ПРИМЕНЕНИЕ ТЕХНОЛОГИИDATA MINING

ДЛЯ РЕШЕНИЯ ЗАДАЧКЛИЕНТСКОЙ АНАЛИТИКИ

Пацера Константинkostya.patsera@gmail.com

+38 067 220 77 16

ВОЗНИКНОВЕНИЕ DATA MININGТенденции в бизнесе, которые привели к возникновению Data miningÒ Возникновение задачи кредитных рисков

Ò Сдвиг ориентации бизнеса от транзакционного маркетинга к маркетингувзаимоотношений (возникновение CRM)

Ò Постепенное понимание, что клиенты являются активом бизнеса

Ò Признание выгод от использования информации для предсказания событий, а не толькоследования за ними

Ò Более широкое использование технологий для управления информацией имаксимизации её ценности

Ò Признание необходимости компромисса между обслуживанием клиентов и получения отних прибыли

Ò Развитие индивидуальных маркетинговых подходов

2

ТЕХНОЛОГИЯ DATA MININGData mining – это процесс выявления в сырых данных ранее неизвестных,

нетривиальных, практически полезных и доступных к интерпретации знаний,необходимых для принятия решений в различных сферах человеческойдеятельности.

Прикладнаястатистика

Теория базданных

Машинноеобучение

Data mining

Неочевидных – это обозначает, чтонайденные закономерности ненаходятся стандартными методамиобработки информации илиэкспериментальным путём.

Объективных – это обозначает, чтонайденные закономерности будутполностью отвечать действительности, вотличие от экспертной точки зрения,которая всегда субъективна.

Практически полезных – этообозначает, что результаты имеютпрактическое применение.

3

ЭТАПЫ РАЗВИТИЯ АНАЛИТИКИ ПРОГРАММЛОЯЛЬНОСТИ

Этап №1. Создание методологииÉ Понятие нового клиентаÉ Понятие активного клиентаÉ Понятие ушедшего клиентаÉ Понятие вернувшегося клиентаÉ …

Этап №2. Создание отчётности

Этап №3. Сегментация и создание клиентской стратегии

Этап №4. Прогностическая аналитикаÉ Задача удержания; задача возвращения; задача привлеченияÉ Задача cross- и up-selling’аÉ Задача выявления мошенничестваÉ Задача выбора каналов контакта с клиентами и времени контактаÉ …

Оценка эффективности маркетинговых кампаний

4

СЕГМЕНТАЦИЯ КЛИЕНТОВСегментация клиентов – процесс разделения клиентской базы насегменты (кластеры), которые не похожи между собой, но клиенты всегментах (кластерах) – однородные.

Типы сегментирования:Ò С точки зрения цели сегментирования:

É …É …É …

Ò С точки зрения процесса сегментирования: (данных длясегментирования!)É Географические характеристикиÉ Социально-демографические характеристикиÉ Поведенческие характеристикиÉ Характеристики стиля жизни

5

ХАРАКТЕРИСТИКИ СЕГМЕНТИРОВАНИЯГеографические характеристики:Ò регионы/областиÒ город/селоÒ размер населённого пунктаÒ “равнины”/“горы”Ò …

Социально-демографическиехарактеристики:Ò полÒ возрастÒ образованиеÒ семейное положениеÒ количество детейÒ доходÒ наличие жилья/автоÒ …

6

Поведенческие характеристики:Ò Использование продуктаÒ Частота использованияÒ Динамические KPIsÒ Участие в акцияхÒ …

Характеристики стиля жизни:Ò Жизненные цели/позицииÒ Ценностный рядÒ Предпочтения в работе/отдыхеÒ Получаемая ценность от

использования продуктаÒ …

Географические, социально-демографические и поведенческие характеристики -базах данных есть!

Характеристики стиля жизни – необходимо дополнительно собирать!

Как правилоесть!J

Если и есть, токачество… А нужно ли ?..

ЦЕННОСТЬ СЕГМЕНТАЦИИДва глобальных результата сегментации:1. Понимание клиентов2. Отслеживание изменений в клиентских сегментах

Сегментация НЕ РЕШАЕТ:Ò проблему Оттока клиентов, но позволит понять причины!

Ò Задачу cross-selling’а и up-selling’а для каждого клиента

Ò Проблему выявления мошенников, но позволит выделить характеристики, которые могутбыть отличными предикторами для нахождения их в клиентских базах

Ò …

Ò И конечно же, не увеличивает долю рынка, не уничтожает конкурента, не увеличиваетдоход компании в N раз (и не решает прочие проблемы информационного спама!)

Ò А также проблемы личной жизни руководстваJ

7

Сегментация клиентов должна быть в каждой компании, если речь идёт о CRM.Сегментация – основа клиентской стратегии.

ПРОГНОЗИРОВАНИЕ ПОВЕДЕНИЯ КЛИЕНТОВ

Задача удержания клиентов (Churn prediction) состоит в определенииклиентов склонных к оттоку.

Задача cross-selling’а состоит в определение клиентов склонных купить продукт,который не покупается в данный момент.

Задача up-selling’а состоит в определении клиентов склонных покупать продукт вбольшем объёме либо чаще, чем в данный момент.

Задача выявление мошенничества (fraud detection) состоит в определенииклиентов, которые занимаются мошенничеством.

8

ПРОЦЕСС ПОСТРОЕНИЯ ПРОГНОСТИЧЕСКИХ МОДЕЛЕЙ

9

База данных

Логистическая регрессияДеревья решенийНейронные сетиДискриминантный анализ…1

000010001001010

Y

12…………………………………n

X1, X2, …, Xkid

= , , …

Выборка “0”

Выборка “1”

000

111

X1, X2, …, Xk Y

Выборка “0”

Выборка “1”

000

111

X1, X2, …, Xk Y

TrTrTTrTTr

Tr

Балансировкаданных

Построениеобучающей (Tr) и

тестовой (T) выборки

КАКИЕ БИЗНЕС-ЗАДАЧИ РЕШАЕТ DATA MINING?

Ò Сегментация клиентов

Ò Удержание клиентов; Возвращение клиентов; Привлечение клиентов

Ò Развитие клиентов и продуктов: cross- and up-selling

Ò Увеличение отдачи от инвестиций и сокращение затрат на продвижение товаров и услуг

Ò Идентификация клиентов, которые приносят прибыль

Ò Оценка кредитных рисков (составление скоринговых карт и разработка скоринговыхмоделей)

Ò Выявление случаев мошенничества, утрат и злоупотреблений

Ò Анализ деятельности интернет-сайта

Ò Оптимальный выбор каналов контакта с клиентом

Ò …

10

СФЕРЫ ПРИМЕНЕНИЯ DATA MININGÒ Для решения бизнес-задач:

Основные направления: телекоммуникационные компании, банки и финансовыеучреждения, страховые компании, продуктовые и непродуктовые сети, компании спрограммами лояльности и/или CRM, производство, электронная коммерция,маркетинг, фондовые рынок и т.д.

Ò Для решения государственных задач:Основные направления: поиск улиц, поиск людей, которые уклоняются от налогов,

проверка таможенных грузов и т.д.

Ò Для решения научных задач:Основные направления: медицина, биология, молекулярная генетика и генная

инженерия, биоинформатика, астрономия и т.д.

Ò Для решения Web-задач:Основные направления: поисковые системы.

11

ЧТО ПРЕДСТАВЛЯЕТ СОБОЙ ПРОЦЕСС DATA MINING?

Data mining базируется на методологии CRISP-DM – (стандартныхмежотраслевой процесс data mining / Cross-Industry StandardProcess for Data mining).

Фазы CRISP-DM:1. Понимание бизнеса: обеспечение чёткого понимания

бизнес-проблем.2. Понимание данных: определение доступных

для исследования данных.3. Подготовка данных: подготовка данных

в необходимом формате для полученияответов на бизнес-вопросы.

4. Моделирование: разработка моделей, которыеотвечают поставленным задачам.

5. Оценивание: тестирование результатовна соответствие целям проекта.

6. Внедрение: предоставление результатов проектатем, кто на их основе будет принимать решения.

7. Мониторинг качества.

12

АНАЛИТИЧЕСКИЕ МЕТОДЫ DATA MININGÒ Кластерный анализ

Ò Факторный анализ

Ò Регрессия (линейная, логистическая, порядковая)

Ò Деревья решений

Ò Нейронные сети

Ò Дискриминантный анализ

Ò Правила ассоциаций

Ò Правила индукций

Ò Выявление последовательностей (последовательные ассоциации)

Ò Поиск аномалий 13

ПРОГРАММНЫЕ ОБЕСПЕЧЕНИЯ, КОТОРЫЕПОДДЕРЖИВАЮТ ТЕХНОЛОГИЮ DATA MININGÒ IBM SPSS Modeler – для работы с

базами данных, для задач бизнес-анализа, бизнес-прогнозирования изадач Data mining.

Ò SAS Enterprise Miner – дляработы с базами данных, для задачбизнес-анализа, бизнес-прогнозирования и задач Data mining.

Ò Teraminer - для работы с базамиданных и задач Data mining.

Ò KXEN – для задач Data mining.

14

СЛОЖНОСТИ ВНЕДРЕНИЯ DATA MINING

Ò Человеческий фактор:É Квалификация пользователя и бизнес-клиентовÉ Понимание бизнеса и понимание данных пользователемÉ Сложность интерпретации результатов

Ò Технологический фактор:É Возможен большой процент неправильных, недостоверных или бессмысленных

результатов

Ò Технический фактор:É Сложность подготовки данныхÉ Наличие достаточного количества репрезентативных данных

Ò Ценовой фактор:É Высокая стоимость построения хранилища данных и программного обеспечения

15