Na sukces każdej kampanii marketingowej niewątpliwy wpływ ma znajomość naszych klientów, ich oczekiwań oraz wzorców zachowań. Dokładne poznanie naszych klientów jest jednak mało realne w momencie, gdy ich liczba przekracza kilkaset osób a przypadku dużych instytucji gdzie klientów należy liczyć w dziesiątkach i setkach tysięcy staje się niemożliwe. W takiej sytuacji bardzo pomocne staja się narzędzia analizy i zgłębiania danych (data mining). Za pomocą tych metod możliwe jest przeanalizowanie danych klientów zapisanych w bazach danych i odkrycie nieznanych wcześniej zależności i wzorców pomocnych w przygotowaniu ukierunkowanych ofert sprzedażowych.

Jednym z najczęstszych podejść do optymalizacji kampanii marketingowych jest budowa modelu analitycznego, który pozwoliłby na wskazanie klientów, do których warto skierować ofertę. Aby taki model zbudować potrzebujemy dostęp do danych na temat naszych klientów - mogą to być zarówno cechy demograficzne jak i opisujące zachowanie klientów oraz produkty z jakich korzystają itp. Wykorzystując te dane oraz zmienną informującą zakupie interesującego nas produktu, model określa wzorce zachowań klientów. Jeśli wzorce wychwycone przez model okażą się wartościowe, możemy je następnie zastosować dla nowych klientów. Celem budowy modelu jest określenie, jaki produkt powinien zostać zaoferowany konkretnemu klientowi i jaki jest najlepszy kanał komunikacji z klientem.

Modele tego typu określamy mianem modeli skoringowych, ponieważ rezultatem ich działania jest ocena (scoring) szansy zakupu przez danego klienta określonego produktu. Każdy klient, dla którego zastosujemy zbudowany model uzyskuje więc ocenę skłonności do zakupu, dzięki czemu organizatorzy kampanii mogą wybrać jedynie tych klientów, dla których istnieją największe szanse akceptacji oferty. Zbudowany model może więc wskazać najbardziej odpowiednią grupę docelową planowanej kampanii (osoby z największą skłonnością do zakupu określonego produktu). Ogólny schemat budowy tego typu modeli przedstawia poniższy rysunek.

Budowa modeli skoringowych służących do przewidywania skłonności klientów do zakupów zostanie zaprezentowana na przykładzie pewnego banku. Bank ten, by zwiększyć dochodowość swoich klientów, zaplanował akcję marketingową, która miała zachęcić ich do skorzystania z różnych produktów bankowych. Kampania ta miała być realizowana na podstawie wyników uzyskanych dzięki modelom skoringowym. Ponieważ była to pierwsza kampania wspomagana technikami analizy danych, bank zdecydował się na projekt o ograniczonym zasięgu, który miał sprawdzić skuteczność proponowanego rozwiązania na przykładzie jednego produktu. W dalszej perspektywie planowano wykorzystanie metod skoringowych do wspierania kampanii odnoszącej się do większej liczby produktów.

Pierwszym zadaniem, jakie należało rozwiązać, polegało na określeniu grupy docelowej, spośród której będą typowane osoby, do których trafi dana oferta. Zdecydowano, że kampania dotyczyć będzie jedynie posiadaczy kont osobistych, nie będzie natomiast kierowana do posiadaczy kont komercyjnych.

Kolejna kwestia była związana z wytypowaniem produktów, jakie powinny być oferowane podczas kampanii, zarówno na jej testowym etapie, jak i podczas akcji docelowej. Ponieważ w ofercie banku znajdowała się bardzo duża liczba produktów, oczywistym stało się, że nie można będzie przeprowadzić kampanii uwzględniającej w sposób szczegółowy każdego z nich. Konieczne stało się więc przygotowanie bardziej ogólnych kategorii, zawierających w sobie szczegółowe rodzaje produktów. Jako produkt, na podstawie którego miano przetestować skuteczność proponowanego rozwiązania, wybrano konto maklerskie. Tego typu usługa cieszyła się małym powodzeniem wśród klientów banku, korzystało z niej nieco ponad 2% wszystkich klientów.
Zarówno model testowy, jak i pozostałe modele miały być budowane na podstawie danych historycznych opisujących klientów banku. Dane te zawierały informacje demograficzne dotyczące klientów, informacje o produktach, z jakich korzystają, oraz generowanym obrocie.

Analizę tak przygotowanych danych przeprowadzono w programach STATISTICA Data Miner (oraz STATISTCA Zestaw Skoringowy (Dane, które analizowano wymagały wcześniejszej obróbki, która polegała na obsłudze braków danych, sprawdzeniu czy wartości poszczególnych cech są poprawne oraz opracowaniu dodatkowych wskaźników, które mogłyby zostać użyte w modelowaniu. Ponieważ nie wszystkie zmienne zawarte w zbiorze danych musiały mieć wpływ na skłonność do zakupu konta maklerskiego dlatego też, aby wyeliminować nieistotne cechy kolejnym krokiem analizy było przygotowanie rankingu ich istotności. Za pomocą modułu Wybór predyktorów dla każdej zmiennej wejściowej obliczono miarę Information Value, która określała siłę związku pomiędzy daną zmienną a faktem zakupu konta maklerskiego.

Analizując wykres ważności predyktorów widzimy, że stosując kryterium IV zmienna, która najmocniej wpływa na skłonność do zakupu modelowanego produktu jest zmienna BEACON, inne istotne zmienne to DOB_MONTH oraz DAS. Dzięki przygotowanemu rankingowi wyeliminowano zmienne, które nie wpływały na skłonność do zakupu konta maklerskiego (IV poniżej 0,04).
Na podstawie wybranych zmiennych zbudowano model skoringowy. Wybrane opcje programu pozwoliły ostatecznie dobrać najlepszy zestaw zmiennych do modelu, który został przygotowany w postaci karty skoringowej. Dzięki tej postaci modelu odbiorcy biznesowi mogli w łatwy sposób prześledzić zawarte w nim reguły i wzorce.

Każda zmienna zawarta w modelu została podzielona na przedziały, którym przypisano pewną punktację (skoring). Aby ocenić skłonność każdego klienta do zakupu modelowanego produktu, zsumowano punkty przypadające mu na podstawie każdej zmiennej. Im więcej punktów otrzymał dany potencjalny klient, tym większa jest jego skłonność do zakupu oferowanego mu produktu.
Oferty sprzedaży krzyżowej warto jest optymalizować pod kątem efektu finansowego, jaki mają odnieść. Sama punktacja uzyskana na podstawie modelu nie mówi nam, jaka jest oczekiwana korzyść finansowa wynikająca z jej przyjęcia. Dlatego też, aby sprawdzić działanie modelu z punktu widzenia finansowego, na testowym zbiorze danych przeprowadzono ocenę możliwej zyskowności przeprowadzonej kampanii. Przyjęto, iż koszt wysłania oferty do klienta wyniesie 20 złotych, natomiast średni zysk w przypadku przyjęcia przez klienta zaproponowanej oferty oszacowano na 200 złotych. Na tej podstawie opracowano symulację zysków, jakie mogą wynikać z działania modelu.

Analizując powyższy wykres, możemy zauważyć, że zyski z kampanii skierowanej do wszystkich klientów grupy kontrolnej wynoszą 80.000 złotych, natomiast zastosowanie modelu pozwoliło wysłać ofertę jedynie do osób, które uzyskały przynajmniej 440 punktów i powiększyć zyski do poziomu 130.000 złotych ograniczając równocześnie liczbę osób, do których należało wysłać ofertę.
Ostatnim krokiem kampanii było określenie optymalnego kanału komunikacji z klientem. Dla Banku naturalnym sposobem komunikacji jest co miesięczna wysyłka wyciągu bankowego. Zdecydowano się więc na użycie technologii TransPromo, która umożliwia umieszczenie na wyciągu bankowym dowolnego, personalizowanego przekazu reklamowego do wybranej grupy klientów.