Poszerzenie grupy docelowej kampanii w oparciu o analizy eksploracyjne

Tekst przeczytasz w: 2 minuty.

Dla naszego Klienta przygotowaliśmy analizy eksploracyjne zmierzające do wykrycia możliwości i wsparcia decyzji o poszerzeniu bazy leadów kampanii sprzedażowej kredytu gotówkowego.

Baza dobierana według wcześniejszych kryteriów okazała się zbyt wąska. Dlatego zdecydowaliśmy się na typowania klientów posiadających w innych bankach zobowiązania , które można przejąć oraz klientów o większej skłonności do korzystania z kredytów.

PROBLEM

  • W kampaniach na kredyt gotówkowy stosowana jest przede wszystkim lista kryteriów biznesowych. Wykluczenia te tak dalece wpływają na grupę docelową w kampanii, że kwestia scoringu prawdopodobieństwa staje się nieistotna w odniesieniu do oczekiwanej wielkości miesięcznych baz.
  • Wykorzystywana baza klientów, po obowiązkowych wykluczeniach, jest rotowana w 100% przez kampanię na kredyt gotówkowy kilka razy do roku. Cechuje się słabą responsywnością – klienci przyzwyczaili się do komunikatów na temat kredytu gotówkowego i w niewielkim stopniu na nie reagują.
  • Oczekiwanie wzrostu efektywności oferowania tego typu produktów.

ROZWIĄZANIE

  • Kampania na kredyt gotówkowy realizowana jest na 3 sposoby – jako rolowanie kredytu bliskiego spłacie, jako konsolidacja zobowiązań oraz jako klasyczny cross sell.
  • W przypadku konsolidacji należy znaleźć zobowiązania zewnętrzne klientów banku, które można by było przejąć (wymagane jest przetestowanie i poprawa istniejącego mechanizmu monitorowania danych transakcyjnych).
  • W przypadku cross sellu potrzebne było zbudowanie modelu skłonności do korzystania z kredytu gotówkowego i naniesienie prawdopodobieństwa na bazę przed wykluczeniami obowiązkowymi. To pozwoliło monitorować potencjalny lejek kampanijny i dowieść, że redefinicja niektórych wykluczeń ma sens biznesowy.
  • Przykładem powyższego było poszukiwanie dowodów na „kredytowy” charakter klienta - jedno z kryteriów dzieliło klientów na kredytowych i depozytowych według posiadanych aktualnie produktów w Banku. Dzięki analizie transakcji można było zidentyfikować klientów korzystających  z kredytów w innych bankach.

 

 

Efekt/korzyści:

  • Wzrost liczebności bazy potencjalnych klientów kredytowych o 30% (dobrej jakości)
  • Wzrost o 20% bazy do kampanii konsolidacyjnej.

 

Rozbudowa bazy

Ocena transakcji pod kątem występowania informacji o typie produktu w innym banku

 

Szczegóły projektu

 

Czas realizacji

8 tygodni

Oprogramowanie

PS CLEMENTINE PRO

Zaangażowany zespół

Predictive Solutions - 2 osoby.

Po stronie klienta - 1 osoba zaangażowana bezpośrednio i  1 osoba odbierająca wyniki.


Oceń artykuł:


Branże:
bankowość

Udostępnij artykuł w social mediach

Zostańmy w kontakcie!

Chcesz dostawać wiadomości o nowych wpisach na blogu
i webinarach z zakresu analizy danych?
Zapisz się na powiadomienia e-mail.