Vilka kunder ska vi bearbeta?

Håkan Persson

Project Manager - Campaign Work and Customer Insight

Länsförsäkringar AB

2

Vilka kunder ska vi bearbeta?

Från att välja målgrupper till att välja målindivider

Beskriva resan…

• Från produktorientering till kundorientering.

• Från att utgå från vad vi vill att kunden ska göra till att utgå från vad kunden har störst sannolikhet att göra.

• Från inifrån och ut till utifrån och in.

• Få organisationen att förstå nyttan och använda det.

4

Scorade kunder och en erbjudandemotor

• Först och främst; vilka av vår kunder har störst potential att köpa produkten X.

• Sedan kommer frågan när och hur ska vi erbjuda produkten X till kunden med störst potential att köpa.

5

Operativt – hur gör vi?

• Erbjudandemotorn bygger på sannolikhet till köp.

• Erbjudandemotorn presenteras i vårt CRM-system genom den så kallade Gula rutan.

• Kommunicera och arbeta med Gula rutan i alla kundmöten.

• Siebel.

6

Scoring

• Ett sätt att försöka förutsäga en händelse med hjälp av statistiska metoder och historisk information på kundnivå.

• Används på många områden i samhället– Kreditrisker (Basel 2), Kvalitetskontroller i industrin etc.

• Används i försäkring– Skaderisker, Bedrägeriutredning, Portföljrensning, Marknadsföring,

Premiesättning etc.

• De olika metoderna värderar bakgrundsinformationen i relation till hur användbar den är för att hitta det man letar efter

– Ex: Det viktigaste för att hitta framtida köpare av X är att ha en Y.7

Ett exempel

8

Tiokampsprincipen

• Även om man inte är individuellt bäst i en gren, har man chans att vinna eftersom det finns flera grenar vars resultat räknas ihop.

• På samma sätt finns det flera sorters bakgrundsinformation om kunderna som kan bidra till sannolikheten för köp.

9

Tiokampsprincipen

• Genom att ta reda på delresultatet i ”varje gren” fångar vi fler kunder

– Man kan se det som att man får 3 poäng för bil, 4 poäng för bankkonto och 2 poäng för boendeförsäkring.

– Sätter vi kvalgränsen på 4 poäng, kan det vara tillräckligt att ha bil och boendeförsäkring och vi fångar många bra kunder.

– Sätter vi kvalgränsen på bankkonto, fångar vi inte lika många, även om alla har 4 poäng.

10

Vad säger en tysk aktuarie…?

11

Vad söker vi…?

• Målet här är inte att ta perfekta beslut och att hitta köparen till 100%.

• Målet är att så ofta som möjligt göra ett bättre val än

12

Vad söker vi…?

• Vi kan mångdubbla chanserna– Men resan kanske går från

0,5% till 3% i den grupp vi arbetar med.

• Och radikalt sänka kostnaden– En sjättedel.

• Men upplevelsen hos säljaren kanske inte är ett dramatiskt bättre urval.

13

Resultat av scoring vid en DR-aktivitet

• Bra scorade kunder köper oftare.• Det finns en bevisad effekt av kampanjen.

14

Prognos och utfall per decil i kampanjgruppen

0,00%

0,50%

1,00%

1,50%

2,00%

2,50%

3,00%

3,50%

4,00%

4,50%

0,00% 2,00% 4,00% 6,00% 8,00% 10,00%

Prognosticerad köpfrekvens 1 år

Faktisk k

öpfr

ekvens s

edan k

am

panjs

tart

utfall

Nyförsäljning bolån i praktikenErbjudandemotorns process

15

Kvalificera kunden

för erbjudandet

Beräkna sannolikhet

för köp

Beräkna

förväntat värde

Rangordna

affärsmöjligheter

Dra en gräns

för urval

[ex. 20% bästa]

Valbar Sannolik Värderad Jämförbar Utvald

Att välja erbjudanden till kunder istället för tvärt om i praktiken

16

Bolån

P=0.004

Kr=3000

Förväntat värde 12 kr

Villahem

P=0.05

Kr=300

Förväntat värde 15 kr

Personbil

P=0.10

Kr=300

Kunden har redan prod

Villahem

P=0.05

Kr=300

Förväntat värde 15 kr

Villahem

P=0.05

Kr=300

Förväntat värde 15 kr

Beräkningar på kundnivå för att stödja olika affärsmål…det man vill uppnå

17

Ökad nyförsäljning av en viss produkt

Ökad lojalitet och lägre antal

avhopp

Merförsäljning inom befintliga engagemang

Sannolikhet för köp Sannolikhet för köp

Sannolikhet för annullation Sannolikhet för annullation

Sannolikhet för att köpa mer av befintlig produkt

Sannolikhet för att köpa mer av befintlig produkt

Vi kan jobba med alla tre typerna av erbjudanden i samma prioritering…

18

4

Nyförsäljningserbjudande

• ”Just nu har vi ett förmånligt erbjudande för dig som försäkrar din bostad genom Länsförsäkringar”

• Sannolikheten att just den här kunden köper en bostadsförsäkring under det kommande året genom LF är exempelvis 7%

• Täckningsbidraget för en boendeförsäkring antas vara ca 286 kr på ett år

• Här har vi en affärsmöjlighet värd 280 kr * 7% =20 kr

6

Utökningserbjudande

• ”För att fullt ut utnyttja ditt skatteavdrag för pensionssparande kan du öka ditt månadssparande med 300 kr. Gör du det innan årsskiftet så bjuder vi på en julklapp”

• Vi antar ett täckningsbidrag första året om 180 kr på den affären

• Sannolikheten för köp beräknas till 180 kr * 8% = 14,40 kr

7

Lojalitetserbjudande

• Under nästa år ger vi dig en självriskcheck påpersonbilsförsäkringen värd X kronor

• Sannolikheten för avhopp är 15%

• Marginalen om kunden stannar kvar är ca 300 kr

• Affärsmöjligheten är värd 15% * 300 kr = 45 kr

Operativt: arbeta med bonuskonceptet och Erbjudandemotorn• Erbjudandemotorn bygger på sannolikhet

till köp.

• Erbjudandemotorn presenteras i vårt CRM-system genom den så kallade Gula rutan.

• Kommunicera och arbeta med Gula rutan i alla kundmöten.

• Siebel.

19

Ett organisatoriskt framsteg

• För några år sedan – Kategoriska kundurval (grupper)– Långa beslutsprocesser och godtyckliga gissningar– Inifrån och ut– Produktorientering

• Idag– Sexton prioriterade erbjudanden uppdateras varje dygn– Urvalen omfattar alla kunder– Vi väljer både kunder (individer) och produkter samtidigt– Erfarenhetsbaserat med hjälp av scoringmodeller– Kundorientering

20

Fördelar med scoringmodellerna

• Vi väljer individer, inte grupper av kunder– Varje kund har mer än en chans att hamna i målgruppen– Ett mer effektivt sätt att använda kundinformationen

• En återspegling av länsförsäkringsgruppens samlade erfarenhet under ett år.

• Vi kan ta samtidig hänsyn både till sannolikheten för en händelse och värdet av händelsen

– Ett bra besluts- och prioriteringsunderlag

• Kundinformationen kan värderas .

• Kundinformationen kan sättas i system och räknas ut varje månad för varje individ.

• Kan användas proaktivt och reaktivt.21

Slutsats

• Scoring genom prediktiva analyser.

• Erbjudandemotor.

• Ger oss möjlighet att dagligen få fram bäst lämpade erbjudanden till våra kunder.

• Så här jobbar vi i, hela vår kundstock värderas och kvalificeras för våra prioriterade erbjudanden varje dag och presenteras genom vårt kundsystem – Siebel.

22

Framtiden

• Prediktiva modeller för irrationella köpbeslut.

• Koppla på extern data i större utsträckning.

• Internutbilda och vidareutveckla – en ständig process.

23

24