Data mining w systemach CRM

Adam Stawowy
Data mining w systemach CRM
Summary: As a confluence of data mining and CRM systems, it is now possible to perform data mining on records collected from internal and external sources of information.
In this paper we present the successful examples of customer segmentation using data
mining techniques.
1. Wprowadzenie
W pracy przedstawiono problem segmentacji (klasyfikacji) wielkiej grupy
klientów ze względu na potencjalną zyskowność dla przedsiębiorstwa w dłuższej
perspektywie czasowej.
Funkcjonujące w przedsiębiorstwach systemy ERP nie pozwalają na
precyzyjną segmentację klientów, jednakże w połączeniu z systemami
zarządzania kontaktami z klientami (ang. CRM) oraz zaawansowanymi
technikami zgłębiania danych (ang. data mining) stanowią silne narzędzie do
wspomagania decyzji marketingowych.
Zdefiniowanie najważniejszych grup klientów pozwala na budowanie
efektywnego programu lojalnościowego, pozwala udoskonalić marketing
bezpośredni, a przede wszystkim - zwiększyć rentowność przedsiębiorstwa.
2. Zgłębianie danych
Zgłębianie danych (ang. Data Mining - DM) definiowane jest jako
automatyczne wyszukiwanie istotnych informacji w wielkich bazach danych.
Technikami stosowanymi w zgłębianiu danych są drzewa decyzyjne, sieci
neuronowe, indukcja reguł, najbliższego sąsiedztwa i algorytmy ewolucyjne.
Częste utożsamianie DM z hurtowniami danych czy zapytaniami ad hoc nie jest
uzasadnione. Celem DM jest uproszczenie i automatyzacja statystycznej obróbki
danych, prowadzącej od analizy danych źródłowych do konstrukcji modelu
aplikacyjnego. Około połowy zastosowań dotyczy marketingu, reszta - szeroko
rozumianych finansów (w tym wykrywanie oszustw klientów i pracowników oraz
ocena ryzyka kredytowego) [1]. Ze względu na rozwiązywane problemy DM
służy do:

dr inż., Wydział Zarządzania, Akademia Górniczo-Hutnicza, Kraków




klasyfikacji (segmentacji) zjawisk np. klientów,
prognozowania,
wykrywania danych skojarzonych,
detekcji zachowań sekwencyjnych.
Aczkolwiek zgłębiane danych wywodzi się ze statystyki - różnice między
tymi metodami eksploracji danych są znaczące: w tabeli 1. przedstawiono
porównanie między metodami statystyki a zgłębianiem danych.
Tabela 1. Porównanie statystyki i zgłębiania danych
Cecha
definicja
dane
argumenty
orientacja
podstawowe
pojęcia
główny cel
metody
wyniki
Statystyka
matematyczne metody
zbierania, organizowania i
interpretacji danych
numerycznych, w
szczególności analiza
charakterystyk populacji na
podstawie próbek
ilościowe
Data mining
automatyczny proces
wydobywania znaczących,
użytecznych, pierwotnie
nieznanych informacji,
wzorców, trendów i zależności z
wielkich baz danych
ilościowe i opisowe
(jakościowe)
numeryczne
dowolne : numeryczne, tekstowe
zorientowanie na modele
zorientowanie na wzorce
estymacja, prawdopodobieńmodelowanie prognostyczne,
stwo, dystrybuanta, testowanie segmentacja baz danych, analiza
hipotez, estymacja modeli,
powiązań, generowanie hipotez
predykcja
agregacja informacji poprzez odkrywanie struktur wiedzy
dystrybuanty i estymatory
ogólne modele
lokalne zależności, modele łatwe
w interpretacji
znana i ograniczona
nieznana i nieograniczona
wartość
informacyjna
wyników
poszukiwanie ograniczone - znamy typ
dokładny typ wyników nie jest
rozwiązań
wyników
znany
zalety dla
dokładność i przewidywalność prostota i nietrywialne wyniki
użytkownikó
w
Na rys. 1 przedstawiono schemat procesu wyszukiwania informacji.
System data mining
Baza danych
Algorytm data
mining
Trening
Testowanie
Model
Model
zweryfikowany
historyczne dane treningowe
historyczne dane testowe
nowe dane
Wyniki
Rys. 1. Proces zgłębiania danych, źródło: www.thearling.com
3. CRM - systemy zarządzania relacjami z klientami
Pojęcie CRM nie jest jednoznaczne, jednak można stwierdzić, że do klasy
CRM zaliczamy systemy, zawierające większość z wymienionych poniżej
modułów [3]:
 sprzedaż - zarządzanie kontaktami (profile klientów, struktura klientów
instytucjonalnych, historia kontaktów sprzedażowych i serwisowych),
zarządzanie kontem klienta (czynności sprzedażowe, zamówienia,
generowanie ofert),
 zarządzanie sprzedażą - prognozy i analizy sprzedaży, przydział do konta
klienta i przydział do terytorium, monitorowanie statusu klienta i
potencjalnych sprzedaży,
 zarządzanie czasem i terytorium - kalendarz i baza danych pojedynczego
użytkownika lub całej grupy,
 korespondencja - mailing, e-mail, faksy,
 marketing - zarządzanie kampanią, encyklopedia produktów, cenniki, oferty,
generator list adresowych, analiza efektywności kampanii,
 obsługa zgłoszeń handlowych - przyjmowanie i dystrybucja (w obrębie
struktur
sprzedażowych)
informacji
o
klientach
zgłaszających
zainteresowanie ofertą, odpowiadających na kampanię,
 telemarketing - układanie list telefonicznych według definicji grup
docelowych, automatyczne wybieranie numeru, zbieranie zamówień,






serwis i wsparcie klienta po sprzedaży - przydzielanie, śledzenie i
raportowanie zadań, zarządzanie problemem, kontrola zamówienia,
gwarancje,
informacja - szeroka i łatwa w użyciu funkcja raportowania, często bazująca
na OLAP,
integracja z systemami ERP - księgowość, produkcja, dystrybucja.
synchronizacja danych - pomiędzy urządzeniami przenośnymi i centralną
bazą danych i/lub pomiędzy różnymi centralnymi bazami danych i serwerami
aplikacji,
obsługa i sprzedaż za pośrednictwem sieci internet,
call center.
Systemy CRM są powszechnie używane przez banki, towarzystwa
emerytalne i ubezpieczeniowe, sektor dóbr szybkozbywalnych, farmację, firmy
nowej gospodarki oraz instytucje publiczne - szpitale, uniwersytety, urzędy.
4. Integracja DM i CRM
Współczesne systemy informatyczne ewoluują w kierunku integracji wielu
dotychczas osobnych systemów w jedną, funkcjonalną całość. Trudno sobie
wyobrazić działanie systemu CRM bez korzystania z danych zawartych w
systemie ERP, podobnie nie wystarczą funkcje raportowania zawarte w
systemach CRM do łatwego i efektywnego wydobywania wiedzy. Konieczne jest
tu dostarczenie narzędzi data mining do pogłębienia procesu zarządzania
kontaktami z klientami. W niniejszym rozdziale podano dwa przykłady
wykorzystania zgłębiania danych zawartych w systemach CRM i ERP.
4.1. Zmniejszenie odchodzenia klientów do konkurencji [4]
Przedsiębiorstwo ubezpieczeniowe Winterthur Insurance ma w Hiszpanii
ponad milion klientów. W 1996 roku nasilił się problem odchodzenia klientów do
konkurencji. Jako że pozyskanie nowego klienta jest droższe niż zatrzymanie już
istniejącego, a lojalny klient to istotna przewaga konkurencyjna, ustalono, że
ograniczenie odpływu klientów jest najważniejszym celem strategii
marketingowej.
Istniejąca baza danych przedsiębiorstwa zawierała wiele szczegółowych
danych o klientach - 250 cech dla jednego. Celem analizy danych było
opracowanie predykcyjnego modelu odchodzenia klientów. Jako że nie wszystkie
dane o klientach mają w tym przypadku znaczenie, w pierwszym etapie - metodą
burzy mózgów - wyselekcjonowano grupę 30 cech mogących mieć wpływ na
zrywanie umów przez klientów (pozostało więc 30 milionów cech do
zanalizowania). Do stworzenia modelu wykorzystano oprogramowanie SPSS
Clementine opartego na sieciach neuronowych, który przyporządkował każdemu
klientowi prawdopodobieństwo zerwania umowy. Weryfikacja modelu wskazała,
że daje on poprawne odpowiedzi w około 65% przypadków. Mając do dyspozycji
informacje o tym, którzy klienci są najbardziej skłonni do zrywania umów,
Winterthur był w stanie podjąć działania zaradcze - rozeznać potrzeby,
zaspokojenie których zatrzyma klientów, zastosować skierowaną właśnie do nich
ofertę specjalną, promocję i program lojalnościowy. W rezultacie nastąpiło
zmniejszenie odchodzenia klientów i zatrzymywanie najbardziej wartościowych.
4.2. Segmentacja klientów w obszarze e-commerce [5]
Firma WebMiner wykonała analizę klientów dla przedsiębiorstwa
sprzedającego klimatyzatory za pośrednictwem sieci internet. Założeniem było,
że nie wystarczy sama analiza plików zawierających informacje o zachowaniu się
klientów podczas odwiedzin strony WWW (ang. log file and clickstream
behavior), co jest powszechnie stosowaną praktyką. Celem była identyfikacja
preferencji klientów odwiedzających stronę oraz odkrycie ukrytych powiązań
między cechami klientów a ich zakupami. Analiza powinna pomóc
przedsiębiorstwu w weryfikacji strategii marketingowej.
Analizowane przedsiębiorstwo dysponowało danymi ze swego systemu
CRM o 25 221 klientach i tych, którzy odwiedzili stronę WWW, lecz nie
dokonali zakupu. Dane te połączono z zagregowanymi danymi demograficznymi
w trzech przekrojach.
 analiza kodów pocztowych (ang. zip code analysis): wykorzystano dostępną
bazę kodów z opisem gospodarstw domowych, pogrupowaną wg różnych
kryteriów.
 analiza stylu życia (ang lifestyle analysis): w tym celu połączono bazę
danych demograficznych z danymi o gospodarstwach domowych.
 analiza nieruchomości (ang. real property level analysis): baza danych
zawierała dokładne informacje o nieruchomościach i ich właścicielach, w
tym wiek i wielkość domu (mieszkania).
Po zastosowaniu techniki drzewa decyzyjnego (jedna z technik zgłębiania
danych) zidentyfikowano 3 grupy klientów o 3-krotnie większej niż przeciętna
skłonności do zakupu klimatyzatorów:
 imigranci zamieszkujące wschodnie wybrzeże,
 grupa osób dobrze wykształconych i dobrze zarabiających,
 młode rodziny imigrantów (hiszpańskojęzyczne).
Okazało się ponadto, że klienci ci mieszkali przede wszystkim w kilkunastu
ośrodkach stanów New York i New Jersey, gdzie przeważało budownictwo
sprzed 1950 roku, bez centralnych systemów klimatyzacyjnych i w większości
nie posiadali samochodów.
W wyniku przeprowadzonych prac WebMiner zarekomendował
przedsiębiorstwu rezygnację z reklamy radiowej na rzecz reklamy w autobusach i
metrze (klienci dojeżdżali do pracy tymi środkami transportu). Reklamę
bannerową zalecono umieścić na regionalnych stronach przeznaczonych dla
młodych mieszkańców wschodniego wybrzeża i - co wydaje się najważniejsze zalecono przygotować hiszpańskojęzyczną wersję sklepu internetowego.
5. Wnioski końcowe
Dzięki zgłębieniu danych zawartych w bazach przedsiębiorstwa można m.in.
określić:
 jacy klienci opuszczają przedsiębiorstwo,
 jakie jest ryzyko odejścia poszczególnych klientów,
 cechy klientów gotowych opuścić przedsiębiorstwo,
 charakterystykę grup klientów,
 jakie sprzężone produkty są nabywane przez poszczególne grupy klientów
(analiza koszykowa).
Mając taki zestaw informacji, wzbogacony o analizę satysfakcji i preferencji,
przedsiębiorstwo może konstruować skuteczne programy lojalnościowe.
Zgłębianie danych pozwala na pełne wykorzystanie posiadanych danych o
klientach i transakcjach, umożliwia odkrycie krytycznych informacji, które
można przekształcić w przewagę konkurencyjną. Dzięki trafnym decyzjom
podjętym na podstawie wyników analiz danych wzrasta konkurencyjność
przedsiębiorstwa i - co za tym idzie - jego zyski.
Literatura
[1] Data, text and web mining: application areas,
www.kdnuggets.com/polls/application_areas.html.
[2] Parzydło M.: "CRM czyli świadoma sprzedaż", Teleinfo, nr 43, 1999
[3] Redukcja odchodzenia klientów do konkurencji, www.spss.pl
[4] Thearling K.: An introduction to data mining, www.thearling.com.
[5] WebMiner site: case study, www.webminer.com