Business Data Analytics. Технологии добычи знаний и интеллектуального анализа данных. Data mining Сайт www.BusinessDataAnalytics.ru
предлагает актуальные материалы
об алгоритмах и технологиях
добычи знаний и интеллектуального
анализа данных.
Документ: Businesss Data Analytics / Статьи / Использование интеллектуального анализа данных (Data Mining) в системах управления взаимоотношений с клиентами (CRM) /

Использование интеллектуального анализа данных (Data Mining) в системах управления взаимоотношений с клиентами (CRM)

В последнее время, в связи с ростом числа внедрений систем управления взаимоотношений с клиентами (CRM), во многих компаниях появился интерес в обнаружении закономерностей в базах данных, содержащих сведения о клиентах. Для достижения поставленной цели служит внедрение системы, реализующей методы Data Mining, которые предназначены для обработки и содержательной интерпретации данных с целью выявления актуальных трендов и выработки оптимальных стратегий.

Исследуя затраты на маркетинговую деятельность, компании все больше внимания начинают уделять возможностям их оптимизации. Как можно больше узнать о своих клиентах? Как правильно использовать имеющуюся информацию для формирования пакета наиболее интересных предложений определенным клиентам? Как правильно понять какое из предложений оказалось наиболее успешным?

Первым шагом на пути решения подобных вопросов является создание системы сбора всей доступной информации из различных источников (ERP, CRM, почта, excel-файлы и т.д.) по всей компании, включая все ее филиалы. Эта информация должна проходить проверки на полноту, непротиворечивость, приводиться к единому удобному для конечного пользователя формату и обеспечивать достаточный уровень детализации для возможности принятия решений. Собранная таким образом информация сохраняется в многомерном аналитическом хранилище данных (OLAP-хранилище), что позволяет на лету формировать аналитические отчеты в различных разрезах и с произвольной глубиной "проваливания" в оперативные данные. Средства OLAP также идеально подходят для проверок заранее сформулированных аналитиком гипотез.

Второй шаг на пути внедрения полноценной аналитической системы состоит в реализации методов Data Mining, служащих для обнаружения ранее неизвестных и нетривиальных закономерностей в собранных в компании данных. Получение таких знаний призвано обеспечить конкурентные преимущества за счет более глубоко взгляда на процессы, тенденции и риски в бизнесе компании. Использование методов интеллектуального анализа данных является многоступенчатым и иногда весьма сложным процессом, но выгода может в десятки раз окупить затраты.

Успех процесса управления взаимоотношений с клиентами зависит от деятельности по анализу данных, которая может выявить новые направления, коммерческие возможности, а также своевременно предупредить о неблагоприятных тенденциях в сфере отношений с клиентами.

Использование Data Mining в CRM призвано помочь понять способы выхода на новых клиентов, а также помочь удержать и улучшить коммерческие взаимоотношения с существующими клиентами. Методы анализа данных могут варьироваться от весьма простых (определения с кем когда и где необходимо вступить в контакт) до применения сложных алгоритмов прогнозирования клиентского поведения и определения оптимальных маркетинговых стратегий.

Ниже мы рассмотрим две обширные категории анализа данных и проанализируем, насколько хорошо они могут быть использованы в приоритезации инициатив по управлению взаимоотношений с клиентами.

Описательный анализ

Сегментация и кластеризация широко используются для группировки клиентов со сходными характеристиками для выявления шаблонов, которые можно использовать при формировании маркетинговых инициатив.

Базовая сегментация часто используется для группировки клиентов по легко различаемым и независимым признакам, таким как демографические данные, возраст, пол, доход и т.д. Сегментация должна формировать группировку, ведущую к лучшему пониманию структуры клиентской базы и, соответственно, характеру маркетинговых инициатив.

Кластеризация часто используется для описания независимых под-сегментов на основании набора предварительно выбранных характеристик, к которым относятся ключевые индикаторы потребительского поведения. Большие компании часто используют географические, демографические, социальные, экономические характеристики, наложенные на потребительские показатели для оптимизации продвижения бренда. Некоторые компании используют понятие "ценность кластера" для построения маркетинговой активности на основании текущей или потенциальной ценности соответствующей группы клиентов.

Пересекающиеся сегменты требуют более сложных аналитических методов и предполагают включение в анализ потребительских паттернов клиентов. Так, какой-либо клиент может тратить много средств на какую-либо услугу, но не тратить ничего на сопутствующие услуги и товары. Эти паттерны потребления должны служить факторами дальнейшего разделения клиентов на различные группы.

Другим примером описательного анализа может служить так называемый анализ рыночных корзин, который связывает вместе продукты на основании их совместного покупательского потребления.

Анализ последовательностей действий - также пример описательного анализа. В этом случае выявляются паттерны во временной последовательности выполняемых клиентом действий, будь то заказы или клики на сайте.

Модели прогноза

Прогнозирование - мощное аналитическое средство, использующее статистические методы для прогнозирования поведения клиентов на основании большого количества различных факторов. Модели прогноза определяют факторы, в наибольшей степени, влияющие на какой-либо целевой показатель, определяют степень и характер такого влияния. Результатом моделирования является количественное описание зависимости, по которой можно построить прогноз значения целевого показателя в зависимости от значений входных факторов.

Существуют множество распространенных моделей прогноза. Большое распространение получили модели, выявляющие зависимость одного целевого фактора от набора входных параметров для выявления тех из них, которые влияют на целевой показатель в наибольшей степени. Например, нас может интересовать факторы, определяющие покупку какого-либо товара и определение наиболее значимых из их числа, например, таких как возраст, доход, факт работы за компьютером, наличие домашних животных и других факторов.

Модели CHAID или CART создают деревья решений по наиболее информативным атрибутам. Деревья решений популярны из-за высокой точности прогноза на большинстве видах бизнес-данных, а также благодаря легкости понимания результата, формулируемого в виде последовательностей условий и результата прогноза. Примером может служить ветка дерева решений, сформулированная как "если возраст между 25 и 40, наличие автомобиля, профессия финансовый аналитик, то можно выдавать кредит с риском невозврата 0,004%".

Нейронные сети имитируют в определенной степени работу человеческого мозга в области интуитивного обучения на опыте. В процессе "обучения" определяются характеристики связей между нейронами сети для минимизации ошибок классификации обучающих данных. Достоинствами нейронной сети является высокая точность прогнозирования, а недостатками - сложность настройки и высокая длительность обучения, а также невозможность вербальной интерпретации полученных результатов, так как система функционирует как "черный ящик".

Для целей прогнозирования кроме деревьев решений и нейронных сетей используются также байесовские сети, логистическая и линейная регрессия, дискриминантный анализ, метод опорных векторов, генетические алгоритмы и другие методы.

Использование моделей прогнозирования

Модели прогнозирования могут использоваться для предсказания реакции на целевое направленное предложение. Индивидуальные клиенты или предприятия могут оцениваться по вероятности своего отклика на предложение. Эти оценки можно использовать при выполнении сценариев "что-если" при выработке маркетинговых программ.

Модели оценки рисков могут использоваться для определения вероятности отказа от обязательств, неуплаты. Эти модели в основном основываются на данных кредитного отдела. Эти модели требуют больших объемов данных и длительного исторического периода для статистически обоснованных выводов. В последнее время активное распространение получил анализ характеристик поведения представителей клиента, являющихся индикатором серьёзных проблем в бизнесе. Эти модели призваны своевременно выявить риск разорения или ликвидации клиента.

Сегментация клиентов по ценности может предоставить данные для эффективного построения описательных и предсказательных моделей. Компания может сформировать описание своих клиентов в виде матрицы 2x2 и поместить клиентов в соответствующий квадрант на основании их текущей и потенциальной ценности. Инициативы по управлению взаимоотношений с клиентами может быть начата в каждом из 4 квадрантов.

  • Квадрант 1: Высокая текущая ценность/высокая потенциальная ценность - удержать. В зависимости от вида коммерческой деятельности 10% наиболее прибыльных клиентов могут представлять от 50% до 80% прибыли компании, таким образом, потеря клиента из этого квадранта может быть очень чувствительна для бизнеса целиком. Таким образом, компания должна выполнять действия по удержанию клиентов в первом квадранте.
  • Квадрант 2: Низкая текущая ценность/высокая потенциальная ценность - улучшить. Эти клиенты могут увеличить свою ценность для компании посредством инициатив в кросс-продажах и прямой работе с клиентом. Возможно, эти клиенты не получили интересных предложений в прошлом или столкнулись с неадекватным сервисом со стороны ваших менеджеров. Должны быть предприняты попытки по расширению и углублению коммерческих взаимоотношений с клиентами второго квадранта.
  • Квадрант 3: Высокая текущая ценность/низкая потенциальная ценность - изучать. В некоторых материалах призывается "доить" клиентов из третьего квадранта для получения текущей прибыли. Мы рекомендуем изучать таких клиентов для определения тех из них, с которыми мы можем найти больше точек соприкосновения в будущем, а также, для выявления рыночных сегментов в которых будущее сотрудничество наиболее вероятно.
  • Квадрант 4: Низкая текущая ценность/низкая потенциальная ценность - завершить. Так как нельзя сконцентрироваться на всех сегментов клиентов, поэтому мы предлагаем не предпринимать активных действий с клиентами четвертого квадранта и сконцентрироваться на работе с клиентами других квадрантов.

Комбинация системы сбора информации о клиентах, системы построения аналитической отчетности и системы выявления закономерностей в данных позволит компаниям лучше понять свою клиентскую базу и построить более эффективные взаимоотношения со своими клиентами. Как только компания начинает активно использовать информацию о своих клиентах для принятия решения об оптимизации предложения и способах работы с разными группами клиентов, увеличивается показатели текущей финансовой эффективности компании, а также уменьшаются критические риски отказа от обязательств, отказа от услуг и потери важных клиентов. Возможности большей информационной прозрачности, деятельности по оптимизации и прогнозированию взаимоотношений с клиентами приводит все больше количество компаний к выводу о необходимости автоматизации процесса добычи знаний о своих клиентах и тиражирования их среди отделов продаж, кредитного отдела, маркетинга и топ-менеджеров.

в начало страницы