Mini MBA in Loyalty. Practika in segmentation

Сегодняшний пост - продолжение теоретической части по занятию Сегментация и клиентская аналитика в рамках программы Mini MBA in Loyalty, состоявшейся в Киеве 15-17 ноября.  

В рамках мероприятия мы провели практическое задание, в котором участники на 60 минут стали аналитиками-маркетологами, которые должны были разработать стратегию работы с клиентским активом по результатам предварительно сделанной кластеризации.

Описание задачи:

Продуктовая сеть, покрытие – 1 регион, 40 магазинов, выдано 500 000 карт

Программа Лояльности действует 3 года

Выполнена сегментация клиентского актива (при помощи кластеризации, 2-х шаговый алгоритм), определены 5 сегментов с отличающимися характеристиками.

Необходимо: описать и назвать сегменты (интерпретировать), определить наиболее приоритетные сегменты с точки зрения развития в ПЛ, разработать схему работы с каждым сегментом. 

Решение:

Mini MBA in Loyalty, Киев 15-17 ноября. Сегментация и клиентская аналитика, теоретическая часть

15-17 ноября состоялась очередная программа "Мини-МБА в СФЕРЕ ЛОЯЛЬНОСТИ". На мероприятии  можно было услышать о трендах в лояльности,  обсудить вопросы с коллегами, узнать мнения специалистов, получить много новой информации о том, как улучшить свою программу при помощи методик и технологий, а также попрактиковаться в решении аналитических задач.

Посетив первый раз мероприятие в качестве преподавателя, сегодня делюсь несколькими слайдами нашего совместного с Юлей Костерной  выступления во второй день программы.

В первой (теоретической) части "Сегментация  и клиентская аналитика" мы рассмотрели важные вопросы аналитической поддержки программы лояльности, а именно - сегментации клиентского актива с целью разработки стратегии и тактики взаимодействия с каждым сегментом.

По структуре занятие выглядело таким образом:

Конференция для аналитиков: REQ Labs, 9-10 ноября, Киев. Впечатления и тезисы

На прошлой неделе, 9-10 ноября в Киеве прошла конференция Конференция REQ Labs. Об опыте аналитиков: практично и эмоционально, посвященная дисциплине сбора и анализа требований в проектах разработки и поддержки ПО. 
Девиз конференции, на мой взгляд, может звучать так:

Построение фундамента любой информационной системы сводится к пониманию потребностей заказчика – эффективность этого крайне сложно формализуемого процесса кардинальным образом сказывается на успешности проектов и применимости поставляемых программных продуктов. 

С информацией по конференции можно ознакомиться по ссылкам -  О конференции, Программа.

По сравнению с маркетинговыми и техническими конференциями, мероприятие показалось мне очень демократическим, открытым и "практическим" (максимум опыта и минимум теории).

Конференцию посетили гости и спикеры из разных стран. В сегодняшнем посте делюсь своими впечатлениями и знаниями, полученными на мероприятии.

С организационной точки зрения у организаторов было интересное решение по центрам экспертизы в виде участников конференции, одетых в желтые футболки с указанием определенной "бизнес-аналитической темы", большие перерывы для общения с участниками и спикерами, специальный зал для общения с докладчиками.

Направления, которые обсуждались на конференции и запомнились больше всего, учитывая мой взгляд на тему через призму построения работы аналитического подразделения:

• кто такой аналитик: бизнес-аналитик, системный, функциональный аналитик
• анализ и моделирование процессов
• правила эффективной командной работы 
• сбор и анализ требований, управление противоречиями 
• роли и распределение ответственности владельца продукта (product owner), бизнес аналитика (business analyst), системного аналитика, скрам-мастера (SM)
• Scrum, Kanban, Agile, Business Model Canvas

Конференция проходила в двух залах, далее небольшие заметки о докладах,  которые больше всего запомнились.

Бизнес-аналитик или бизнес-синтетик? Или как сделать бизнес-анализ чуть менее унылым, Артём Сердюк (ISM Ukraine, Украина)

Визуальный анализ клиентского актива. Поиск аномалий, фрода и ценных клиентов

Понимание клиентов и особенностей их поведения - это задача, которая все чаще возникает перед маркетологами и специалистами по лояльности. 

Решается она путем анализа данных, с использованием различных методов и технологий (RFM анализ, ранжирование, сегментация и др.)

Аналитика клиентского актива помогает в разработке механики работы с клиентами, является средством поддержки принятия решений в разработке стратегий и концепций программ лояльности. Несмотря на наличие традиционных методов работы с клиентскими данными, все большую популярность получают визуальные способы клиентского актива.

Сегодня делюсь кейсом по визуальному анализу клиентского актива небольшой дрогерийной сети.

Задача/бриф - описать клиентский актив, сделав акцент на определение отклоняющихся в поведении покупателей (возможный фрод с точки зрения частоты и места покупок, а также "широты" корзины).Данные о программе лояльности: выдано 10 000 карт, в сети 12 магазинов.Проанализировано 5 календарных месяцев.

Далее в 5 шагах описан процесс визуализации клиентского актива (включая описание особенностей).

Шаг 1. Визуализация клиентского актива в двух измерениях (чеки и магазины).
Первым шагом в визуализация клиентского актива сети является представление всех клиентов в виде точечной диаграммы в двух измерениях - количестве чеков и количестве посещаемых магазинов (где ось х - qty_checks, ось у - qty_stores).

Каждая точка на рисунке - это один или несколько покупателей, с характеристикой по паре показателей (число чеков и магазинов). Размер точки определяется размером группы (в легенде описаны размеры групп, от самой немногочисленной - до 100 покупателей, до самой большой - до 2000 покупателей).

Для анализа и визуализации использовалось специальное программное обеспечение IBM SPSS Modeler.

Из чего состоит Программа Лояльности. Ключевые элементы и шаги разработки

На вопрос "из чего состоит программа лояльности (ПЛ)" ИТ директор, маркетолог и клиент отвечают обычно по-разному. У маркетолога в этом смысле самая сложная задача, он должен видеть ПЛ глазами клиента, понимать технические особенности внедрения, а также знать,как создать единый механизм поддержки лояльности.

Чтобы программа лояльности заработала, в ней должны присутствовать ключевые элементы, которые могут касаться организационных, психологических или технических аспектов разработки. Как показывают многие проекты по разработке и аудиту ПЛ, очень часто важные составляющие опускаются из виду в начале разработки или же не согласовываются. Это приводит к разному виденью программы, иногда тормозит проект или же может приостановить его на неопределенное время.  

Сегодняшняя статья посвящена методической части - шагам по созданию "каркаса" ПЛ и основы для дальнейшей работы (механики ПЛ, брифа, тендера и автоматизации).

Программа лояльности - это совокупность элементов, работающих в единой системе, которые позволяют сформировать привязанность клиента к бренду или торговой марке.

Шаг 1. Методическая составляющая. Определяем базовые элементы ПЛ

Элементы, которые нужно разработать до начала внедрения ПЛ, описанные на примере одного из последних проектов из банковской сферы:

• Цель и задачи ПЛ 
• целевые показатели ПЛ (показатели, сопровождающие и контролирующие процесс управления ПЛ)
• целевая аудитория - описание клиентов банка, на которых будет распространяться Программа (те, кого есть смысл рекрутировать с точки зрения потенциала)
• продукты начисления бонусов (те продукты банка, активность/покупка которых позволяет клиенту накапливать бонусы)
• продукты- материальные привилегии (те продукты, пользоваться которыми клиент может за накопленные бонусы или же ....)
• нематериальные привилегии (например, особое обслуживание, ...)

Шаг 2. Визуализация. Строим дерево элементов ПЛ

Визуализация обычно помогает увидеть общую картину и перейти от общего к частному. Дерево элементов ПЛ в виде карты ума (mind map) по описанным элементам для банковской ПЛ:

Шаг 3. Детализация и согласование. Уточняем элементы

После принятия решения о базовых элементах ПЛ следует шаг наполнения - подробное описание каждого элемента. Здесь пригодятся как бенчмаркинг, анализ опыта конкурентов (подробней по ссылке) метод "мозгового штурма", статьи в специализированных изданиях.

Как разработать программу лояльности банка. Шаблон программы и обзор практики западных банков

Удержание клиентов банка, снижение оттока, расширение перечня продуктов, которые использует клиент - важные задачи для любой компании, в том числе и для банка. Проверенный способ, который помогает решить описанные задачи - разработка программы лояльности ПЛ или программы поощрения/удержания. Для того чтобы разработать "правильную" программу лояльности нужно учитывать как локальные особенности (желательно проанализировать проекты по ПЛ на местных рынках), так и опыт зарубежных коллег для понимания возможностей и перспектив. О "нашем" и зарубежном опыте в разработке ПЛ для банков - сегодняшняя статья.

Во многом цели банковской ПЛ похожи на ПЛ в рознице. Это повышение рентабельности клиентской базы, ценности отдельного клиента, снижение оттока и повышение удовлетворенности. Отличием ПЛ банка от программ в розничной сети является наличие банковской карты - идентификатора клиента, которые вне зависимости от вступления в Программу позволяет еще до ее старта иметь информацию о поведении клиента. Это отличие является серьезным преимуществом, поскольку позволяет банку разрабатывать программу уже с учетом поведенческих особенностей клиентов и выделенных сегментов. 

Шаблон для Программы Лояльности

Анализ рынка действующих программ лояльности в рамках одного из последних проектов для крупного украинского банка показал, что набор продуктов и привилегий в рамках программ поощрений на рынках СНГ является относительно стандартным.

Шаблон, который поможет понять какие варианты программ лояльности реализуются чаще всего на сегодняшний день, т.е. какие составляющие можно положить в основу ПЛ показано ниже (в виде mind map): 

Как правильно автоматизировать маркетинг? Комплексный подход и карта функциональности

Для многих компаний полным сюрпризом являются возможности  автоматизации, которые реализованы в специальном программном обеспечении для маркетологов.

Тем не менее, некоторые организации уже перешли от таблиц Excel к использованию   CRM или BI функциональности в интересах маркетинга, и, таким образом, используют отчетность, прогнозирование и сегментацию в "смежных" решениях. Следующий шаг, который дает "свободу" маркетологам и новые возможности компании - это внедрение решения по комплексному управлению маркетингом.

В предыдущих статьях на тему автоматизации маркетинга я уже рассказывала о различных решениях по автоматизации маркетинга, о том, что представляет собой концепция и технология комплексного управления маркетингом и о текущей ситуации на рынке IMM, показанного в отчете Magic Quadrant for Integrated Marketing Management.

Пришло время рассказать о функциональности решений, которые доступны маркетологу в рамках комплексного управления маркетингом.

С технологической точки зрения, продавцы на этом рынке должны обеспечить комплексный набор маркетинговых функций, которые объединяют исполнительские, операционные и аналитические процессы маркетинга. 

Набор этих трех групп функций представляет собой карту функциональности комплексного управления маркетингом (mind map):

Magic Quadrant for Integrated Marketing Management. 2010-2011

Движение компаний вперед часто напоминает спортсменов на беговой дорожке. Лидер задает тон, отстающие стремятся догнать и обойти его с применением силы или ума. Чтобы стать лидером в конкурентной гонке, компании используются самые разнообразные способы, и один из этих способов - использование информационных технологий. 

Сегодня, продолжая тему управления маркетингом с использованием автоматизации, расскажу о  рынке программного обеспечения Integrated Marketing Management. Его цель  - позволить компании выйти на новый уровень в управлении  маркетингом и конечно же получить конкурентные преимущества на своей беговой дорожке.

В прошлой статье было описано, что представляет собой комплексное управление маркетингом (IMM). Напомню один из важных тезисов: IMM - это специализированное программное обеспечение, предназначенное для руководителей и специалистов в области маркетинга, позволяющее значительно улучшить работу отдела маркетинга во всех её аспектах.

И если переходить от теории к практике, от после ознакомительного этапа с концепцией IMM  компания должна понимать, какое программное обеспечение в помощь маркетологам представлено сейчас на рынке и заслуживает внедрения в компании для интеграции всех функций и компонентов маркетинга в единое целое.

Компаний на этом рынке на самом деле не так много, их перечень вполне обозрим. Для того, чтобы разобраться в этом вопросе я использовала отчет Gartner "Magic Quadrant for Integrated Marketing Management" 2010, 2011 годов.

Комплексное управление маркетингом (IMM). Стратегия, технология или ПО

В рамках одного из недавних проектов для розницы у меня возникла задача проанализировать рынок программного обеспечения с точки зрения возможностей автоматизации ряда функций отдела маркетинга, в том числе по Программе Лояльности. 

Как оказалось, проект подобного рода сложен не только в части выбора вендоров, но в части выбора класса системы. Часть работ в рамках этого проекта я описала в статье Автоматизация маркетинга или 6 "квадратов", о которых следует знать маркетологу, прочитать которую можно по ссылке. В этой статье я рассматриваю несколько классов продуктов (MRM, Multichannel Campaign Management , др) который помогают маркетологу решать самые разнообразные задачи.

Сегодня речь пойдет о самом сложном и многофункциональном решении  - комплексном управлении маркетингом или Integrated Marketing Management .

Не найдя подробного описания этого класса систем на русскоязычных ресурсах, решила сделать небольшую "шпаргалку", которая расскажет маркетологам и ИТ специалистам о том, что такое IMM, без погружения в функциональность, главная задача - донести идею комплексного управления маркетингом.

Integrated Marketing Management представляет собой совокупность программных продуктов, которые используются в качестве платформы для автоматизации маркетинговых процессов компании с целью повышения эффективности деятельности.

Достаточно понятно рынок IMM описан в отчете "Magic Quadrant for Integrated Marketing Management" (подробней об отчете 2011) от компании Gartner, по которому я сделала очередную карту ума (mind map) про идею и возможности комплексного управления маркетингом.

А теперь о составляющих IMM немного подробней:

Автоматизация маркетинга или 6 "квадратов", о которых следует знать маркетологу

Маркетинг уже давно перестал быть той областью, задачи которой не поддаются автоматизации. И если несколько лет назад маркетологи многих компаний были полностью зависимы от ИТ подразделений, то сейчас появляется определенная "свобода" и возможности самостоятельно решать свои задачи. О том, какие системы могут помочь маркетологу в решении повседневных и стратегических задач и будет сегодняшний пост.

Автоматизация маркетинга - тренд №1

Автоматизация маркетинга - уже вполне устоявшееся словосочетание, вот что на эту тему пишет Википедия:

Автоматиза́ция ма́рке́тинга  — использование специализированных компьютерных программ и технических решений для автоматизации маркетинговых процессов предприятия.

Основные области автоматизации — это маркетинговое планирование и бюджетирование, управление маркетинговыми активами, управление маркетинговыми кампаниями, взаимодействие с клиентами, управление потенциальными продажами, интеграция данных о клиентах и их аналитика, и другие аспекты маркетинга. 

Автоматизация маркетинга является трендом № 1 в 2012 по версии Optify, прочитать подробней об этом можно в статье.

Основное предназначение автоматизации маркетинга - это повышение эффективности решения маркетинговых задач, уменьшение времени на рутинные операции, освоение новых возможностей (которые не были доступны в ручном режиме).

В большинстве крупных и средних компаний, которые внедрили средства Business Intelligence, маркетологи имеют доступ к важной информации для принятия решений (например, при разработке и сопровождении программы лояльности, запуске ряда инициатив, проведении опросов). 

Однако в ситуациях, когда маркетинг имеет приоритетное значение в деятельности компании (и особенно в B2C) желательно включить в ИТ архитектуру компании специальные решения, которые позволят автоматизировать основные процессы маркетинга и дать новые возможности для маркетологов.

Автоматизация маркетинга - почему и зачем

Как показывают проекты в рознице 2011-2012 годов, к автоматизации маркетинга компании приходят по разному. 
Примеры стимулов и мотивов при автоматизации маркетинга:

- усложнение внутренних процессов компании, которые невозможно/трудоемко/дорого поддерживать "ручным" способом;

- изменение процессов компании, например, внедрение программы лояльности, которая потребует автоматизации начисления бонусов, сегментации, управление компонентами кампании и откликом;

- накопление больших массивов данных и big data, которые желательно использовать в процессе принятия маркетинговых решений;

- необходимость общения с клиентом по нескольким каналам коммуникации и поддержки этих процессов (как с точки зрения хранения данных, так и с точки зрения автоматизации индивидуально процесса разработки и ведения инициативы)

При автоматизации маркетинга речь идет не только о CRM системах, существуют и другие классы систем, которые могут заменить и/или дополнить возможности CRM решения. 

Классы системы, которые могут быть полезны маркетологу

Ниже рисунок, на котором показаны классы систем, которые могут быть полезны маркетологу как с точки зрения автоматизации уже существующих процессов, так и с точки зрения появления новых возможностей. 

Подборка была сделана в рамках одного из проектов для ритейла. Ее задача заключалась в иллюстрации многообразия систем (и соответственно возможностей), которые маркетологи могут использовать  в своей работе.

На мой взгляд, с этими Magic Quadrant от Gartner (об этой исследовательской компании можно прочитать здесь и здесь) стоит познакомиться как маркетологам, так и ИТ специалистам, которые связаны с внедрением решений по автоматизации маркетинга.

Прочитать информацию про Magic Quadrant и скачать отчеты Gartner 2011-2012 годов можно по соответствующим ссылкам:

1. Magic Quadrant for Integrated Marketing Management (скачать october 2011 (eng), статья о квадрате IMM (рус.), подробно о том, что такое IMM (рус.))
2. Magic Quadrant for Marketing Resource Management (скачать jan 2012 (eng), статья о квадрате MRM (рус.))
3. Magic Quadrant for CRM Multichannel Campaign Management (скачать may 2011, may 2012 (eng))
4. Magic Quadrant for Sales Force Automation ( скачать july 2012)
5. Magic Quadrant for CRM Service Contact Centers (скачать apr 2012)
6. Magic Quadrant for Social CRM (скачать july 2012)

Резюме

• Определиться с классом критически важных для компании приложений бывает непросто, желательно рассмотреть все возможные альтернативы (смотреть за пределы CRM-решений) с привлечением консультантов, интеграторов, вендоров.
• Выбору системы должно предшествовать предпроектное исследование и аудит (ИТ архитектуры, процессов, потребностей, которые определят приоритеты и оптимальное решение для маркетинга), а также осознание новых возможностей и задач, которые стоят перед компанией.
• В зависимости от того, какая ключевая функциональность/роль/задача должна быть возложена на решение и должен делаться выбор среди множества автоматизированных решений для маркетинга.

Также может быть интересно:

• Как не провалить проект построения взаимоотношений с клиентами. Инь и янь CRM подхода
• Gartner Magic Quadrant research. FAQ по магическим квадратам
• Magic Quadrant for Marketing Resource Management. Вендоры и динамика для 2008-2011
• Квадраты Гартнера для маркетологов. Magic Quadrant for Marketing Resource Management 2011
• Комплексное управление маркетингом (IMM). Стратегия, технология или ПО
• Тренинг "Программы лояльности как центр прибыли компании". Коротко о главном: задачи и итоги

• Как правильно автоматизировать маркетинг? Комплексный подход и карта функциональности

  
  Прочитать другие статьи из этой же рубрики можно прочитать здесь
  Все статьи блога
  
  Для получения обновлений блога не забудьте подписаться на рассылку RSS.
  

4 совета по использованию аналитических технологий. Как начать проект

Сегодняшняя статья - ответ на письмо читателя, полученное по электронной почте.

С удовольствием читаю Ваш блог об инструментах Data Mining и business

intelligence. Но хочу все же до конца разобраться со всем этим. Есть

ли какие-то азы? С чего начать читать? С чего начать внедрять эти

инструменты в компании? Спасибо

Вопрос в письме затрагивает несколько разных тем и мне пришлось какое-то время подумать, чтобы составить относительно универсальный ответ, который надеюсь поможет компаниям, которые только планируют внедрять аналитические технологии. В проектной работе часто наблюдаю, что компаниям бывает непросто определиться с внедрением аналитики и выбором технологии.

Для того, чтобы ответить на вопрос "Как начать" предлагаю рассмотреть несколько  отдельных вопросов:

- зачем нужна аналитика (какую пользу она может принести компании)

- как анализировать (отличия различных технологий и платформ -  Business Intelligence, Data Mining, др.)
- кто будет анализировать/внедрять аналитическое решение (оценка достаточности собственного ресурса)
- что анализировать (какие данные будут использоваться в аналитике)

1. Зачем нужна аналитика. Или как перейти от данных к знаниям

Любые аналитические инструменты применяются для того, чтобы из необработанных сырых данных, которые накоплены в компании (или приобретены на рынке) получить полезные знания.

Чаще всего потребность в аналитике возникает в следствие таких ситуаций:

- подход от проблемы (снижение значения важных ключевых показателей)

- страх отстать от конкурентов (особенно при наличии информации о том, что у конкурентов уже используются аналитические технологии)

- решение учредителей/руководства

Как правило, чем более "насущной" или "острой" является проблема, которая заставила задуматься об аналитике, тем быстрее идея по использованию аналитики воплощается в жизнь.

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:

• мега-вендоры BI, независимые поставщики, data discovery вендоры (с точки зрения квадрата 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"

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.

Data Mining: типы закономерностей в данных

За последний месяц мне удалось убедиться в том, что аналитика данных прочно завоевывает новые позиции. Встречи с представителями нескольких розничных сетей и одним банком, которые используют специальное аналитическое ПО, позволяют с уверенностью говорить о том, что поиск закономерностей в данных перешел от теоретических наработок к этапу активного использования.

Однако, подкованных компаний пока совсем немного и большинство находится только в начале этого интересного пути. 

Для того, чтобы преодолеть первый существующий барьер использования Data Mining нужно не так уж много - понять, какие закономерности могут быть получены из накопленных данных и решить, как они могут быть использованы. 

Ниже описаны примеры закономерностей для различных сфер деятельности.

Закономерность - это существенная, постоянно повторяющаяся взаимосвязь явлений.

Результат применения методов Data Mining по отношению к любой предметной области может быть представлен в виде одной из закономерностей:

- классификация

- кластеризация

- ассоциации

В процессе выбора типа закономерности необходимо ориентироваться на результат, который должен быть получен в результате использования методов Data Mining (результат должен иметь практическую ценность для компании).

Классификация - закономерность, позволяющая относить объект (клиента, наблюдение, событие) к одному из заранее известных классов.

Примеры. 

- в банковской сфере: Кредитный скоринг, определение клиентов банка, склонных к не возврату кредита. 

Data Mining: Mind map по 4 ключевым трендам

Продолжаю тему программного обеспечения для аналитики. Сегодня - вторая часть статьи "Trends in Data Mining. Опрос на KDnuggets", в которой описаны основные результаты недавнего опроса о популярности программных продуктов для Data Mining.  Я решила сделать карту ума, которая в одном рисунке показывает основные изменения и тренды.

Mind map о рынке программного обеспечения для Data Mining  сделана по следам результатов опроса "What Analytics, Data mining, Big Data software you used in the past 12 months for a real project", проведенного на KDnuggets в мае 2012.

Другие Mind map (карты ума), которые также могут быть интересны:

• Mind map по Business Intelligence. Лидеры vs мега-вендоры, претенденты vs data discovery
• Категории вендоров Business Intelligence. Таблица и mind map
• Список задач для Data Mining. Карта ума/Mind Map
• Mind map по KPI. Характеристики и правила отбора показателей
• Искрографики (sparklines): особенности применения и способы создания

Для получения обновлений блога не забудьте подписаться на рассылку RSS.

Прочитать другие статьи из этой же рубрики можно прочитать здесь

Все статьи блога  можно увидеть здесь

Также может быть интересно:

• Конференции по Data Mining 2011
• Trends in Data Mining. Опрос на KDnuggets
• Кто и как использует аналитику/Data Mining. Результаты опросов 2011

• Business Intelligence и Data Mining. Ищем точки пересечения
• Interesting People in Data Mining
• Список задач для Data Mining. Карта ума/Mind Map (most popular в категории)
• Data Mining: типы закономерностей в данных

Trends in Data Mining. Опрос на KDnuggets

Исследования показывают, что большинство средних и крупных компании из различных сфер все больше интересуются аналитическими технологиями с целью повышения прибыльности, конкурентоспособности и производительности. Видимо не зря аналитика уже не первый год попадает в десятку самых важных стратегических технологий согласно исследованиям Gartner.

И если про основные тренды в Business Intelligence можно узнать в отчетах как минимум трех серьезных исследовательских компаний (Gartner, IDC и Forrester), то про тенденции на рынке software for Data Mining публикаций и отчетов намного меньше. 
Тем не менее, этот рынок активно развивается, что говорит о востребованности технологии Data Mining для решения самых разнообразных задач из различных сфер и областей. 

Один из самых полезных и познавательных ресурсов, который позволяет узнать о тенденциях развития рынка программного обеспечения Data Mining -  сайт KDnuggets. Здесь постоянно проводятся исследования на самые разнообразные темы. Сегодняшняя статья - по следам достаточно интересного опроса, в котором я также приняла участие, сейчас привожу обзор результатов.

Результаты ежегодного опроса "The 13th annual KDnuggets Software Poll" позволяют понять как развивается рынок программного обеспечения Data Mining.  В опросе "What Analytics, Data mining, Big Data software you used in the past 12 months for a real project" в мае 2012 года приняло участие 798 участников.

Основные выводы:

1) В первый раз число пользователей свободного (бесплатного, открытого) программного обеспечения для решения задач Data Mining превысило число пользователей коммерческого программного обеспечения .