Слайд 2Функциональность CRM
CRM (Customer Relationship Management) – управление взаимоотношениями с клиентами - технологическая
![Функциональность CRM CRM (Customer Relationship Management) – управление взаимоотношениями с клиентами -](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-1.jpg)
концепция, позволяющая компаниям строить свою маркетинговую и сбытовую политику с максимальной эффективностью.
CRM – оптимизация планирования, маркетинга, продаж и обслуживания
CRM – стратегия удержания и привлечения прибыльных клиентов
Слайд 3Признаки технологии CRM
Наличие единого хранилища информации и системы
Синхронизированость управления множественными каналами взаимодействия
![Признаки технологии CRM Наличие единого хранилища информации и системы Синхронизированость управления множественными](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-2.jpg)
Постоянный анализ собранной информации о клиентах и принятии соответствующих управленческих решений – например, ранжировании клиентов
Слайд 4Предпосылки целесообразности работы с CRM-системой:
Затраты на привлечение нового клиента в 5-10 раз
![Предпосылки целесообразности работы с CRM-системой: Затраты на привлечение нового клиента в 5-10](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-3.jpg)
больше, чем на удержание существующего
Увеличение процента удержания клиентов на 5% увеличивает прибыль компании на 25-55%
Клиент – рекламный канал компании
Закон Парето
Заключить сделку с уже имеющимся клиентом легче (и следовательно дешевле) в 5-10 раз, чем добиться этой же сделки с новым покупателем
Слайд 5ЗАКОН ПОРЕТО
20% покупателей обеспечивают 80% прибыли
![ЗАКОН ПОРЕТО 20% покупателей обеспечивают 80% прибыли](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-4.jpg)
Слайд 6CRM целесообразно применять предприятиям:
работающим с большим количеством клиентов, для которых характерны повторяющиеся
![CRM целесообразно применять предприятиям: работающим с большим количеством клиентов, для которых характерны](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-5.jpg)
процессы;
обладающим распределенными отделами по работе с клиентами: продаж, маркетинга, сервиса;
работающим на высоко конкурентных рынках, когда актуально освоение новых технологий.
Слайд 7Преимущества внедрения CRM:
Увеличение эффективности взаимодействия с клиентами
Сокращение операционных расходов и повышение эффективности
![Преимущества внедрения CRM: Увеличение эффективности взаимодействия с клиентами Сокращение операционных расходов и](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-6.jpg)
взаимодействия между подразделениями компании
Автоматизация маркетинга и формирования отчетности
Усовершенствование бизнес-анализа и управления знаниями
Слайд 8Структура интегрированного CRM-решения
![Структура интегрированного CRM-решения](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-7.jpg)
Слайд 9CRM: основные составляющие
Управление контактами
Управление деятельностью
Управление связью
Прогнозирование
Управление возможностями
Управление заказами
Управление документацией Анализ продаж
Формирование
![CRM: основные составляющие Управление контактами Управление деятельностью Управление связью Прогнозирование Управление возможностями](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-8.jpg)
базы данных о характеристиках продуктов
Информационное обеспечение маркетинга
Слайд 10Архитектура СRM-решений на примере
Siebel eBusiness
клиенты CRM-системы
сетевое рабочее место под управлением ОС
![Архитектура СRM-решений на примере Siebel eBusiness клиенты CRM-системы сетевое рабочее место под](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-9.jpg)
Windows;
тонкий Windows-клиент (работа через интернет-браузер);
портативный клиент (работа вне сети с последующей синхронизацией);
HTML-клиент - для клиентов и партнеров;
мобильные устройства (класса Palm Pilot и т.п.).
Слайд 11Стратегии получения знаний
Приобретение знаний
Извлечение знаний
Обнаружение знаний в БД
![Стратегии получения знаний Приобретение знаний Извлечение знаний Обнаружение знаний в БД](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-10.jpg)
Слайд 12Классификация
Operational CRM (Оперативные);
Analytical CRM (Аналитические);
Collaborative CRM (Объединяющие).
![Классификация Operational CRM (Оперативные); Analytical CRM (Аналитические); Collaborative CRM (Объединяющие).](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-11.jpg)
Слайд 16Классификация
CRM
Локальная
Сетевая
Одномодульная
Многомодульная
WEB
Оперативные
Аналитические
Коллаборативные
BoxCRM
Enterprise CRM
Малые и
средние
eCRM
![Классификация CRM Локальная Сетевая Одномодульная Многомодульная WEB Оперативные Аналитические Коллаборативные BoxCRM Enterprise](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-15.jpg)
Слайд 17Определение
Data Mining — это процесс обнаружения в комплексе данных ранее неизвестных,
![Определение Data Mining — это процесс обнаружения в комплексе данных ранее неизвестных,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-16.jpg)
нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности
Слайд 18Два направления Data Mining
массовый продукт для бизнес-приложений;
инструменты для проведения
![Два направления Data Mining массовый продукт для бизнес-приложений; инструменты для проведения уникальных исследований](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-17.jpg)
уникальных исследований
Слайд 19Основные требования к новым подходам DM:
1) способность находить логические правила
![Основные требования к новым подходам DM: 1) способность находить логические правила неограниченной](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-18.jpg)
неограниченной сложности в данных высокой размерности;
2) умение обобщать найденные логические правила и осуществлять поиск их оптимальной композиции.
Слайд 20Типы закономерностей
Ассоциация
Последовательность
Классификация
Кластеризация
Прогнозирование
![Типы закономерностей Ассоциация Последовательность Классификация Кластеризация Прогнозирование](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-19.jpg)
Слайд 21Алгоритмы
Деревья решений (ID3)
Ограниченного перебора (WizWhy)
Метод поиска логических закономерностей( If
![Алгоритмы Деревья решений (ID3) Ограниченного перебора (WizWhy) Метод поиска логических закономерностей( If](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-20.jpg)
then)
Регрессии
Нейронные сети
Алгоритм нахождения ближайшик К соседий
Кластеризация и тд
Слайд 23Три стратегии получения знаний
Приобретение знаний
Извлечение знаний
Обнаружение знаний из БД
![Три стратегии получения знаний Приобретение знаний Извлечение знаний Обнаружение знаний из БД](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-22.jpg)
Слайд 25Алгоритмы кластеризации
Find Dependecies (FD) - N-мерный анализ распределений
Find Clusters (FC) -
![Алгоритмы кластеризации Find Dependecies (FD) - N-мерный анализ распределений Find Clusters (FC) - N-мерный кластеризатор](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-24.jpg)
N-мерный кластеризатор
Слайд 26Алгоритмы классификации
Classify (CL) - классификатор на основе нечеткой логики
Discriminate (DS)
![Алгоритмы классификации Classify (CL) - классификатор на основе нечеткой логики Discriminate (DS)](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-25.jpg)
- Дикриминация
Decision Tree (DT) - дерево решений
Decision Forest (DF) - леса решений
Слайд 27Алгоритмы ассоциации
Market Basket Analysis (BA) - метод анализа "корзины покупателя"
Transactional
![Алгоритмы ассоциации Market Basket Analysis (BA) - метод анализа "корзины покупателя" Transactional](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-26.jpg)
Basket Analysis (TB) - транзакционный анализ "корзины"
Слайд 28Алгоритмы Визуализация
Link Analysis (LA) - анализ связей
Symbolic Rule Language (SRL)
![Алгоритмы Визуализация Link Analysis (LA) - анализ связей Symbolic Rule Language (SRL) - язык символьных правил](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-27.jpg)
- язык символьных правил
Слайд 29Модули для построения числовых моделей и прогноза числовых переменных
Модуль Find Laws
![Модули для построения числовых моделей и прогноза числовых переменных Модуль Find Laws](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-28.jpg)
(FL) - построитель моделей
PolyNet Predictor (PN) - полиномиальная нейронная сеть
Stepwise Linear Regression (LR) - пошаговая многопараметрическая линейная регрессия
Memory based reasoning (MR) - метод "ближайших соседей"
Слайд 30Этапы формирования отчета в DATA MINING
![Этапы формирования отчета в DATA MINING](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/912906/slide-29.jpg)