniem. |
Porównanie tych dwóch wartości nie jest zadaniem matematycznym, lecz kalkulacją. Przykład oparty na dowolnie wybranych założeniach pokazuje, dlaczego: załóżmy, że akcja odzyskiwania klientów kosztuje 4 euro na osobę, a każdy odzyskany klient generuje 90 euro rocznego obrotu. W takim razie możesz spokojnie zwrócić się do dziewięciu osób bezpłatnie, aby odzyskać jedną. W tym przypadku ważniejsze jest osiągnięcie wysokiego zasięgu niż precyzyjne trafienia. W przypadku kosztownych działań, takich jak osobisty telefon, kalkulacja zmienia się na niekorzyść.
Od prognozy do działania
Najczęstszym błędem w projektach opartych na analizach predykcyjnych jest raport, który nikomu nie pomaga. Wynik ma znaczenie dopiero wtedy, gdy dla każdego etapu jest jasne, co się dzieje, kto to uruchamia i jak często. Te cztery etapy sprawdziły się jako praktyczny podział.
Poziom 1: stabilny
Rytm jest odpowiedni, osoba przychodzi jak zwykle. W tej sytuacji należy nie przeszkadzać.
- Standardowa komunikacja programowa
- Żadnych zniżek, żadnego specjalnego budżetu
- Cel: Utrzymanie nawyku
Etap 2: pierwsze wgniecenie
Odstęp od ostatniego zakupu nieznacznie się zwiększa. Zazwyczaj wystarczy niewielki impuls.
- Zapamiętanie wyniku
- Informacja o możliwej do uzyskania premii
- Nie ma potrzeby udzielania zniżki
Poziom 3: wyraźnie zagrożony
Własny próg zakupowy został znacznie przekroczony. Teraz warto zaoferować prawdziwą zachętę.
- Korzyść osobista z terminem ważności
- Zgodnie z dotychczasową historią zakupów
- Jeden kanał, jedna wiadomość, bez ciągłego wysyłania wiadomości
Poziom 4: nieaktywny
Od miesięcy żadnych zakupów, żadnej reakcji. Chodzi tu o odzyskanie lub o czyste zamknięcie sprawy.
- Wyraźnie widoczna akcja odzyskiwania
- Następnie zmniejszyć częstotliwość
- Przestrzegaj terminów usuwania danych
RODO: Zasady dotyczące automatycznej oceny ryzyka
Wskaźnik odejść to ocena osób. W związku z tym podlega on definicji „profilowania” zawartej w ogólnym rozporządzeniu o ochronie danych: zautomatyzowanej analizie danych osobowych w celu przewidywania cech lub zachowań. Nie jest to zabronione, ale podlega określonym regulacjom. Przed rozpoczęciem działań należy omówić te kwestie z inspektorem ochrony danych lub prawnikiem.
- Określ podstawę prawną. Zazwyczaj wewnętrzny system punktacji opiera się na uzasadnionym interesie lub na zgodzie. Określ, jaką podstawę stosujesz i dlaczego.
- Zapewnienie przejrzystości. W polityce prywatności powinno być zaznaczone, że analizujesz dane dotyczące użytkowania w celu dostosowania ofert i przypomnień.
- Żadnych decyzji o poważnych konsekwencjach podejmowanych w sposób samodzielny. Artykuł 22 RODO chroni osoby przed całkowicie zautomatyzowanymi decyzjami o znaczących skutkach. Wynik, który służy wyłącznie do określenia, jaką wiadomość otrzyma dana osoba, zazwyczaj nie podlega tym przepisom. Sytuacja wygląda jednak inaczej, gdy wiąże się to z wykluczeniem lub wyraźnymi niekorzystnymi skutkami.
- Traktuj poważnie zasadę minimalizacji danych. Uwzględniaj tylko te cechy, które naprawdę są ci potrzebne. Dane dotyczące zdrowia i inne kategorie objęte szczególną ochroną nie powinny znajdować się w ocenie marketingowej.
- Określ terminy usuwania. Ustal, kiedy nieaktywne profile mają być usuwane, i trzymaj się tych zasad.
- Udokumentuj logikę punktacji. Zapisz, jakie cechy są brane pod uwagę i jak są one ważone. Będzie to potrzebne w przypadku zapytań o informacje.
Nie jest to porada prawna, lecz wskazówki wynikające z praktyki projektowej. Konkretna ocena zawsze zależy od celu, w jakim chcesz to wykorzystać.
Sześć błędów, które sprawiają, że prognozy stają się bezużyteczne
| Błąd | Po czym go rozpoznać | Co robisz zamiast tego |
|---|---|---|
| Jednolity limit emigracji dla wszystkich | Osoby rzadko dokonujące zakupów na stałe trafiają do grupy ryzyka | Obliczenie granicy na podstawie indywidualnej odległości zakupowej |
| Wiedza o przyszłości w modelu | Wskaźnik skuteczności wydaje się zbyt wysoki, w praktyce jednak zawodzi | Należy ściśle rozdzielić cechy i okres docelowy |
| Wynik bez zastosowania środków | Tworzone są raporty, ale nie są uruchamiane żadne kampanie | Przypisanie stałej akcji do każdego poziomu |
| Rabaty jako standardowa praktyka | Marża spada, ale liczba odwiedzin pozostaje na tym samym poziomie | Najpierw przypomnienie i informacja o premii, zniżka tylko na poziomie 3 |
| Brak grupy porównawczej | Każda kampania uznaje się za sukces | Od pięciu do dziesięciu procent celowo pominąć |
| Model nigdy nie był poddawany ponownemu uczeniu | Prognoza pogarsza się z miesiąca na miesiąc | Sprawdzać co kwartał, w razie potrzeby ponownie obliczać |
FAQ: Najczęściej zadawane pytania dotyczące analizy predykcyjnej w zakresie budowania lojalności klientów
Ile danych potrzebuję do sporządzenia prognozy migracji?
Aby uzyskać wynik oparty na regułach, uwzględniający ostatni zakup, częstotliwość i obroty, wystarczy kilkaset aktywnych członków i kilka miesięcy historii. Dzięki temu możesz od razu tworzyć grupy i wdrażać pierwsze działania. W przypadku modelu samouczącego się potrzebujesz znacznie więcej: jako punkt odniesienia co najmniej kilka tysięcy użytkowników i roczną historię, aby uwzględnić również wahania sezonowe. Decydujące znaczenie ma nie tyle sama ilość, co jakość: historia zakupów, korzystanie z aplikacji i dane programowe muszą być wiarygodnie przypisane do tej samej osoby.
Kiedy uznaje się, że klient bez umowy odszedł?
Wtedy, gdy wyraźnie odbiega od swojego rytmu. Oblicz dla każdej osoby średni odstęp między dwoma zakupami i pomnóż go przez dwa do trzech. Jeśli ktoś, kto zazwyczaj przychodzi co tydzień, nie pojawia się przez trzy tygodnie, należy podjąć odpowiednie działania. Kto i tak robi zakupy tylko raz na kwartał, wymaga znacznie dłuższego okresu obserwacji. Zastosowanie jednej wartości dla wszystkich powoduje natomiast dwa problemy jednocześnie: fałszywe alarmy w przypadku osób kupujących rzadziej oraz pominięcia w przypadku stałych klientów robiących zakupy codziennie.
Czy potrzebuję do tego zespołu ds. danych, czy sztucznej inteligencji?
Na początek nie. Pierwszym etapem jest wskaźnik RFM, który można przedstawić za pomocą wbudowanych narzędzi dobrego panelu lojalnościowego. Co prawda nie rozpoznaje on subtelnych wzorców, ale pozwala znacznie lepiej posortować klientów niż intuicja. Modele uczące się opłacają się, jeśli masz wielu członków, kilka lokalizacji lub do czynienia z efektami sezonowymi. Wówczas model zapewnia wymiernie większą liczbę trafień, ale wymaga w zamian konserwacji, monitorowania i regularnego doszkolenia.
Czy zgodnie z RODO dopuszczalne jest stosowanie automatycznego wskaźnika ryzyka odejścia pracowników?
Z reguły tak, o ile przestrzegasz warunków ramowych. Potrzebujesz udokumentowanej podstawy prawnej – zazwyczaj jest to uzasadniony interes lub zgoda – a także przejrzystej informacji zawartej w polityce prywatności. Wynik, który służy wyłącznie do sterowania tym, jakie przypomnienie lub ofertę otrzymuje dana osoba, zazwyczaj nie powoduje znaczącego naruszenia w rozumieniu art. 22. Należy wykorzystywać wyłącznie cechy, które są rzeczywiście potrzebne, ustalić terminy usuwania danych oraz udokumentować logikę obliczania wyniku. Oceń konkretne zastosowanie wspólnie z doradcą ds. ochrony danych.
Który wskaźnik pokazuje mi, czy prognoza ma sens?
Porównaj wskaźnik powrotów w badanej grupie z wskaźnikiem powrotów w nieobjętej badaniem grupie porównawczej. Tylko ta różnica stanowi twój efekt. Dodatkowo warto przyjrzeć się kosztom na jedną odzyskaną osobę oraz wskaźnikowi ponownych zakupów w grupie ryzyka w kolejnym kwartale. Natomiast sam wskaźnik trafności modelu jest wskaźnikiem technicznym. Informuje on o jakości prognozy, ale nie wskazuje, czy podjęte działanie przynosi efekty.
Jak często muszę aktualizować ten model?
Sprawdzaj jakość prognoz co najmniej raz na kwartał. W tym celu posortuj prognozy z ostatniego kwartału według ryzyka i sprawdź, ile z tych z najwyższej grupy faktycznie się nie sprawdziło. Jeśli wartość pozostaje stabilna, weryfikacja jest wystarczająca. Jeśli znacznie spada, oznacza to, że sytuacja uległa zmianie, na przykład w wyniku otwarcia nowego oddziału, zmiany cen lub zmiany sezonu. Wówczas należy ponownie obliczyć model na podstawie aktualnych danych. Wyniki oparte na regułach rzadziej wymagają dostosowania, jednak co roku należy sprawdzać ich wartości progowe.
Czy analityka predykcyjna może również przewidywać pozytywne zdarzenia?
Tak, a to często się niedocenia. Tę samą bazę danych można wykorzystać do oszacowania skłonności do zakupu, odpowiedniego momentu na wysłanie wiadomości lub kolejnego sensownego produktu. W ten sposób można też lepiej prognozować wartość klienta w całym okresie trwania relacji. Na początek jednak najbardziej opłacalnym tematem jest odejście klientów: efekt jest mierzalny, działanie jasne, a korzyści ekonomiczne łatwe do obliczenia.
