пятница, 27 июля 2012 г.

12+1 вендоров, которых следует рассматривать при построении ИТ архитектуры компании

Редко какая компания при построении ИТ архитектуры обходит возможности business intelligence (бизнес аналитики) и data warehouse (хранилищ данных). Эти решения являются фундаментом, который позволяет управлять компанией обдуманно, принимать взвешенные и объективные решения на основе информации из собственных баз данных.
Продолжая тему выбора поставщиков, решения которых следует рассматривать при внедрении корпоративных решений, привожу список из 13 вендоров, которые предложены в статье "И снова о работе с большими данными" на сайте Компьютерное обозрение.

Рекомендуемый перечень следует учитывать всем компаниям и соотвественно их ИТ-директорам при выборе компонентов ИТ архитектуры компании (Business Intelligence, Data Warehouse, ETL), связанных с хранением, обработкой и аналитикой big data .

В представленный список включены вендоры рынка Business Intelligence из различных категорий с точки зрения  по классификации Gartner:


  • лидеры,  претенденты (Challengers), нишевые игроки (с точки зрения категорий поставщиков business intelligence )


а также поставщики решений в области хранения и обработки данных:

  • DW (Data Warehouse - хранилища данных),
  • ETL  (Extract, Transform, Load — дословно «извлечение, преобразование, загрузка»)
  • DI (Data Integration - интеграция данных).

Для упрощения восприятия список  из статьи представлен в виде mind map (с указанием категории вендора и места в магическом квадрате Gartner).

Сегодняшнюю тему можно считать продолжением "Mind map по Business Intelligence. Лидеры vs мега-вендоры, претенденты vs data discovery" и статьи про "Big Data"

четверг, 19 июля 2012 г.

Как выжать больше из лимона. Часть 3. Аутсорсинг аналитики и организационные решения

Аналитическая поддержка принятия решений уже не является чем-то экзотическим и инновационным. Множество компаний по всему миру доверяют специальному программному обеспечению часть работ, связанных с обработкой и анализом данных. Однако иногда компании не хватает собственных ресурсов для того, чтобы от "интуиции и опыта" перейти к поиску закономерностей в данных и объективным решениям.
Об этом - аутсорсинге аналитики - сегодняшняя часть статьи "Как выжать больше из лимона", начало можно прочитать  по ссылкам  часть 1, часть 2.

Совет третий: не бойтесь аутсорсинга


Реализация принципов поведенческого моделирования возможна в любой розничной сети. Нужно лишь учесть необходимые и достаточные условия. 

К необходимым условиям относится наличие адекватного массива ретроспективных данных. В идеале он должен охватывать покупки не менее 50% клиентов сети. Отсутствие ретроспективных данных не является непреодолимой проблемой: запустить процесс сбора данных можно в любой момент. Единственное требование - возможность идентификации поведения покупателя с помощью дисконтной или бонусной карты.

С достаточными условиями внедрения поведенческого подхода ситуация немного сложнее. Они включают в себя три разновидности: техническое, методологическое и организационное условия. 

Техническое - это возможность использования достижений бизнес-аналитики при работе с накопленными данными. Некоторые крупные сети используют аналитический функционал, встроенный в ERP-систему, или применяют отдельные системы, позволяющие управлять отношениями с покупателями. Для других розничных операторов вопрос решается еще проще: практически все существующее программное обеспечение позволяет формировать массивы данных для передачи их аутсорсинговому провайдеру с целью применения технологии поведенческого моделирования. Иными словами, практически у каждой сети есть возможность периодически арендовать техническую базу для планирования поведенческих инициатив. Более 70% клиентов Prospects использовали эту возможность, избежав необходимости инвестировать в дорогостоящий программный продукт.
Методологическая составляющая напрямую связана с человеческим фактором. Именно человек, владеющий методиками, делает процесс анализа управляемым, определяет его методы, несет ответственность за их уместность, определяет пути повышения эффективности. Получить методические рекомендации можно и у третьих лиц, но все же библиотека методического опыта должна накапливаться в компании. 
Организационное условие обеспечивает возможность соблюдения технического и методологического. Речь идет о том, каким структурным подразделениям компании может вменить в обязанность решение описанных выше задач. Часто это становится краеугольным камнем на пути реализации поведенческого подхода. IT-подразделения первыми попадают под раздачу, и зачастую именно это гасит благие намерения инициаторов поведенческого моделирования.
Сопротивление IT-подразделений естественно по нескольким причинам. 
1. Прежде всего, личностные особенности IT-специалистов не располагают к глубокой поведенческой аналитике: они читают другие книжки и думают о других вещах.
2. Вторая причина - занятость IТ-специалистов регулярными операционными задачами предприятия. В свою очередь, отделы маркетинга зачастую слишком далеки от задач подобного рода. 
Выходом может казаться введение вакансии CRM-менеджера (и даже создание дирекций программ лояльности), но опыт показывает, что ему не дают поднять головы: объем задач, возлагаемых на новое должностное лицо, в большинстве случаев превышает его физические возможности. Тут уж не до аналитики (и тем более не до познания) - не завалить бы дело. Возможно, поэтому у многих компаний воз (с данными) и ныне там (в архиве).

Сдвинуть эту задачу в направлении поведенческого моделирования помогут как минимум два варианта действий. 
Первый предполагает назначение ответственных людей (а еще лучше -- выделение этих людей в отдельное подразделение), задачей которых будет интеграция маркетинга, IT и CRM с целью прикладной аналитики и предоставления поведенческих рекомендаций. По совместительству это подразделение может отвечать за систему управления знаниями компании. Второй вариант заключается в том, чтобы поручить поведенческое моделирование компании, специализирующейся на услугах подобного рода (без каких-либо организационных изменений внутри розничного предприятия).

Риски и возможности
Разумеется, оба варианта имеют свои преимущества и недостатки. И, делая выбор, нужно понимать последствия каждой стратегии, а также оценивать сопряженные с ней риски. А они есть. Для первого варианта характерны риски, связанные с отсутствием методологической базы и опытного персонала, а также с возрастанием фиксированных затрат компании (приходится привлекать специалистов из-за рубежа).

Риски второго варианта связаны с ключевой компетенции нанимаемой компании: очень часто в тендер включают провайдеров IT-решений, что в конечном счете выводит розничную компанию на губительный путь операционного CRM. Что касается риска сохранности данных, то в последнее время о нем говорят все реже: прошла эпоха недоверия, усовершенствовали системы безопасности и контроля, а главное, по мере накопления опыта исчезла боязнь злоупотреблений со стороны компании-подрядчика. Всем уже очевидно, что безупречная репутация -- ключевой фактор успеха любой компании, работающей с чужими данными.

Вместо заключения
«Средства бизнес-аналитики как возможность получения конкурентных преимуществ» -- это программа-минимум для отечественных сетей. Правда, на Западе уже давно звучит другой лозунг: «Применение BI -- не конкурентное преимущество, а средство выживания». Пожалуй, это тот случай, когда у компаний есть реальный шанс обогнать или догнать западных коллег, начав простые действия уже сегодня.

Прочитать другие статьи из этой же рубрики можно прочитать здесь

Все статьи блога можно увидеть здесь

Для получения обновлений блога не забудьте подписаться на рассылку RSS.


вторник, 17 июля 2012 г.

Как выжать больше из лимона. Часть 2. Несколько советов о старте работ с поведенческими данными

Продолжение статьи о неиспользованных возможностях розничных данных из журнала Новый маркетинг "Как выжать больше из лимона", часть 1 - можно прочитать по ссылке. В сегодняшней части - два совета о первых шагах использования поведенческих данных и несколько примеров из реальных проектов.


Принципы поведенческого моделирования доказали свою состоятельность во многих крупных сетях, телекоммуникационных компаниях и банках Западной Европы. Однако решение описанных выше задач уже не под силу даже самому совершенному роботу. Психологическая природа поведения потребителей предлагает целую обойму новых вводных, понять и учесть которые может только живой человек - специалист в области потребительской бихевиористики (науки о поведении), оснащенный адекватным программным продуктом. Не секрет, что таких специалистов крайне мало на любом рынке, а задача становится все актуальнее.

Еще одна сложность на пути - недоступность научной базы. Проекты, использующие принципы поведенческого моделирования, пока не обсуждают в широких кругах, по этой теме нельзя найти полноценный учебник или посмотреть готовые кейсы. Освоение не описанной доселе научной области требует одержимости от менеджеров среднего звена, а она, как известно, результат сильной мотивации. Занимаются ли розничные сети мотивированием своих CRM-менеджеров - вопрос риторический. Особенно если вспомнить, что приоритетом для отечественной розницы все еще остается захват территорий. В общем, на пути к заветному поведенческому моделированию гораздо больше препятствий, чем рекомендаций. Впрочем, несколько советов все же можно дать.

Совет первый: начните с простых задач

Пожалуй, самая доступная задача на этом пути - оптимизация стимулирующих инициатив (купоны на скидку, специальные цены и пр.). Под оптимизацией имеется в виду получение большей прибыли при меньших затратах.
Массовые рассылки специальных предложений подошли к следующему логическому этапу - специальным предложениям. Об этом свидетельствуют не только периодически появляющиеся статьи и выступления, но и многочисленные вопросы представителей розничных сетей, которые уже давно осознали значимость специального подхода к разным группам своих покупателей. 
Пускай он не так прост в реализации, как массовые скидки и массовый купонинг, -- сравнительная экономическая эффективность целевых предложений очевидна даже скептикам. 

При правильном использовании простейших инструментов моделирования розничный оператор может решить как минимум три важные задачи:
  • уменьшить недовольство покупателя и повысить его удовлетворенность магазином (сетью). Теперь он не будет получать заведомо неинтересных ему предложений -- каждое предложение будет свидетельствовать о его персональной ценности;
  • повысить отклик на предложения. Это главный экономический фактор;
  • оптимизировать маркетинговый бюджет, в частности исходя из ценности покупателя для сети. Здесь речь идет о возможности экономически обоснованного перераспределении маркетингового бюджета: каждый сегмент получает предложение, соответствующее его ценности (в том числе потенциальной) для розничной сети.

понедельник, 16 июля 2012 г.

Как выжать больше из лимона? О неиспользованных возможностях розничных данных. Статья для Нового маркетинга

Несколько лет назад в журнале Новый маркетинг (Россия, № 10, 2008) я опубликовала статью с почти "кулинарным" названием "Как выжать больше из лимона". Несмотря на относительную давность статьи, перечитав ее сейчас, поняла, что большинство вопросов, обсуждаемых в статье, не утратили своей актуальности для розничного бизнеса до теперешнего времени. 
По просьбам нескольких читателей - сегодня первая часть статьи о неиспользованных возможностях розничных данных, рубрика "Маркетинг отношений"

Редкая розничная сеть не имеет сегодня своей дисконтной программы. Некоторые уже успели пройти этот этап: ввели бонусную систему, посчитав ее более совершенной и выгодной, чем дисконт. Штатные специалисты по управлению взаимоотношениями с клиентами явно в цене: своих не хватает, приглашают из ближнего зарубежья. В стремлении освоить непростую науку управления поведением покупателей наши  розничные операторы не уступают своим западным коллегам. Одно лишь озадачивает: стандартная дорожная карта программ лояльности скоро будет пройдена, копировать будет уже не кого, а следующий шаг неочевиден.

Куда ведет эволюция
В контексте развития программ, идентифицирующих потребителя (дисконт это или бонус - не имеет значения), у сети неизбежно появляется потребность в решении двух ключевых задач: в управлении ассортиментом и поведением покупателей. Видимо, именно в этих направлениях будут развиваться современные программы лояльности при условии использовании адекватных программных продуктов.

Задача управления ассортиментом уже не нова для наших рынков. Ее решают, применяя современные технологии и передовые программные средства, многие сети стран СНГ. Вопросы использования бизнес-аналитики, в том числе методов Data Mining, для решения, к примеру, задач прогнозирования становятся предметом обсуждения на многих конференциях и круглых столах. В этом направлении прогресс очевиден, эффективность применения технологий и методик доказана и подсчитана многими компаниями.

Гораздо хуже обстоят дела со второй задачей - управлением поведением покупателей. Попытки решить ее на уровне IT стали предпринимать относительно давно, еще в эпоху создания оперативного CRM. Обезличенному роботу доверили взаимоотношения с человеком, что стало главной ошибкой в истории CRM. Провал многих проектов в этой области еще раз подтвердил несостоятельность строго формализованного подхода к решению задач подобного рода. Вторая волна эволюции робота, названная аналитическим CRM, была призвана исправить все ошибки оперативного CRM. Однако правда заключается в том, что CRM-решениями как инструментом прогнозирования и управления поведением покупателей по-прежнему пользуются единицы.

понедельник, 9 июля 2012 г.

Software for Data Mining: IBM SPSS Modeler. Overview of Modeling Nodes

Когда компания всерьез задумывается об использовании аналитики и технологии Data Mining, один из первых вопросов, который следует решить, касается выбора "правильного" программного продукта. 

Вопрос этот непростой уже потому, что выбранное решение должно стать тем инструментом, который поможет преобразовать сырые данные компании в полезные знания, и соответственно поможет принимать более правильные решения. Такому инструменту нужно доверять и воспринимать как средство поддержки принятия решений.

При сравнении и выборе инструмента Data Mining  важно оценить "достаточность" математического инструментария для решения не только текущих задач компании, но и таких, которые могут возникнуть в перспективе, т.е. посмотреть на потребности аналитики на несколько шагов вперед.

Сегодняшняя тема - продолжение предыдущей статьи "Data Mining: типы закономерностей в данных", но рассмотренная в этот раз через призму программного обеспечения  IBM SPSS Modeler.

Использую этот программный продукт уже много лет, и думаю, что это действительно одно из лучших решений для Data Mining. Сегодня расскажу только об одной стороне решения - о методах и алгоритмах, доступных для извлечения закономерностей.

IBM SPSS Modeler (ранее Clementine) включает набор методов, которые позволяют извлекать из данных закономерности классификации, кластеризации и ассоциации (более детально о закономерностях и примерах использования можно прочитать по ссылке).   

На каждой "ветке" карты показаны возможности для решения задач классификации, кластеризации и поиска ассоциаций в программном продукте IBM SPSS Modeler, математический аппарат включают методы и алгоритмы машинного обучения, искусственного интеллекта и статистики.


Если немного раскрасить и структурировать карту, то информация про modeling node (узлы для моделирования) в IBM SPSS Modeler выглядит вот так



Каждый метод имеет определенные сильные стороны и подходит для определенного типа прикладной задачи и особенностей данных на входе.

Описание узлов IBM SPSS Modeler для решения задач классификации, кластеризации и ассоциации:

1 Classification
1.1 The Auto Classifier node
1.2 The Auto Numeric node
1.3 The Classification and Regression (C&;R) Tree node
1.4 The QUEST node
1.5 The CHAID node
1.6 The C5.0 node
1.7 The Decision List node
1.8 Linear regression models
1.9 The PCA/Factor node
1.10 The Feature Selection node
1.11 Discriminant analysis
1.12 Logistic regression
1.13 The Generalized Linear model
1.14 The Cox regression node
1.15 The Support Vector Machine (SVM) node
1.16 The Bayesian Network node
1.17 The Self-Learning Response Model (SLRM) node
1.18 The Time Series node
1.19 The k-Nearest Neighbor (KNN) node

2 Segmentation/Clustering
2.1 The Auto Cluster node
2.2 The K-Means node
2.3 The Kohonen node
2.4 The TwoStep node
2.5 The Anomaly Detection

3 Association
3.1 The Apriori node
3.2 The CARMA model
3.3 The Sequence node

Скачать документацию "IBM SPSS Modeler 14.2 User’s Guide" по можно по ссылке

Также может быть интересно:

Прочитать другие статьи из этой же рубрики можно прочитать здесь

Все статьи блога можно увидеть здесь

Для получения обновлений блога не забудьте подписаться на рассылку RSS.

Related Posts Plugin for WordPress, Blogger...