Бизнес-приложения Data Mining
Сфера применения DM ничем не ограничена и используется везде, где имеются какие-либо данные. Но в первую очередь методы DM сегодня интересуют коммерческие предприятия, развертывающие проекты на основе информационных хранилищ данных - ХД (Data Warehousing). Опыт многих таких предприятий показывает, что отдача от использования DM может достигать 1000%. Пример — в сети универсамов в Великобритании за счет внедрения DM достигнута годовая экономия 700 тыс. дол.
DM представляют большую ценность для руководителей и аналитиков в их повседневной деятельности. Топ-менеджеры осознали, что с помощью методов DM они могут получить ощутимые преимущества в конкурентной борьбе.
Средства DM - Data Mining
Средства DM , как и большинство средств Business Intelligence, традиционно относятся к дорогостоящим программным инструментам — цена некоторых из них доходит до нескольких десятков тысяч долларов. Поэтому до недавнего времени основными потребителями этой технологии были банки, финансовые и страховые компании, крупные торговые предприятия, а основными задачами, требующими применения DM , считались оценка кредитных и страховых рисков и выработка маркетинговой политики, тарифных планов и иных принципов работы с клиентами. В последние годы ситуация претерпела определенные изменения: на рынке программного обеспечения появились относительно недорогие инструменты DM от нескольких производителей, что сделало доступной эту технологию для предприятий малого и среднего бизнеса, ранее о ней и не помышлявших.
К современным средствам Business Intelligence относятся генераторы отчетов, средства аналитической обработки данных, средства разработки BI-решений (BI Platforms) и так называемые Enterprise BI Suites — средства анализа и обработки данных масштаба предприятия, которые позволяют осуществлять комплекс действий, связанных с анализом данных и с созданием отчетов, и нередко включают интегрированный набор BI-инструментов и средства разработки BI-приложений. Последние, как правило, содержат в своем составе и средства построения отчетов, и OLAP-средства, а нередко и DM .
DM-инструменты поставляются заказчикам двумя способами:
в виде самостоятельных DM-систем;
в составе OLAP-систем.
Функциональность DM в той или иной степени полноты реализации включена в аналитические системы различных производителей - Oracle, Hyperion, SAS и т.д. Однако, наиболее "продвинутыми" в этом плане являются специализированные системы математического анализа данных.
Лидерами на рынке средств анализа и обработки данных масштаба предприятия являются компании Busi ness Objects, Cognos, Information Builders, а претендуют на лидерство также Microsoft и Oracle (диаграмма слева). Что касается средств разработки BI-решений, то основными претендентами на лидерство в этой области являются компании Microsoft и SAS Institute (диаграмма справа).
Средства Business Intelligence компании Microsoft относятся к сравнительно недорогим продуктам, доступным широкому кругу компаний.
|
Банковское дело
Достижения технологии DM - Data Mining - используются в банковском деле для решения следующих распространенных задач:
Выявление мошенничества с кредитными карточками
Путем анализа прошлых транзакций, которые впоследствии оказались мошенническими, банк выявляет некоторые стереотипы такого мошенничества.
Разбивая клиентов на различные категории, банки делают свою маркетинговую политику более целенаправленной и результативной, предлагая различные виды услуг разным группам клиентов.
Прогнозирование изменений клиентуры
DM помогает банкам строить прогнозные модели ценности своих клиентов, и соответствующим образом обслуживать каждую категорию.
Пример.
Большой Европейский банк решил предложить ссуды клиентам, пользующимся другой банковской услугой. Вначале был использован старый CHAID-алгоритм DM, по результатам работы которого, предложения были высланы только 50% заказчиков, при этом был получен ответ от 85 процентов ожидаемых респондентов. (Без специальной модели прогнозирования, нужно было выбрать случайным образом 85% клиентов, чтобы информация достигла 85% ожидаемых респондентов). Затем было внедрено специальное DM-приложение, в котором применяются разные алгоритмы. За счет этого удалось испробовать возможности различных моделей прогнозирования. В результате достаточно было выполнять рассылку только 40% клиентов, чтобы достигнуть 85% результата. В итоге удалось сэкономить сотни тысяч долларов в год, поэтому вложения в DM-технологию быстро окупились.
|
Бизнес
DM может применяться во множестве других областей:
Все отрасли могут воспользоваться методами DM для выявления отдельных сегментов своей клиентуры. DM дает предприятиям возможность учитывать намного больше параметров, чем это делалось на основе традиционных методах хранения неструктурированной информации;
Развитие автомобильной промышленности
При сборке автомобилей производители должны учитывать требования каждого отдельного клиента, поэтому им нужны возможность прогнозирования популярности определенных характеристик и знание того, какие характеристики обычно заказываются вместе;
Производителям нужно предсказывать число клиентов, которые подадут гарантийные заявки, и среднюю стоимость заявок;
Авиакомпании могут обнаружить группу клиентов, которых данными поощрительными мерами можно побудить летать больше. Например, одна авиакомпания обнаружила категорию клиентов, которые совершали много полетов на короткие расстояния, не накапливая достаточно миль для вступления в их клубы, поэтому она таким образом изменила правила приема в клуб, чтобы поощрять число полетов так же, как и мили.
|
Медицина
Известно много экспертных систем для постановки медицинских диагнозов. Они построены главным образом на основе правил, описывающих сочетания различных симптомов различных заболеваний. С помощью таких правил узнают не только, чем болен пациент, но и как нужно его лечить. Правила помогают выбирать средства медикаментозного воздействия, определять показания — противопоказания, ориентироваться в лечебных процедурах, создавать условия наиболее эффективного лечения, предсказывать исходы назначенного курса лечения и т. п. Технологии DM позволяют обнаруживать в медицинских данных шаблоны, составляющие основу указанных правил.
|
Молекулярная и генная инженерия
Пожалуй, наиболее остро и вместе с тем четко задача обнаружения закономерностей в экспериментальных данных стоит в молекулярной генетике и генной инженерии. Здесь она формулируется как определение так называемых маркеров, под которыми понимают генетические коды, контролирующие те или иные фенотипические признаки живого организма. Такие коды могут содержать сотни, тысячи и более связанных элементов.
На развитие генетических исследований выделяются большие средства. В последнее время в данной области возник особый интерес к применению методов DM . Известно несколько крупных фирм, специализирующихся на применении этих методов для расшифровки генома человека и растений.
|
Прикладная химия
Методы DM - Data Mining - находят широкое применение в прикладной химии (органической и неорганической). Здесь нередко возникает вопрос о выяснении особенностей химического строения тех или иных соединений, определяющих их свойства. Особенно актуальна такая задача при анализе сложных химических соединений, описание которых включает сотни и тысячи структурных элементов и их связей.
|
Приложения Data Mining
Применяются довольно широко в розничной торговле, маркетинге, финансах, здравоохранении, промышленном производстве и других областях. Компании используют преимущества этой технологии в следующих сферах деятельности:
Моделирование отклика
Основано на демографических показателях и истории продаж. Помогает определить, какие из клиентов вероятнее всего среагируют на некоторый продукт или рекламную кампанию.
Компания Sports Plus по продаже спортивной одежды, принимает заказы и рассылает 20 млн. каталогов и рекламных листовок по почте. Обслуживая текущую клиентуру, фирма приобретает списки рассылок, а также демографические и другие данные и использует их для расширения своего рынка сбыта. Собрав данные о 50 тыс. потенциальных потребителей после первой рассылки, фирма разработала модель отклика, учитывающую следующие параметры: возраст, пол, доход, занятие, географическое положение, подписку на журнал и т. п. Модель прогнозирует вероятность того, что после получения каталога потенциальный клиент станет реальным потребителем. Используя модель для ранжирования и отбора возможных потребителей из приобретенных рассылок, компания сократила затраты на печать и почтовую пересылку каталогов на 60%, при этом от 85% потенциальных заказчиков удалось получить ответ. В итоге за год маркетинговые расходы сократились на 20 млн. долларов.
Оценка работы с заказчиком
Основана на ряде повторяющихся покупок, потраченных суммах, продолжительности сотрудничества. Позволяет выяснить, какие из клиентов могут стать самыми ценными.
Glamour Cosmetics продает серию высококачественных косметических и санитарно-гигиенических средств, в основном через каталоги. За счет опросов и анкетирования, проводимых при заполнении формы заказа, были собраны широкие данные о предпочтениях, биографических сведениях и покупательских привычках заказчиков. Используя эту информацию, Glamour Cosmetics строит модели для ранжирования клиентов на основе затраченных сумм, повторных приобретений и покупательской приверженности. Вооруженная этой информацией компания может прогнозировать приверженность клиента, вероятность его отказа от услуг, вероятность повторных покупок, а также классифицировать потребителей на две категории - "покупателей" и "любопытствующих". Теперь, обнаружив небольшую группу постоянных покупателей среди всего множества заказчиков, фирма может быстро определить потенциальных клиентов, попадающих в эту группу, и предложить им специальные услуги и побудить к покупкам. Недавние маркетинговые мероприятия, направленные на самых выгодных заказчиков, привели к 15%-му росту доходов.
Сегментация клиентов
Какие общие характеристики есть у основных клиентов компании, можно ли их разделить на четкие группы?
Ace Insurance представляет и продает все виды страховых услуг: страхование жизни, недвижимости, автомобилей, нетрудоспособности, несчастных случаев и т. п. Собрав информацию из специального приложения автоматизации страховых операций и из специальных опросов заказчиков, компания решила разбить всех клиентов на определенные группы в соответствии с общими признаками. Это позволило ей выделить типы самых выгодных потребителей для каждой из групп, для которых будут разрабатываться более эффективные маркетинговые стратегии. Выяснилось, что полисы страхования жизни приобретались в основном тремя категориями лиц На основе этой информации Ace Insurance разработала три маркетинговые кампании, каждая из которых была направлена на одну из целевых групп. Кроме того, компания начала проверку новых услуг, направленных на привлечение клиентов с различными профилями.
Перекрестные продажи
Если есть информация о том, что клиенты приобрели продукты A, Б и В, то какие из них вероятнее всего купят продукт Г?
Premier Financial Services занимается торговлей акциями различных взаимных фондов и аннуитетов, а также предоставляет дополнительные финансовые услуги. Обычно клиенты выбирают для инвестиций от трех до шести различных фондов, разграничивая тем самым портфель (например, вкладывают средства в международные, стабильные и др. фонды). Фирма стремится продавать больше фондов и услуг своим клиентам, сосредоточив маркетинговые усилия в наиболее интересных для заказчиков направлениях. Кроме того, при формировании нового фонда, компания хочет рассылать маркетинговые материалы тем клиентам, которые вероятнее всего откликнутся. Используя информацию по фондам и услугам, уже приобретенным заказчиками, фирма Premier Financial Services разработала модель прогнозирования покупки фонда или услуги тем или иным клиентом. Ей удалось выделить именно тех клиентов, которые вероятнее всего среагируют на продвигаемый продукт или услугу. Таким образом, грамотно работая с клиентской базой, компания смогла повысить доходы на 35%.
|
Розничная торговля
Предприятия розничной торговли сегодня собирают подробную информацию о каждой отдельной покупке, используя кредитные карточки с маркой магазина и компьютеризованные системы контроля. Вот типичные задачи, которые можно решать с помощью DM в сфере розничной торговли:
Анализ покупательской корзины (анализ сходства)
Предназначен для выявления товаров, которые покупатели стремятся приобретать вместе. Знание покупательской корзины необходимо для улучшения рекламы, выработки стратегии создания запасов товаров и способов их раскладки в торговых залах.
Исследование временных шаблонов
Помогает торговым предприятиям принимать решения о создании товарных запасов. Оно дает ответы на вопросы типа "Если сегодня покупатель приобрел видеокамеру, то, через какое время, он вероятнее всего купит новые батарейки и пленку?"
Создание прогнозирующих моделей
Дает возможность торговым предприятиям узнавать характер потребностей различных категорий клиентов с определенным поведением, например, покупающих товары известных дизайнеров или посещающих распродажи. Эти знания нужны для разработки точно направленных, экономичных мероприятий по продвижению товаров.
|
Страхование
Страховые компании в течение ряда лет накапливают большие объемы данных. Здесь обширное поле деятельности для методов DM:
Выявление мошенничества
Страховые компании могут снизить уровень мошенничества, отыскивая определенные стереотипы в заявлениях о выплате страхового возмещения, характеризующих взаимоотношения между юристами, врачами и заявителями.
Анализ риска
Путем выявления сочетаний факторов, связанных с оплаченными заявлениями, страховщики могут уменьшить свои потери по обязательствам.
Пример.
В США крупная страховая компания обнаружила, что суммы, выплаченные по заявлениям людей, состоящих в браке, вдвое превышает суммы по заявлениям одиноких людей. Компания отреагировала на это новое знание пересмотром своей общей политики предоставления скидок семейным клиентам.
|
Телекоммуникации
В области телекоммуникаций методы DM помогают компаниям более энергично продвигать свои программы маркетинга и ценообразования, чтобы удерживать существующих клиентов и привлекать новых.
Среди типичных мероприятий отметим следующие:
Анализ записей о подробных характеристиках вызовов
Назначение такого анализа — выявление категорий клиентов с похожими стереотипами пользования их услугами и разработка привлекательных наборов цен и услуг;
Выявление лояльности клиентов
DM - Data Mining - можно использовать для определения характеристик клиентов, которые, один раз воспользовавшись услугами данной компании, с большой долей вероятности останутся ей верными. В итоге средства, выделяемые на маркетинг, можно тратить там, где отдача больше всего.
Пример.
Перед компанией, предоставляющей услуги связи в беспроводных сетях, встала проблема высокой текучести абонентов (процент клиентов, отказавшихся от ее услуг), при этом 40% заказчиков продолжали использовать аналоговые, а не цифровые услуги, продолжительность разговоров в течение месяца у клиентов была низкой, поэтому доход в среднем на одного абонента не превышал 50 долларов. Задача состояла в том, чтобы удержать больше клиентов и модернизировать предоставляемые им услуги. Это должно было принести существенный доход, в противном случае, потери клиентов в месяц возросли бы до 700 000, и за год сумма убытка составила бы 360 млн. долларов.
Данные в базе были представлены сотнями полей, причем одной трети из них соответствовали записи о телефонных вызовах. Используя DM-приложение, компания разработала серию моделей ранжирования клиентов в соответствии с вероятностью их отказа от услуг. Кроме того, был обнаружен набор правил, позволяющих прогнозировать поведение клиента. Фирме удалось сократить уровень текучести абонентов на треть и снизить уровень затрат на почтовую рассылку на 60%. Кроме того, объем месячных разговоров возрос, а, следовательно, повысились и доходы от абонентов в целом. Многие заказчики перешли на цифровые услуги
| |
Скачать 2.04 Mb.