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.

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:

• 5 useful reports about Predictive Analytics And Data Mining. Mind map and 5 pdf
• Список задач для Data Mining. Карта ума/Mind Map
• Trends in Data Mining. Опрос на KDnuggets

• Кто и как использует аналитику/Data Mining. Результаты опросов 2011
• Сравнение решений Data Mining  IBM Vs SAS

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.

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 .

Mind map по KPI. Характеристики и правила отбора показателей

Термин KPI сейчас становится все популярней, наборы KPI включают в самые разнообразные проекты, будь то разработка Проекта мотивации сотрудников, Хранилища Данных или Программы Лояльности. Под этим термином часто подразумеваются совершенно разные понятия, и достаточно часто это приводит к горячим спорам и дискуссиям.

На тему KPI написано немало учебников и статей. И для того, чтобы немного разобраться, что же такое KPI и какими характеристиками они обладают, предлагаю обратиться к нескольким авторитетным источникам и составить шпаргалку на тему "Какие показатели являются KPI и помогают отслеживать эффективность и оптимизировать управление чем либо".

Что такое KPI
Вот что пишет про KPI Википедия

Ключевые показатели эффективности (англ. Key Performance Indicators, KPI) — система оценки, которая помогает организации определить достижение стратегических и тактических (операционных) целей. Использование ключевых показателей эффективности даёт организации возможность оценить своё состояние и помочь в оценке реализации стратегии. 

KPI — это инструмент измерения поставленных целей. 

Ключевые показатели эффективности от CobiT 

KPI - это метрики, которые определяют, насколько хорошо бизнес-процессы выполняются с точки зрения их потенциала для достижения конкретной цели. 

Структура метрик/показателей. KPI и другие

Одним из наиболее авторитетных первоисточников по KPI является учебник  "Ключевые показатели эффективности: Разработка, внедрение и применение решающих показателей", автор Дэвид Парментер (David Parmenter).

Именно в этой книге можно увидеть структуру метрик компании, в которой в виде "луковицы" показано, что метрики/показатели делятся на три группы: KPI, RI&PI, KRI.

Business Intelligence: ищем альтернативы и резервы внутри компании

Любая компания хочет быть конкурентоспособной, принимать правильные решения и опережать конкурентов. Один из проверенных рецептов -  это использование программных продуктов, которые помогают принимать правильные решения, другими словами - решений Business Intelligence.
Однако несмотря на популярность темы аналитики, внедрение   Business Intelligence решений пугает многие компании своими сроками, стоимостью или сложностью использования. 
При этом есть альтернатива внедрению отдельного решения Business Intelligence, которая существует внутри компании, и об этом - сегодняшняя статья.


На функциональность и возможности Business Intelligence можно смотреть с разных сторон. И одна из таких сторон - это возможности бизнес-аналитики, встроенные в другие информационные системы и решения (не BI).
С этой точки зрения достаточно  интересным является отчет компании Aberdeen (источник - сайт компании Citia).
Визуализация отчета Aberdeen в виде mindmap