Adatbányászat - Üzleti haszon az adatok mélyén

Az adatbányászat hozzájárul mindazon vállalkozások sikeréhez, melyek felismerik, hogy ügyfeleikről, tranzakcióikról tárolt adataik információt rejtenek, weboldalaik, tartalmaik értéket hordoznak. Az adatbányászat egy olyan szakértői módszer, mely során az adatok elemzésével összefüggések, modellek alakíthatóak ki, melyekkel számos új információ kerülhet vállalkozása birtokába, melyet felhasználhat az ügyfélszerzés, az értékesítés, a marketing területén vagy a termék portfolió kialakítása során.

Milyen kérdésekre adhat választ az adatbányászat:

  • Mi lehet az oka a hirtelen forgalomcsökkenésnek vagy növekedésnek?
  • Mely ügyfelei fognak a közeljövőben elpártolni Öntől?
  • Mely termékeit szokták a vevők egymáshoz kapcsolódva vásárolni?
  • Vannak-e adatbázisában visszaélésre utaló jelek?
  • Mit szeretnek, vagy nem szeretnek weboldala látogatói, mi jelent számunkra értéket?

Az adatbányászat során komplex adatbázisokon egy-egy meghatározott témakör szerint végzünk mélyelemzést, amelynek célja a rendszeres vagy ad-hoc riportoktól eltérően nem a leíró elemzés, hanem az adatokban felismerhető mintázatok, összefüggések feltárása üzleti felhasználás céljából. Ezen elemzések során magas szintű statisztikai eljárásokat, modelleket (előrejelző/magyarázó modellek, adatredukciós eljárások stb.) alkalmazunk a vizsgált témakör minél pontosabb megértése érdekében.

Miben segíthet az adatbányászat?

  • Döntéshozatalban
  • Termék portfolió tervezésében
  • Akciók kialakításában
  • Marketing stratégia kialakításában
  • Célcsoportok kialakításában és felkutatásában

A legfrissebb adatbányászati felhasználások-text mining és Web mining

Az utóbbi években egyre fontosabbá váltak olyan új technikák, melyek az adatbányászat különleges alkalmazásához vezettek. A SenSCMS adatbányászati módszerei, eszközei lehetővé teszik a szöveges tartalmak és a webhasználat elemzését. Ez a két adatbányászati módszer az ügyfél információk - korábban alig használt - új forrásait nyitja meg, a kérdőíves felmérések és a weboldalak látogatásakor keletkező napló (weblog) adatainak elemzésével. Ezen adatok elemzésbe való bevonása mélyíti és gazdagítja a korábbi adatbányászati elemzésekkel feltárt összefüggéseket.

 

Az adatbányászat leggyakoribb alkalmazásai

Ügyfélszegmentációs elemzések:

Nagy ügyféltömeggel rendelkezik, de nem tudja, hogy milyen jellemzőkkel bírnak ügyfelei? Mi alapján lehetne ügyfél csoportokat kialakítani? Az ügyfél szegmentációs elemzések segítséget nyújtanak abban, hogy csoportokat alakíthasson ki ügyfeleiből és azok részére jellemzőik alapján még célzotabb marketing tevékenységet, értékesítést, stb.. folytathasson.

Kinek ajánljuk?

Olyan nagyszámú ügyféltömeggel rendelkező vállalkozások (bankok, biztosítók, nagykereskedések, telekommunikációs szolgáltatók) részére ajánljuk, akik ügyfélkörüket bizonyos paraméterek alapján szeretnék szegmentálni, azaz ügyfélkörük viselkedése szempontjából homogén csoportokat kialakítani.

Ügyféllemorzsolódás

Szintén nagy ügyfél tömeggel rendelkező vállalkozások számára ajánljuk az ügyféllemorzsolódás vizsgálatát, modellezését. Az ügyfelek múltbéli viselkedése, illetve a lemorzsolódott ügyfelek viselkedése alapján mintákat állítunk fel és veszélyeztetettségi pontszámmal vagy lemorzsolódási valószínűséggel látjuk el az egyes ügyfeleket, hogy könnyen meghatározhatóak legyenek azon ügyfelek akik esetében egy bizonyos időtávon belül várható a lemorzsolódás. A vizsgálat célja, hogy az ügyfél megtartó tevékenységet nagyobb hatékonysággal, kisebb célcsoporton lehessen lefolytatni.

Kinek ajánljuk?

Azon vállalatok számára ajánlott különösen, akiknél nagyobb ügyfél lemorzsolódás következett be, illetve várható és nagyobb ügyfél állománnyal, ügyfél nyilvántartással rendelkeznek. Illetve a jövőben ügyfél megtartó akciókat, tevékenységeket terveznek.

Keresztértékesítést (rollover) támogató modellek

A keresztértékesítés vizsgálatával választ kaphatunk arra a kérdésre, hogy az ügyfelek vásárlásaik során milyen termék kombinációkat vásároltak együtt, mely leárazások alkalmával választottak a termékhez más termékeket? Az elemzéssel megállapítható, hogy mely termékeket nem érdemes együtt akciózni (mert az egyik akciózása esetén a másik termék is fogy vele együtt), mely termékeket érdemes együtt értékesíteni?

Kinek ajánljuk?

Olyan akár kiskereskedelmi vállalkozások részére is ajánljuk a keresztértékesítést támogató modelleket, akik nagy számú tranzakcióval rendelkeznek. Ezen vizsgálat során ugyanis a vizsgálat középpontjában nem az ügyfelek, hanem a tranzakciók (termékek vásárlásai) állnak.

 

Tipikus adatbányászati módszerek:

Adatredukciós eljárások: faktor- és főkomponens-analízis

Ha az ügyfelek meglehetősen sok tulajdonsággal, jellemzővel írhatőak le, szükség lehet a jellemzők csoportosítására, összevonására, esetleg néhány jól interpretálható jellemző csoportba sorolni, amelyek egy-egy dimenzió mentén komplex mérőszámmal jellemzik az adott ügyfelet.

Klaszterelemzési eljárások

Olyan eszközök csoportja, melyet leggyakrabban a szegmentációs elemzéseknél használunk. Az eszközök használatának célja, hogy a megfigyelési egységeket, amelyek a konkrét vizsgálat témájától függően lehetnek termékek, ügyfelek, üzletek, stb... bizonyos tulajdonságok, jellemzők mentén a leghomogénebb csoportokba sorolja. Több féle változata létezik, ilyen például a hierarchikus, a "K-Means", a "Two-Step". Hogy éppen melyik alkalmazása célszerű, azt mindig a konkrét feladat dönti el.

Regressziós modellek

Olyan magyarázó, illetve előrejező modelleket sorolunk ide, melyek bizonyos ismert jellemzők értékei alapján adnak becslést, valamely további jellemző értékére. Számos változata létezik a jellemzők típusának megfelelően. Ilyen például a lineáris, logisztikus, multinomiális.

Neurális hálók

A regresszióshoz hasonléóan szintén előrejelző modellek, azonban képesek a tanulásra, az adatok között fennálló mintázatok felismerése alapján. Jól használhatóak például olyan esetekben, amikor olyan eseményeket szeretnénk előre jelezni, melyek több kimeneti lehetőséggel rendelkeznek, vagy nagy számú előrejelző tényezőnk lehetősége áll fenn, amelyek nem csak a vizsgált jelenséggel, hanem egymással is összefüggésben állnak.