La segmentazione dei database dei clienti aumenta le opportunità di innovazione.
© MJV Technology & Innovation 2023
70%
Riscontri
Intelligenza guidata dall'IA
Segmentazione Automatizzata del CRM per un'Azienda Leader del Settore Finanziario
of consumers expect companies to take an active stance on social, environmental, and political issues
According to a survey by "Social Sprout"
Data Science
Design-Driven
Un unicorno fintech latinoamericano ha fatto crescere la sua base di utenti di circa il 400% in un solo anno grazie a una chiara proposta di valore e a un'esperienza fluida per l'utente/cliente.
Ma questa crescita accelerata ha fatto sorgere alcune domande: chi sono questi nuovi clienti e come li serviamo?
Per rispondere a queste domande, il team di MJV ha utilizzato tecniche di data science per scalare statisticamente e convalidare i risultati del processo di ricerca e scoperta all'interno del database del CRM.
Settore: Finanziario | Cliente: Una delle più grandi fintech dell'America Latina
Industry: Finance
Client: One of the biggest fintechs in Latin America
The Challenge
• Segmentazione della popolazione bancaria locale in base ai principali bisogni non soddisfatti.
• Automazione del processo di identificazione dei segmenti nel database dei clienti.
• E la scoperta di opportunità di innovazione nel mercato di alta gamma.
La Sfida
Ricerche di Mercato e Profili dei Clienti
Quando si ha a che fare con grandi insiemi di dati, MJV ritiene che una prospettiva qualitativa sia necessaria, soprattutto quando i dati rappresentano individui vivi e vegeti: un mix che ci piace chiamare Design-Driven Data Science.
La nostra soluzione è stata quella di utilizzare le ricerche di mercato insieme alle interviste qualitative agli utenti per generare i profili dei clienti e i parametri di riferimento necessari per la segmentazione del CRM, mantenendo il team e le consegne aderenti alle realtà, alle esigenze e ai dolori degli utenti.
Soluzione
Implementing a profitable strategy in a different market
A High-Fidelity O2O Prototype
Our Solution
When dealing with large sets of data, MJV believes that a qualitative angle is a necessity, specially when the data represents living, breathing individuals, a mix we like to call Design Driven Data Science.
Our solution was to use market research alongside qualitative user interviews in order to generate the customer profiles and benchmarks needed for CRM segmentation while keeping the team and deliveries adherent to user realities, needs, and pains.
Fly or Die:
Validating a New Revenue Model Through Testing-as-a-Service
A solution is only as good as what you can prove, and MJV did this through a testing-as-a-service framework.
While our client ran the stores (both digital & physical), we took it upon ourselves to craft, test, and validate the strategy to determine if it should be implemented nationwide.
Case Study
Come ci siamo arrivati:
Il Processo
Ricerca etnografica con clienti e non clienti, mappando i drivers comportamentali e i bisogni.
Clienti
01
Benchmarks, ricerche di mercato e referenze di altri marchi/aziende.
Mercato
02
Analisi e generazione di ipotesi, automazione della visualizzazione dei profili all'interno del database.
Data Science
03
Utilizzo della strategia dell'oceano blu per ripensare la fornitura di valore per un segmento prioritario.
Opportunità di Innovazione
05
Ricerca con campionamento stratificato e alto livello di affidabilità.
Ricerfca Quantitativa
04
Tutte le fasi del progetto hanno avuto importanti risultati ed esiti che hanno contribuito alla consegna finale. Di seguito è riportato un elenco di ciò che abbiamo consegnato al cliente alla fine del progetto.
Risultati
127
Creazione di funzioni che forniscono informazioni sui profili dei clienti e sul loro comportamento finanziario.
In questo progetto, tecniche come la scienza dei dati, l'apprendimento automatico e l'analisi dei cluster sono state fondamentali per confermare statisticamente e scalare le conoscenze ottenute nella fase di ricerca all'interno del database del CRM, oltre che per automatizzare il processo di classificazione.
Date un'occhiata ad alcune delle consegne supportate dalla nostra metodologia Design-Driven Data Science:
13
Diversi contesti di utilizzo del prodotto.
117
Filtri variabili generati dalla segmentazione comportamentale del CRM.
51
Opportunità di innovazione identificate all'interno dei profili dei nuovi clienti, in base alle nostre scoperte sulle loro esigenze.
Fare ricerche sulla propria base di clienti per comprenderli e segmentarli meglio può essere un compito scoraggiante (soprattutto quando la base di utenti cresce improvvisamente), ma non è necessario farlo da soli.
Se volete automatizzare la segmentazione dei clienti, scoprire nuovi oceani blu o esplorare le opportunità di innovazione nel vostro settore, contattate uno dei nostri consulenti.
Le nostre conclusioni:
Pensieri finali
Contenuti Correlati
Trend Report
Articolo
Il servizio bancario come servizio: Perché ogni azienda vuole diventare una fintech?
Guida ai Servizi Finanziari:
Come Preparare l'Azienda alla Costituzione di un'Impresa di Servizi Finanziari
Infographic
Ebook
Ebook
Segmentazione Qualitativa
Due diverse ipotesi di segmentazione della popolazione bancaria basate sulla ricerca qualitativa.
Driver di Segmentazione
Definizione dei fattori rilevanti per differenziare il comportamento dei clienti delle banche.
Piano di Mercato
Ricerche e informazioni da fonti secondarie con dati sul mercato finanziario, popolazione bancaria e benchmark del segmento upscale.
Segmentazione della popolazione coperta da banca
Creazione di fattori e metodo di categorizzazione dei macro e micro-driver, estraendo 8 segmenti finanziari e 20 micro-segmenti in base alle variabili di interesse, da un modello di campionamento stratificato e complesso.
Punteggio Quantitativo della Base di Clienti
Creazione di un lead scoring che abbina i profili dei clienti ai prodotti finanziari, in base alla propensione all'acquisto.
Identificazione, Segmentazione e Automazione del Punteggio
Sviluppo di un processo/codice semplificato, automatizzato, più efficiente e documentato per la segmentazione e le iterazioni del punteggio di base.
L'ampia portata ha dato origine a cinque diversi fronti di lavoro. Per basare ciascuno dei nostri fronti di lavoro, abbiamo deciso di fondare i singoli segmenti del processo con metodologie specifiche.
I cinque fronti di lavoro erano: