Mapa byznysových pokladů
Případová studie optimalizace pobočkové sítě
České spořitelny
Na co se dnes můžete těšit
1. Co je lokační analýza?
2. Případová studie - optimalizace pobočkové sítě České spořitelny
○ Zadání
○ Jak jsme postupovali
○ Výstupy
○ Výsledky
3. Co vás zajímá? (diskuse)
1. K čemu je lokační analýza?
● Kde jsou potenciální bíla místa?
● Které zákazníky pokrývá moje prodejna?
● Jaký je konkurenční tlak na tomto místě?
● Nepřekrývají se moje pobočky?
● Kde se naši klienti běžně vyskytují?
● Jaký je reálný potenciál mého obchodního regionu?
● O kolik klientů a obratu přijdu, když zavřu tuto prodejnu?
● ...
1.1 Definice lokační analýzy
Location Intelligence is the capacity to organize and
understand complex phenomena through the use of
geographical relationships inherent in all information.
Definice
1.2 Proč je důležitý kontext?
1.3 Kontext v mapě - 2 tabulkově stejné prodejny
1.4 Location Intelligence je všude
● Lokační analýza snadno propojuje interní data s externími daty.
● Díky přirozené existenci lokace v každé nezávislé databázi.
● Poloha je k dispozici prakticky vždy.
1.5 Snadné pojení vašich dat s databázemi 3. stran
● Transakce / prodeje
● Klientská data
● Produktová data
● Komunikace / interakce
● Pobočky
● Obchodníci (interní a externí)
● Marketingové kampaně
● Obchodní kampaně
● ...
● Demografické údaje
● Kupní síla
● Obchodní místa konkurence
● Body zájmu
● Cenové mapy
● Reklamní plochy
● Nemovitosti a Katastr nemovitostí
● Doprava a dopravní obslužnost
● Kriminalita
● Geografické údaje
● Povodňové mapy
● Počasí
● …
2. Případová studie České spořitelny
2.1 Jaké bylo zadání od České spořitelny
● Chceme optimalizovat pobočkovou síť v rámci hesla
"jsme vám blíž".
● Potřebujeme mít pobočky na místech, kde se nám
vyplatí. Provoz není zadarmo.
● Potřebujeme být tam, kde se reálně pohybují naši
klienti, když nás potřebují.
● Výstupy potřebujeme do 6 týdnů od předání dat.
2.2 Jak byla optimalizace řešena doposud?
● Reporting a použití řady datových sad, ale v
agregované podobě.
● Osobní zkušenosti týmu.
● Nasloucháním lidí z oblastí a poboček.
● Fungovalo to velmi dobře v rámci stávajících
možností.
● Česká spořitelna chtěla dělat optimalizaci
objektivněji, na základě dat.
2.3 Postup řešení a jaká data byla potřeba
.
● Společně jsme si definovali sadu ukazatelů a jevů, popisující úspěšnost nebo
neúspěšnost pobočky. Věděl se přesně význam dat, jejich původ a kontext.
● Pracovali jsme se vstupními daty na nejgranulárnější úrovni:
■ návštěvy poboček
■ výběry na bankomatech
■ karetní transakce na POS obchodníků
■ obchodní data klienta
■ data poboček a bankomatů
● Při práci s granulárními daty bylo potřeba zajistit bezpečnost a
anonymizaci dat.
2.4 Kde vzít data, když nejsem banka?
● objednávky z e-shopu
● návštěvy v CRM systému
● nákupy zákazníků věrnostního klubu
● smlouvy se zákazníky
● platby platební kartou
Jakákoliv data, která je možné lokalizovat
pomocí adresy nebo přímo souřadnice.
2.5 Proč a jak probíhá geokódování?
Ulice č.p., č.e.,
Obec, PSČ
Adresa
2.6 Pošta doručí, stroj nemá šanci
Nejedlého 7
570 01 Litomyšl – Litomyšl-Město
okres Svitavy, Pardubický kraj
Zámecká 7
570 01 Litomyšl – Litomyšl-Město
okres Svitavy, Pardubický kraj
2.7 Nespoléhejte se na PSČ
Stejné PSČ
(Litomyšl)
Stejné PSČ
(Lanšrkoun)
Stejné PSČ,
jiný okres
● První výstupy jsme doručili cca 4 týdny od předání dat.
● Další asi týden jsme věnovali procházení výstupů s týmem České
spořitelny a objevovali kontext výstupů.
● Následovalo finální nastavení metrik a reportů, které zabralo cca
další týden času.
● Finální výstupy jsme doručili za šest týdnů od
předání dat. Následně jsme ještě během dalšího
cca měsíce doplňovali výstupy dle potřeby.
2.8 Jak šla práce od ruky
.
● Vidíme kontext:
○ Díky mapovým pohledů Česká spořitelna začala vidět svou pobočkovou síť v širších a
především pro byznys podstatných souvislostech.
● Úspěch pobočky hodnotíme více kritérii:
○ Rozšíření byznysových ukazatelů, které je třeba sledovat s
čase a prostoru a to včetně definice, kdy je hodnota správně/špatně.
● Kompletní přehled o fungování sítě a
potřebách klientů:
○ Máme konečně racionální vysvětlení, proč něco funguje
nebo nefunguje.
2.13 Nepožadované, ale nakonec také zásadní
přínosy celého projektu
.
● Klienti najdou službu tam, kde ji potřebují a kdy ji potřebují
○ Máme potvrzeno, že klienti uzavřených poboček odcházejí méně, než je
průměr za celou Českou spořitelnu.
● Ušetřené náklady používáme k modernizaci a budování nových
poboček
○ Provoz pobočkové sítě stojí ročně několik miliard korun.
Díky redukci nepotřebných poboček můžeme rychleji
modernizovat a doplňovat pobočky, kde je potřeba.
● Plně využíváme vlastní data
○ Důležitou roli hrála při řešení projektu data z externích
zdrojů, ale nejcennější byl pohled na vlastní data, která navíc
nemusíte pořizovat a mohou sloužit dalším oddělením.
2.14 Očekávané a splněné výsledky projektu
.
● Tým vedení pobočkové sítě se díky rozhodování na základě dat posunul
od “těch z vedení z Prahy” po uznávané kolegy, kteří prostě vědí, jak na
to.
2.15 Všechno je o lidech
.
3. Ptejte se na co chcete. Já snad na vše budu
moci odpovědět.
lukas.puchrik@cleveranalytics.com
Twitter.com/CleverAnalytics
Facebook.com/CleverAnalytics
LinkedIn.com/company/5325741/
www.cleveranalytics.com