bigdata in insurance. breakfast@google. insurance (2015 10)

31
BigData в Страховании Завтрак@Google 28 октября 2015 Шухрат Якубов 1

Upload: shukhrat-yakubov

Post on 09-Jan-2017

136 views

Category:

Marketing


3 download

TRANSCRIPT

Page 1: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

BigData в СтрахованииЗавтрак@Google28 октября 2015

Шухрат Якубов

1

Page 2: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Gartner (июль 2014)

2

BigData созрела для массового применения

Page 3: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Gartner (июль 2015)

3

Место BigData заняли машинное обучение и возможность глубинной аналитики обычными пользователями

Page 4: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Сбор, хранение и анализ данных

4

Page 5: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Откуда собираются данные

5

Клиентская база

- Пол, возраст- Адрес- История покупок- История убытков- История взаимодействий- ...

Page 6: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Откуда собираются данные

6

Клиентская база Сайт

- Посещенные страницы- Просмотренные продукты- IP адреса- Поисковые запросы- Ключевые слова- Рекламные кампании- ...

Page 7: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Откуда собираются данные

7

Клиентская база Сайт

3rd party

- Интересы- Поведенческий профиль- Социальный граф- Другие товары и услуги- Соцдем статус- Кредитная история- Страховая история- ...

Page 8: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Откуда собираются данные

8

Клиентская база Сайт

3rd party Клиент

- Стиль вождения- Физические нагрузки- Физическое здоровье- Образ жизни- ...

Page 9: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

НА САЙТ ЗАХОДИТ ЛИШЬ Х%?

Компания BellCanada с помощью коллцентра направила большую часть своих клиентов в личный кабинет на сайте компании.И проанализировала данные по сайту вместе с данными из CRM.

В результате BellCanada выбрала +30 наиболее интересных сегментов по 10 аттрибутам (включая данные из CRM) и использовала эти сегменты в рекламных кампаниях.

Стоимость привлечения в пилотной кампании была в 5 раз ниже, уровень конверсии вырос с 0.5% до 3%. В целом эффективность повысилась на 62%.

9

Page 10: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Куда собирать и где анализировать?

10

IN HOUSE

всегда под рукой

фиксировынный расход

доступ к “сырым” данным

CLOUDлегко увеличивать объемы

часть данных доступна только в облаке

безопасность забота профессионалов

Page 11: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Использование BigData

11

Page 12: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

12

Где BigData может помочь?

ПРИБЫЛЬ $$$

ПРЕМИИ РАСХОДЫ

Page 13: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

13

Увеличим выручку с BigData

ПРЕМИИ

ПОЛИСЫ ТАРИФ

СТРАХОВЫЕ ПРОДУКТЫКЛИЕНТЫ

Бывшие

Существующие

Потенциальные

Page 14: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

14

Уменьшим расходы с BigData

РАСХОДЫОПЕРАЦИОННЫЕ

РАСХОДЫВЫПЛАТЫ

ДРУГИЕ РАСХОДЫМАРКЕТИНГ

Медиа-микс Стоимость за контакт

Page 15: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

В стандартном подходе мы работаем над знанием среди потенциальных клиентов

Потом пытаемся перевести знающую аудиторию в рассматривающих

И в конце привести самых заинтересованных к покупке

15

Маркетинговая воронка

ЗНАНИЕ

РАССМОТРЕНИЕ

ПОКУПКА

Page 16: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Лучше узнав наших существующих клиентов, мы можем использовать эти данные для поиска новых клиентов.

И чем больше мы узнаем наших существующих клиентов, тем лучше мы сможем найти новых.

16

Воронка с BigData

ПОКУПАТЕЛИ

ПОТЕНЦИАЛЬНЫЕ /УШЕДШИЕ

НОВЫЕ

Page 17: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Проанализировать жизненный цикл клиентов и вовремя предложить клиенту дополнительную услугу, скидку или другой уровень обслуживания.

КАК РАБОТАТЬ С ПОКУПАТЕЛЯМИ

17

Выявить потребности клиентов помимо купленных у нас полисов и предложить увеличить список покрываемых рисков

Прогнозировать ценность клиента на ранних этапах взаимодействия и распределять ресурсы в соответствие с этим

При урегулировании убытков опираться на полную ценность клиента

Page 18: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

APMEX. Выше ценность клиентов, ниже стоимость

АРМЕХ предлагает своим клиентам купить слитки ценных металов

Интегрировав данные по сайту с данными CRM, APMEX смог более точно прогнозировать полную ценность клиентов и выявлять наиболее ценных клиентов на ранних этапах взаимодействия.

В результате стоимость привлечения снизилась на 20%, конверсия выросла на 62%.

Клиенты APMEX в 1.5 раза чаще стали открывать email рассылку и продажа с email-кампаний выросла на 163%

18

Page 19: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

RoomsToGo. Предложить клиенту, то что он купит

Rooms To Go предлагает своим клиентам покупать мебель и домашную утварь исходя из предварительно подобранных наборов.

Проанализировав данные сайта о том, какие товары покупатели сравнивают и покупают вместе, компания Rooms To Go смогла улучшить подбор наборов и таким образом повысить уровень конверсии и продажи.

Дополнительная информация позволила предлагать клиентам аксессуары и увеличить средний чек.

19

Page 20: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

КАК РАБОТАТЬ С ПОТЕНЦИАЛЬНЫМИ / УШЕДШИМИВернуть потенциальных клиентов, снова зацепив их правильным сообщением. Для этого важно понимать с какого этапа покупки он ушел и что будет ему интересно

20

На базе имеющейся информации показывать специальные предложения потенциальным клиентам вместо обычной рекламы, которую видят новые клиенты.

Анализ путей к покупке существующих клиентов, даст понять, в каком медиа и какое рекламное сообщение будет толчком к покупке

Page 21: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

TransUnion предоставляет клиентам доступ к кредитной истории и другой финансовой информации

TransUnion выделил два сегмента среди посетителей своего сайта: (а) существующие клиенты, и (б) те, кто еще не стал клиентом.

Отдельно таргетируя сегмент (б), т.е. тех, кто был на сайте, но еще не купил, TransUnion смог понизить стоимость привлечения на 50%, при этом повысив средний чек на 65%

А еще TransUnion в 2 раза снизил расходы сегмент (а), т.е на существующих клиентов.

TransUnion: Вернуть, нельзя упустить

21

Page 22: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

TalkTalk: Каждому свое сообщение

TalkTalk - телекоммуникационная компания в UK, понимая, что потенциальным клиентам каждом этапе воронки нужно свое сообщение, интегрировала аналитику сайта и рекламную кампанию.

Потенциальные клиенты были разделены на 3 сегмента: “холодные”, “теплые” и “горячие”. И для каждого сегмента сняли отдельные видеоролики. Например, “горячим” клиентам показывали видеоролик, который еще раз убеждал клиента в ценности предлагаемого пакета услуг.

Существующих клиентов тоже не забыли: им показывали видеоролики о дополнительных услугах в зависимости от подключенного тарифного плана.

22

Page 23: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

КАК ПРИВЛЕЧЬ ЦЕННЫХ НОВЫХПосчитать ценность клиента привлеченного из каждого медиа канала, анализируя имеющиеся данные, и таким образом посчитать оптимальную стоимость привлечения дла кажого рекламного канала и рекламного формата, а также для дня недели, времени суток и географии. Это позволит выбирать только эффективные каналы.

23

Таргетировать пользователей, “похожих” на существующих ценных клиентов, используя встроенный функционал рекламных площадок,Высокая аффинитивность достигается путем использования более 100 различных параметров.

Page 24: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

CORT: Найти новых, но таких же

24

CORT предоставляет миллионам своих клиентов услуги по переезду, аренде мебели и обслуживанию мероприятий.

И для компании важно найти клиента в правильный момент, когда он ищет эти услуги.

С помощью инструмента “похожие аудитории” CORT смог легко найти новых клиентов, похожих на свою текущую клиентскую базу и увеличить объем продаж на треть, а стоимость привлечения снизилась на 43%.

Page 25: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Как оптимизировать медиа-микс?Эконометрическое исследование позволит ретроспективно понять важность и ценность каждого канала в агрегированных продажах. Эти данные потом нужно использовать при оценке эффективности форматов

25

Аттрибуция в реальном времени оценивает вклад рекламного канала в каждую конкретную конверсию и считает эффективность всех анализируемых рекламных каналов в динамике.Аттрибуция в аналитических инструментах адаптируется к изменению состава рекламных каналов, появлению новых рекламных форматов и изменению внешней среды

Page 26: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

ideeli: Понять роль каждого канала

ideeli один из самых быстрорастущих онлайн ритейлеров в США.

Быстрый рост и растущий маркетинговый бюджет усложняют оценку вклада каждого медиа в результат.

Перейдя на динамическую атрибуцию продаж ideeli смог выявить рекламные кампании, которые никак не влияли на конечный результат или имели отрицательный ROI.

Оптимизация медиа-микса позволила снизить стоимость новых продаж на 14%, а освободившийся маркетинговый бюджет был направлен на повышение среднего чека.

26

Page 27: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Инструменты Google

27

Page 28: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Инструменты Google для работы с BigData

28

СБОР ДАННЫХ АНАЛИЗ ИСПОЛЬЗОВАНИЕ

Page 29: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

29

Page 30: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

BigData - постоянное движение

30

АНАЛИЗДАННЫХ

СБОРДАННЫХ

МАРКЕТИНГ НА ОСНОВЕ

Page 31: BigData in Insurance. Breakfast@Google. Insurance (2015 10)

Proprietary + Confidential

Что было интересного?

31