Управление взаимоотношениями с клиентами DATA Mining

Функциональность CRM
CRM (Customer Relationship Management) – управление взаимоотношениями с клиентами - технологическая 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

Признаки технологии CRM
Наличие единого хранилища информации и системы
Синхронизированость управления множественными каналами взаимодействия
Постоянный анализ собранной информации о клиентах и принятии соответствующих управленческих решений – например, ранжировании клиентов

Предпосылки целесообразности работы с CRM-системой:
Затраты на привлечение нового клиента в 5-10 раз 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

ЗАКОН ПОРЕТО
20% покупателей обеспечивают 80% прибыли

CRM целесообразно применять предприятиям:
работающим с большим количеством клиентов, для которых характерны повторяющиеся процессы;
обладающим распределенными отделами по работе с клиентами: продаж, маркетинга, сервиса;
работающим на высоко конкурентных рынках, когда актуально освоение новых технологий.

Преимущества внедрения CRM:
Увеличение эффективности взаимодействия с клиентами
Сокращение операционных расходов и повышение эффективности взаимодействия между подразделениями компании
Автоматизация маркетинга и формирования отчетности
Усовершенствование бизнес-анализа и управления знаниями

Структура интегрированного CRM-решения

CRM: основные составляющие
Управление контактами
Управление деятельностью
Управление связью
Прогнозирование
Управление возможностями
Управление заказами
Управление документацией Анализ продаж
Формирование базы данных о характеристиках продуктов
Информационное обеспечение маркетинга

Архитектура СRM-решений на примере
Siebel eBusiness
клиенты CRM-системы
сетевое рабочее место под управлением ОС 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.).

Стратегии получения знаний
Приобретение знаний
Извлечение знаний
Обнаружение знаний в БД

Классификация
Operational CRM (Оперативные);
Analytical CRM (Аналитические);
Collaborative CRM (Объединяющие).

Оперативный

Аналитический

Коллаборативный

Классификация
CRM
Локальная
Сетевая
Одномодульная
Многомодульная
WEB
Оперативные
Аналитические
Коллаборативные
BoxCRM
Enterprise CRM
Малые и
средние
eCRM

Определение
Data Mining — это процесс обнаружения в комплексе данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности

Два направления Data Mining
массовый продукт для бизнес-приложений;
инструменты для проведения уникальных исследований

Основные требования к новым подходам DM:
1) способность находить логические правила неограниченной сложности в данных высокой размерности;
2) умение обобщать найденные логические правила и осуществлять поиск их оптимальной композиции.

Типы закономерностей
Ассоциация
Последовательность
Классификация
Кластеризация
Прогнозирование

Алгоритмы
Деревья решений (ID3)
Ограниченного перебора (WizWhy)
Метод поиска логических закономерностей( If then)
Регрессии
Нейронные сети
Алгоритм нахождения ближайшик К соседий
Кластеризация и тд

Схема нейронной сети

Три стратегии получения знаний
Приобретение знаний
Извлечение знаний
Обнаружение знаний из БД

Классификация поиска знаний

Алгоритмы кластеризации
Find Dependecies (FD) - N-мерный анализ распределений
Find Clusters (FC) - N-мерный кластеризатор

Алгоритмы классификации
Classify (CL) - классификатор на основе нечеткой логики
Discriminate (DS) - Дикриминация
Decision Tree (DT) - дерево решений
Decision Forest (DF) - леса решений

Алгоритмы ассоциации
Market Basket Analysis (BA) - метод анализа "корзины покупателя"
Transactional Basket Analysis (TB) - транзакционный анализ "корзины"

Алгоритмы Визуализация
Link Analysis (LA) - анализ связей
Symbolic Rule Language (SRL) - язык символьных правил

Модули для построения числовых моделей и прогноза числовых переменных
Модуль Find Laws (FL) - построитель моделей
PolyNet Predictor (PN) - полиномиальная нейронная сеть
Stepwise Linear Regression (LR) - пошаговая многопараметрическая линейная регрессия
Memory based reasoning (MR) - метод "ближайших соседей"

Этапы формирования отчета в DATA MINING