Business Intelligence и Data Mining. Ищем точки пересечения

Рано или поздно практически любая компания, которая развивается интенсивным, а не экстенсивным путем сталкивается с поиском неиспользованных возможностей в бизнесе. Чаще всего на помощь приходит аналитика в самых разных вариантах (от базового варианта до интеллектуального анализа данных). 

Расширенная аналика (advanced analytics) является технологическим тредом, который включен в TOP-10 Gartner стратегических технологий на 2009-2010, 2011, 2012 года. 

Если в компании не внедрена система Business Intelligence, то поиск подходящего решения чаще всего лежит в плоскости отдельных специализированных инструментов для анализа данных. 
В противном случае вопросы выбора инструмента для расширенной аналитики должны согласовываться с уже существующими решениями в компании. Как показывает практика внедрений, это вопрос не тривиальный,и требует взгляда со стороны. 

Функциональность аналитики

Аналитика является одной из функциональностей  платформ Business Intelligence. Одним из важных вопросов при выборе аналитического решения являются  возможности существующей Business Intelligence: включает ли она  специальный инструмент и/или возможности аналитики на том уровне, который необходим компании.
Кратко напомню, что согласно классификации Gartner, Business Intelligence обеспечивает интеграцию, доставку и аналитику данных. К средствам аналитики в BI относятся:

• OLAP (Online Analytical Processing) 
• Продвинутая визуализация
• Predictive Modelling и data mining
• Карты показателей (Scorecards)

В сегодняшней статье рассматривается business intelligence & data mining от одного вендора .

Data mining от лидеров  BI рынка

Далеко не все вендоры BI обеспечивают свои платформы возможностью проведения полноценной аналитики. Некоторые платформы реализуют только интеграцию и доставку данных. При этом на рынке существует ряд инструментов data mining, которые не являются BI. 

Таким образом, ассоциировать BI и data mining не совсем правильно, необходимость использования BI и data mining от одного вендора зависит от стратегических целей и тактических задач компании.

В виде диаграмм Венна (Venn diagrams) проиллюстрировать это можно так:

Пункт назначения – лояльность клиента. Статья для "Нового Маркетинга"

Сегодня публикую фрагмент статьи "Пункт назначения - лояльность клиента. Анализ эффективности программ лояльности". Статья опубликована в первом номере 2012 журнала "Новый маркетинг". Анонс статьи на сайте журнала можно прочитать по ссылке.

Время ажиотажа вокруг программ лояльности для ретейлеров, пожалуй, прошло. Для многих сетей пришла пора подведения итогов. Розничные операторы, создавшие и внедрившие программы лояльности несколько лет назад, уже задумались о том, действительно ли они эффективны и решают ли они поставленные перед ними задачи. Компания Prospects предложила свои ответы на эти вопросы.

Как показывает практика, одна из основных причин неудачи программ лояльности – отсутствие четко обозначенной цели на старте. Недаром говорят, что «для корабля, пункт назначения которого неизвестен, нет попутного ветра». Когда программа создается как дань моде, корабль не может приплыть к месту назначения.

Как же правильно разработать маршрут путешествия, учесть остановки и обойти опасные места? Давайте поговорим о том, как научиться ориентироваться в море данных и информации, чтобы двигаться в верном направлении – к лояльности клиентов.

Представьте себя на лодке в открытом море. Парус – это ваша сила, отсутствие весел – это ваша слабость, сверкающая молния – угроза, а попутный ветер – ваши возможности. Если рассмотреть все эти составляющие, вместе взятые, взвесить силу и слабость, угрозы и возможности, то достичь цели намного проще, чем при отсутствии комплексного видения.

Вы, наверное, уже догадались, что речь пойдет о SWOT-анализе, но не о классическом, а о специально адаптированном к оценке эффективности программ лояльности. Но прежде чем приступить к нему, ответим на вопрос, что нужно, чтобы сориентироваться в море и решить, куда плыть дальше.

Категории вендоров Business Intelligence. Таблица и mind map

Компании, предлагающие рынку платформы для создания BI приложений, по-разному приходили к созданию своих продуктов. 
У каждой компании свой путь, который определяет особенности и ключевую функциональность Business Intelligence, возможности  и простоту интеграции с другими приложения в компании (ERP, CRM, специализированными маркетинговыми и HR программами). 
Понимать эти особенности при выборе платформы BI не менее важно, чем знать, кто является лидером на рынке BI в этом году.

Разработчиков/продавцов/поставщиков программного обеспечения принято называть вендорами.

Вендор (англ. vendor ) - это  поставщик товаров и услуг, которые объединены торговой маркой.

Независимый вендор программного обеспечения  (англ. Independent Software Vendor,ISV)  — бизнес-обозначение компаний, специализирующихся на создании или продаже программного обеспечения, разработанного для того, чтобы продавать его на массовом рынке или на специализированных(нишевых) рынках.

Вендоры BI платформ классифицируются не только  на лидеров, провидцев, претендентов и нишевых игроков  (по методологии Magic Quadrant). Существует еще одна, менее известная, но не менее интересная и полезная классификация от Gartner, во многом характеризующая сами платформы BI.


Вендоры Business Intelligence Platforms, представленных в квадрате 2011 года от Гартнера классифицируются на 6 категорий:

Magic Quadrant for Business Intelligence Platforms 2012. Ключевые моменты

6-7 февраля на Business Intelligence Summit 2012 продемонстрирован очередной Отчет Gartner "Magic Quadrant for Business Intelligence Platforms 2012".
В нем представлен 21 вендор 

1. Лидеры/Leaders 

Лидеры этого года - 8 вендров: IBM, Oracle, MicroStrategy, Microsoft, SAS, SAP, QlikTech, Information Builder

Состав лидеров не изменился, поменялось только их расположение.

IBM - лидирует как и в прошлом году Completeness of Vision - понимание поставщиком требований и тенденций развития рынка, возможность реализации, (горизонтальная ось)

Список задач для Data Mining. Карта ума/Mind Map

Каждый из нас бывает вынужден принимать решения в условиях неопределенности, опираясь на на опыт, интуицию или советы. И если речь идет об управлении компанией или определенными бизнес-процессами, то степень неопределенности может уменьшить аналитика данных.

Одна из аналитических технологий, помогающая в поддержке принятия решений - Data Mining. Однако, как показывает практика многих проектов, достаточно часто сотрудники компаний считают эту технологию достаточно узко направленной, как бы "заточенной" под определенную  задачу. 

Добавлен перевод наиболее важных блоков (in english). Added translation of the most important blocks (in english).

Ниже перечислены задачи компании, в которых технология Data Mining может быть основным методом решения или же служить дополнительным инструментом. 

О том, в каких сферах полезно использовать методы Data Mining (опрос 2011) можно прочитать по ссылке.

Список задач не претендует на полноту применения во всех областях, зато может служить отправной точкой для понимания тех задач, где экспертиза Data Mining может существенно повысить качество принятия решений в компании. 

Кто и как использует аналитику/Data Mining. Результаты опросов 2011

В последнее время аналитика завоевывает новые сферы, индустрии и рынки. Все чаще на конференциях, в статьях и на бизнес встречах можно услышать про использование интеллектуальных методов анализа данных Data Mining в той или иной компании. Говорят и пишут о применимости в различных сферах, о сложностях и препятствиях, о результатах и повышении эффективности работы за счет применения аналитики.

Кратко напомню, что Data Mining переводится как добыча данных, извлечение информации, раскопка данных, интеллектуальный анализ данных, средства поиска закономерностей, извлечение знаний, анализ шаблонов, "извлечение зерен знаний из гор данных", раскопка знаний в базах данных, информационная проходка данных, "промывание" данных. Понятие "обнаружение знаний в базах данных" (Knowledge Discovery in Databases, KDD) можно считать синонимом Data Mining. 

Однако, ответить на вопросы где (в каких отраслях) и как (какие методы) используются аналитические технологии, в частности Data Mining, не так просто. Чаще всего информация ограничивается тем, что компания N купила инструмент от некоторого вендора. В лучшем случае на очередной конференции можно услышать как применялся программный продукт.

Для того, чтобы понять общую картину на помощь приходят опросы и исследования участников рынка - практиков, которые используют аналитику для решения своих задач. Сегодня публикую результаты двух опросов, которые отвечают на вопросы, поставленные в начале статьи.

Вопрос 1. В какой сфере Вы применяли аналитику/Data Mining в 2011 году?

TOP 5 сфер с использованием аналитических технологий/Data Mining в различных сферах (источник)

• CRM/ consumer analytics, 25.0%
• Banking, 18.9%
• Health care/ HR, 16.7%
• Education, 16.2%
• Fraud Detection, 14.0%

Индивидуальное и групповое ранжирование клиентов. Часть 3.

Сегодня публикую часть 3 по статье  Секреты ранжирования клиентов. Рэнкинги и рейтинги  из журнала LOYALTY.INFO  № 3(41) 

Начало можно прочитать по ссылкам:

Секреты ранжирования клиентов. Рэнкинги и рейтинги (часть 1), 

Клиентская аналитика. Методы и подходы к ранжированию клиентов (часть 2)

ДЛЯ КОГО ИЩЕМ РАНГ: ДЛЯ ГРУППЫ ИЛИ КАЖДОГО КЛИЕНТА Ранжирование клиентов может осуществляться как индивидуальным способом, так и для группы клиентов.

Индивидуальное ранжирование предусматривает определение  для каждого клиента ранга, который является оценкой его значимости по определенному показателю (каждому клиенту присваивается его индивидуальная оценка).

Ранг для группы - оценка присваивается группе клиентов, и в дальнейшем каждый клиент группы рассматривается с равными характеристиками (каждой группе присваивается общая оценка). 

Примером индивидуального ранжирования является присвоение клиенту балла в скоринговых моделях вероятности возврата кредита. После заполнения анкеты клиенту банка присваивается коэффициент, который показывает вероятность того, что клиент вернет кредит. Если этот показатель слишком низок, кредит клиенту не выдают.