E.ON: O 70 % vyšší potenciál v prodeji plynu

Společnost E.ON, která dodává energii více než 1,5 milionům zákazníků, spravuje 66 tisíc km elektrického vedení a 4 tisíce km plynovodní sítě, hledala způsob, jak optimalizovat nabídku svých produktů, zefektivnit akviziční proces a vybraným zákazníkům nabídnout i dodávky plynu. Oslovit chtěla hlavně zákazníky s vysokou pravděpodobností dokoupení plynu.

Nejvhodnější klienti k oslovení

Pro včasné oslovení zákazníků jsme navrhli a zautomatizovali proces provozovaný na cloudu Microsoft Azure. Našimi úkoly bylo:

1. Navrhnout analytický datamart, který bude obsahovat všechna data potřebná a zajímavá pro tvorbu predikčního ML (machine learning) modelu.
2. Z datového skladu automaticky transformovat a loadovat data do tohoto datamartu.
3. Data z datamartu použít na platformě Databricks. Tam také natrénovat, vyhodnotit, interpretovat a automatizovat ML model s cílem

• • identifikovat zákazníky, kteří mají sklon odejít ke konkurenci
  • určit faktory, které vedou k jejich nespokojenosti

tak, aby mohl E.ON tyto zákazníky včas zacílit optimálním druhem retenční nabídky.

Pokročilá analytika a machine learning (ML) na platformě Databricks

Ve spolupráci s E.ON jsme navrhli a realizovali řešení na platformě Databricks, provozované na cloudu Microsoft Azure. Klíčové kroky zahrnovaly:

Vybudování analytického datamartu

• Vytvořili jsme datamart obsahující veškerá potřebná data pro vývoj predikčního modelu.
• Automatizovali jsme proces transformace a načítání dat z datového skladu (DWH) do datamartu.

Příprava pokročilých prediktorů a modelování

• Na platformě Databricks jsme ze 300 základních atributů připravili přes 7 500 pokročilých prediktorů.
• Vyvinuli jsme model strojového učení (ML model), který identifikuje zákazníky bez plynové přípojky od společnosti E.ON, kteří by byli ochotni si ji zřídit nebo převést k E.ONu od jiného dodavatele
• Určili faktory, které vedou tyto zákazníky k přechodu ke společnosti E.ON – podrobně jsme zmapovali problematiku akvizic a převodů plynových a elektrických přípojek mezi jednotlivými dodavateli, legislativu, která tuto problematiku upravuje a interní firemní procesy.
• Model jsme trénovali nad datovým souborem o 1 200 000 záznamech a 600 atributech.

Automatizace a integrace

• Výstupy modelu (skóre pravděpodobnosti) pravidelně exportujeme zpět do datového skladu (DWH), aby je mohl E.ON automaticky využívat pro oslovení klientů.
• Celý proces běží automaticky s měsíčním opakováním.

ML model dokáže najít o 70 % víc zákazníků ochotných přejít k E.ONu než původní expertní model

Měříme-li model liftem na top decilu, který by E.ON mohl postupně oslovovat dražšími kanály, dosahujeme v různých variantách modelu liftu 3-3,5 oproti náhodnému výběru. To je o cca 100 % lepší výsledek než v první verzi modelu a o cca 70 % lepší výsledek, než jaký jsme naměřili použitím pouze business/expertních pravidel.

• 70% zlepšení v identifikaci potenciálních zákazníků v porovnání s původním přístupem (manuální výběr pomocí expertních pravidel).
• 3–3,5x vyšší efektivita cílení v top decilu zákazníků oproti náhodnému výběru.