Rabobank International Direct Banking (IDB) vroeg om interim inzet om (a) de transitie van een oud datamodel naar een nieuw datamodel te begeleiden en (b) stappen te zetten op het gebied van advanced analytics binnen Rabobank International Direct Banking.
Tijdens de interim inzet bij Rabobank International Direct Banking (RaboDirect) heeft Cmotions de overgang van een oud datamodel naar een nieuw datamodel vanuit het customer intelligence perspectief begeleidt. De uitdagingen die komen kijken bij een verandering in klantdefinitie zijn ingrijpend. Voorbeelden hiervan zijn het vertalen van rapportages en analyses naar het nieuwe datamodel. Ook het overdragen van deze kennis aan verschillende professionals om te werken met de nieuwe datastructuur was een onderdeel van de opdracht.
Daarnaast heeft RaboDirect in samenwerking met Cmotions gedurende de inzet stappen in predictive modelling genomen. Na een aantal voorbereidende analyses bleek de Churn (het verliezen van klanten) bij een internationale Direct Bank relatief groot. Cmotions heeft hierop een model gemaakt, gebaseerd op klantgedrag, waardoor er op individueel klantniveau een voorspelling gemaakt wordt hoe groot de kans is dat deze klant zijn/haar geld opneemt. De resultaten van dit model zijn erg interessant, gezien een lift van 30% bij het eerste deciel.
De grafiek hierboven laat de effectiviteit van het model zien. Wanneer een marketeer random 10% van zijn klanten zou selecteren, zou logischerwijs ook 10% van hun ‘churning’ klanten geselecteerd worden (rode lijn). Wanneer de marketeer een selectie maakt op basis van de modelvoorspellingen komt er een beter beeld naar voren (blauwe lijn). Klanten worden in 10 even grote groepen ingedeeld op basis van hun kans op churn. Heb je een hele hoge kans op churn, dan val je in groep 1, heb je een hele lage kans op churn, dan val je in groep 10.
Door vervolgens alleen de klanten in de 1e groep te selecteren, is de marketeer in staat om gerichter de churning klanten te selecteren: Bij de eerste 10% van de klanten die hij selecteert (deciel 1), blijkt uiteindelijk al 30 % van de werkelijke churning klanten te zitten. De marketeer kan met minder aanbiedingen hetzelfde resultaat te boeken.
Stel je voor dat het om 100.000 klanten in totaal gaat, dan is de marketeer nu in staat om met slechts 10.000 aanbiedingen hetzelfde effect te bewerkstelligen als hij voorheen zou halen door 30.000 klanten dezelfde aanbieding te doen. Naast het feit dat er minder aanbiedingen gedaan hoeven te worden, worden de non-churning klanten niet lastig gevallen met irrelevante reclame.
De transitie naar het nieuwe datamodel is volbracht. Er is een nieuwe klantdefinitie vastgesteld, en de gevolgen die deze nieuwe definitie met zich meebrengt zijn in kaart gebracht. Daarnaast zijn de complexe rapportages allen omgebouwd zodat deze ook kunnen omgaan met het nieuwe datamodel.
Op basis van het churnmodel worden momenteel gerichte retentiecampagnes uitgevoerd, om de churn terug te dringen. Op deze manier wordt er effectief omgegaan met het marketingbudget en worden klanten niet onnodig benaderd met niet-relevante boodschappen. De eerste geluiden vanuit het betreffende land over de inzet van het model zijn positief.