Müşteri Analitiğine Dayalı Kişiselleştirilmiş Kampanya Motoru

Teknolojik ve ekonomik gelişmelerin etkisiyle rekabet şartları her geçen gün zorlaşıyor. Zorlaşan rekabet şartları sürekli olarak firmaları müşterileri için farklı ve / veya ucuz alternatifler üretmeye zorluyor ve bu rekabet ortamının oluşturduğu alternatifler denizi, müşterilerin aynı ürünün tüketiminde farklı firmaları denemesine imkan tanıyor. Müşterilerin firmalara olan sadakatini giderek azaltan bu rekabet ortamı, müşteri kaybını önlemeye ve / veya müşteri sadakatini artırmaya yönelik çalışmalar yapmaya itiyor. Rakiplerinin bir adım önüne geçmek isteyen firmaların temel amacı ise daha hızlı, daha otomatik, daha ucuz ve müşteriler için daha kişiselleştirilmiş sonuçlar veren çözümler üretmek oluyor.

Tanı olarak biz bu bakış açısıyla hızlı sonuç veren, otomatize edilebilen ve müşterilerimiz için kişiselleştirilmiş sonuçlar üreten bir kampanya öneri sistemi geliştirdik. Son moda analitik yöntemleri kullanarak, müşterilerimizi daha iyi tanıyan ve onlar için en uygun kampanyayı öneren ürünümüzün temel amaç ve hedefleri de aşağıdaki gibidir.

  • Veri analizi ve kampanya oluşturma süreçlerini otomatize ederek hızlı aksiyon almak
  • İş gücü maliyetlerini ve operasyonel hata riskini azaltmak
  • Makine öğrenme algoritmaları kullanarak daha başarılı modeller geliştirmek
  • Kampanya geri dönüş olasılığı yüksek müşterileri tahmin ederek kampanya maliyetlerini azaltmak
  • Kişiselleştirilmiş kampanyalar önererek kampanya geri dönüş oranlarını ve elde edilen ciroyu artırmak

R programlama dili ile geliştirdiğimiz bu üründe, farklı açılardan müşterilerimizi tanımlayabilmek için istatistiksel analiz yöntemlerini (dağılımlar, betimsel istatistik, kümeleme) ve onların davranışlarına ilişkin tahminlerde bulunabilmemiz için makine öğrenme algoritmalarını (sınıflandırma ve regresyon) kullandık.  Analizlerde; müşterilerimizin alışveriş verileri (zaman, ürün, tutar vs), demografi verileri (cinsiyet, eğitim, medeni hal vs), lokasyon bazlı sosyo-ekonomik verileri (gelir düzeyi, eğitim düzeyi, sosyo-ekonomik indeks vs) ve rekabet verileri (rakip kampanya türü, indirim / promosyon / hediye tutarı ve zamanı vs) gibi farklı kaynaklardan beslenen bir çok veri seti kullanıldık.

Kullanılan modeller;

  • Değer Segmentasyonu: Müşterilerin mevcut değer ve sadakat düzeylerini ölçmeyi hedefleyen RFM (Recency, Frequency, and Monetary) bazlı kümeleme analizi
  • Tahminsel Müşteri Kaybı Modeli: Müşterilerin alışveriş ve demografi verileri ile makine öğrenme (sınıflandırma) algoritmaları kullanılarak geliştirilen ve müşterinin önümüzdeki dönemde firmayı terk etme olasılığını hesaplayan tahminsel model
  • Alarm Modeli (Erken Uyarı Sistemi): Alışveriş hareketlerini günlük olarak izleyerek müşterilerin davranış örüntülerini tanımlayan ve bu örüntülerden sapma gösteren müşterileri tespit eden model
  • Tüketim Tahmin Modeli: Müşterilerin alışveriş ve demografi verileri ile makine öğrenme (regresyon) algoritmaları kullanılarak geliştirilen ve müşterinin önümüzdeki dönemde yapacağı alışveriş toplamını hesaplayan tahminsel model
  • Kampanya Geri Dönüş Modeli: Müşterilerin alışveriş ve geçmiş kampanya verileri ile makine öğrenme (sınıflandırma) algoritmaları kullanılarak geliştirilen ve müşterinin önerilecek olası kampanyalardan yararlanma ihtimalini hesaplayan tahminsel model
  • Kampanya Öneri Modeli: Yukarıdaki modellerin çıktıları ile makine öğrenme (regresyon) algoritmaları kullanılarak geliştirilen ve müşteriye önerilebilecek en uygun kampanya özelliklerini (kampanyakurgusu, verilecek harcama hedefi, sunulacak fayda oranı vb.)  belirleyen tahminsel model

Geliştirdiğimiz sistemin firma açısından faydaları;

  • Veri analizi ve kampanya oluşturma süreçlerini otomatize edilmesi,
  • İş gücü maliyetlerinin azaltılması,
  • Operasyonel hata riskinin azaltılması,
  • Kampanya maliyetlerinin azaltılması
  • Kampanya geri dönüş oranlarının artırılması,
  • Cironun artırılması

Geliştirdiğimiz sistemin müşteri açısından faydaları;

  • Kişiselleştirilmiş kampanyalar önerilerek müşteri ihtiyaçlarının doğru karşılanması,
  • Her bir müşterinin farklı ve özel olduğunun hissettirilerek müşteri memnuniyetinin arttırılması

Bu ürünü kullanan firmaların yaptığı kampanya çalışmaları, geçmişte geleneksel yöntemler kullanılarak yapılan CRM çalışmaları ile kıyaslandığında, kampanya geri dönüş oranlarında 1,5 – 2,5 kat arası iyileşmeler, kampanya cirolarında ise %10 ile %30 arasında değişen artışlar sağladığımızı gördük.

Tanı olarak müşterilerimizin bu üründen elde edeceği faydaları daha da artırmak amacıyla, modellerin kullandığı veri kaynaklarını zenginleştirme, tahmin gücünü yükseltecek yeni algoritmalar deneme ve ürünün çalışma performansını iyileştirecek yeni teknolojileri bünyemize katma yönündeki çalışmalara devam ediyoruz.

Leave a comment

Your email address will not be published. Required fields are marked *