Техническая библиотека CITForum.ru CITKIT.ru - все об Open Source Форумы Курилка
Все новости / Все статьи Деловая газета - шквал(!) IT-новостей :: CITCITY.RU
Первая полоса ИТ-Инфраструктура Телекоммуникации Безопасность BI Интеграционные платформы КИС IT-бизнес Ширпотреб Точка зрения

28.04.2017

Новости:


Все новости

Business Intelligence

Назначение систем Data Mining

Введение

Широкое распространение программного и аппаратного обеспечения для Хранилищ данных приводит к тому, что компании получают возможность собирать данные легко и «с избытком». И теперь для поддержания конкурентоспособности без средств Data Mining уже не обойтись, тем более что они становятся всё более и более доступными.

Data Mining - процесс анализа баз данных, направленный на поиск новой полезной информации, обычно представленной в форме ранее неизвестных отношений между переменными. Обнаружение новых знаний можно использовать для повышения маркетинговой эффективности базы данных. Анализируя соответствующие данные пользователей, можно предсказать поведение клиентов и даже повлиять на него. Компании в самых разных отраслях экономики используют преимущества этой технологии в следующих сферах деятельности:

  • Моделирование отклика. Основано на демографических показателях и истории продаж. Помогает определить, какие из клиентов вероятнее всего среагируют на некоторый продукт или рекламную кампанию.
  • Оценка времени работы с заказчиком. Основана на ряде повторяющихся покупок, потраченных суммах, продолжительности сотрудничества. Позволяет выяснить, какие из клиентов могут стать самыми ценными.
  • Сегментация клиентов: какие общие характеристики есть у основных клиентов компании, можно ли их разделить на четкие группы?
  • Перекрестные продажи: если есть информация о том, что клиенты приобрели продукты A, Б и В, то какие из них вероятнее всего купят продукт Г?

Приведем примеры применение Data Mining в различных отраслях:

  • розничная торговля: выявление товаров, которые стоит продвигать совместно; выбор местоположения товара в магазине; анализ потребительской корзины; прогнозирование спроса;
  • маркетинг: поиск рыночных сегментов, тенденций покупательского поведения;
  • финансы: выявление правил экспертных систем для андеррайтинга; классификация дебиторских задолженностей по возможностям взыскания; прогноз изменений на валютных рынках;
  • здравоохранение: определение результатов лечения пациентов; анализ контрактов;
  • промышленное производство: диагноз неисправностей.

Классификация методов

Методы DM можно подразделить на две группы: сегментация и прогнозирование.

  • Сегментация (также называемая обнаружением). Подразумевает анализ существующих данных с целью обнаружения некоторых групп. Основана только на параметрах клиентов (демографических показателях и покупательском поведении), алгоритмы кластеризации позволяют выявить гомогенные группы или типы клиентов. Для этих групп можно определить присущий им тип клиентов. В результате, удается лучше оценить свою клиентскую базу и планировать более эффективные маркетинговые мероприятия.

  • Прогнозирование. Прогнозирование требует некоторой обуч выборки данных для того отношения, которое нужно прогнозировать или моделировать. К наиболее распространенным методам моделирования относятся регрессия, нейронные сети и деревья решений. Эти типы алгоритмов "обучаются" на входных и выходных данных из иллюстративной выборки. Например, используя демографические показатели и покупательские характеристики за прошлые периоды, модель может сгенерировать некоторый балл для каждого потенциального клиента. Этот балл покажет, какова вероятность того, что данный заказчик вновь сделает покупку. Такие баллы используются для ранжирования клиентов при осуществлении целевых маркетинговых программ. Кроме того, можно выявить повторяющиеся и разовые покупки или предсказать отказ прежних клиентов от услуг. Анализ чувствительности позволяет выявить те характеристики клиентов, которые в наибольшей степени влияют на прогнозируемый фактор.

Примеры приложений

Ниже описаны несколько примеров, дающих хорошее представление о применении технологии Data Mining.

Моделирование отклика

Компания Sports Plus занимается продажей спортивной одежды, принимая заказы по почте. Ежегодно фирма рассылает 20 млн. каталогов и рекламных листовок. Обслуживая текущую клиентуру, Sports Plus приобретает списки рассылок, а также демографические и другие данные и использует их для расширения своего рынка сбыта.

Собрав данные о 50 тыс. потенциальных потребителей после первой рассылки, Sports Plus разработала модель отклика, учитывающую следующие параметры: возраст, пол, доход, занятие, географическое положение, подписку на журнал и т. п. Модель прогнозирует вероятность того, что после получения каталога потенциальный клиент станет реальным потребителем.

Используя модель для ранжирования и отбора возможных потребителей из приобретенных рассылок, компания сократила затраты на печать и почтовую пересылку каталогов на 60%, при этом от 85% потенциальных заказчиков удалось получить ответ. В итоге за год маркетинговые расходы сократились на 20 млн. долларов.

Оценка заказчика

Glamour Cosmetics продает серию высококачественных косметических и санитарно-гигиенических средств, в основном через каталоги. За счет опросов и анкетирования, проводимых при заполнении формы заказа, были собраны широкие данные о предпочтениях, биографических сведениях и покупательских привычках заказчиков.

Используя эту информацию, Glamour Cosmetics строит модели для ранжирования клиентов на основе затраченных сумм, повторных приобретений и покупательской приверженности. Вооруженная этой информацией компания может прогнозировать приверженность клиента, вероятность его отказа от услуг, вероятность повторных покупок, а также классифицировать потребителей на две категории - "покупателей" и "любопытствующих".

И теперь, обнаружив небольшую группу постоянных покупателей среди всего множества заказчиков, фирма может быстро определить потенциальных клиентов, попадающих в эту группу, и предложить им специальные услуги и побудить к покупкам. Недавние маркетинговые мероприятия, направленные на самых выгодных заказчиков, привели к 15%-му росту доходов.

Сегментация клиентов

Ace Insurance представляет и продает все виды страховых услуг: страхование жизни, недвижимости, автомобилей, нетрудоспособности, несчастных случаев и т. п. Собрав информацию из специального приложения автоматизации страховых операций и из специальных опросов заказчиков, компания решила разбить всех клиентов на определенные группы в соответствии с общими признаками. Это должно помочь ей выделить типы самых выгодных потребителей, для которых будут разрабатываться более эффективные маркетинговые стратегии.

Используя метод, основанный на обнаружении зависимостей, Ace Insurance удалось выделить основные типы клиентов для каждой из групп. Выяснилось, что полисы страхования жизни приобретались в основном тремя категориями лиц:

  • одинокими горожанками в возрасте 35-45 лет, с доходом 60-80 тыс. дол. в год,
  • женатыми мужчинами в возрасте 40-55 лет с доходом 35-40 тыс., живущими в пригородах,
  • разведенными мужчинами старше 65 лет, со средним доходом выше 2 млн. долларов.

На основе этой информации Ace Insurance разработала три маркетинговые кампании, каждая из которых была направлена на одну из целевых групп. Кроме того, компания начала проверку новых услуг, направленных на привлечение клиентов с различными профилями. Перекрестные продажи

Premier Financial Services занимается торговлей акциями более 50-ти различных взаимных фондов и аннуитетов, а также предоставляет дополнительные финансовые услуги. Обычно клиенты выбирают для инвестиций от трех до шести различных фондов, разграничивая тем самым портфель (например, вкладывают средства в международные, стабильные и др. фонды). Фирма Premier Financial стремится продавать больше фондов и услуг своим клиентам, сосредоточив маркетинговые усилия в наиболее интересных для заказчиков направлениях. Кроме того, при формировании нового фонда, компания хочет рассылать маркетинговые материалы тем клиентам, которые вероятнее всего откликнутся.

Используя информацию по фондам и услугам, уже приобретенным заказчиками, фирма Premier Financial разработала модель прогнозирования покупки фонда или услуги тем или иным клиентом. Ей удалось выделить именно тех клиентов, которые вероятнее всего среагируют на продвигаемый продукт или услугу. Таким образом, грамотно работая с клиентской базой, компания смогла повысить доходы на 35%.

Успешные решения

Большая компания, предоставляющая услуги связи в беспроводных сетях, существенно повысила свои доходы, используя Data Mining. Перед фирмой встала проблема высокой текучести абонентов (процент клиентов, отказавшихся от ее услуг), при этом 40% заказчиков продолжали использовать аналоговые, а не цифровые услуги, продолжительность разговоров в течение месяца у клиентов была низкой, поэтому доход в среднем на одного абонента не превышал 50 долларов. Тогда компания решила воспользоваться Data Mining. Задача состояла в том, чтобы удержать больше клиентов и модернизировать предоставляемые им услуги. Это должно было принести существенный доход. В противном случае, потери клиентов в месяц возросли бы до 700 000, и за год сумма убытка составила бы 360 млн. долларов.

Данные в базе были представлены сотнями полей, причем одной трети из них соответствовали записи о телефонных вызовах. Используя DM-приложение, компания разработала серию моделей ранжирования клиентов в соответствии с вероятностью их отказа от услуг. Кроме того, был обнаружен набор правил, позволяющих прогнозировать поведение клиента. Лишний раз подтвердился мудрый принцип предоставления нужной услуги в нужный момент времени: необходимо напрямую общаться с клиентами и выполнять индивидуальную рассылку рекламы. Для достижения успеха потребовалась совместная работа нескольких координированных команд. Фирме удалось сократить уровень текучести абонентов на треть и снизить уровень затрат на почтовую рассылку на 60%. Кроме того, объем месячных разговоров возрос, а, следовательно, повысились и доходы от абонентов в целом. Многие заказчики перешли на цифровые услуги.

А вот еще один пример успешного внедрения. Большой Европейский банк решил предложить ссуды клиентам, пользующимся другой банковской услугой. Для этого использовался старый алгоритм Data Mining (CHAID), по результатам работы которого, предложения были высланы только 50% заказчиков, при этом был получен ответ от 85 процентов ожидаемых респондентов. (Без специальной модели прогнозирования, нужно было выбрать случайным образом 85% клиентов, чтобы информация достигла 85% ожидаемых респондентов). Затем было внедрено специальное DM-приложение, в котором применяются различные алгоритмы. За счет этого удалось испробовать возможности различных моделей прогнозирования. В результате достаточно было выполнять рассылку только 40% клиентов, чтобы достигнуть 85% результата. В итоге удалось сэкономить сотни тысяч долларов в год, поэтому вложения в DM-технологию быстро окупились.

Постепенно DM выходит за рамки традиционного применения в другие сферы бизнеса, например в фармацевтику, где некоторые алгоритмы могут помочь в исследовании клинического применения препаратов.

Доктор Дэвид Мемель (David Memel), руководитель корпорации Medical Outcomes Research and Economics, изучает применение новой технологии для анализа данных о клинических исследованиях. В частности, с помощью этих инструментов специалисты пытаются выяснить, для каких пациентов препараты наиболее эффективны. Кроме того, DM применяется для разработки, исследования, внедрения препаратов, а также для правильного ведения маркетинга в фармацевтике.

Заключение

Вне зависимости от рода деятельности (продажи, оказание услуг и т. п.) использование средств Data Mining может принести определенную пользу. Изучив своих клиентов и грамотно направив рекламную деятельность на тех потребителей, которые вероятнее всего на нее откликнутся, можно не только повысить эффективность вложений, но и построить лучшие взаимоотношения с заказчиками. Методы сегментации и прогнозирования - мощные инструменты для извлечения новой информации. Data mining помогает найти самых выгодных клиентов для долговременного сотрудничества и повысить объем продаж. С помощью этих средств удается найти потенциальных покупателей и привлечь их внимание к своим услугам, а также разработать более эффективные маркетинговые компании, максимально используя данные, хранящиеся в базе.



Intersoft Lab

Последние комментарии:

Самое интересное:


© 2004–2009 Проект CITCITY.ru