9/30/2011

1

October 5th, 2011

Driving Results through Strategic Data Sourcing and Optimization: Life Line Global Case Study

Trish Mathe – Vice President of Database Marketing, Life Line Screening

Ozgur Dogan – General Manager, Data Solutions Group, Merkle

Presenter Backgrounds

2

• Trish Mathe• Vice President of Database Marketing at Life Line Screening

• Over 10 years of database marketing experience both in financial services and healthcare industries

• Areas of expertise include: building and maintaining marketing infrastructure and automation, prospect and customer database management, campaign management and measurement

• Experienced in marketing to the fifty plus crowd, healthcare professionals, and several other specialty market segments

• Ozgur Dogan• General Manager of Data Solutions Group at Merkle

• Oversees the delivery of analytical data sourcing and optimization solutions for Merkle’s clients across all industry verticals 

• Spent 7 years at Merkle and has 15 years of industry experience in building, implementing and integrating database marketing solutions

• Technical MBA Degree from the University of Georgia

Session Overview

1. Evolution in the CRM Data Landscape

2. Developing a quantitative framework to assess value of data

3. Future Trends and Innovation Opportunities

4. Life Line Data Sourcing & Optimization Case Study

3

9/30/2011

2

Evolution of the Marketing Landscape

Global Market Trends

• Fundamental changes in the consumer decision making and buying process

• Advancing and evolving technology use

• Expanding fragmentation – media and channels

• Data explosion driven by emergence of digital media

• Clutter and confusion in the data landscape

• Increased Accountability and Measurement

Ultimately, these influencers are changing the way marketers will create competitive advantage in the future.

5

Consumers are More Connected Today than Ever

86%

63%

27%

20%

87%

Social

Email

Blog

Search

Display

87% use email 1+ times per day

63% use Facebook weekly

33% use IM regularly

51% are active texters

20% click on banner ads

86% use search frequently

27% actively read blogs

MobileIM

33%51%

6

9/30/2011

3

Database Marketing Landscape is Evolving

DbM 1.0 DbM 2.0

Direct/Identified Model New Entrants 

Domestic US and International Solutions

Single Campaign/ Media Targeting Integrated Media Optimization

Key Trends

Cost Pressure Increased Cost Pressure

Offline focus Digitalization

7

Data Explosion!

Today, the codified information base of the world is believed to double every 11 hours

“Organizations are overwhelmed with the amount of data they have and struggle to understand how to use it to drive business 

results.”  (2010 MIT Sloan/IBM Study)

“We create as much information in two days now as we did from the dawn of man through 2003.” 

Eric Schmidt, Google CEO 

15 out of 17 sectors in the United States have more data stored per company than the US library of Congress

8

9

New Channels& Media

CustomerCentricity

Accountability&

Measurement

Technology

Increased Complexity

CostPressures

Focus onThe Customer

IntegratedApproach

AnalyticData Sourcing& Optimization

IncreasedMessageVolume

ImproveROI

Emergence Challenges Objectives Solution

Major Factors Driving Opportunity

9

9/30/2011

4

Business Impact of Analytical Data Sourcing

$0

$500,000

$1,000,000

$1,500,000

$2,000,000

$2,500,000

$3,000,000

$3,500,000

$4,000,000

Jun Jul Aug Sep Total

$490,515

$820,040

$268,479$456,425

$2,035,459

Total List Spends and Savings

Leading direct marketer saved $2 MM in list sourcing cost in it first four 4 months through analytical data sourcing optimization without negatively impacting response

2010 Costs 2011 Costs Savings

10

CRM Data Landscape

COMPANY TYPES

COMPILERS LIST MANAGEMENT SPECIALTY COMPILERS CREDIT DATASEGMENTATION TOOL 

PROVIDERS

SYNDICATED 

RESEARCHDIGITAL DATA

Demographics & Firmographics

Response DataLifestyle/Behavioral, Realty, Transactional, Life Events

Credit Scores, Credit Attributes

Generic Clusters - utilizing attitudinal, demographics, or credit information

Panel data representing consumer attitudes & behaviors

Aggregators, Owners, Audience, Analytics

CRM Data Provider Landscape

12

9/30/2011

5

Common Data Types and Constraints

Type of Data Examples Common Constraints

Compiled & Aggregated Data

Experian INSOURCE, Epsilon TotalSource, Data Source

‐ Can only afford one source‐ It is difficult to determine unique value so only purchase single source

Syndicated Research MRI, Scarborough ‐ Unable to implement beyond basic messaging and product design

Vertical Lists New parents, magazine subscribers

‐ Too many choices on the market, hard to evaluate

‐ Selection limited to a small number of data card attributes

13

Analytical Data Sourcing and Optimization

14

Framework

Key Dimensions for Evaluation:

– Predictive Power: Does the source add incremental lift to my predictions?

Predictive Power Descriptive Power 

Source Quality Universe Coverage

Composite Score

How to Assess the Value of Data

– Descriptive Power: Does the new source provide the ability to better segment my target audience or lend new insights?

– Universe Coverage: Does the source provide access to new and unique prospects (or overlay to existing customers)?

– Source Quality: Does the source provide accurate and high quality data? 

15

9/30/2011

6

Data Optimization Lab

16

Evaluating Value of Data Sources ‐ Example

Key Dimensions for Evaluation

Example

Low Medium High

Predictive Power By Expert Model

Vendor A

Vendor C

Vendor B

Vendor D

Overall Model X Model Y Model Z

Composite Ranking

Module Ranking

Vendor 1 Vendor 2 Vendor 3 Vendor 4 Vendor 5 Vendor 6 Vendor 7 Merkle

Score 2.50 6.90 4.60 5.85 4.85 3.90 6.40 1.00

Rank 2 8 4 6 5 3 7 1

Composite Score

Vendor 1 Vendor 2 Vendor 3 Vendor 4 Vendor 5 Vendor 6 Vendor 7 Merkle

Score 0.2% 0.2% 2.1% 2.5% 4.4% 2.5% 0.2% 0.1%

Rank 2 4 5 7 8 6 3 1

Rating High High Medium Medium Low Medium High High

Score 76.7% 62.6% 68.2% 66.1% 81.6% 83.2% 69.3% 94.0%

Rank 4 8 6 7 3 2 5 1

Rating Medium Low Medium Medium High High Medium High

Score 150 138 144 150 145 149 134 151

Rank 2 7 6 3 5 4 8 1

Rating High Low Medium High High High Low High

Score 95% 31% 53% 81% 80% 63% 45% 100%

Rank 2 8 6 3 4 5 7 1

Rating High Low Medium High High Medium Low High

Source Quality

Universe Coverage

Predictive Power

Descriptive Power

Predictive Power Descriptive Power 

Source Quality Universe Coverage

Composite Score

17

Analytical Data Sourcing & Optimization

18

Incentive

Alignment

Recommendations

Team

Analytical Data Sourcing

Incented to increase list performance and reduce list costs

Fully aligned with Client’s cost efficiency and growth goals

Analytically Driven OptimizationApproach

Dedicated Team focused on Driving performance

World Class Analytics Team with data optimization experience

Incented to increase listvolume

Traditional Data Sourcing

Not fully aligned with Client’s business goals

Recommendations driven byExperience and Relationship

Driven to increase commissions

No real analytics or science Analytics

9/30/2011

7

List Optimization Dynamics

Minimize List Cost 

Reduce List Costs

Reduce Run Charges

Reduce Duplication

Maximize List Value

Increase Performance

Expand Universe

The purpose of the list optimization process is to balance cost and value

19

Analytic  Approach to List Universe Optimization

List  List  

List  List  

List  List  

List  

List  

List  

List  

List  

List  

List  

List  

List  

List  List  

List  List  

List  

List  

Merkle’s approach is to inform the source /list pool and universe optimization process with analytics to define the right mix and number of lists that maximize ROI

List  List  

List  List  

List  

List  

List  

List  

List  

List  

ROI

# of Lists

“N” lists

N lists

Existing Universe Lists Future Universe Lists

List  

20

Optimized Source Mix Illustration

The ratio of the Base File names increases in the optimized source mix scenario

21

9/30/2011

8

Optimization Performed At Multiple Levels

HIGHER PERFORMANCE

LOWER COSTS

HIGHER VISIBILITY

Campaign Optimization

Model Scoring Segmentation

Universe Optimization

Replace lists with low performance and/or high overlap

Source Optimization

Identify lists with high performance and lower costs Expand Universe Through New Lists

LEVEL 1  

LEVEL 2

LEVEL 3

Today’s Focus

22

Optimization Lab – Data Sourcing and Integration Process

Life Event Triggers

Vertical Data

Compiled Data

Credit Data

Partner Data

Customer Data

SourceOptimization

Audience

Optimization

Campaign

Optimization

Enhanced messaging & segmentation

Defined

Universe

Campaign 1

Campaign 3

Campaign 2

Performance

Optimization

Source Evaluation

Create the best Marketable Universe

Deploy Campaign Level Analytics

Derived Data Development

Data Sourcing

SourceOptimization

SourceIntegration

Source Effectiveness

Campaign ROI

Source Effectiveness

23

Trends and Innovation Opportunities

9/30/2011

9

Data Sourcing and Optimization As Enabler of Customer Centricity

• Effective ICM™ demands a broad set of core competencies in order to be effective.  Data  plays a central role in delivering on the vision of ICM.

• Understanding the optimal mix of data, both third party and customer enables optimal analytics.  

• Analytics informed effectively through data enables segmentation, customer optimization, marketing mix, media targeting, and predictive modeling in support of the four functional areas within ICM.

25

Data Sourcing As Strategic Engagement

26

Phase I ‐ Evaluation

(Months 0 – 3)

Phase 2 ‐ Implementation

(Months 3+)

Rollout

Early Harvest

List Optimization

Establish KPI’s

Evaluation of New Compiled &  Vertical Sources

Simulation/Optimization on Historical Campaigns

Optimized list sourcing for Highlights (incl. brokerage services) 

Execute Test Campaign

Develop list optimization tool

Refine Optimization Models

Strategic data research and analysis 

26

Illustrative

Eliminate list sources with high duplication rates

26

27

List Optimization Engine Automates the Process

9/30/2011

10

Economic and Environmental Data Integration

2

Economic and Environmental Data

Examples New house starts and vacancy rates

Unemployment rate and per capita personal income

Consumer pricing and sentiment index

Precipitation and temperature data

Disaster areas

Business Impact Better targeting of products and services

that are sensitive to environmental factors

More predictive media mix optimization and allocation models

Ability to explain performance changes due to environmental factors

Digital Data Innovation and Integration

• Place scripts on publisher sites to collect data about interests and in market activity (travel, auto, etc) at a cookie level

• Use the data to optimize online communications like Display Ads

Online Data Aggregators

Anonymous (cookie)audience targeting

• Collect data across publisher, portal sites on in market activity, user profiles

• Includes “in market” data and IP‐email connected to postal address

Online Data Aggregators

PII Targeting 

• Providers that own offline data assets match specific offline customer or prospect audiences to online anonymous IDs

• Several partner with Yahoo!, MSN, AOL for match

Offline to Online

Audience Targeting

• Collect online data focused on specific niche areas – B2B, video, semantic context, network provider, etc.

Niche Providers

• Online panels evaluate user activity across sites, profiling companies tag sites to profile visitors

Online Panels

• The Rapleaf model of providing customer emails to determine social behavior and identify influencers was shut down. 

• No clear path to licensing data – most usage is in display Social

29

Key Take Aways

• CRM data landscape is changing rapidly due to digital media emergency and data explosion

• Innovative optimization approach delivers ROI by reducing data costs and increasing marketing performance

• It’s important to cut through the clutter and identify the most valuable data assets in the market place including newly emerging sources like digital

• Integrating analytics expertise with data market knowledge is necessary to gain access to best and most comprehensive marketable universe

30

9/30/2011

11

Data Sourcing & Optimization Case Study

32

Life Line Screening Overview

• Leading provider of community‐based preventive health screenings and employs approximately 1000 employees in the U.S. and abroad

• Mission is to make people aware of the existence of  undetected health problems and guide them to seek follow‐up care with their personal physician

• Since their inception in 1993, Life Line has screened over 6 million people, and currently screens 1 million people each year at 20,000 screening events globally

32

Screening Process: Participant’s Experience

Screening Scheduled

Participant Screened At Local Venue: Church, 

Club, Community Center

Results are reviewed by a board certified 

physician 

• “Results Letter” mailed within 3 weeks.

• Advised to share with physician for appropriate follow‐up.

• If anything critical participant is provided a “Doctor’s Review Kit” immediately and advised to go to a physician or emergency room within 24 hours.

33

9/30/2011

12

Life Line’s Global Expansion Strategy

What? Where? Why?

Copy & paste model British Commonwealth • English speaking

• Cultural similarities

• Low regulatory barriers

Proof of concept #1:

Grass root marketing partnership

India • English speaking

• Market potential

• DM challenging

Proof of concept #2:

Franchise operations

Continental Europe • Non-English speaking

• Fragmented regulatory landscape

• Good customer response

34

Life Line Projected Global Presence

35

Life Line Business Challenge

• Interested in rapidly growing the customer base in US and across the globe

• Using multiple compiled lists provides support to the large‐scale Direct Mail acquisition program

• Limited universe and heavy mailing volume causing contact fatigue

• Applying the learnings generated in US to support the global expansion strategy with UK as the first pilot market

36

9/30/2011

13

CRM Solution Roadmap

Program SophisticationLow

High

“Silo” Sources

Brief knowledge on the 50‐75 years old target population 

Single level source campaign level measurement

Integration of Promotion History 

Prospect and Customer level Insights

Multi‐Source Interaction Campaign  Approach

Source Incremental P&L and Hierarchy

Prospect Segmentation

LTV & Profitability Tracking @ The Customer Level

TargetingInsightProgram DevelopmentMeasurement

Creative & Source Testing

Integration of Sources

Marcom Contact Strategy per Segment

Impact

Phase  I Phase  II Phase  III

High

37

Analytics and Targeting Solution for US

• Started with an in‐depth analysis of Life Line’s historical campaign data and quantified the impact of contact history on campaign performance

• Learnings from the analysis were used to develop a segmentedmodeling strategy based on prior contact history that drove the selection of best prospect names

• A new targeting methodology was developed and tested against the current compiled data vendors in a head to head test

• Segmented modeling solution increased response rate by 38% and generated 62K incremental customers given the same mailing quantity

38

Analytics Solution Framework

STEP 1 – PERFORM CONTACT HISTORY ANALYSIS

STEP 2 – DEVELOP A PREDICTIVE MODELING SYSTEM

STEP 3 – DEVELOP OPTIMIZATION ALGORITHM TO MAXIMIZE DIRECT MAIL CAMPAIGN PERFORMANCE

Base Universe Selection Model

Uni

vers

al M

odel

#3

Segmented Model #1

Segmented Model #2

Base Universe Selection Model

Uni

vers

al M

odel

#3

Segmented Model #1

Segmented Model #2

Global Optimal Solution

Local Maximum

Local Maximum

39

9/30/2011

14

Targeting Evolution – Gen3.0

• LLS models continue to be redeveloped to keep current and the approach  refined to gain incremental lift.

• Gen3.0 segments out prior contacts from non‐prior and also urbanicity.  Promotion history as a predictor is removed and used outside of the model to remove bias that comes from having it in the model.

• In head to head testing Gen3.0 is winning over Gen2.0 in 5 out of 7 campaigns and driving an incremental 6% improvement on average over an already strong Gen2.0 model.

Modeling ApproachGen1.0 – Gen3.0

40

• We developed a Modeling System consisting of multiple Customer Clone and Response Models to support Life Line’s UK business

• Detailed analysis of the promotion history revealed that two separate response models were needed (Prior and No Prior) given the large performance differences between the two contact strategy segments

• All of the models performed well and will provide a steady stream of high performing target prospects going forward

UK Predictive Modeling Solution

41

National Canvas50‐75 yr olds

Priors Response Model

No‐Priors Response Model

UK Models

Customer Clone Model

Leveraging the learning's from the US:

1. A customer clone model is used to eliminate 50‐75 year olds who do not look like current Life Line customer customers

2. Prospects are then separated between those who received an offer from Life Line in the past 12 months vs. those who did not

3. Segment‐specific response models are used to improve identification of prospects with prior and no prior contacts

Optimization Algorithm To Combine The Predictive Models

UK Modeling and Selection

42

9/30/2011

15

• Modeling process identified the characteristics among each segment that best defined the responders

• Predictors of response for households without prior contact:• Have a shorter length of residence• Pay higher property tax• Shorter distance to the screening location• Reside in areas of higher concentration of existing Life Line UK customers

• Predictors of response for households with prior contact:• Number of individual promotions received over previous 12 months

(the fewer the better)• Reside in an area where others have responded to a past campaign• Households that place orders by mail and the amount of the order• Donate to charity• Have a shorter length of residence

UK Segmented Model – Summary

43

UK Results

• Prospects identified through the Segmented Models yielded up to 62% improvement in performance relative to campaign average

• Merkle and Life Line Teams are working on the next generation segmented models to further increase the response performance

UK Results

44

Trish Mathetmathe@llsa.com

Ozgur Doganodogan@merkleinc.com