Zachodniopomorski Uniwersytet Technologiczny w Szczecinie ROZPRAWA DOKTORSKA

Transkrypt

1 Zachodniopomorski Uniwersytet Technologiczny w Szczecinie ROZPRAWA DOKTORSKA mgr inż. Monika Stankiewicz MODELOWANIE PROFILI KLIENTÓW W INFORMATYCZNYM SYSTEMIE WSPOMAGANIA DECYZJI Promotor: prof. dr hab. inż. Ryszard Budziński Szczecin, 2012

2 SPIS TREŚCI WSTĘP problem cel zakres hipoteza WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI Podeście marketingowe w badaniu klientów Systemy wspomagania decyzi w zarządzaniu CRM analityczny w analizie preferenci klientów KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH Rola procedury w dążeniu do wyznaczania profili konsumenckich Metody wyznaczania reguł zachowań klientów Technologie i techniki wyznaczania preferenci klientów w uęciu lingwistycznym Modelowanie profili konsumenckich w uęciu systemowym WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Formalizaca procedury badawcze Materiał empiryczny biuro podróży TUI CP w Szczecinie Identyfikaca reguł zachowań konsumenckich Ustalanie preferenci dla kryteriów oceny metodą analizy hierarchiczne Wyznaczanie profili konsumenckich w zarządzaniu UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI ZAKOŃCZENIE BIBLIOGRAFIA SPIS RYSUNKÓW

3 SPIS TREŚCI SPIS TABEL ANEKS...I 3

4 WSTĘP Profil klienta na rynku ulega ciągłym przeobrażeniom. Przyczynia się to do zmiany kontekstu biznesowego oraz warunków, w akich konkuruą przedsiębiorstwa. Nabywcy są coraz bardzie znużeni obfitością ofert i coraz mnie loalni wobec marki. Doskonale znaą opinie innych osób o produktach i usługach, i stale zwiększaą swoe wymagania [Bachnik 2010, s ]. Wielu autorów, m.in. G. Antonides i W. Fred van Raai, wskazue, iż badanie zachowań konsumenta est ważne, ponieważ kształtue postawy i preference klienta, pozwala określić ego wartość dla firmy oraz prognozować i zrozumieć popyt na produkty [Antonides, van Raai 2003]. Na przyszłe zachowania nabywcy istotnie wpływa ego satysfakca ako konsumenta [Anderson, Sullivan 1993], a więc reakca emoconalna na procesy porównawcze realizowane przez klienta, polegaące na zestawianiu swoich doświadczeń i doznań po konsumpci produktu lub usługi z oczekiwaniami [Tarczydło 2011, s. 117]. Pomiar satysfakci, loalności, zadowolenia, wartości klienta generue wskaźniki krytyczne dla wyników biznesowych (takich ak zysk czy udział w rynku). Dlatego warunkiem dobrego prosperowania firmy est spełnianie oczekiwań klienta [Drucker 1954], t. dostosowywanie produktów do ego oczekiwań, dbałość o relace z nim zarówno przed transakcą, ak i po e zrealizowaniu [Gale 1994], a także dokładanie wszelkich starań, aby przewidzieć ego potrzeby wcześnie niż konkurenca [Bachnik 2010, s ]. Obok zadowolenia klienta istotna est znaomość ego opinii, postaw oraz preferenci (których zmiany przyczyniaą się do transformaci rynkowych). Badanie preferenci pozwala bowiem określić profil klienta, zatrzymać go w firmie oraz podnieść akość usług i wydaność firmy [Iacobuci, Grayson, Ostrom 1994]. Znać profil klienta (lub grupy klientów) to znaczy wiedzieć, w dużym przybliżeniu, w aki sposób podemue on decyze zakupu, i umieć przewidywać, ak będzie reagował na propozyce i zachowanie sprzedawców [Chwałek 2003, s ]. Podęta w pracy badawcze problematyka est istotna z punktu widzenia zarządzania informacą w przedsiębiorstwie i efektywnego funkconowania organizaci gospodarcze. Wychodzi ona naprzeciw potrzebom przedsiębiorców, którzy stosuą informatyczne systemy wspomagania decyzi, a chcieliby usprawnić ich działanie. 4

5 WSTĘP Analiza stanu badań naukowych wskazue ednoznacznie, że mimo dynamicznego rozwou technik i metod oceny preferenci klientów, istnieące rozwiązania nie są pozbawione wad oraz istotnych uproszczeń, a także cechuą się stosunkowo wąskim spektrum zastosowań praktycznych. Mimo że dostępnych est wiele metod i technik badania potrzeb, preferenci (np. pogłębionych wywiadów psychologicznych, wykreślania map percepci, predykci, analizy koincydenci) oraz segmentaci klientów, obecny stan wiedzy w zakresie potencalnego wykorzystania technik marketingu i psychologii w informatyce wskazue, że prowadzone badania maą ogromną perspektywę rozwou. Istniee również ciągła potrzeba wzbogacania te wiedzy poprzez prowadzenie badań doświadczalnych. Jak wskazue M. Bennewicz, każdy przedsiębiorca może mieć dobry produkt oraz łatwo kupić i wdrożyć technologię. Sztuką natomiast est mieć klientów, którzy czuą się usatysfakconowani z powodu zakupu produktu [Bennewicz 2008]. Utrudnieniem w badaniu preferenci est dostępność niedokładnych, a często edynie słownych ich opisów. Wymaga to poszukiwania nowych podeść do modelowania zawisk ciągłych i subiektywnych. W związku z przedstawioną argumentacą sformułowano następuący cel pracy: konstrukca modułu w systemie zarządzania relacami z klientami (CRM), który będzie monitorował preference konsumentów, a zatem wykorzystywał rozproszoną wiedzę o klientach do zautomatyzowania wieloetapowego procesu generowania wniosków w celu uzyskania opinii o oferowanych produktach oraz badał ewolucę tych opinii w czasie. Efektem monitorowania informaci o klientach będzie praktyczny zestaw cech ich profili, dzięki czemu możliwe będzie utrzymanie dotychczasowych i pozyskiwanie nowych klientów. Do osiągnięcia zamierzonego celu konieczne est zdefiniowanie procedury, która w sposób precyzyny i quasi-automatyczny dokona klasyfikaci nieednorodnego zbioru danych. Ważne są tu dobór i konstrukca algorytmu wspieraącego adaptacę odpowiednie metody do indywidualnych potrzeb decydenta (przedsiębiorstwa). Wybrana problematyka badań naukowych w pracy doktorskie obemue takie zagadnienia, ak: metody wyekstrahowania zmiennych preferenci klienta w czasie, w rzeczywistości nieprzechodnie; prognozowanie preferenci klientów w przyszłości; 5

6 WSTĘP budowa baz historycznych na potrzeby lingwistyczne; agregaca i eksploraca danych; dobory metod i narzędzi w celu rozwiązania problemów związanych z monitoringiem; procedury klasyfikaci i ekstrakci danych ze zbiorów nieednorodnych. Wstęp do rozprawy przedstawia problem badawczy, cel i zakres pracy oraz hipotezę. W rozdziale pierwszym omówiono współczesne kierunki zarządzania relacami z klientami. Zaprezentowano podeście marketingowe w badaniu klientów, wartość, aką stanowią oni dla firmy oraz wykorzystanie systemów informatycznych we wspomaganiu zarządzania relacami z klientami. Przedstawiono genezę i kierunki rozwou systemów CRM oraz ich cechę charakterystyczną, aką est modułowość (ze szczególnym uwzględnieniem części analityczne). Podsumowany został stan literatury światowe na temat marketingowych badań zachowań i analizy preferenci klientów, których opis zawiera elementy niepewności i subiektywizmu. Zagadnienia te są kluczowe dla funkconowania firm, ponieważ tylko trafna ocena informaci zwrotne płynące od klienta oraz trendów rynkowych umożliwia dostosowanie się przedsiębiorstwa do zmian na rynku, a także zmian profili klientów [Kumar 2010]. W drugim rozdziale przedstawiono koncepcę modelu badania preferenci i wyznaczania profili konsumenckich. Wskazano rolę procedury w przyętych badaniach. Omówiono metody wyznaczania reguł zachowań klientów oraz technologie i techniki wyznaczania preferenci. Określono, czym est modelowanie profili konsumenckich w uęciu systemowym. Rozdział ten poświęcony est głównie metodom i algorytmom w badaniu preferenci oraz wyborowi metodyki rozwiązania autorskiego. Wprowadzono w nim podstawowe definice wykorzystywane w części badawcze rozprawy. Trzeci rozdział to weryfikaca empiryczna opracowanego modelu. Zawarte zostały w nim m.in. szczegółowy opis oraz etapy przyęte w pracy procedury badawcze, a także algorytm e działania. Rozdział zawiera zasadniczy wkład naukowy rozprawy w postaci obliczeń granularnych na badane zbiorowości oraz identyfikaci reguł zachowań i preferenci klientów opisanego środowiska. Rozdział czwarty przedstawia umiescowienie modułu analitycznego w informatycznym systemie wspomagania decyzi. Zawarto w nim również ocenę efektywności zaproponowanego rozwiązania. Przedstawiono zagadnienia związane z możliwościami 6

7 WSTĘP informatyzaci, kosztami i przewidywanymi efektami wdrożenia procedury na przykładzie systemu informatycznego międzynarodowe korporaci branży turystyczne TUI. W pracy postawiono następuącą hipotezę: zastosowanie wieloetapowe procedury oceny preferenci klientów na podstawie wiedzy rozproszone, przy zastosowaniu teorii zbiorów przybliżonych, metody analizy hierarchiczne i metody Electre Tri, pozwoli w znacznym stopniu zautomatyzować proces generowania wniosków i uzyskiwania pełniesze wiedzy o procesie biznesowym. Zastosowanie teorii zbiorów przybliżonych pozwoli na monitorowanie reguł zachowania klientów ( czym się kieruą ludzie, wybieraąc dane produkty i usługi? ). Użycie metody analizy hierarchiczne umożliwi grupowe formalizowanie parametrów preferenci (opinie użytkowników i ocena oferowanych produktów), natomiast grupowanie metodą Electre Tri odzwierciedli aktualne profile konsumenckie. Weryfikaca hipotezy i osiągnięcie postawionego celu pracy wymagało przeprowadzenia dokładne analizy obecnego stanu wiedzy. Dokonano przeglądu metod i technik badania preferenci klientów, a następnie opracowano metodykę rozwiązania autorskiego uwzględniaącą kontekst badawczy. W związku z tym, że modelowanie profili klientów est tematem ważnym dla przedsiębiorstw w dobie ogromne konkurenci, prowadzone badania nad rozpatrywanym problemem są zasadne, a przedsiębiorcy, zachęceni sukcesem stosowania systemów wspomagania decyzi, mogliby zastosować rozwiązania podobne do proponowanych w rozprawie. 7

8 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI Zachodzące zmiany w sposobie postrzegania wartości przez społeczeństwo powoduą, że rynek stae się nie tylko miescem zawierania transakci handlowych, ale także nawiązania dialogu, wymiany doświadczeń i zaspokaania potrzeb. Dotarcie do klienta (nabywcy, kupuącego), analiza i dostosowanie możliwości do potrzeb rynku to edyna szansa firmy na zainteresowanie swoą ofertą potencalnych klientów oraz zdobycie przewagi konkurencyne. Proces tworzenia wartości ako współdziałanie firm i klientów przyczynił się do wprowadzania przez przedsiębiorstwa zmian w kluczowych obszarach swoe działalności [Prahalad, Ramaswamy 2005, s. 2-5]. Firmy ukierunkowały się na ciągłe poznawanie potrzeb (które L. Rudnicki definiue ako stan braku czegoś i zarazem czynnik uruchamiaący funkcę motywu do działania w kierunku odpowiednie zmiany tego stanu [Rudnicki 2000, s. 36]) i preferenci klienta (czyli systemu ocen i priorytetów nabywcy). Zdobyta wiedza pozwoliła nie tylko na budowanie trwałych relaci i obustronną satysfakcę ze zrealizowanych transakci, ale również na zapewnienie firmie przewagi konkurencyne. Klienci stanowią źródło informaci i przychodów dla firmy, dlatego ważne est stałe zarządzanie relacami z nimi i doskonalenie tych relaci oraz indywidualizaca procesów związanych z klientem. Strategia związku firmy z klientem musi zatem budować w nim pozytywne doświadczenia, powodować, że będzie chętnie inwestował swoe pieniądze, dostarczał informaci o sobie, swoich preferencach oraz oczekiwaniach wobec firmy. Klient est źródłem i twórcą wartości dla firmy, takich ak pozytywna opinia, wiedza i doświadczenie firmy [Dobiegała-Korona, Doligalski, Korona 2004, s ]. W rozdziale omówiono rozwó tradycynego marketingu w stronę marketingu relaci, relace pomiędzy firmą a klientem, ego wartość dla firmy (ze szczególnym uwzględnieniem wartości życiowe klienta wartości wyrażone w pieniądzu, która bezpośrednio wynika z relaci z klientem), zdefiniowano czym są preference, postawa, profil, zachowanie, segmentaca klienta, a także zaprezentowano podeście marketingowe w badaniu preferenci i postaw konsumenckich. Przedstawiono rolę informatycznych systemów wspomagania 8

9 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI decyzi w analizie klientów, ich modułowość i wykorzystanie w usprawnianiu procesów biznesowych firmy oraz poprawy e konkurencyności Podeście marketingowe w badaniu klientów Zadaniem marketingu est poznanie i zrozumienie klienta, ak również zorientowanie się, czy produkt lub usługa emu odpowiadaą [Drucker, Rein, Haider 1999]. J. Dyché [Dyché 2002, s ] przedstawia zmiany, akie nastąpiły w marketingu, tzn. ego rozwó od podeścia masowego do segmentaci rynkowe i marketingu relaci. Marketing masowy zorientowany est na produkt, a klienta traktue anonimowo. Zakłada realizacę kilku kampanii skierowanych do szerokie grupy odbiorców i krótkookresową relacę z nimi. Badania klienta są ograniczone lub nie ma ich wcale. Segmentaca rynkowa ukierunkowana est na grupy, określa profil klienta, zakłada realizacę większych niż w marketingu masowym kampanii skierowanych do węższe grupy odbiorców. Oparta est na analizie segmentowe lub cechach demograficznych. Jest pierwszym i podstawowym działaniem umożliwiaącym określenie profilu klienta, ego potrzeb i możliwości [Mateun, Szczepańczyk 2009, s. 192]. Podobnie ak marketing masowy, przewidue krótkookresowe relace z klientem. Marketing relacyny zorientowany est na konsumenta (spożywcę, użytkownika). Zakłada indywidualne podeście do niego i prowadzenie wielu kampanii skierowanych do konkretnych odbiorców. Bazue na szczegółowym badaniu zachowań kupuącego, ego profilu oraz długookresowe relaci z nim. Marketing relaci ma na celu lepsze poznanie klientów i ich preferenci oraz budowanie relaci eden do ednego (ang. one to one) [Dyché 2002, s ]. Więce o koncepci i stosowaniu marketingu relaci m.in. w pracy: [Otto 2004]. Znaczenie marketingu relaci Proces decyzyny związany z zakupem to odczuwanie potrzeby przyczyniaące się do poszukiwania i oceny alternatyw, a w efekcie decyzi o zakupie i odczuciach po ego realizaci [Mynarski 1990]. Potrzeba lepszego poznania zachowań konsumentów i koncentraci na długoterminowo przynoszących zyski klientach zmieniła sposób myślenia i działania marketingowców z pozyskania na pozyskanie i zatrzymanie klienta [Winer 2001, s ]. 9

10 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI Marketing relaci obemue wszystkie czynności związane z analizą, planowaniem, realizacą i kontrolą działań, które inicuą, stabilizuą, wzmacniaą i reaktywuą relace biznesowe podmiotów zainteresowanych współtworzeniem z firmą głównie klientów wzaemnych wartości [Bruhn 2003, s. 11]. E. Gummesson [Gummesson 1994, s ] definiue go ako marketing wzaemnych relaci, powiązań i interakci. D. Shani i S. Chalasani [Shani, Chalasani 1992, s ] mówią o nim ako o zintegrowanych staraniach w celu zidentyfikowania, utrzymania i rozwiania sieci powiązań z indywidualnymi konsumentami oraz ciągłym wzmacnianiu tych powiązań dla uzyskania wzaemnych korzyści obu stron poprzez interaktywne i zindywidualizowane kontakty w długim okresie, pozwalaące wytworzyć wartość dodaną. Marketing relaci utożsamiany est z zarządzaniem relacami z klientami. Są to poęcia zbliżone, ednak pierwsze z nich oznacza koncepcę zarządzania i działania rynku, według które skuteczność rynkowa firmy zależy od stosunków partnerskich z uczestnikami rynku. Opiera się ona na długoterminowych, zyskownych więziach z klientami. Marketing relaci to: zastosowanie programów loalnościowych i zachęcenie klienta do regularnych zakupów, identyfikaca i analiza zachowań nabywczych nalepszych i nagorszych klientów w oparciu o marketingową bazę danych, integraca wszystkich procesów biznesowych w przedsiębiorstwach, w których został wdrożony system informatyczny klasy CRM [Unold 2001, cyt. za Buchnowska 2006, s ]. Natomiast zarządzanie relacami z klientami CRM (Customer Relationship Management) est poęciem zdecydowanie szerszym [Buchnowska 2006, s ]. Opiera się na relacach wytworzonych pomiędzy firmą a klientem. Relaca (związek, więź) z klientem est podstawowym poęciem związanym z CRM. Definiue się e ako długotrwały i rozwiaący się proces, będący następstwem transakci, sprzyaący aktom zakupu-sprzedaży [Beaton, Beaton 1995, s. 60, cyt. za Buchnowska 2006], a więc wymiany zasobów pomiędzy kupuącym a sprzedawcą. Typy relaci, akie mogą zachodzić między firmą a klientem [Kotler i in. 2002, s. 531], są następuące: podstawowe (brak działań posprzedażowych ze strony firmy); reaktywne (firma zachęca klienta do kontaktu po zakupie w razie pytań, problemów); odpowiedzialne (sprzedawca dzwoni do klienta po zakupie i pyta, czy produkt spełnił ego oczekiwania); 10

11 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI proaktywne (co akiś czas nawiązywany est kontakt z klientem i est on informowany o nowych produktach); partnerskie (ciągła współpraca z klientami w celu poszukiwania sposobów dostarczania im wartości). Ocena wartości relaci z klientem dokonywana est za pomocą metod analizy opłacalności klientów, t.: na podstawie kryterium obrotów: analiza Pareto, metoda ABC, analiza RFM; na podstawie analizy kosztów: horyzontalne systemy kalkulaci kosztów, rachunek zysków i strat, instrumenty analizy opłacalności, analiza LTV; na podstawie strategiczne analizy relaci: macierz identyfikaci i selekci, macierz strategii relaci z klientami [Buchnowska 2006, s. 55]. Przedsiębiorstwo, które chce spełniać oczekiwania swoich klientów, powinno poprzez innowace (co pozwala śledzić reakce kupuących na zmiany) i budowę sieci doświadczeń (dzięki czemu firma może dotrzeć z ofertą do indywidualnych nabywców) wspólnie tworzyć z klientem relace i wartości. Wszelkie innowace może wprowadzić za pomocą: granulaci umożliwienia kupuącemu weścia w interakce ze zbudowanymi przez firmę środowiskami doświadczeń, to on decydue, kiedy i w aki sposób będzie się kontaktował z firmą; poziom granulaci zależy od efektywności kontaktu klienta z przedsiębiorstwem; est wyższy, gdy kadra kierownicza reague na sugestie nabywców i spełnia ich oczekiwania; rozszerzalności dostarczania w innowacyny sposób wartości konsumentom; powiązania zdarzeń poszukiwania przez firmę wzorów powiązań w doświadczeniu klienta, dążenia do wyprzedzania ego sugestii i monitorowania ich zgodności z pomysłami firmy; zdolności ewoluci ciągłego ulepszania oferty przez firmę. Na doświadczenia współtworzenia wartości wpływaą natomiast kanały komunikaci firmy i klienta, opce (skupione wokół doświadczeń klientów), transakce na warunkach deklarowanych przez konsumentów i relace ceny do doświadczenia [Prahalad, Ramaswamy 2005]. Do skuteczne realizaci strategii marketingowe oparte na marketingu relaci wykorzystue się systemy eksploraci danych (data mining), które analizuą zbiór danych, 11

12 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI grupuą go i prezentuą w sposób użyteczny i zrozumiały. Systemy te, w odróżnieniu od tradycynych systemów operacynych, koncentruą się zarówno na produkcie, ak i na kliencie, realizuą analizy oparte na danych historycznych (ze wskazaniem na naświeższe dane służące podemowaniu działań w przyszłości). Daą one lepsze rezultaty w momencie, gdy napłynie do nich więce danych, wymagaą też kreatywności (nie są opisowe i powtarzalne). Są to systemy iteracyne z odzewem mierzonym w godzinach lub minutach. W zależności od potrzeb marketingowych i biznesowych realizuą nieprzewidziany napływ zadań [Kubacki 2007, s ]. U. Anthony [Anthony 2009] wskazue na konieczność posiadania przez firmę z wyprzedzeniem informaci o tym, akimi kryteriami klienci posłużą się przy ocenie wartości produktu. Wiedza ta est podstawą do proektowania nowych produktów zgodnych z preferencami klientów. Kryteria muszą być prognostykami sukcesu, a nie wskaźnikami ex post. Firma musi znaleźć wspólny ęzyk z klientem, aby otrzymać od niego (niezawieraące błędów) informace o ego życzeniach, potrzebach, korzyściach, rozwiązaniach, pomysłach, pragnieniach, żądaniach, specyfikacach itd. Anthony wypracował metodę ukierunkowaną na rezultaty. Korzyści tego rodzau podeścia są następuące: optymalizaca strategii komunikaci z rynkiem i uwypuklenie zalet aktualnych produktów w celu wykorzystania docelowych szans rozwoowych; ustalenie priorytetów prac rozwoowych, aby szybko wprowadzać na rynek te produkty i usługi, które nalepie wykorzystuą inne zidentyfikowane szanse rozwoowe; systematyczne opracowywanie pomysłów pozwalaących wykorzystywać pozostałe zaniedbywane szanse rozwoowe dzięki tworzeniu nowych produktów. Dotychczasowe tradycyne strategie zarządzania relacami z klientami koncentrowały się na redukci kosztów i efektywnieszym zarządzaniu. Obecnie klient postrzegany est ako wartość dla firmy oraz źródło przychodu. Firmy muszą ocenić poszczególnych klientów pod kątem ich potrzeb, wymagań, monitorować i mierzyć wpływ każde zmiany na zachowania nabywcze klientów oraz identyfikować potrzebne składniki i obszar wzaemnego oddziaływania. Pozwoli to na dostarczanie klientowi odpowiednich produktów i usług. Firmy powinny też stale zbierać dane o dostarczanych produktach i usługach. Na podstawie analizy historii nabywanych dóbr i usług oraz oszacowania ich wiarygodności będą mogły 12

13 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI prognozować zachowania klientów i przewidywać sekwencę zakupów [Kumar 2010]. Koncepcyny model prognozowania zachowań klienta przedstawia rys Rysunek 1.1. Koncepcyny model prognozowania zachowań klienta Źródło: opracowanie własne na podstawie: [Kumar, Venkatesan, Reinartz 2006]. Preference i postawy konsumenckie Zachowanie konsumentów na rynku est procesem złożonym. Definiowane est ono ako ogół działań i percepci konsumenta składaących się na przygotowanie decyzi wyboru produktu, wybór i konsumowanie czy też odczuwanie potrzeb i ich ocena oraz przyznawanie pierwszeństwa, czyli ustalanie subiektywne hierarchii własnych potrzeb, wybór środków zaspokoenia potrzeb uznawanych za ważniesze, wybór dróg prowadzących do zdobycia tych środków, obchodzenie się ze zdobytymi środkami zaspokoenia potrzeb [Rybowska 2010, s. 24 za: Hansen 1972, Szczepański 1976]. Stanowi przedmiot badań w aspekcie ekonomicznym, biologicznym, psychologicznym, socologicznym i ergonomicznym [Rybowska 2010, s.24]. Obecnie na szeroką skalę przeprowadzane są badania oraz definiowane cechy różnicuące zachowania klientów i ich determinanty. Określa się również cechy charakterystyczne grup wyróżnionych w ramach typologizaci. Dzięki takiemu podeściu istniee możliwość poznania i zrozumienia zależności między profilem konsumenta a realizowanym przez niego poziomem i strukturą konsumpci. Profil klienta definiue się ako zbiór cech go charakteryzuących, określanych według różnych kryteriów. Ich dobór zależy od tego, co est oferowane klientowi i czego dotyczy świadczona usługa. Na profil klienta indywidualnego składa się profil demograficzno-geograficzny, społeczny oraz profil psychologiczny, natomiast w przypadku instytuci wyróżnia się profile: geograficzny (region działania przedsiębiorstwa, obsługiwane rynki), branżowy działalności (przedmiot, kod działalności, wielkość przedsiębiorstwa), organizaci zakupu (częstotliwość, średnia wartość, stosowane procedury zakupu), użytkownika (ego status, relace, powiązania z dostawcami), osób odpowiedzialnych za zakup (osobowość, przyzwyczaenia, 13

14 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI styl życia). Ustalenie profilu konsumenta trwa dłuże niż ego obsługa, w związku z tym stosue się tzw. segmenty rynku (rozumiane ako zbiorowość konsumencka czyli osoby zachowuące się podobnie podczas zakupu, tworzące ako grupa tzw. segment rynku). Są to pewne uproszczenia, polegaące na charakteryzowaniu możliwie dużych, ale ednolitych grup osób podobnych do siebie. Nie są one ednak skuteczne, ponieważ nie uwzględniaą indywidualnych potrzeb konsumenta, a edynie potrzeby pewne grupy ludzi [Chwałek 2003, s ]. Dodatkowo należy wskazać, że profil klienta est zmienny. Konsument est aktywnym uczestnikiem rynku, posiada szeroki dostęp do informaci o firmach i produktach. Wraz z upływem czasu zmieniaą się ego potrzeby i preference [Lachiewicz, Mateun 2009, s. 197]. W aspekcie koncepci zarządzania relacami z klientami każdy klient est ednocześnie segmentem rynku stąd poęcie segmentaci zastępowane est często określeniem identyfikaca klientów. Realizowana est ona odmiennie dla odbiorców indywidualnych i instytuconalnych. W przypadku pierwszych segmentaci dokonue się przy wykorzystaniu kryteriów deskryptywnych (cechy demograficzne, ekonomiczne, psychograficzne, geograficzne i społeczne) i behawioralnych. Pozostali odbiorcy dzieleni są natomiast ze względu na kryteria ekonomiczne, logistyczne, marketingowe i psychologiczne [Dembińska- Cyran, Hołub-Iwan, Perenc 2004, s , cyt. za Buchnowska 2006, s ]. Oprócz wymienionych kryteriów uwzględnia się również: wartość klienta dla organizaci, etap współpracy z klientem, poziom ego loalności oraz potrzeby. Tylko wyróżnienie ednorodnych ze względu na przedstawione kryteria grup konsumentów dae szansę na opracowanie odpowiednie strategii postępowania, która zapewni budowanie długoterminowych i korzystnych dla obu stron relaci. Stworzenie pełnego obrazu klientów wymaga również odpowiednich rozwiązań informatycznych [Buchnowska 2006, s. 83]. Jak wskazuą A. Sagan i M. Łapczyński [Sagan, Łapczyński 2009], podczas opracowywania strategii marketingowych segmentaca klientów est ednym z kluczowych zadań, pozwala ona bowiem wyróżnić grupy konsumentów, którzy są do siebie podobni (czyli podobnie reaguą na stosowane wobec nich instrumenty marketingowego oddziaływania). G. Migut [Migut 2009, s ] wyróżnia segmentacę opisową i predykcyną. W pierwsze wszystkie analizowane zmienne traktowane są ako niezależne, nie ma żadnego kryterium, które ukierunkowywałoby proces poszukiwania ednorodnych grup klientów. Napopularnieszymi 14

15 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI metodami wykorzystywanymi w te segmentaci są analiza skupień i sieci neuronowe Kohonena (SOM Self Organizing Map). Druga natomiast uwzględnia dwa rodzae zmiennych: zależną opisuącą aspekty behawioralne konsumentów i niezależną wyaśniaącą przeawy zachowania opisane w kryterium segmentaci, a naczęście wykorzystywaną w nie metodą są drzewa decyzyne. Jak wskazue D.F. Spulber [Spulber 2004, s ], różnicowanie przedsiębiorstw ograniczone do technicznych właściwości produktów lub usług nie wystarcza. Istotne są preference klientów, a strategia firmy musi się odnosić do określanych przez nich wartości. Konieczne est staranne określenie cech produktów strategicznych, zadanie sobie pytań: Jak produkty oferowane przez firmę odpowiadaą potrzebom konsumentów w porównaniu z produktami oferowanymi przez konkurencę? Jakie będą korzyści, koszty produkci i aka est gotowość klienta do zapłaty za produkty w stosunku do produktów konkurentów? Decyze o zakupach uzależnione są bowiem od dochodów i indywidualnych preferenci nabywców, na które z kolei wpływaą: doświadczenie, tło kulturowe, interakce społeczne i wiele innych czynników odzwierciedlaących interakce rynkowe. Klienci maą określone preference w zakresie właściwości każdego produktu i ich ocena może się opierać na subiektywnych lub obiektywnych czynnikach. Czynniki subiektywne są kwestią indywidualnych upodobań każdego konsumenta, natomiast obiektywne (zwykle nazywane akością produktu) to te, na które konsumenci niemal powszechnie się zgadzaą. Preference decyduą o postawie konsumenta wobec określonych produktów. Według Antonidesa i van Raaia postawa est to indywidualna predyspozyca do oceniania przedmiotu bądź pewnego aspektu świata w korzystny lub niekorzystny sposób [Antonides, van Raai, 2003, s. 212]. Natomiast G. Światowy definiue postawę ako trwale korzystną lub niekorzystną ocenę, wynikaącą z doświadczenia, emoci oraz skłonności związanych z ocenianym przedmiotem lub ideą [Światowy, 2006]. W badaniu postaw konsumenckich dominue podeście wieloaspektowe, które zmierza do wpływania na zachowania konsumenckie. Według I. Azena i M. Fishbeina twórców modelu wieloaspektowego za pomocą zależności (1.1) można wyrazić postawę osoby wobec obiektu. Postawa ta est wynikiem ego przekonań, według których dany obiekt posiada określone cechy, oraz ocen ważności tych cech [Azen, Fishbein 1980]: 15

16 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI A k n i1 B ik I ik, (1.1) gdzie: A postawa konsumenta k wobec marki, I ważność cechy i kategorii produktów danego rodzau (do których należy marka ), B przekonanie klienta k co do stopnia, w akim marka posiada cechę i. Model wieloaspektowy zdecydowanie przeważa nad bezpośrednią oceną, umożliwia on bowiem określenie przyczyn słabe lub nasilone postawy konsumenta wobec danego obiektu. Wśród marketingowych strategii zmiany postaw A. Falkowski i T. Tyszka wyróżniaą zmianę przekonania klientów dotyczącą ważności cech określone marki oraz wzrost wagi tych cech, a także spadek przekonania o istotności cech produktu marek konkurencynych. Ich zdaniem strategia marketingowa powinna być dostosowywana do osobowe charakterystyki konsumenta, korzyści poszukiwane przez klienta dostosowywane do strategii, a ta powinna wpływać na korzyści poszukiwane przez klienta i ego zachowania [Falkowski, Tyszka 2009, s ]. Więce o zachowaniach klientów m.in. w pracach [Hawkins, Mothersbaugh 2009; Peter, Olson, Grunert 1999]. Marketingowe metody analizy konsumentów i badania preferenci Badania zarówno potrzeb, ak i preferenci konsumentów realizowane są wieloetapowo, przy wykorzystaniu ilościowych lub akościowych badań tradycynych (wywiady osobiste, badania fokusowe) lub internetowych (ankiety internetowe, wywiady grupowe lub indywidualne). Mogą one być wykonywane w pełnym lub ograniczonym zakresie, np. tylko do analizy wyników i opracowania raportu. Za naważniesze etapy tego procesu uznae się ego przygotowanie, dobór odpowiednich narzędzi badawczych, określenie wielkości oraz struktury próby. Następnie odbywa się rekrutaca ankieterów lub respondentów, koordynaca działania, kontrola wyników i analiza danych, a w efekcie końcowym opracowanie raportu z prac badawczych. Badanie preferenci oraz potrzeb konsumentów odpowiada na szereg pytań [ Z aką częstotliwością klient kupue produkt z danego obszaru i gdzie dokonue zakupów? Jakie cechy są priorytetami podczas zakupu oraz wyboru marki? 16

17 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI W aki sposób klient porównue cechy różnych marek? W aki sposób dostępność produktów oceniana est przez klienta? Co klient sądzi na temat dostępnych kanałów sprzedaży, które z nich preferue i dlaczego? Czy dokonywane zakupy są spontaniczne, czy planowane? W aki sposób i czy w ogóle klient pozyskue informace dotyczące produktów i usług? Aby uzyskać odpowiedzi na powyższe pytania m.in. R. Kubacki [Kubacki 2007, s ] wskazue z kolei następuące marketingowe metody analizowania (typy analiz) klientów wykorzystywane w zarządzaniu danymi i relacami z nimi: analiza profilowa skuteczna technika nauki o konsumentach, umożliwia lepsze ich poznanie według cech demograficznych (średniego wieku, płci, stanu cywilnego, przeciętne długości zamieszkania w określonym miescu) czy danych o charakterze biznesowym (czasu utrzymania relaci, średniego poziomu ryzyka, średniego wolumenu sprzedaży produktów na osobę, średnie liczby sprzedanych produktów, średnich zysków netto na klienta); segmentaca podział klientów pod względem zyskowności i potencału rozwou, przygotowywana w celu poznania dotychczasowych odbiorców. Jak zauważa J. Kondratowicz-Pozorska [Kondratowicz-Pozorska 2008, s ], e istota sprowadza się do dywersyfikaci polityki sprzedaży wobec różnych grup nabywców (o różne strukturze potrzeb); analiza segmentacyna może być prowadzona za pomocą analizy dyskryminaci, regresi logistyczne lub metodą detekci interakci AID; modele badaące odzew konsumentów na kampanie (ang. response models [Smith, Swinyard 1982, s ]) predykca, którzy z nich pozytywnie odpowiedzą na ofertę produktu czy usługi, przygotowywane w celu odzyskania straconych klientów, mogą być narzędziami wsparcia w planowaniu i prognozowaniu działań firmy [Hanssens, Parsons, Schulz 2001, s. 3-13]; modele ryzyka napowszechnie stosowane w bankowości i ubezpieczeniach, est to np. próba oszacowania prawdopodobieństwa, że dany klient nie spłaci pożyczki; maą one na celu zmnieszanie strat po wykryciu zachowań klientów odbiegaących od dotychczasowych i monitorowaniu klientów, przygotowywane w celu unikania kontaktów z klientami o podwyższonym ryzyku; 17

18 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI modele aktywuące klientów (ang. activation models) naczęście wykorzystywane w sektorze finansowym, przewiduące, którzy klienci mogą się stać nabardzie zyskowni; cross-selling i up-selling prognozowanie prawdopodobieństwa/wartości zwiększonego zakupu tego samego lub innego produktu/usługi przez dotychczasowego klienta; takie testowanie sekwenci ofert umożliwia określenie, co i kiedy powinno być zaproponowane klientowi, przygotowywane w celu zwiększenia zyskowności klientów i sprzedaży; ubytek lub migraca klientów (ang. attrition & churn) prognozowanie, kiedy klient przestanie korzystać z produktu (przykład w pracy [Weiss 2009, s ]); wartość obecna netto (ang. Net Present Value NPV) oszacowanie ogólne zyskowności produktu dla ustalonego okresu [Ross 1995, s ]; wartość życiowa klienta (ang. Lifetime Value LTV). Analizy te są przygotowywane za pomocą metod statystycznych (regresa liniowa, regresa logistyczna) i niestatystycznych (sieci neuronowe, algorytmy genetyczne, drzewa klasyfikacyne) [Kubacki 2007, s ]. W badaniach marketingowych wykorzystue się dwie grupy modelowego uęcia preferenci klientów: modele kompensacyne wynikaące z zachowania konsumenta; wyróżnia się modele: neutralizaci, alternatyw wyboru, przechodniości, dominaci, niezmienności, modele niekompensacyne: leksykograficzny, koniunkcyny, dysunkcyny i determinaci [Sagan 2009]. Ogólną klasyfikacę metod pomiaru preferenci przedstawiono na rys Rysunek 1.2. Metody analizy preferenci konsumentów Źródło: [Bąk 2004, s. 22]. 18

19 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI Jak wskazue A. Sagan [Sagan 2009, s ], w ramach analizy uawnionych preferenci konsumentów dokonue się oceny zebranych danych historycznych, natomiast w celu poznania preferenci wyrażonych stosue się edną z trzech grup metod pomiarowych: kompozycynych, dekompozycynych i mieszanych. Metody kompozycyne maą za zadanie porównanie i ocenę (przez co należy rozumieć ważoną sumaryczną wartość wyrażaącą subiektywne odczucie konsumenta) poszczególnych cech dóbr i usług, na podstawie podane skali lub rang z ogólną oceną preferenci. W podeściu kompozycynym wpływ oceny poziomu cechy na inną nie est identyfikowany, est ona silnie związana z danymi dotyczącymi wyborów preferencynych. Opieraąc się na dokonane ewaluaci poszczególnych cech, uzyskue się ogólną strukturę preferenci danego zbioru produktów. Za podstawową metodę analizy preferenci w tym nurcie uznae się wielowymiarowe skalowanie preferenci (w postaci map graficznych zbudowanych w zredukowane przestrzeni wielowymiarowe). Metody dekompozycyne są związane głównie z danymi uzyskiwanymi na podstawie porównania obiektów między sobą [Sagan 2009, s ]. W metodach tych podstawą pomiaru est równoczesna ocena, szeregowanie lub wybór porównywanego zbioru dóbr lub usług opisanych za pomocą charakteryzuącego e zbioru atrybutów o określonych poziomach. Atrybuty i ich poziomy generuą profile, czyli różne warianty dóbr lub usług. Ich liczba zależy od liczby atrybutów oraz ich poziomów i est równa iloczynowi poziomów wszystkich atrybutów. Respondenci oceniaą, ranguą lub dokonuą wyborów profili produktów i na te podstawie szacowane są całkowite ich użyteczności. Opieraąc się na zgromadzonych ocenach respondentów, dokonue się dekompozyci całkowitych preferenci w celu oszacowania użyteczności cząstkowych poziomów atrybutów oraz obliczenia udziałów poszczególnych atrybutów w całkowite użyteczności każdego profilu [Bąk 2004, s ]. Do podstawowych metod analizy struktury preferenci w tym nurcie należy analiza conoint oraz analiza oparta na wyborach [Sagan 2009, s ]. Metody mieszane stanowią połączenie poprzednich podeść, a do nabardzie znanych należą hybrydowe i adaptacyne metody analizy conoint. Conoint, ako edna z grupy dekompozycynych, służy do określenia nabardzie istotnych cech produktu w stosunku do procesu zakupu. Innym słowy dąży do uzyskania informaci o nabardzie pożądane (z punktu widzenia klientów) konfiguraci cech, akie powinien 19

20 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI posiadać produkt. Określa wpływ każdego z atrybutów produktu na ego ogólną użyteczność dla respondentów. Bierze za punkt wyścia pewną hipotetyczną kombinacę atrybutów i próbue badać system wartościowania respondenta. Analiza conoint trafnie, szybcie i tanie niż inne modele wykorzystywane do analizy wieloatrybutowe szacue preference konsumentów. Koleną e zaletą est możliwość uzyskania informaci o wpływie danego atrybutu na ogólną preferencę w odniesieniu do badanego obiektu (nawet w wypadku, gdy istnieące produkty nie różnią się pod względem tego atrybutu, nie ma konieczności wykluczania ich z badania). Analiza conoint nie est procedurą estymaci, lecz sposobem mierzenia daącym w wyniku zbiór obserwaci [Strony 2003]. Podstawowe kroki w analizie conoint opisano w pracy [Sagan 2009, s ]. Badania preferenci klientów są głównym obszarem zainteresowań badaczy marketingowych i podstawową kategorią badawczą w modelowaniu zachowań konsumentów na rynku, która uwzględnia raconalność procesu podemowania decyzi [Sagan 2009, s ]. Badania preferenci potencalnych nabywców mogą być realizowane na różne sposoby, o czym świadczą m.in. propozyce przedstawiane na gruncie literatury przedmiotu [Foryś, Kokot 2008; Pawlukowicz, Bartłomowicz 2005]. Są one łączone z odkrywaniem upodobań nabywców. Oba te obszary rozważań stanowią nabardzie rozległą sferę analizy postępowania konsumentów na rynku. Preference nabywców bada się w celu poznania systemu subiektywnego oceniania, który est podstawą do dokonywania wyborów, zazwycza uszeregowanych i tworzących hierarchiczną strukturę [Mazurek-Łopacińska 1996]. Producenci oraz handlowcy muszą wiedzieć, akie potrzeby klientów maą zaspokaać oferowane przez nich produkty i usługi oraz ak sprawić, aby konsument dostrzegł możliwość zaspokoenia swoich potrzeb za pomocą dane oferty [Falkowski, Tyszka 2009, s ]. Rozbieżność między oczekiwaniami i potrzebami klienta a ofertą est bowiem naczęstszą przyczyną odeścia klientów od firmy [Hill, Alexander 2003, s ]. Jak wskazue P. Kotler, przedsiębiorstwa często ograniczaą się tylko do zebrania surowych danych o klientach, a nie stosuą metod oceny ich zachowań czy pomiaru preferenci. Jako nalepsze sposoby zdobycia wiedzy o preferencach wskazue: dialog z docelowymi klientami (na temat nowych pomysłów, produktów i metod komunikaci), grupy dyskusyne, ankiety, wywiady pogłębione (ang. deep interviewing), badania w domach czy sklepach oraz zakupy dokonywane przez 20

21 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI podstawione osoby. Z kolei ako dostępne metody poznania potrzeb i szacowania preferenci klientów przymue: pogłębione wywiady psychologiczne (w których korzysta się z technik proekci osobowości, takich ak skoarzenia słowne, uzupełnianie zdań i psychologiczne badania testowe) [Młynarz 2008]; testy proekcyne, np. Testy Apercepci Tematyczne (TAT) stosowane w praktyce psychologiczne do diagnozy osobowości; technikę schodkową zadawanie klientowi pytań drążących; wykreślanie mapy percepci (ang. perceptual mapping [Hauser, Koppelman 1979, s ]) narzędzie analityczne marketingu [Steenkamp, van Trup, Ten Berge 1994] wyznaczaące, ak konsumenci postrzegaą różne marki w odniesieniu do pewnego zbioru właściwości; ocenę i ranking klienta oraz dokonywanych przez niego wyborów; analizę koincydenci (ang. conoint analysis) do przeprowadzania rankingu dokonywanych wyborów (w hipotetycznym zbiorze szeroko opisanych koncepci); analizę dyspersi i powiązań obemuącą analizę skupień i dyskryminaci (ang. discriminant oraz cluster analysis), ponadto regresi (ang. regression analysis) i warianci, do uzyskania prognozy prawdopodobnych reakci klientów na rozmaite bodźce (ceny, właściwości, namowy itd.) i określenia ich przynależności do wyróżnionych segmentów; metody predykci (ang. predictive analytics [Stone 2007; Hair 2007, s ]) stosowane przez firmy wysyłkowe do wyboru potencalnych nabywców (takich, których pozytywna reakca na ofertę est nabardzie prawdopodobna); umożliwienie komunikaci obecnym i potencalnym klientom, aby mogli wymieniać poglądy (monitorowanie takich rozmów pozwala na wyłapanie wszelkich problemów i negatywnych opinii); zbieranie przez firmy informaci o zakupach dokonywanych przez klientów, sporządzanie ich profili psychologicznych co pozwala na poznanie uawnionych preferenci. Dynamiczne zmiany w warunkach gospodarowania spowodowały nowe podeście do zarządzania niematerialnym zasobem przedsiębiorstwa, akim est klient. Obecnie firmy nie konkuruą uż produktami, lecz wartościami oferowanymi klientom [Dobiegała-Korona, Doligalski, Korona 2004]. Wprowadzane przez nie strategie zorientowane na klienta (tzw. 21

22 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI strategie koncentraci) wyrażaą dążenie do skupiania się na określone grupie nabywców (np. stałych klientach), asortymencie lub segmencie geograficznym i w literaturze określane są mianem strategii krok przed klientem [Sztucki 2002, s. 279; Shah i in. 2006]. P. Kotler podkreśla znaczenie znaomości klienta, wiedzy o ego potrzebach, oczekiwaniach [Rosa 1998], percepcach, preferencach oraz zachowaniach i wskazue ą ako główne źródło przewagi konkurencyne firmy [Kotler 2005]. Dodatkowo firmy muszą się stale komunikować z klientem na wszystkich etapach poziomu ego obsługi. Udział klienta w konfiguraci produktu (według indywidualnych preferenci) wywołue w nim poczucie uczestnictwa w kształtowaniu oferty firmy, może się przyczynić do powstania dwóch motywów loalności: pragnienia dodatkowe wartości użytkowe produktów oraz poczucia klienta, że est dla firmy ważny [Urban, Siemieniako 2008]. Wśród prac poświęconych wykorzystaniu motywów i loalności klientów można wyróżnić pozyce: [Urban, Siemieniako 2006a; Urban, Siemieniako 2006b; Fitzsimmons, Fitzsimmons 1996; Sargeant, Jay 2004]. Wartość klienta Wzrost znaczenia podeścia marketingowego zorientowanego na konsumenta, w połączeniu z rosnącą dostępnością danych transakcynych, przyczynił się do zwiększenia zainteresowania wskaźnikami marketingowymi (t. m.in. wyrażonymi w punktach: wskaźnik loalności, satysfakci, utraty klienta), a szczególnie zyskowności, wartości klienta / wartości życiowe klienta (CLV ang. Customer Lifetime Value) a więc obecne wartości i przyszłymi przepływami pieniężnymi związanymi z obecnym lub nowo zdobytym klientem oraz wartością relaci firmy z nim [Fader, Hardie, Lee 2005, s ; Huges]. S. Gupta i V. Zeithaml wskazuą, że konsumenci znacznie różnią się rentownością dla firmy. Zmienność ta est dużo większa niż powszechnie przyęta zasada (mówiąca o tym, że 80% zysków pochodzi od 20% nalepszych klientów). Niektóre firmy wskazuą nawet, że zmienność tę opisue lepie reguła , tzn. że 20% klientów generue 220% zysków. Innymi słowy, konieczna est selekca klientów, wybór tych nabardzie rentownych i podemowanie decyzi opartych na metrykach tych klientów [Gupta, Zeithaml 2006, s ]. CLV definiowane est zwykle ako bieżąca wartość netto wszystkich przyszłych zysków z klienta i w chwili t 0 : 22

23 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI CLV i,0 T t0 profit i, t (1 d), (1.2) gdzie: profit i, t profity uzyskane przez firmę z klienta i w czasie t, T horyzont czasowy, dla którego obliczany est CLV, d stopa dyskontowa określana przez firmę. Koncepca ta może być porównywana ze stosowanym często w finansach obliczaniem wartości bieżące netto firmy, wykracza ednak poza inne wskaźniki zarządzania relacami z klientami. Obliczenie CLV pozwala na zwiększenie efektywności działań marketingu, t. programów loalnościowych, budowania relaci czy bezpośrednie korespondenci owe [Verhoef 2004, s ]. Inne podeście do CLV, uwzględniaące koszt pozyskania konsumenta, wpływ przepływów pieniężnych związanych ze sprzedażą, kosztów ponoszonych przez firmę i korzyści, akie przynoszą klienci, reprezentuą H.H. Bauer, M. Hammerschmidt i M. Braehler [Bauer, Hammerschmidt, Braehler 2003]: gdzie: CLV i AC i T t t ( ARti URti CRti RVti ) ( SCti MCti ) rti * t (1 d) t1 TCi t InfoVti CoopV ( rti *(1 rti )) * r t ti *{ (1 d) (1 d) ti t InnoV ti, (1.3) } CLV i wartość klienta i, AC i koszt pozyskania klienta i, r ti stopa retenci klienta i w okresie t, AR ti podstawowy przychód generowany przez klienta i w okresie t, UR ti przychód ze sprzedaży rozszerzaące (ang. upselling) generowany przez klienta i w okresie t, CR ti przychód ze sprzedaży krzyżowe (ang. cross-selling) generowany przez klienta i w okresie t, RV ti wartość rekomendaci dokonywanych przez klienta i w okresie t, MC ti marketingowe koszty utrzymania klienta i w okresie t, 23

24 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI SC koszty sprzedanych produktów i obsługi klienta i w okresie t, TC i koszty zakończenia współpracy z klientem i w okresie t, InfoV ti wartość informaci otrzymanych od klienta i w okresie t, CoopV ti wartość współpracy z klientem i w okresie t, InnoV ti wartość innowaci zaproponowanych przez klienta i w okresie t, d stopa dyskontowa dla inwestyci marketingowych, T długość okresów (w latach). R. Blattberg, J. Deighton i J. Thomas wyrażaą z kolei wartość klientów w formie wzoru (1.4) [Blattberg, Deighton, Thomas 1998, cyt. za Dobiegała-Korona, Doligalski, Korona 2004]: CE( t) I N k i 0 Ni, ti, t ( i, t ( S i, t i, t C i, t k 1 1 ) N, t k i, t B )( S i, a, t i, t k C i, t k B i, r, t k B i, AO, t k 1 )( ) 1 d k, (1.4) CE( t) t k0 CE( t k) gdzie: CE (t) wartość zasobu konsumentów liczona wpływami od nabywców w czasie t, N i, t liczba potencalnych klientów w czasie t dla segmentu i, i,t przewidywane wpływy w czasie t dla segmentu i,,t przewidywani zatrzymani klienci w czasie t dla segmentu i, B i a, t, przewidywane koszty marketingowe ( N ) wydatkowane na pozyskanie konsumentów w czasie t w segmencie i, B i r, t, koszty marketingowe w okresie t ponoszone na zatrzymanie konsumentów segmentu i, B i AO, t, koszty marketingowe w okresie t związane z dodaną sprzedażą dla segmentu i, d stopa dyskontowa, S i, t sprzedaż produktów i usług oferowanych przez firmy w czasie t dla segmentu i, koszty dóbr i usług w czasie t dla segmentu i, I liczba segmentów, i segment wybrany (rynek docelowy), 24 C i, t

25 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI t 0 początek okresu. Wiele firm nie rozumie, aką wartością est klient i nie przykłada wagi do budowy relaci z nim. F.F. Reichheld [Reichheld 1996] wskazue, że amerykańskie firmy co 5 lat tracą połowę swoich klientów. Wśród powodów odchodzenia klientów wyróżnić można [Kostecki 2001]: zły/niski poziom obsługi (45% przypadków), brak zainteresowania klientem (20% przypadków), znalezienie przez klienta lepsze usługi/produktu (15% przypadków), znalezienie przez klienta tańsze usługi/produktu (15% przypadków). Tak więc w 65% przypadków przyczyną prześcia klientów do konkurenci est brak odpowiednie dbałości o klienta i uwagi dla niego, a nie ak mogłoby się wydawać niższa cena. Stratą związaną z odeściem klienta est dla firmy dodatkowo to, że o swoim niezadowoleniu powie on średnio 11 innym osobom. Mimo tego firmy w dalszym ciągu większą wagę przywiązuą do pozyskiwania nowych klientów niż do utrzymywania dotychczasowych (mimo że szacue się e na około 30 do 40 razy tańsze, a zmnieszenie odpływu klientów na poziomie 5% powodue przyrost zyskowności firmy aż o 25-55%) [Otto 2001]. Inne badania wskazuą, że zmnieszenie stopy utraty klientów z 20 do 10% to podwoenie czasu związku klienta z firmą z 5 do 10 lat i wzrost wartości klienta ze 134 do 300 USD. Zmnieszenie o kolene 5% powodue podwoenie średniego czasu bycia z firmą i wzrostem e zysku z poziomu 300 do 525 USD [Otto 2001]. Poęciami pokrewnymi do wartości klienta (oznaczane w literaturze również ako LTV) są [Doligalski 2009]: strategiczna wartość klienta (ang. strategic lifetime value), czyli maksymalny poziom zysku, aki firma może wygenerować z relaci z klientem, oraz kapitał klienta (ang. customer equity) suma wartości wszystkich klientów firmy, zdyskontowanych w czasie, przy czym tak samo ważna est obecna, ak i przyszła wartość strumienia zyskowności netto z relaci z klientem w czasie trwania tych relaci [Rust, Zeithaml, Lemon 2000, s. 4] Systemy wspomagania decyzi w zarządzaniu Technologie informatyczne pomagaą firmom przyspieszać procesy podemowania decyzi, być konkurencynymi i dochodowymi. W organizaci, która w procesie wspomagania 25

26 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI zarządzania wykorzystue system informatyczny, wyróżnia się 4 rodzae systemów przetwarzania informaci: systemy transakcyne (TPS Transaction Processing Systems), systemy informacyne (MIS Management Information Systems), systemy informowania kierownictwa (EIS Executive Information Systems) i systemy wspomagania decyzi (DSS Decision Support Systems). Każdy z wymienionych systemów przeznaczony est dla inne grupy użytkowników i umieszczony est na innym poziomie organizacynym [Kopczewski 2005, s ]. Na rozwó informatycznych systemów wspomagania decyzi znacząco wpłynęły dwa trendy w dyscyplinach naukowych: marketing i informatyka gospodarcza z edne strony rozwó marketingu transakcynego w kierunku relacynego, a z drugie zmiana zarządzania informacami w zarządzanie wiedzą o klientach [Schulze 2002, s. 8]. Dynamika otoczenia i oczekiwania współczesnych organizaci (takich ak: organizace wirtualne czy benchmarking i konieczność wspomagania procesu zarządzania strategicznego) wywołały konieczność budowy systemów informatycznych zdolnych do wspomagania procesów decyzynych źle ustrukturyzowanych i nieustrukturyzowanych. Systemy te bazuą na idei systemów ekspertowych i metodach sztuczne inteligenci (nazywa się e SBW systemy z bazą wiedzy). Ich nabardzie istotną cechą est odwzorowanie procesów rozumowania decydenta oraz stosowanie reguł decyzynych w danym obszarze problemowym. DSS i związane z nimi hurtownie danych znaduą się na nawyższym szczeblu organizacynym przedsiębiorstwa, poniże są systemy transakcyne i powiązane z nimi bazy danych [Kopczewski 2005, s ]. Jak wskazue K. Krupa [Krupa 2006, s ], umożliwiaą one: symulowanie różnych sytuaci decyzynych, analizowanie procesu wyboru modeli przez użytkownika, ocenę proektów decyzi i generowanie obaśnień realizowanego procesu decyzynego. Obsługuą ednak głównie sytuace i procesy dobrze ustrukturyzowane, w wysokim stopniu zdeterminowane, tak więc wykorzystanie ich np. do procesów planowania (z uwagi na wysoką złożoność i trudność precyzynego opisu matematycznego) est mało popularne. Sam proces decyzyny w DSS może być natomiast modelowany metodami symulacynymi. Rozwinęły się w nich moduły obsługuące nowe dziedziny zarządzania, ak np.: zarządzanie dokumentami (workflow), zarządzanie finansami, logistyka, marketing, CRM, EDI (elektroniczna wymiana dokumentów). 26

27 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI Proste aplikace typu CM (Contact Management) dały początek systemom CRM (Customer Relationship Management zarządzanie relacami z klientami). Pierwotnie łączyły one funkce bazy danych oraz kalendarza, umożliwiały analizę danych dotyczących klientów oraz kontakt z nimi. Ich rozwinięciem były narzędzia SFA (Sales Force Automation), pozwalaące w ramach ednego systemu informatycznego na integracę wszystkich zadań w firmie związanych z obsługą klienta, udostępnianiem informaci on-line czy sprzedażą. Od CM swó początek wzięły również produkty: CRS (Call Reporting System), TMS (Territory Management System), SMS (Sales Management System), STA (Sales Team Automation). Wszystkie te systemy bazowały na rozwiązaniach sieciowych i telekomunikacynych, pozwalały na elektroniczną wymianę danych oraz dawały dostęp do informaci o transakcach i profilach klientów [Adamczewski 2004, s ]. Firmy takie ak Siebel, Oracle, Net Perceptions, Kana, Broadvision rozwinęły funkconalność systemów CRM od śledzenia zachowań klientów w sieci Web (w celu przewidywania ich przyszłych ruchów) do bezpośrednie wysyłki owe ofert. Przyczyniły się do kształtowania światowego rynku produktów i usług CRM wartego w 1999 r. 34 mld dolarów, a w 2004 r. niemal 125 mld dolarów. CRM rozumiany est ako e wysyłane do klientów, ale także ako kastomizaca i rozwianie produktów według potrzeb klientów. Z kolei dla konsultantów IT to po prostu OLAP (On Line Analytical Processing systemy analitycznego przetwarzania na bieżąco) i CICs (Customer Interaction Centers) [Winer 2001, s ]. A. Januszewski [Januszewski 2008, s ] ako przyczyny powstania systemów CRM podae brak umieętności firmy dotyczący: szybkie i wyczerpuące odpowiedzi na pytania, akie stawia klient, przedstawienia klientowi atrakcyne oferty, szybkiego rozwiązania problemu klienta, szybkiego przygotowania dokumentaci niezbędne do przygotowania lub zawarcia transakci z klientem. Zgodnie z założeniami CRM każdy klient est inny, wymaga indywidualnego podeścia i opracowania strategii związku z firmą. Określenie właściwe strategii związku z klientem powinno być realizowane indywidualnie (w zależności od czynników leżących po stronie firmy, ak branża, rynek, i klienta preference, oczekiwania) i wybrane w oparciu o analizy 27

28 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI procesu kreowania wartości. Trwałość relaci z klientem decydue o sile związku z nim. Im większa satysfakca klienta, tym większa siła związku (a więc bariera utrudniaąca nabywcy rezygnacę z usług danego przedsiębiorstwa). Więzi między firmą a klientem mogą być związane z systemem wartości i preferencami nabywcy oraz sposobem oddziaływania firmy na klienta [Buchnowska 2006, s ]. Stosowanie systemów zarządzania relacami z klientami umożliwia indywidualne traktowanie każdego klienta, zgodnie z ego oczekiwaniami, nawet w firmach, w których: liczba klientów, handlowców i produktów (i możliwości ich konfiguraci) est duża, cykl sprzedaży produktu/usługi est skomplikowany i długi, zakupy są dokonywane powtarzalnie, a konsumenci wymagaą wsparcia technicznego czy częstego dostępu do informaci handlowych. Ewoluca koncepci zarządzania relacami z klientami spowodowała rozwó systemów w kierunku: KCRM (Key Customer Relationship Management zarządzanie relacami z kluczowymi klientami) i koncentraca na nalepszych, przynoszących zyski klientach [Jansen 2008, s. 1-6]; KCRM (Knowledge-enabled Customer Relationship Management zarządzanie relacami z klientami na bazie wiedzy) ako zarządzanie wiedzą o klientach i partnerach biznesowych [Buchnowska 2006, s. 29; Österle, Fleisch, Alt 2001, s ]; CMR (Customer Managed Relationship relace zarządzane przez klienta) zaangażowanie klienta w kształtowanie relaci z firmą poprzez dostęp do informaci i kontroli zamówień [Peppers, Rogers 2004, s ]; ECRM lub ERM (Enterprise Relationship Management) CRM do ogólnoorganizacynego przeglądu klientów [Weidenmier 2000]; ERM (Emplay Relationship Management) obsługa relaci z pracownikami; ecrm (Electronic Customer Relationship Management) elektroniczna, internetowa obsługa relaci z klientami [Reponen 2003]; VRM (Visitors Relationship Management) obsługa relaci przez strony www; CVM (Customer Voice Relationship) głosowa komunikaca z klientem; PRM (Partner Relationship Management zarządzanie relacami z partnerami) [Schultze 2007]; 28

29 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI ccrm (Collaborative CRM współpracuący CRM) współpraca klienta z firmą [Fermestad, Romano 2006]; SRM (Supplier Relationship Management zarządzanie relacami z dostawcami) ocena i wybór nalepszych dostawców [Appelfeller, Buchholz 2005, s. 294]; DRM (Device Relationship Management) obsługa relaci, w które eden z obiektów est automatem; mcrm (Mobile CRM przenośny CRM) wykorzystanie technologii bezprzewodowych w przekazywaniu informaci klientom lub partnerom [Dyché 2002, s. 12]; xcrm [Dyché 2002, s. 12] przedrostek x używany est przy określaniu hybryd CRM. CRM to zmiana sposobu myślenia ze: znaleźć klienta na produkt na: znaleźć produkt dla klienta [Rapp 2005, s. 41]. Jest to istotne narzędzie pozyskiwania danych o konsumentach i badania ich preferenci. W wielu firmach produkcynych, szczególnie tych realizuących łańcuch dostaw za pośrednictwem Internetu, indywidualne dane o kupuącym są reestrowane i monitorowane właśnie za pomocą oprogramowania CRM. Ponieważ dane pochodzą z wniosków, opinii i sugestii przekazywanych przez klientów osobiście, w większym stopniu odzwierciedlaą ich rzeczywiste potrzeby. Ponadto mogą one zagwarantować lepsze sporzenie na rzeczywiste, bieżące potrzeby konsumenta niż analiza danych historycznych czy prognozowanie tendenci. Pozyskiwanie informaci na tym poziomie szczegółowości może pomóc firmom we wczesnym rozpoznaniu popytu na towary, usługi i zmieniaące się trendy. Stanowi to podstawę do proektowania nowych produktów i usług, a w konsekwenci prowadzi do rozwou wiedzy i działalności oraz poprawy efektywności łańcucha dostaw. Dane z CRM mogą być wykorzystane do opracowania planów dostosowanych do indywidualnych konsumentów. Gromadzenie na bieżąco informaci na temat oczekiwań nabywców może w porę ostrzec o zmianach preferenci. Może to stanowić dużą bazę wiedzy dla inżynierów opracowuących plany zakupu surowców i produkci [Vollmann i in. 2005, s ]. R. Griffin podkreśla znaczenie informaci o kliencie, będące bardzo ważnym elementem pracy każdego menadżera i stanowiące część procesu kontroli [Griffin 2002, s. 674]. 29

30 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI 1.3. CRM analityczny w analizie preferenci klientów Głównym celem realizowanym przez CRM est budowanie trwałych związków z klientami [Stachowicz-Stanusch, Stanuch 2007, s. 18] (poprzez integrowanie wszystkich pozyskanych danych o klientach w wiedzę o klientach [Frąckiewicz, Rudawska 2005, s. 53]) i wzaemne dostosowanie czynności firmy i klienta [Storbacka, Lehtinen 2001, s. 21]. System ma za zadanie analizować klientów (analizy Pareto, ABC, segmentaca klientów oraz ocena potencału segmentów i kluczowych nabywców), prognozować wielkość sprzedaży (ogólne, zapotrzebowania na zasoby, dla rozwoowych i potencalnych segmentów rynku) i planować działania firmy. Zakres planowania obemue opracowywanie modeli działań strategicznych w zakresie CRM i obsługi organizacyne, przyznawanie zasobów, obliczanie wszystkich niezbędnych zasobów przeznaczonych na potrzeby wdrażania systemu [Dembińska-Cyran, Hołub-Iwan, Perenc 2004, s. 182]. Zadaniem odróżniaącym CRM od systemów transakcynych est możliwość ewidenconowania wszelkich informaci na temat klientów i czynności wykonywanych w związku z przeprowadzanymi z nimi operacami. Źródła informaci są różne od typowych dokumentów i formularzy, poprzez możliwość reestraci wszelkiego rodzau notatek, dokumentów pochodzących z innych systemów, łącznie z obcymi (można tu wymienić Internet), aż do reestraci informaci w postaci multimedialne (np. nagrywanie rozmów). Gromadzenie całości informaci o sposobie obsługi klienta ma na celu wsparcie pracy handlowców (i innych osób kontaktuących się z klientami), podnoszenie akości obsługi, indywidualizowanie oferty w zależności od potrzeb klienta. System wspieraący takie działania musi dostarczać wszelkie informace potrzebne w dane chwili do właściwe obsługi klienta. Może też być zintegrowany z innymi systemami, takimi ak system ERP, Intranet, własny portal internetowy, call center [Mazur 2002], co przedstawiono na rys

31 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI Rysunek 1.3. Architektura systemu klasy CRM Źródło: [Buchnowska 2006, s. 117]. J.D. Lenskold [Lenskold 2003] wskazue, że system CRM nie est ednolitą strukturą, i wyróżnia w nim trzy podstawowe podsystemy: 1) operacyny CRM umożliwia zbieranie danych o klientach i etapach sprzedaży, wspiera telemarketing i strategię sprzedaży (nowoczesne systemy komunikaci); 2) analityczny CRM dotyczy przetwarzania i analizy danych; pozwala na tworzenie hurtowni danych, stosowania narzędzi w celu segmentaci rynku i realizacę strategii firmy, śledzenie wskaźników rentowności relaci z klientem, takich ak wskaźnik wartości życiowe klienta (Consumer Lifetime Value) lub wskaźnik przyrostowe wartości klienta (Incremental Consumer Value); 3) interakcyny CRM pozwala na kształtowanie bezpośrednich kontaktów z klientem i stałe zapewnienie komunikaci między nim a firmą. Przepływy danych i informaci w systemie CRM przestawiono na rys

32 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI Rysunek 1.4. Przepływy danych i informaci w systemie CRM Źródło: [Kasprzak 2003, s. 248]. Funkce, akie spełniaą wymienione moduły, to m.in.: analiza sprzedaży, satysfakci, profilu i loalności klienta, integraca kanałów dystrybuci, planowanie i obsługa kampanii reklamowych, ewidenca i ciągła aktualizaca wiedzy o klientach (danych, potrzeb, motywaci, zachowań) i konkurenci, analiza skuteczności i efektywności instrumentów marketingu, obsługa sprzedaży towarów oraz ciągłe polepszanie wyników organizaci (uczenie się na sukcesach i porażkach) [Klonowski 2004, s. 61]. Operacyny CRM [Januszewski 2008, s ] ma za zadanie gromadzić i udostępniać wszelkie informace o kliencie potrzebne do wszechstronne ego obsługi. Obemue trzy grupy funkconalności, które ukierunkowane są na: marketing, sprzedaż i wsparcie techniczne. Odpowiada za pozyskanie klienta i dbanie o ego utrzymanie, realizacę sprzedaży. Za organizacę i analizę wiedzy o kliencie odpowiada analityczny CRM, którego podstawą est wysokie akości, zwarta baza danych [Alpar, Niedereichholz 2000] zawieraąca kontakt do klienta (wraz z opisem reakci na kierowane do niego działania marketingowe). Dane te są pozyskiwane z badań marketingowych, księgowości, sprzedaży wysyłkowe, call 32

33 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI center, Internetu [Bensberg 2002, s ] i przekształcane w informace przy użyciu odpowiednich metod (obok klasycznych metod opisowych wykorzystywanych w statystyce do analizy danych i wspomagania decyzi np.: przetwarzania analitycznego w trybie on-line (OLAP) lub data mining [Hippner, Wilde 2008, s ; Arndt, Gersten 2001, s ]). Analityczny CRM dokonue analizy danych o klientach, m.in. wielowymiarowe segmentaci klientów, analizy wartości i loalności klientów czy też analizy koszykowe. Zadaniem interakcynego CRM est natomiast uniezależnienie standardu obsługi klienta od kanału komunikaci. J. Dyché [Dyché 2002, s. 132] zauważa, że integraca operacynego i analitycznego modułu zachodzi w kanałach komunikaci i tam est ona nasilniesza. A. Denaka podkreśla, że moduły systemu CRM (przykładowo: CRM obsługa klienta, CRM sprzedaż, CRM marketing, CRM zarządzanie kluczowymi klientami, CRM serwis, CRM wewnętrzny, CRM analizy) są ze sobą powiązane i stanowią zwartą bazę [Denaka 2002, s ]. J. Pieronek [Pieronek, Wereżyński 2009, s ] wskazue, że systemy zarządzania relacami z klientami dla małych i średnich przedsiębiorstw powinny funkconować ako aplikaca internetowa, z które można korzystać za pośrednictwem każdego urządzenia podłączonego do sieci internetowe oraz wyposażonego w przeglądarkę internetową. Dane wprowadzane do systemu są przetwarzane i przechowywane w czasie rzeczywistym na serwerze, który est podłączony do sieci Internet. W celu uzyskania dostępu do zasobów systemu użytkownik musi pomyślnie prześć proces uwierzytelnienia. Dostęp do informaci est możliwy również dla pracowników, którzy wykonuą zadania poza główną siedzibą firmy. System wspiera także pracę innych działów przedsiębiorstwa, ak np. działania związane z procesami zarządzania zasobami ludzkimi oraz działu księgowego. Ze względu na charakter i wielkość skali działalności małych i średnich przedsiębiorstw aplikace typu CRM nie muszą mieć tak bardzo rozbudowane funkconalności ak w przypadku systemów dedykowanych większym ednostkom gospodarczym. Do naczęście wykorzystywanych funkci w sektorze małych i średnich przedsiębiorstw można zaliczyć: zarządzanie kontrahentami, kontaktami, zadaniami, marketingiem, sprzedażą, serwisem, raportowanie działań związanych z zarządzaniem relacami z klientami. Moduł zarządzania kontaktami z klientami est naważnieszą częścią proektowanego systemu. Dzięki niemu firma może budować długotrwałe relace z klientami i obserwować zmiany ich preferenci. System musi zapewniać kompleksową obsługę wszystkich zdarzeń, 33

34 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI akie zachodzą w tym obszarze. W celu bardzie przerzystego przedstawienia możliwości proektowanego systemu obszar ten est podzielony według czynności wykonywanych przez pracowników działu sprzedaży i osoby odpowiedzialne za sprzedaż [Pieronek, Wereżyński 2009, s ]. Sieciowy CRM ze względu na specyfikę kanału dystrybuci skupia się przede wszystkim na analizie klienta. Badania prowadzone przez przedsiębiorstwa działaące w przestrzeni wirtualne stanowią podstawę do poznania i zaspokaania potrzeb klienta. Oparte na formularzach wypełnianych przez klienta, programach śledzących klienta na stronie, badaniu historii zakupów w sieci, hurtowni danych [Adamczyk 2002, s ], analizie logów serwera, listach subskrypcynych, zapewniaą wiarygodny obraz klienta. Dzięki takim działaniom klient e-crm est traktowany w sposób indywidualny. A. Migalska wskazue, że niektóre z dostępnych oprogramowań zarządzania relacami z klientami dla biznesu działaą podobnie ak sieci neuronowe, realizuąc procesy samokształcenia i rozwou (sztuczna inteligenca). Systemy CRM powinny spełniać oczekiwania funkconalne, a czasami nawet przewidywać procesy mogące zaistnieć w przedsiębiorstwie. Każde rozwiązanie klasy CRM powinno tworzyć profesonalną bazę klientów oraz umożliwiać intuicyne, proste i bezpieczne zarządzanie treścią w celu zaawansowanych modyfikaci i uaktualniania baz danych [Migalska 2008]. Firmy wydaą miliony dolarów na magazynowanie danych o klientach [Gagnon 1999, s ; Jukic 2006, s ] w hurtowni danych bądź składnicy danych (data mart), by następnie analitycy (data miners) mogli poddać e ocenie. Specaliści często dostrzegaą nowe segmenty stwarzaące potencalne okaze dla przedsiębiorstw, poawiaące się trendy w wyrobach, właściwościach lub usługach, które mogłyby ukierunkować e na nowe oferty lub sprawdzać skuteczność analityki prognostyczne w docieraniu do nalepszych kandydatów na klientów [Kotler 2005, s ]. Hurtownie danych (data warehouse) gromadzą dane z wielu heterogenicznych źródeł [Lyons 2004, s ] ale, ak wskazue B. Dagan, sukces związany z ich gromadzeniem wydae się być wyątkiem, a nie zasadą [Dagan 2007, s ]. Przedsiębiorstwa bardzo często powtarzaą błędy konkurenci [Madsen 2005] gromadzą dane, ale rzadko prowadzą analizy ich akości. Nie są świadome problemów oraz możliwych strat finansowych i kosztów społecznych związanych z brakiem kontroli gromadzonych danych [Wang, Reddy, Kon 1995]. Ponadto dostęp do wydanych 34

35 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI i stosunkowo tanich systemów bazodanowych przyczynia się do stałego ogromnego przyrostu danych. Większość z nich istniee w surowe, nieobrobione postaci i est często całkowicie bezużyteczna dla firmy [Gramacki, Gramacki 2009, s ]. Częstym problemem są też błędy w bazach danych szacowane na blisko 10% wszystkich zgromadzonych informaci. Dane są rozrzucone po różnych systemach, platformach i miescach, co sprawia, że zapewnienie ich integralności oraz dostępu do nich w krótkim czasie est praktycznie niemożliwe [Kopczewski 2005, s. 37]. Firmy produkcyne tracą z powodu takie niedbałości ponad 25% swoego obrotu, firmy usługowe do 40% [Jarke i in. 2003]. Brak staranności w tworzeniu standardów akości danych (kwalifikaci poprawności i przydatności danych [Stecyk 2005]) est przyczyną niepowodzeń proektów realizowanych przy wykorzystaniu hurtowni danych i problemów przetwarzania danych [Beal 2005]. Dopiero właściwe ich wykorzystanie gwarantue podniesienie pozyci firmy wśród konkurenci, osiągnięcie przewagi strategiczne i korzyści organizacynych poprzez obniżenie kosztów, podniesienie poziomu dochodów, poprawienie procesów gospodarczych, wsparcie zarządzania relacami z klientami i zarządzania wiedzą [Hwang, Xu 2005, s. 7-13]. Aby uczynić dane użytecznymi, stosue się różne techniki ich eksploraci. Realizowana est wstępna obróbka danych usuwaąca lub ograniczaąca różnego rodzau niedoskonałości, braki danych (missing values), dane oddalone (outliers), różniące się od siebie zakresem atrybuty numeryczne, błędne wartości i redukca ich wymiarowości (np. pakietem statystycznym R), która ułatwia analizy i wizualizace, czy też normalizaca i skalowanie [Gramacki, Gramacki 2009, s ]. Dostępnych est wiele algorytmów gromadzenia danych i mimo że zasadniczo różnią się między sobą, mogą mieć znaczenie w analizie danych o kliencie i prognozowaniu przyszłych ego zachowań. Proces eksploraci, drążenia i ekstrakci danych (data mining) definiowany est ako zbiór technik odkrywania nietrywialnych zależności i schematów w dużych zbiorach danych [Budziński, Szaranek 2006, s. 4-10]. To technologia wspomagania procesu podemowania decyzi wykorzystywana do wydobywania z baz danych uogólnionych reguł i wiedzy. Zastosowanie te nowe metody pozwala na zadanie pytania czy w zgromadzonych danych występuą akieś korelace oraz trendy i akie one są?. Technika ta wykorzystywana est do badania preferenci i postaw klientów w celach marketingowych, np. przez banki detaliczne, 35

36 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI które poszukuą wzorców/typów klientów, czy też przedsiębiorstwa ustalaące parametry modeli procesów wytwarzania, dystrybuci, zaopatrywania i oceniaące swoich dostawców czy odbiorców [Klonowski 2004, s. 61]. Innymi obszarami potencalnego wykorzystania technik zarządzania relacami z klientami mogą być badania reakci klientów, dostosowanie sposobu komunikaci, produktów i obsługi do ciągle zmieniaących się potrzeb klienta. Analityczne procesy w CRM [Migut 2004, s. 1-15] powinny być wykorzystywane do efektywnego przetwarzania informaci, stałe poprawy wyników, planowania działań i analiz. K. Wilde wskazue, że data mining (eksploraca danych) w zarządzaniu relacami z klientami to cykl faz, począwszy od określenia zadania, problemu, analitycznego celu, poprzez wybór i przetworzenie istotnych danych aż do interpretaci, ewaluaci i zastosowania wyniku analizy i dopasowania procesów CRM do procesów przedsiębiorstwa [Wilde 2001]. OLAP stało się napopularnieszym rodzaem analiz wspomagaących podęcie decyzi. Zadaniem tych systemów est wspomaganie zarządzania poprzez dostarczanie właściwych informaci potrzebnych do analizy problemu bądź sytuaci właściwym ludziom, we właściwym czasie, przy niskim koszcie [Kopczewski 2005, s. 37]. Pozwalaą one na przeszukiwanie informaci, skoncentrowanie się wokół szczegółowych danych na coraz niższych poziomach hierarchii i tworzenie raportów on-line, analizę wyników. OLAP dostarcza zestawu cech danych z baz danych, które zorganizowane są według określonych kryteriów (t. czas, lokalizaca). Z uwagi na to, że gromadzenie danych wymaga identyfikaci reguł w oparciu o bardzo obszerne dane zamiast analizy segmentów klientów, bada się indywidualnych konsumentów dzięki rzeczywistemu kontaktowi z ich rekordami w bazie danych. W wyniku analiz OLAP mogą zostać zidentyfikowane grupy klientów kupuących podobne lub te same produkty, odkryte nowe informace wzbogacaące wiedzę w firmie [Dyché 2002, s ]. Technologia ta pozwala na budowę aplikaci do analizy wszystkich obszarów działalności firmy finansów, klientów, marketingu, dystrybuci itp. Za podstawę przetwarzania przymuą porównania oraz analizy wzorców i trendów, wymagaą ogromnych ilości danych historycznych [Kopczewski 2005, s. 38]. Jednym z nabardzie znanych i charakterystycznych zadań asocacynych est analiza koszykowa oparta na budowaniu reguł asocacynych. Polega ona na opisywaniu ukrytych zależności między danymi i est wykorzystywana przez wielu analityków [Pasztyła 2005, s ]. Zależności te mogą dotyczyć zarówno zwyczaów zakupowych klientów, ak 36

37 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI i prawidłowości w korzystaniu z usług. Korzyści z wykorzystania analizy koszykowe staą się tym bardzie oczywiste, im szersza est gama oferowanych produktów i usług oraz im większa est liczba klientów. Analiza koszykowa pozwala na identyfikacę klientów przy wykorzystaniu technik analitycznych, t. raportów tabelarycznych przygotowywanych z użyciem narzędzi typu OLAP (pozwalaących na wyszukanie par naczęście kupowanych produktów), graficznych, algorytmów asocacynych, których wyniki są prezentowane często w postaci reguł asocacynych. Dzięki temu możliwe est określenie, co konkretny klient kupił podczas zakupów odległych w czasie. Problemem może się ednak okazać identyfikaca klienta. W bankach, firmach ubezpieczeniowych czy telekomunikacynych klient posiada unikalny identyfikator, przypisuący mu wszystkie kupowane produkty i usługi, w supermarketach stosue się programy loalnościowe [Kwiatek 2007, s ] (np. karta stałego klienta upoważniaąca do rabatu), a w e-sklepach identyfikaca możliwa est po numerze karty kredytowe, którą klient płaci, a dane kupuącego pozyskiwane są z podawanego przez niego adresu, na który zleca wysyłkę zakupionego towaru. W sytuaci, gdy klient płaci różnymi kartami lub gotówką przy odbiorze, a zakupione towary wysyła pod różne adresy (np. ako prezenty), proces identyfikaci może być utrudniony. Do wymiernych korzyści z identyfikaci klientów zalicza się: uzyskanie dodatkowych informaci o zachowaniach klienta, określenie loalności klienta [Uncles, Dowling, Hammond 2003, s ], określenie ego profilu (z aką częstotliwością robi zakupy?) i segmentacę, analizę przerw między zakupami [Stanimir 2006, s ] i dywersyfikacę ofert w zależności od preferenci (opartą na charakterystykach zakupowych), prowadzenie analiz sekwenci zakupowych (do przewidywania kolenych zakupów), wykorzystanie cech demograficznych oraz zebranie informaci o charakterze psychograficznym do pozyskiwania nowych klientów poprzez odpowiednie kierowanie reklam. Z identyfikacą klientów wiąże się ryzyko, że nie każdy klient wyraża zgodę, by zostawiać informace dotyczące ego osoby, nawet na poziomie umożliwiaącym wyłącznie identyfikacę kolenych zakupów. Rozwinięciem algorytmów asocacynych są algorytmy służące do poszukiwania charakterystycznych sekwenci zakupów. Zasady poszukiwania związków są analogiczne do algorytmów asocacynych, z uwzględnieniem nie tylko asocaci, ale również i sekwenci, w akich były dokonywane zakupy, co wpływa na inną interpretacę wyników analiz. Wykorzystanie algorytmów poszukiwania sekwenci prowadzi do analizy kolenych aktów zakupów dla każdego klienta. 37

38 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI Wiedza na temat charakterystyk dokonywania zakupów może być wykorzystana w systemach CRM, które przy kontaktach z klientem rekomenduą produkty nabardzie dla niego odpowiednie, a tym samym wpływaą na wyniki sprzedaży. Innym ważnym zastosowaniem analizy koszykowe est segmentaca klientów ze względu na charakterystyki dokonywanych zakupów oraz ich profilowanie. Umożliwiaą one właściwe adresowanie kolenych ofert do obecnych klientów, ak i efektywną sprzedaż kierowaną do nowych klientów [Wachnicki 2001]. Podstawą kontaktu z obecnym i potencalnym klientem est znaomość ego zachowań i zwyczaów [Wachnicki, Komornicki 2002]. Kluczowe, w przyspieszaniu procesu podemowania decyzi, est posiadanie w odpowiednim czasie właściwe i łatwo dostępne informaci [Kopczewski 2005, s. 37]. W związku z tym systemom CRM stawia się coraz większe wymagania w kwestiach technologicznych. Powinny one integrować telefonię (telefon, mail, faks), call center, możliwości Internetu i Intranetu (włącznie z e-commerce), przestrzegać standardów interoperacyności, pracować w oparciu o data mining, być skalowalne, uwzględniać dane geograficzne i temporalne. Ich architektura powinna być elastyczna, aby radziły sobie z często zmieniaącymi się wymaganiami [Scheer, Nüttgens 1999]. W celu zwiększenia funkconalności strategii CRM serwisy internetowe wyposaża się coraz częście w dodatkowe narzędzia analityczne. Oprócz badania dokonywanych dotychczas wyborów i ich charakteru (preference uawnione), zbiera się również i analizue informace dotyczące upodobań i intenci użytkowników (preference wyrażone) oraz wykonywanych przez nich ruchów w serwisie [Adamczyk 2002, s ]. Model CRM, zdaniem R.S. Winera [Winer 2001, s ], powinien zawierać takie komponenty, ak: baza danych o aktywności klientów (ale nie tylko historyczne dane o transakcach i dane do kontaktu, co ma stanowić odpowiedź na bodźce marketingowe ważne est tu także, aby dbać o kompletność bazy, blisko 20-30% firm bowiem ma ogromne luki w bazach danych); analiza bazy danych; selekca klientów względem zachowań podeście to est ednak krytykowane, zwłaszcza w analizie duże grupy klientów, gdy otrzymue się tylko pewną średnią wprowadzaącą 38

39 1. WSPÓŁCZESNE KIERUNKI ZARZĄDZANIA RELACJAMI Z KLIENTAMI wartość życiową klienta LCV (Lifetime Customer Value); każdy wiersz bazy/każdy klient analizowany est pod kątem obecne i przyszłe rentowności dla firmy, dzięki temu można wskazać tych nabardzie zyskownych dla firmy klientów, zmnieszyć koszty krańcowe produktu i pozyskiwania klientów; grupowanie klientów (wskazanie, które programy marketingowe dopasować do którego segmentu klientów), tzw. customer targeting; systemy CRM są słabo przystosowane do masowe sprzedaży, aką oferue telewiza czy radio, dlatego firmy rozpoczęły dialog z klientem one to one (eden do ednego); kwestie związane z prywatnością firma musi pamiętać o prawie klienta do prywatności, klient ma prawo wydać zgodę albo odmówić zbierania treści o sobie w Internecie; metryki do pomiaru sukcesów programu CRM miary skuteczności usług i produktów, które należy aktualizować [Winer 2001, s ]. Zdaniem J. Dyché [Dyché 2002, s ] szczególnie istotne dla CRM są: przewidywanie określanie przyszłych zachowań klientów na podstawie danych historycznych. Modelowanie prognostyczne prowadzi do rezultatów w postaci modelu (lub określone struktury), co oznacza, że możliwe będzie wskazanie kolenego produktu, aki zakupi klient, na podstawie danych historycznych o ego transakcach i innych konsumentach; koleność wykorzystanie analiz sekwenci w celu sprawdzenia, czy działania nabywców odbywaą się w pewne koleności, zgodnie ze wzorcem; skoarzenia wykrywanie podobnych produktów czy wydarzeń połączonych ze sobą; algorytm skoarzeniowy wykorzystywany est do analiz koszyka zakupów, do lepszego zrozumienia skłonności klientów do kupowania produktów przy okazi innych zakupów. Koncepca modelu badania preferenci i wyznaczania profili klientów, umuąca wymienione aspekty, została przedstawiona w rozdziale drugim. 39

40 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH Pomiar satysfakci klienta i akości usług to pomiary powszechnie używane ako barometr wyników przedsiębiorstw. Zadowolenie klienta i akość usług z uzyskanych badań konsumenckich są niezmiennie dystrybuowane. Naukowcy zakwestionowali popularne podeście polegaące na użyciu średnich ocen podsumowuących dane. R.F. Hurley i H. Estelami [Hurley, Estelami 1998, s ] przeprowadzili dwa niezależne badania dotyczące ważności różnych indeksów, które mogą być wykorzystywane do oceny akości obsługi konsumentów. Mieli również wątpliwości co do powszechnie stosowanych wskaźników (np. średnie ocen) do oceny zadowolenia klienta i badania akości usług. A. Peterson i W. Wilson sugeruą, że większość wyników badań est zniekształcona. W rezultacie przeciętna ocena na podstawie średnie arytmetyczne może być słabą miarą tendenci centralne, a z pewnością nie może być nalepszym wskaźnikiem oceny akości usług i satysfakci [Peterson, Wilson 1992, s ]. Popularne obecnie gromadzenie danych i monitorowanie działań w obszarze zarządzania dotyczy dwóch kategorii: rynku ogólnego i produktu. Istotne est ustalanie na bieżąco wszelkich zmian na poziomie rzeczywiste działalności przedsiębiorstwa w zakresie wprowadzania produktu/usługi do sprzedaży i procesu ego planowania oraz monitoring asortymentu produktów do harmonogramowania produkci i zamówień zgłaszanych przez klienta. Ważne est, aby szybko określić zmiany w preferencach klientów i dostosować do nich proces produkci [Vollmann i in. 2005, s ]. W rozdziale przedstawiono organizacę procedury w prowadzonych badaniach wyznaczania profili konsumenckich, omówiono metody wyznaczania reguł zachowania klientów, technologie i techniki wyznaczania preferenci. Podano obszary wykorzystania technik modelowania, omówiono kwestie istotnie wpływaące na modele preferenci oraz modelowanie profili konsumenckich w uęciu systemowym. 40

41 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH 2.1. Rola procedury w dążeniu do wyznaczania profili konsumenckich Do opracowania założeń proektowych modułu analitycznego w informatycznym systemie wspomagania decyzi konieczna est odpowiedź na pytania: Jaką procedurę przyąć na potrzeby klasyfikaci i ekstrakci wiedzy z nieednorodnego zbioru danych? Jak uzyskać informace o preferencach klientów z wiedzy rozproszone i ak e stale monitorować? Przyęto następuący zarys procedury postępowania w modelowaniu profili konsumenckich: 1) Dane z badań monitoruących: - Hurtownie dedykowane (baza historyczna klasyczna), - Hurtownie wirtualne (hurtownie rozproszone ontologia). 2) Główna metoda ekstrakci poglądów klientów z danych (hurtowni): - Teoria zbiorów przybliżonych (ZB): czym się kieruą ludzie, wybieraąc cokolwiek?, - Baza wiedzy reguł (wyniki -> ewoluca poglądów w czasie). 3) Określenie kryteriów oceny i szacowanie preferenci: - Wektory preferencyne dla produktów (AHP), - Rankingi i uwarunkowania sprzedaży (oceny), - Baza wyników analizy preferencyne. 4) Analiza wyników korekty działań (sterowanie). Koncepca systemu CRM monitoruącego preference klientów w środowisku niedoprecyzowania informaci oparta est na konstrukci systemu, który będzie: szukał, analizował i gromadził dane oraz który odpowie na pytania: ak zdobyć nowego klienta? ak poznać ego preference i zmiany tych preferenci w czasie? w aki sposób zautomatyzować proces ich oceny i wygenerować wnioski? Analiza bieżącego stanu badań naukowych wskazue ednoznacznie, że mimo dynamicznego rozwou technik i metod oceny preferenci klientów istnieące rozwiązania nie są pozbawione wad i istotnych uproszczeń, a spektrum ich zastosowań praktycznych est stosunkowo wąskie. Stąd konieczne wydae się wykorzystanie różnych dostępnych metod, ak metoda klasyfikaci, analizy hierarchiczne, Electre Tri, teorii zbiorów przybliżonych, do 41

42 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH określenia procedury działania modułu monitoruącego preference w informatycznym systemie wspomagania decyzi Metody wyznaczania reguł zachowań klientów Klienci często poszukuą reguł wyaśniaących podęte przez nich decyze [Slovic 1975, s ]. Prawidłowo przeprowadzona klasyfikaca pomaga odkryć charakterystyki danych, uogólnić czy zorganizować dane w taki sposób, aby były one zgodne z zakładanymi strukturami zorientowanymi na wiedzę [Budziński, Wawrzyniak 2006, s ]. Jak wskazuą A. Jain, M. Murty i P. Flynn [Jain, Murty, Flynn 1999, s ], klasyfikaca danych est wstępem do analizy danych, a algorytmy grupowania stosue się do: eksploraci danych (data mining), m.in. grupowania klientów, ekstrakci informaci (document retrieval), a więc uproszczenia dostępu do informaci, segmentaci obrazu (image segmentation), m.in. podziału obrazu według określone ego własności, rozpoznawania obiektów i obrazów (obect and charakter recognition). Jednak w analizie decyzyne, ak podkreślaą Z. Pawlak i R. Słowiński, nieednokrotnie napotyka się niespóne informace o sytuacach decyzynych decydenci często się wahaą, nieprecyzynie i niestabilnie wyrażaą swó model preferencyny. Powodue to możliwość uzyskania niepełne bądź niepewne informaci [Pawlak, Słowiński 1994, s ]. Ponadto, ak zauważyli R. Budziński i A. Wawrzyniak, w praktyce można napotkać trudności z przyporządkowaniem obiektów do określone grupy, dlatego też granice między wydzielonymi grupami mogą być nieostre, rozmyte. Teoria zbiorów przybliżonych (Rough Set Theory), dzięki odrzuceniu wymogu ściśle określonych granic zbioru, eliminue ograniczenia związane z określeniem zbioru kantorowskiego (który zakłada, że dowolny element należy lub nie do określonego zbioru). Teoria ta powstała w latach osiemdziesiątych ako narzędzie analizy informaci granularne i est obecnie edną z nabardzie rozwiaących się metod sztuczne inteligenci. Je celem est rozwiązywanie trudnych problemów ekonomicznych poprzez znadowanie powiązań między atrybutami warunkowymi, odkrywanie wiedzy (knowlege discovery, data mining), ukrytych reguł wpływaących na podemowanie decyzi przez eksperta [Budziński, Wawrzyniak 2006, 42

43 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH s ]. A więc, podsumowuąc, celem teorii zbiorów przybliżonych est analiza danych dotyczących określonych problemów decyzynych (a w przypadku, gdy na decyze wpływa wiele kryteriów wielokryterialnych problemów decyzynych), o których szerze w pracy B. Roya [Roy 1991, s ]. Teoria zbiorów przybliżonych prof. Z. Pawlaka [Pawlak 1981, s ] est nowym matematycznym podeściem do poęć nieostrych, nową metodą analizy danych [Pawlak 2004, s. 1-52], opisue rzeczywistość ograniczoną liczbą atrybutów. Każdy opis dotyczy granuli (grupy elementów o tych samych wartościach, nierozróżnialnych z punktu widzenia opisu). Teoria określa system informacyny, tablice decyzyne, akość klasyfikaci, redukt, dolne i górne przybliżenia, relace nierozróżnialności i reguły decyzyne. W rozprawie zacytowane zostaną definice za [Nowicki 2009, s ]. System informacyny Systemem informacynym nazywamy uporządkowaną czwórkę: SI U, Q, V, f, (2.1) gdzie: U przestrzeń rozważań zbiór obiektów lub stanów, Q zbiór cech (atrybutów) tych obiektów, V zbiór wartości cech, f funkca informacyna. Przy czym U, Q, V i są skończone. Poszczególne cechy q Q przymuą wartości ze zbiorów V q, więc zachodzi V V. qq q f Funkca informacyna est funkcą zupełną i przyporządkowue wartości cechom obiektów, : U Q V, czyli cecha q obiektu x ma wartość q ( x) f ( x, q) dla każdego q Q i x U. Tablice danych i ich spóność Tablicą decyzyną nazywamy uporządkowaną piątkę DT U, C, D, V, f, (2.2) gdzie: 43

44 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH U przestrzeń rozważań zbiór obiektów lub stanów, C zbiór cech (atrybutów) warunkowych tych obiektów, D zbiór atrybutów decyzynych, V zbiór wartości cech, f funkca informacyna, która przyporządkowue wartości cechom obiektów, f : U( C D) V, czyli cecha q ( C D) obiektu x U ma wartość ( x) f ( x, q). q Zbiór cech Q w tablicy decyzyne dzieli się na dwa rozłączne zbiory: C atrybutów warunkowych i D atrybutów decyzynych. Każdy wpis w tablicy odpowiada regułom typu: JEŻELI wartość atrybutu warunkowego, TO wartość atrybutu decyzynego. Je zadaniem est przechowywanie wiedzy wykorzystywane we wnioskowaniu. D występue często ako zbiór ednoelementowy D d [Susmaga 1998, s ]. Zależności pomiędzy atrybutami omówiono w pracy [Pawlak 2001, s ]. Klasą abstrakci xˆ R U w pewne niepuste przestrzeni U, dla określonego elementu xu ˆ oraz relaci równoważności R U U nazywa się następuący podzbiór przestrzeni U : ˆ { xu : xˆ Rx} x R. W literaturze spóność tablicy decyzyne est definiowana na dwa sposoby. Pierwszy z nich, zaproponowany przez A. Skowrona, L. Polkowskiego i J. Komorowskiego [Komorowski, Polkowski, Skowron 1999, s. 1-98], mówi, że tablica decyzyna A est spóna (deterministyczna), eżeli A ( x) 1 dla każdego x U, w przeciwnym razie A est niespóna (niedeterministyczna). Łatwo zauważyć, że tablica decyzyna A est spóna wtedy i tylko wtedy, eżeli POS A ( d) U. Ponadto, eżeli B B ', to POS B ( d) POS B'( d) dla każde pary z niepustych zbiorów B, B' A. Natomiast Z. Pawlak w swoich pracach [Pawlak 1996; Pawlak 1985, s ] spóność tablicy decyzyne warunkue spónością reguł w nie zawartych. Zgodnie z ego twierdzeniem tablica zawieraąca niespóne reguły decyzyne est automatycznie niespóna, a w odwrotnym przypadku, t. gdy zawiera tylko spóne reguły, est spóna. Nierozróżnialność obiektów Relacą równoważności nazywamy taką, która est w swoe dziedzinie zwrotna, symetryczna 44

45 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH i przechodnia i pozwala na podział przestrzeni ilorazu zbioru U przez relacę R. Elementy tego podziału to rodzina klas abstrakci (zbiory rozłączne). Relacą P ~ (nierozróżnialności, indiscernibility relation) nazywamy relacę P ~ określoną w przestrzeni gdzie: U U zdefiniowaną następuąco: x, xˆ U dowolne obiekty, P Q pewien zbiór cech tych obiektów, ~ xpxˆ f ( x, q) f ( xˆ, q) q P, (2.3) f funkca informacyna określona w definici systemu informacynego. Zbiór przybliżony Zbiorem przybliżonym nazywamy parę zbiorów { R X, RX}, gdzie: - zbiór R X est R dolną aproksymacą zbioru X U, - zbiór RX est R górną aproksymacą zbioru X U. Zbiory RX i RX są określone następuąco: RX { x U : x X}, (2.4) R RX { x U : x R X }. (2.5) Zbiór obiektów, które: - należą do aproksymowanego zbioru X to R dolna aproksymaca, - należą do zbioru X oraz ednoznacznie ani nie należą ani należą to R górna aproksymaca, - nie należą do R górne aproksymaci i nie należą do zbioru X [Nowicki 2009, s ]. Za J. Stefanowskim przyęto definice: Współczynnik dokładności przybliżenia definiowany est ako: gdzie: B( X ) B ( X ) B( X ), (2.6) 45

46 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH X liczność niepustego zbioru X. Klasa decyzyna. Niech będzie dana tablica decyzyna DT ( U, A{ d}), gdzie zbiór V wartości atrybutu decyzynego d est równy v,..., v }. Atrybut decyzyny d definiue d { 1 r d d podział CLASS d) { X, X,..., X } zbioru obiektów U, gdzie: X DT ( 1 2 r k { x U : f ( d, x) } dla 1 k r. Podział CLASS DT (d) est nazywany klasyfikacą k v d obiektów w DT, a X k est k -tą klasą decyzyną. Jakość przybliżenia klasyfikaci Jakość przybliżenia klasyfikaci definiowana est ako: gdzie: POS B (d) B pozytywny obszar klasyfikaci. r POS ( d) B( X ) k 1 k ( B, d) B, (2.7) U U Za akość przybliżenia klasyfikaci odpowiada ądro. Zawiera ono te atrybuty, których usunięcie z tablicy decyzyne powodue spadek akości przybliżenia. Redukca informaci Istotnym zagadnieniem w teorii zbiorów przybliżonych są redukty [Pawlak 1998, s ]. Redukt est minimalnym podzbiorem atrybutów, który umożliwia taką samą klasyfikacę elementów uniwersum, ak i całego zbioru atrybutów. Inacze mówiąc, atrybuty, które nie należą do reduktu, są zbędne w odniesieniu do klasyfikaci elementów uniwersum. Reduktem [Stefanowski 2001] w tablicy decyzyne IT ( U, A) nazywamy podzbiór B A wtedy i tylko wtedy, gdy: dla każdego xu zachodzi IB( x) I A( x), dla każdego podzbioru C B pierwszy warunek est niespełniony. W przypadku tablicy decyzyne DT ( U, A{ d}) można podać inną definicę reduktu. Podzbiór B Anazywany est reduktem względnym w tablicy DT wtedy i tylko wtedy, gdy: ( B, x) ( A, x). Poęcie reduktu (wykorzystywanego do wykrywania nadmiarowości danych w tablicy informacyne) definiowane est tylko dla obiektów obecnych w tablicy decyzyne (nie są 46

47 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH uwzględniane żadne obiekty poza nią). W tablicy może się poawić więce niż eden redukt, a ich część wspólna określana est ądrem (core). Poszukiwanie wszystkich reduktów to problem o złożoności wykładnicze. Jądro zbioru atrybutów A ako części wspólne reduktów zbioru A definiue się CORE ( A) RED( A). Redukty maą za zadanie redukcę nadmiarowe informaci i ekstrakcę reguł decyzynych. Ich właściwości omówiono dokładnie m.in. w pracy [Pawlak 2004, s. 1-52]. W literaturze mówi się o reduktach przybliżonych (approximate reducts), dynamicznych czy też wprowadza się podział np. według następuącego założenia eśli A AT dla tablicy decyzyne DT, to [Kryszkiewicz 2007, s ]: redukt ogólny (generalized decision reduct), definiowany: ( x) ( x), redukt pewny (certain decision reduct), definiowany: I ( x) I ( x), redukt -decyzi ( -decision reduct, membership distribution reduct), A AT definiowany: ( x) ( x), x O d d przy założeniu, że A est zbiorem minimalnym. Nawiększą ednak wagę, ze względu na zastosowanie, przypisue się wyznaczeniu wszystkich reduktów i reduktu minimalnego. Metody wyznaczania reduktów można znaleźć m.in. w pracy [Pawlak 1991]. x POS x O A A d AT Reguły decyzyne Reguły decyzyne R dla tablicy decyzyne DT ( U, A{ d}) maą następuącą postać: gdzie: eżeli P, to ( f ( d, x) ), (2.8) P koniunkca warunków f ( a, x) v ), ( i ai d atrybut decyzyny przymuący wartości z dziedziny V d. J. Stefanowski w swoe rozprawie wyróżnia dwa typy reguł: generowane z przykładów należących do dolnych przybliżeń klas decyzynych tzw. reguły możliwe (possibile) i do górnych przybliżeń tzw. reguły pewne (certain). Ich zapis przedstawił przy użyciu poniższych definici: Niech [ w i ] oznacza zbiór obiektów spełniaących wyrażenie w i, a więc v d 47

48 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH x U : f ( a, x) v } Zauważmy, że w w ] [ w ] [ w ], stąd dla uproszczenia { i ai [ i i stosowany będzie zapis: eżeli P, to Q, gdzie: Q ( f ( d, x) ). Mówimy, że obiekt x est dopasowany do części warunkowe reguły r lub reguła pokrywa (covers) obiekt, eśli x [P], a wspiera (supports) regułę r, eśli x [ P Q]. Regułą pewną w tablicy DT est reguła decyzyna r spełniaąca warunek [ P] [ Q], a regułą możliwą reguła spełniaąca warunek P] A( X ) przy założeniu, że X [Q] [Stefanowski 2001]. [ Minimalne reguły decyzyne to takie, które maą minimalną liczbę argumentów (warunkowych), czyli zostały wygenerowane dla nakrótszych reduktów. v d Zastosowanie teorii zbiorów przybliżonych Przykładami praktycznego zastosowania teorii zbiorów przybliżonych do analizy danych i reprezentaci wiedzy nieprecyzyne są: 1) program LERS (Learning from Examples based on Rough Sets) aplikaca umożliwiaąca generowanie reguł na podstawie danych, dzięki redukci zawieraące e tablicy decyzyne. Dane mogą być poddane wcześniesze kwantyzaci, pod warunkiem że maą charakter numeryczny [Nowicki 2009, s ]. System nie est powszechnie dostępny, zaproektowano go specalnie z myślą o niespónościach w zbiorach danych i brakuących wartościach atrybutów. Dae możliwość wyodrębnienia reguł na podstawie dolnego i górnego przybliżenia [Li 2007, s ]. Opis działania programu wraz z przykładami można znaleźć m.in. w pracy [Grzymała-Busse 1992, s. 3-18]; 2) program ROSE 2 (Rough Sets Data Explorer) oprogramowanie obsługue wstępne przetwarzanie danych i ich dyskretyzacę, obsługue bazy z brakuącymi wartościami, generue ądro zbioru i redukty, klasyfikue i generue oraz testue reguły. Pozwala nie tylko na implementace klasycznych technik teorii zbiorów przybliżonych, ale również na ich zmiany [Li 2007, s ]. Przykład z użyciem programu przedstawiono w pracy [Yang i in. 2008, s ]; 3) program RSES (Rough Set Exploration System) system obsługue wstępne przetwarzanie danych, obsługę baz z niepełnymi danymi, dekompozycę danych, generowanie reduktów, klasyfikacę i walidacę [Li 2007, s ]; 48

49 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH 4) program Rosetta niekomercyne narzędzie zorientowane na operowanie na obiektach, służące do analizy danych tabelarycznych o strukturze odpowiadaące teorii zbiorów przybliżonych prof. Pawlaka. Wspomaga ono swymi funkconalnościami (wymienionymi w tab. 2.1) ogólne procesy eksploraci danych (data mining and knowledge discovery). Pozwala na przeglądanie, przetwarzanie danych, obliczanie zbiorów atrybutów, a następnie minimalizacę reguł, sprawdzenie ich poprawności i analizę. Wersa darmowa programu ma ograniczenia liczby obiektów i atrybutów [ Tabela 2.1. Funkconalności programu Rosetta Funkconalność Zakres Import / eksport różnych rodzaów obiektów danych Przetwarzanie wstępne danych Obliczenia Postprocessing Sprawdzenie i analiza Inne - eksport reguł, reduktów, tabel, grafiki, obiektów formatów zawieraących XML, C++, Prolog - częściowo zintegrowany z DBMS poprzez ODBC - sprawdzanie kompletności tabel decyzynych - dyskretyzaca atrybutów (typu numerycznego) - generowanie reguł if then - wspomaganie dla uczenia z nauczycielem i bez -wspomaganie dla zdefiniowanych przez użytkownika notaci - uruchamianie skryptów z plików - obliczenia dokładnych lub przybliżonych reduktów - wsparcie dla walidaci zaawansowane filtrowanie zbiorów reduktów i reguł - generowanie macierzy błędów, krzywych kalibraci - ocena reguł zgodnie z zaawansowanymi miarami akości - zastosowanie wygenerowanych reguł dla przykładów - generowanie losowe zbioru obserwaci - otwarty kod źródłowy (open source code) - klasteryzaca poprzez relace toleranci - dokumentaca Źródło: opracowanie własne na podstawie [ Z dostępnych rozwiązań, z uwagi na szeroki zakres funkconalności (przedstawionych w tab. 2.1), do badań metodą zbiorów przybliżonych wybrano program Rosetta. Niemnie ednak należy podkreślić, że możliwe było również zastosowanie innych metod, na przykład zbiorów przybliżonych badaących prawdopodobieństwo reguł. Pozwoliłoby to określić prawdopodobieństwo sprawdzalności reguł wyekstrahowanych z danych historycznych w przyszłości. Przypuszczać można, że dałyby one dokładniesze wyniki niż wybrana metoda, ednak obecnie nie ma dostępnego oprogramowania w tym zakresie. 49

50 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH 2.3. Technologie i techniki wyznaczania preferenci klientów w uęciu lingwistycznym Badania nad preferencami klientów i teorią użyteczności zapoczątkował w roku 1738 D. Bernoulli, następnie były one kontynuowane na gruncie psychologii. Na przełomie XIX i XX wieku wniosły istotny wkład do rozwou teoretycznych i empirycznych badań popytu i rynku (prace A. Marshalla i V. Pareto) oraz wielu dziedzin ekonomii [Suchecki, Welfe 1988]. Preference w literaturze definiowane są ako system ocen i priorytetów, według którego edne produkty są oceniane wyże od innych, a uporządkowane względem siebie tworzą skale (obrazuą relace między postawami wobec produktów te same kategorii) [Rudnicki 2000]. Preference [Encyklopedia PWN 2010] to determinanta popytu określaąca, co ludzie chcą kupić; preference zależą m.in. od: religii, tradyci, kultury, mody, reklamy, płci, wieku. Są preporządkiem (relacą binarną zwrotną i przechodnią) lub preporządkiem liniowym określonym w koszyku towarów [Bąk 2004, s ]. Wyaśniaą powody podemowania decyzi przez konsumentów, a ich egzemplifikacą są zakupy usług i towarów [Suchecki, Welfe 1988]. Preference uzasadniaą wybór konkretnych produktów i są następstwem czynników indywidualnych, socoekonomicznych, edukacynych, kulturowych, biologicznych, fizologicznych i psychologicznych tak wewnętrznych, ak i zewnętrznych [Shepherd, Sparks 1994]. Jak wskazuą K. Żelazna, I. Kowalczuk i B. Mikuta [Żelazna, Kowalczuk, Mikuta 2002, s. 159], w dobie rynku konsumenta ego upodobania stanowią eden z podstawowych czynników w procesie podemowania decyzi. Zdaniem B. Sucheckiego i A. Welfe rynek est podstawową płaszczyzną przeawiania się preferenci indywidualnych, a o wyborach i decyzach klientów dowiaduemy się zwykle ex post i z masowych obserwaci statystycznych. Informace takie odnoszą się do ogółu konsumentów, a więc pewne zbiorowości statystyczne, co powodue zacieranie subiektywnych ocen konsumentów i indywidualnych odchyleń od wielkości przeciętnych, które charakteryzuą badaną grupę konsumentów [Suchecki, Welfe 1988]. Wyróżnia się preference uawnione (ang. revealed preferences), czyli takie, które są odbiciem rzeczywistych decyzi rynkowych konsumentów (podstawą ich analizy est materiał statystyczny o przeszłych danych rynkowych), i preference wyrażone (ang. stated preferences) dotyczące hipotetycznych zachowań rynkowych, w oparciu o dane zebrane a priori [Bąk 2004, s ]. 50

51 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH Źródłem preferenci są potrzeby, które stanowią podstawę działania człowieka. Można e sklasyfikować hierarchicznie od naniższego do nawyższego rzędu [Maslow 1954]. J. Bradshaw w uęciu socologicznym wyróżnił potrzeby: normatywne (identyfikowane przez ekspertów), odczuwalne (doświadczanie potrzeby, pragnienie), wyrażane (żądanie, potrzeba, w związku z którą podemowane est działanie) i porównawcze (porównywanie populaci według określonych wskaźników) [Bradshaw 1972]. Klienci, dokonuąc wyboru, maksymalizuą subiektywnie odczuwaną użyteczność (czyli miarę zaspokoenia potrzeb). Preference maą decyduący wpływ na użyteczność [Bąk 2004, s ]. B. Roy [Roy 1990, s ] wprowadza poęcie ęzyka preferenci, a więc bazy poęciowe niezbędne do opisania i sformalizowania preferenci, struktur występuących w modelowaniu tych preferenci i reprezentaci funkcynych służących do manipulowania nimi. Za podstawy preferenci zaś uznae sposoby uęcia podstaw, na których budue się preference, oraz pokonywania trudności wynikaących ze złożoności, arbitralności i rozmytości tych podstaw. Autor w swoe pracy wskazue, które zagadnienia są istotne w modelowaniu preferenci klienta. Definiue cztery podstawowe, wykluczaące się sytuace preferencyne: równoważności, silne preferenci, słabe preferenci, nieporównywalności. Sytuace te, omówione w tab. 2.2, określaą realną reprezentacę preferenci klienta i są wykorzystywane do tworzenia modelu preferencynego. Roy wskazue również na rodzae systemów relacynych. Cztery relace binarne I, P, Q, R, zdefiniowane w zbiorze A wariantów potencalnych, tworzą podstawowy system relacyny preferenci (p.s.r.p.) uczestnika Z na zbiorze A, eżeli: 1) zgodnie z definicami i własnościami zawartymi w tab. 2.2 mogą być traktowane ako reprezentaca preferenci Z na zbiorze A; 2) są zupełne: dla dowolne pary wariantów nawyże edna est prawdziwa; 3) wykluczaą się wzaemnie: dla dowolne pary wariantów nawyże edna est prawdziwa. System preferenci stanowi podstawę do uporządkowania, a następnie wyboru (ednego z wielu) zestawu dóbr [Suchecki, Welfe 1988]. 51

52 Przewyższanie K - preferenca Przypuszczenie preferenci Preferenca (w szerokim sensie) Brak preferenci Sytuaca 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH Tabela 2.2. Sytuaca i relace zgrupowane, biorące udział w modelowaniu preferenci ednego z dwóch wariantów decyzynych a i a, wraz z omówieniem sytuaci preferencynych przy porównaniu dwóch wariantów decyzynych Definica Relaca binarna (własności) Właściwości Odpowiada brakowi wyraźnych przesłanek, które uzasadniałyby silną lub słabą preferencę któregokolwiek z dwóch wariantów i wobec tego grupue sytuace równoważności i nieporównywalności bez możliwości ich rozróżnienia Odpowiada istnieniu wyraźnych przesłanek, które uzasadniaą silną lub słabą preferencę ednego (określonego) z dwóch wariantów i wobec tego grupue sytuace silne i słabe preferenci bez możliwości rozróżnienia Odpowiada istnieniu wyraźnych przesłanek, które uzasadniaą słabą preferencę ednego (określonego) z dwóch wariantów lub ewentualnie równoważności między nimi bez znaczącego rozróżnienia sytuaci słabe preferenci i równoważności Odpowiada albo istnieniu wyraźnych przesłanek uzasadniaących silną preferencę ednego (określonego) wariantu albo nieporównywalności dwóch wariantów, lecz bez możliwości znaczącego rozróżnienia sytuaci nieporównywalności i silne preferenci Odpowiada istnieniu wyraźnych przesłanek, które uzasadniaą preferencę albo przypuszczenie preferenci ednego (określonego) z dwóch wariantów, lecz bez możliwości rozróżnienia sytuaci silne i słabe preferenci oraz równoważności ~ *: a ~ a' aia' lub ara ' *: a a' apa' lub aqa ' J : aja ' aqa' lub aia ' K : aka' apa' lub ara ' S : asa' apa' lub aqa' lub aia ' * Zakłada się, że dla rozważane pary est spełniona tylko edna relaca podstawowa. Źródło: opracowanie własne na podstawie: [Roy 1990, s ]. I relaca symetryczna zwrotna, odpowiada sytuaci równoważności, odpowiada istnieniu wyraźnych przesłanek uzasadniaących równoważność dwóch wariantów P relaca asymetryczna (przeciwzwrotna), odpowiada sytuaci silne preferenci, odpowiada istnieniu wyraźnych przesłanek uzasadniaących znaczącą preferencę ednego (określonego) z dwóch wariantów Q relaca asymetryczna (przeciwzwrotna), odpowiada sytuaci słabe preferenci, istnieniu wyraźnych przesłanek, które osłabiaą silną preferencę ednego (określonego) z dwóch wariantów, przy czym przesłanki te są niewystarczaące, by na ich podstawie wnioskować o równoważności albo silne preferenci drugiego wariantu R relaca symetryczna (przeciwzwrotna), odpowiada sytuaci nieporównywalności, brakowi wyraźnych przesłanek uzasadniaących edną z poprzednich trzech sytuaci Dziewięć relaci binarnych I, R, ~, P, Q,, J, K, S zdefiniowanych w zbiorze A wariantów potencalnych tworzy zgrupowany system relacyny preferenci (z.s.r.p.) uczestnika Z na zbiorze A, eżeli: 1) zgodnie z definicami zawartymi w tab. 2.2 relace mogą być traktowane ako reprezentaca preferenci uczestnika Z na zbiorze A; 2) są zupełne: dla dowolne pary wariantów co namnie edna relaca est prawdziwa; 3) wykluczaą się wzaemnie: dla dowolne pary wariantów dwie różne relace nie są nigdy prawdziwe; 52

53 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH 4) co namnie edna z pięciu relaci ~,, J, K, S nie est pusta. Doskonały system relacyny preferenci (d.s.r.p.) est s.r.p. utworzonym z dwóch relaci binarnych obowiązkowo przechodnich, wybranych spośród I i ~ z edne strony oraz P i z drugie strony. Podstawowy system relacyny przewyższania est zgrupowanym systemem relacynym preferenci, w którym S nie est pusta, i który: - redukue się do S; wtedy p.s.r. przewyższania est kompletny lub całkowity; - albo est postaci (S, R), (S, ~) lub (S, ~, R); wtedy p.s.r. przewyższania est niekompletny lub częściowy. Określenie wpływu czynników subiektywnych (potrzeb, zainteresowań, skłonności, upodobań, gustów, nastawienia, opinii, poglądów) na zachowanie konsumentów est problemem trudnym i aktualnym. Wynika to z faktu, że czynniki te nie maą charakteru numerycznego, nie są bezpośrednio mierzalne i stosunkowo łatwo uąć e w kategoriach akościowych. Dlatego konieczne est stosowanie metod pozwalaących na wyrażenie różnorodnych czynników subiektywnych w postaci liczb. W tym celu stosue się skale preferenci, według których konsument określa hierarchię ważności poszczególnych produktów lub ich cech bądź określa siłę swoich opinii i upodobań [Rudnicki 2004; Kaczmarczyk 2002] oraz optymalizue wybory [Bąk 2004, s ]. B. Roy [Roy 1990, s ] wskazue, że skala preferenci E est zbiorem stanów uporządkowanych według porządku zupełnego, oznaczonego przez o następuące własności: rozważaąc dwa warianty idealne a, a, których porównanie odpowiada dokładnie porównaniu dwóch stanów e i e z E ( v( a) e, v( a') e' ), każdy uczestnik Z przymue: sytuacę równoważności a i a, gdy e i e są na te same pozyci w preporządku (e=e ); sytuacę preferenci a a', gdy e est przed e w porządku (e>e ). Wyznaczanie skal preferenci Oznaczenie siły oddziaływania poszczególnych czynników subiektywnych na konsumpcę odbywa się poprzez wykorzystanie skali intensywności oraz skali upodobań (rys. 2.1). Natomiast ważność poszczególnych produktów bądź ich cech, ważność potrzeb lub koleność zakupu oznacza się poprzez skalę rang. Skale intensywności [Rudnicki 2004] obemuą 53

54 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH stopnie od 1 do 5 (gdzie 1 oznacza bardzo ważne, 2 ważne, 3 oboętne, 4 racze nieważne, a 5 nieistotne) lub od -2 do 2 (gdzie -2 oznacza znacznie mnie, -1 mnie, 0 tak samo, 1 więce, a 2 znacznie więce), skale upodobań zaś od 1 do 9 (gdzie 1 oznacza szczególnie lubię, 2 bardzo lubię, 3 lubię, 4 niezłe, 5 ani lubię, ani nie lubię, 6 nie przepadam, 7 bardzo mierne, 8 złe, 9 w ogóle nie lubię). Ilustracę skali porządkowe do pomiaru satysfakci przedstawia rys. 2.2, a skali porządkowe do pomiaru potrzeb, preferenci i motywów rys Rysunek 2.1. Skale preferenci Źródło: opracowanie własne na podstawie: [Rudnicki 2004, s. 302]. Rysunek 2.2. Skala porządkowa do pomiaru satysfakci Źródło: [Kaczmarczyk 2007, s. 111]. Rysunek 2.3. Skala porządkowa do pomiaru potrzeb, preferenci i motywów Źródło: [Kaczmarczyk 2007, s. 111]. Wszystkie wymienione skale są porządkowe, numeryczne, ednowymiarowe, a szacowane cechy uęto liczbowo (za pomocą stopni). Do badań zachowań konsumentów mogą być stosowane zarówno poedyncze skale intensywności, ak i wiązki skal, zwane profilami 54

55 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH polaryzaci (za pomocą których wyznacza się szczegółowe i kompleksowe opinie, nastawienia do cech wzorców konsumpci, towarów i warunków wyboru). Oprócz skal ednowymiarowych do pomiaru zachowań konsumentów stosue się również skale wielowymiarowe MDS (ang. multidimensional scaling) oraz pomiar wieloczynnikowy (ang. conoint measurement). Obie metody pozwalaą na przekształcenie zebranych danych dotyczących preferenci konsumentów w czytelny i spóny obraz oraz odzwierciedlenie prawidłowości zachodzących w sferze postaw konsumentów względem różnych obiektów i ich cech. Natomiast do zmierzenia preferenci konsumentów wobec kilku powiązanych ze sobą czynników (cech) ednego produktu (głównie testowanego nowego produktu) stosue się pomiar wieloczynnikowy [Dobiegała-Korona, Doligalski, Korona 2004, s ]. Stosowanie skal preferenci (rys. 2.1) w badaniach konsumpci zapewnia szereg korzyści [Rudnicki 2004]: obiektywizacę czynników subiektywnych i uczynienie ich porównywalnymi; analizę czynników subiektywnych za pomocą metod statystycznych i ekonometrycznych; ułatwienie sprecyzowania odczuć badanych osób; wykrywanie tendenci rozwoowych w pewnych odstępach czasu; sprostanie wymaganiom akości informaci możliwych do wykorzystania w procesie kształtowania zachowań konsumentów, dzięki obiektywizaci i uchwyceniu stopnia nasilenia czynników subiektywnych. W badaniu preferenci klientów wykorzystywana est również matematyka granularna. Obliczenia granularne Podstawowe zasady i idea obliczeń granularnych dotyczą wielu dziedzin nauki. Są nowym poglądem na świat prowadzącym do strukturalnego myślenia, odchodzącym od dominaci zbiorów rozmytych. Jest to patrzenie na problem na różnych poziomach szczegółowości, obliczeniowe sporzenie na strukturę przetwarzania informaci, postrzeganie systemu ako zintegrowane całości, składaące się z sieci połączonych ze sobą, wysoce zorganizowanych części. Obliczenia granularne pozwalaą na przeście do niższego poziomu w strukturze hierarchiczne, gdzie poszczególne właściwości części mogą być badane [Yao 2008, s ]. Przetwarzanie na poziomie granul est głównym elementem wiedzy systemów. Granule 55

56 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH informacyne to kolekca ednostek (zwykle z poziomu numerycznego), ułożonych ze względu na podobieństwo, nieodróżnialność lub spóność. Obszary, z którymi granulaca informaci est nierozerwalna, to m.in.: przetwarzanie obrazu, GIS (Geographical Information Systems) czy granulaca temporalna [Bargiela, Pedrycz 2003, s. 1]. Zaznaczyła się ona również wyraźnie w teorii systemów, sieciach społecznych, rozwiązywaniu ludzkich problemów, uczeniu, programowaniu, teorii obliczeń, przetwarzaniu informaci [Yao 2008, s ]. Y. Yao zauważył, że uż w roku 1979 L. Zadeh wprowadził poęcie granulaci informaci, a w roku 1982 Pawlak zaproponował teorię zbiorów przybliżonych, która est konkretnym przykładem e wykorzystania [Yao 2005, s ]. Jeden z kierunków w dziedzinie Soft Computing - Granular Computing (GrC), czyli metody obliczeń ziarnistych, zamue się obliczeniami na granulach informaci, podemue problem obliczeń komputerowych bardzie na słowach i percepci niż na liczbach (Computing with Words Based on Perceptron [Zadeh 2001]). Koncentrue się na ogólne teorii i metodologii rozwiązywania problemów i przetwarzania informaci (rozważaąc różne poziomy szczegółowości). Składa się z trzech perspektyw (szerze w pracy [Yao 2006, s ]) ako struktura: myślenia, rozwiązywania problemów i przetwarzania informaci. Y. Yao, N. Zhang, D. Miao i F. Xu prezentuą trzy definice granuli i struktury granularne [Yao i in. 2011]: 1) Niech U oznacza skończony, niepusty zbiór uniwersum. Podzbiór U g 2 nazywa się granulą, gdzie 2) Moc U 2 est mocą zbioru U. U 2 składa się ze wszystkich granuli zbioru uniwersum U. 3) Dla g, U g' 2, eżeli g g', to g nazywamy subgranulą g ', a g ' nazywamy supergranulą dla g. Zakłada się, że U G 2 est rodziną niepustych podzbiorów U. Struktura ( G, ) nazywa się strukturą ziarnistą, gdzie est relacą integraci zbioru. Model struktury granularne składa się z rodziny granul. Struktura ( G, ) dae wzrost dla modeli, w których granule są podzbiorem wszechświata, a struktura granularna est rodziną podzbiorów wszechświata. Ten podstawowy model oznaczamy przez parę M ( U, ). Przy 0 G konstruowaniu modelu podstawowego zakładamy, że G 0 oraz że nie ma żadnych innych ograniczeń. Rodzina G nie musi być zamknięta w odniesieniu do wszelkich 56

57 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH teoriomnogościowych operaci. Struktura G est edynie częściowo uporządkowana i określona przez. U Struktura granularna ( G, ) modelu M 0 est podstrukturą dla ( 2, ) Budowa i działanie granuli zależą od konkretnych zastosowań. Poprzez nałożenie dodatkowych warunków na G możemy uzyskać z modelu podstawowego więce określonych, skonkretyzowanych modeli. Na rys. 2.4 podsumowano osiem modeli struktury ziarniste. Linia łącząca dwa modele ukazue podmodel związku i relaci, które można uzyskać. Rysunek ten nie obrazue ednak wyraźnie przechodniości. Na przykład M 1 est podmodelem modelu M 0, a model M 4 est podmodelem dla M 1. Wynika z tego, że M 4 est zarazem podmodelem dla M 0. Modele przedstawione na rysunku możemy podzielić na dwie grupy. Jedną grupę stanowią modele struktur ziarnistych opartych na strukturze sieciowe, a drugą modele oparte na teorii zbiorów. Trzy modele M 1, M 2 oraz M 3 to modele oparte na strukturze sieciowe. Symbole i są operacą sieciowego spotkania lub połączenia modeli. Spotkanie oraz połączenie mogą niekoniecznie pokrywać się z teoriomnogościowymi operacami oraz, gdyż są one w rzeczywistości przekroem zbiorów ( ) oraz sumą zbiorów ( ). Mamy trzy modele teoriomnogościowe, t. modele M 4, M 5 oraz M 6. Nabardzie szczególny model to ten, w którym G est zamknięte w ramach wszystkich trzech teoriomnogościowych operaci, gdzie c oznacza zbiór uzupełniaący. Modele na rys. 2.4 przedstawiaą hierarchiczną strukturę granularną, która est powszechnie stosowana w wielu badaniach. Mieszanina modeli M 2 i M 4 est wykorzystywana w analizie formalne koncepci, gdzie struktura granularna ( U,( G,, )) est używana wówczas, gdy spotkanie est możliwe przez przekró zbiorów. Połączenie est definiowane odmiennie. Model M 5 est używany w badaniu przestrzeni wiedzy, a model M 7 w analizie zbiorów przybliżonych Pawlaka. Wszystkie te modele są rozpatrywane w ogólnych modelach zbiorów przybliżonych. 57

58 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH Rysunek 2.4. Model struktury granularne Źródło: [Yao i in. 2011]. Z kolei A. Skowron [Skowron 2003, s ] definiue informacyny system granularny (information Granule System) ako trókę gdzie: S ( G, R, Sem), (2.9) G skończony zbiór sparametryzowane konstrukci o nazwie granula informacyna, R skończona struktura relacyna, Sem semantyka G w R. Skowron podae również, że z każdym systemem granularnym związane są: 1) H skończony zbiór stopni włączenia granuli z częściowym porządkiem relaci mnieszości, który definiue na H strukturę użytą do porównania stopni włączenia. Przymuemy, że H zawiera namnieszy stopień 0 i nawiększy 1; 2) dla granul g, g' G stosuemy oznaczenie v ( g, g' ), a relacę G G nazywamy relacą (binarną) bycia częścią przynamnie w stopniu p pomiędzy granulami v p informacynymi ze zbioru G. Stąd zapis: v( g, g') p, a eżeli v( g, g' ), to g est częścią g '. Stopień zawierania się granul określa się inkluzą przybliżoną v : G G [0,1 ]. L. Zadeh [Zadeh 2002, s ] wskazue dwie kategorie granulaci: ostrą (crisp granulation) i rozmytą (fuzzy granulation). 58

59 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH A. Skowron w swoe pracy [Pal, Polkowski, Skowron 2004, s ] omawia rachunek granul informaci, który ma na celu zdefiniowanie metod konstrukci granul złożonych (schematów wnioskowania aproksymacynego) z wykorzystaniem miar zawierania i ogólnie dostępnych operaci. Przedstawia podstawowe poęcia związane z Granular Computing (GrC), składnię granuli informacyne i semantyki, ak również integracę i bliskość (podobieństwa) granul. Porusza wszystkie ważne problemy dla GrC, odkrywania wiedzy i eksploraci danych [Skowron, Stepaniuk 2001, s ]. Obecnie rozwia się również nowa dziedzina matematyki granularne zwana Grey Systems Theory (pierwszy raz zaproponowana przez Denga Julonga w 1982 roku), doskonale sprawdzaąca się w przypadku analizy niepewnych systemów (z częściowo znanymi i częściowo nieznanymi informacami) szczególnie tych z wieloma danymi weściowymi, dyskretnymi czy niewystarczaącymi. Z powodzeniem stosowana est w wielu dziedzinach, pozwala ona na skuteczne operacyne monitorowanie, prognozowanie zachowań. W przeciwieństwie do tradycynych metod przewidywania (np. szeregów czasowych) nie wymaga duże ilości danych historycznych i rozkładów statystycznych [Lim i in., 2008]. Metody klasyfikaci B. Jefmański [Jefmański 2009] wyróżnia następuące klasyczne metody klasyfikaci: hierarchiczne (aglomeracyne i deglomeracyne), podziału (obszarowe, gęstościowe i optymalizuące wstępny podział zbioru obiektów), prezentaci graficzne (skalowanie wielowymiarowe, analiza korespondenci), wskazuąc ednocześnie na ich podstawową słabość ednoznaczne przyporządkowywanie obiektów do wyodrębnionych skupień, co nie zawsze oddae stan faktyczny. Dzięki wykorzystaniu rozmytych metod klasyfikaci można w większym stopniu odzwierciedlić rzeczywistość i chronić się przed utratą informaci, określić stopień przynależności obiektu do różnych klas (a nie tylko do edne). Jako przykłady można wymienić metody: rozmytą k-średnich (fuzzy c-means), algorytm Gustafsona-Kessela, [Höppner i in. 1999, s ] czy algorytm Gatha-Geva. Techniki, metody analizy skupień można również sklasyfikować za takimi autorami, ak: 1) R. Dubes, A.K. Jain (rys. 2.5) 59

60 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH Rysunek 2.5. Taksonomia metod grupowania Źródło: opracowanie własne na podstawie [Dubes, Jain 1980, s ]. 2) G. Migut [Migut 2009, s. 76]: - hierarchiczne: metoda aglomeracyna (które algorytm grupue obiekty w skupienia, przy zastosowaniu pewne miary podobieństwa lub odległości, wynikiem est drzewo hierarchiczne), metoda Warda; - niehierarchiczne, w skład których wchodzą: k-średnich (wymagaąca podania liczby grup, na które podzielony zostanie weściowy zbiór danych), EM (inacze nazywana statystyczną analizą skupień lub analizą skupień bazuącą na prawdopodobieństwie). Jak wskazuą R. Budziński i A. Wawrzyniak, klasyfikaca rozmyta est uogólnieniem klasyfikaci zwykłe. Przekazue ona bogatsze informace o konfiguraci zbioru obiektów niż klasyfikaca zwykła, pozwala na precyzynieszy opis w przypadkach, gdy obiekty trudno sklasyfikować (a więc w sytuacach, gdy granice między klasami są nieostre lub klasy nie są dobrze separowane). Wprowadza określenie przynależności do klasy, które formalnie oznacza zastąpienie zmienne zero-edynkowe przy wskazywaniu należenia obiektu do klasy zmienną ciągłą przymuącą wartości z przedziału 0, 1 [Budziński, Wawrzyniak 2006, s ]. Rozmyta metoda k-średnich [Cox 2005, s ] składa się z dwóch procesów: znalezienia środków klas i przypisania obiektu do środka klasy (z wykorzystaniem odległości euklidesowe). Proces est powtarzany aż do momentu ustabilizowania środka klasy. Klasyfikaca rozmyta nakłada bezpośrednio ograniczenie rozmytych funkci przynależności każdego obiektu: 60

61 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH p 1 x i 1; i 1,2,3,, k, gdzie: p liczba określonych klas (grup), k liczba obiektów, x i i-ty obiekt, μ ( ) funkca zwracaąca przynależność x i obiektu do -te klasy (grupy). W efekcie następue próba zminimalizowania standardowe funkci straty: (2.10) l p n k xi k1 i1 m x c i k 2 (2.11), gdzie: l zmienna minimalizuąca stratę, p liczba określonych klas (grup), n liczba obiektów, μ k ( ) stopień przynależności x i do k-te klasy (grupy), x i i-ty obiekt, m parametr rozmycia, c k środek k-te klasy (grupy). Kolenym krokiem algorytmu k-średnich est znalezienie środków ciężkości klas: c m i xi xi i x m i (2.12), gdzie: c środek -te klasy (grupy), μ ( ) stopień przynależności x i do -te klasy (grupy), x i i-ty obiekt, m parametr rozmycia. Jak można zauważyć, est to szczególna forma średnie ważone. Klasyfikaca rozmyta wykorzystue różne narzędzia. Przykładem może być zintegrowany pakiet oprogramowania do zaawansowanych obliczeń statystycznych, analizy danych, obliczeń i prezentaci graficzne R [ Pozwala on na efektywne 61

62 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH zarządzanie danymi i ich magazynowanie, posiada: zestaw operatorów do obliczeń na tablicach (matrycach), duży, zintegrowany zbiór pośrednich narzędzi do analizy danych (liniowe i nieliniowe modele statystyczne, klasyfikaca, grupowanie, analiza szeregów czasowych itd.), narzędzia do prezentaci wyników analiz, ęzyk programowania zawieraący instrukce warunkowe, pętle, zdefiniowane przez użytkownika funkce itd. Metoda AHP Proces podemowania decyzi przez ludzi odwzorowuą metody wielokryterialnego wspomagania decyzi. Umożliwiaą one uzyskanie wyaśnień odnośnie do ich wyborów oraz rekomendacę zachowań decydenta. Oparte są na sprecyzowanych, choć często niekoniecznie sformalizowanych modelach [Figueira, Greco, Ehrgott 2005]. Metoda AHP (Analytic Hierarchy Process) autorstwa T.L. Saaty ego umue podeście wielokryterialne, oparte na kompensacyne strategii modelowania preferenci i przy założeniu porównywalności wariantów. Wykazue ona swoą przydatność szczególnie w sytuacach, kiedy występue hierarchia kryteriów oceny, większość kryteriów oceny wariantów nie ma charakteru ilościowego, lecz akościowy (a znaczna część ocen obarczona est subiektywnością oceniaącego), występue pełna porównywalność wariantów. Opiera się na wiedzy i doświadczeniu ekspertów. Mimo dużych uproszczeń w modelowaniu rzeczywiste sytuaci dae wyraźne korzyści praktyczne w postaci uproszczonego postępowania podczas wspomagania decyzi. Znadue ona zastosowanie m.in. w formułowaniu strategii marketingowych, wyborze wariantów, formułowaniu i wartościowaniu zasad strategicznych [Downarowicz i in. 2000, s. 7-42]. Kryteria oceny są wykorzystywane do oszacowania potencalne akci rozpatrywane w procesie decyzynym według charakterystyczne dla niego skali akościowe bądź ilościowe [Figueira, Greco, Ehrgott 2005]. W metodzie przymue się dziewięciostopniową skalę ocen preferenci (od 1 do 9 zob. tab. 2.3), a współczynnikiem niespóności kontrolue się zgodność ocen w porównywaniu parami. 62

63 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH Tabela 2.3. Skala porównawcza ważności kryteriów w metodzie AHP Wskaźnik istotności Definica Obaśnienie 1 Jednakowo Oba czynniki przyczyniaą się w ednakowym stopniu do uzyskania celu ważne 3 Niewielka Osąd i doświadczenie nieznacznie przedkładaą eden czynnik nad drugi przewaga 5 Silna przewaga Osąd i doświadczenie silnie przedkładaą eden czynnik nad drugi 7 Bardzo silna Osąd i doświadczenie bardzo silnie przedkładaą eden czynnik nad drugi przewaga i potwierdza tę przewagę praktyka 9 Absolutna przewaga Przewaga ednego czynnika nad drugim est absolutna i potwierdzona w nawyższym stopniu Źródło: [Downarowicz i in. 2000, s.60]. Przypisanie do kryteriów stopni ważności dae możliwość subiektywnego ich porównania przez decydenta. Ocena ta ma charakter akościowy. Decydent ma możliwość stosowania (oprócz wymienionych w tab. 2.3) wartości pośrednich, czyli: 2,3,6,8, oraz odwrotności wartości skali. Metodę AHP stosue się w następuących krokach: 1. Budowa modelu hierarchicznego czynników wpływaących na rozwiązanie problemu. 2. Ocena istotności czynników przez porównywanie parami. 3. Wyznaczenie globalnych i lokalnych preferenci czynników i preferenci wariantów decyzynych. 4. Klasyfikaca wariantów decyzynych. Za Downarowiczem [Downarowicz i in. 2000, s. 7-42] przyęto procedurę metody AHP, wyrażoną następuącymi operacami matematycznymi: Wskaźnik względne istotności kryterium że: gdzie: K i nad kryterium a i stopień dominaci i - tego kryterium nad - tym, ei ranga bezwzględna kryterium e ranga bezwzględna kryterium K i, K, n rozmiar kwadratowe macierzy porównań, e K wyrażony est liczbą a i, taką i ai, (2.13) e 63

64 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH przy czym: a {1,2,3,...,9}, i a i 1, dla i, 1,2,..., n. a i W wyniku realizaci poprzedniego kroku otrzymywana est macierz preferenci: a a A... an a a a n a1 n a 2n... ann Ze względu na to, że i -ty wiersz macierzy porównań est odwrotnością - te kolumny, występue własność: Aw nw, gdzie w est wektorem kolumnowym w,..., w ], który [ 1 n oblicza się ze wzoru ( A ni) w 0. Składowe wektora w reprezentuą preference przyznane poszczególnym elementom struktury hierarchiczne przez decydenta. Zgodność ocen w macierzy porównań (wyrażoną współczynnikiem niespóności CI ) est warunkiem koniecznym metody AHP i wyraża się ą wzorem: gdzie: max maksymalna wartość własna macierzy porównań rzędu n. max n CI, (2.14) n 1 Współczynnik zgodności porównań parami CR (Consistency Ratio) est oceną błędów osądów w porównaniach parami i wyznacza się go w następuący sposób: gdzie: R współczynnik losowych zgodności (tab. 2.4). CI CR, (2.15) R Wartość CR poniże 0,1 wskazue zgodność ocen. W przeciwnym wypadku, ak wskazue A. Gospodarowicz [Gospodarowicz 1997, s. 96] wiarygodność decydenta poddana est w wątpliwość. 64

65 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH Tabela 2.4. Współczynniki losowych zgodności N R Źródło: [Saaty 1997]. W kolenym kroku macierz preferenci przekształca się w wektor priorytetów. Powyższą procedurę stosue się również przy wyznaczaniu wektora preferenci lokalnych. Rozszerzeniem metody AHP est Analityczny Proces Sieciowy ANP (Analytic Network Process). Wprowadzono w nim zależności pomiędzy grupami elementów i wewnątrz nich (oraz sprzężenia zwrotne). Ponadto przedstawiono strukturę problemu w postaci sieci stanowiące system komponentów (a nie w schemacie hierarchii ak przedstawia to AHP). Więce na temat metody w pracy [Adamus, Gręda 2005, s. 5-36] Modelowanie profili konsumenckich w uęciu systemowym Jeżeli za podstawowe narzędzie poznania (a także optymalizaci procesów i systemów marketingu) uznać technikę modelowania, modelem można nazwać akąkolwiek konstrukcę myślową na odpowiednim szczeblu abstrakci, każde izomorficzne przedstawienie analizowanego systemu [Chaberek 2001]. Modelowaniem nazywa się doświadczalną lub matematyczną metodę badania złożonych układów, zawisk i procesów (np. technicznych, fizycznych, ekonomicznych) na podstawie konstruowania modeli. Modelowanie doświadczalne est oparte na podobieństwie fizycznym tworzonych modeli; modelowanie matematyczne na tworzeniu modeli matematycznych i wykorzystaniu aparatu matematycznego do ich analizy [Encyklopedia PWN 2010]. Modelowanie preferenci, ak podkreślaą to w swoim raporcie M. Öztürk, A.Tsoukiàs, P. Vincke [Öztürk, Tsoukiàs, Vincke 2003, s. 1-29], pozwala zrozumieć dane sytuace i używane est w bardzo różnych dziedzinach: sztuczne inteligenci, informatyce, gospodarce, socologii, psychologii, naukach politycznych, programowaniu matematycznym, e-biznesie, medycynie i biologii, archeologii i analizie decyzi. Modelowanie wymaga odpowiedzi na cztery zasadnicze pytania: Jak zdobyć i potwierdzić informace o preferencach? Jaka est relaca między modelowaniem preferenci i teorią pomiaru? 65

66 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH Jaki est wynik analizy statystyczne danych o preferencach? Jakie są relace między preferencami a systemem wartości i charakterem tych wartości? Modelowanie preferenci może być postrzegane ako wynik (miara) bezpośredniego porównywania dwóch obiektów i ustalenia przez decydenta relaci między nimi (lub wskazania braku takich relaci). P. Vincke podkreśla, że możliwa est sytuaca, w które wynik porównania będzie się wahał (np. z powodu niekompletnych, sprzecznych lub niespónych informaci). Rozwiązaniem est użycie metod wspomagania decyzi (więce w pracy [Fodor, Roubens 1994]). Problem decyzyny z założenia est wielokryterialny, a określenie sposobu postępowania prowadzącego do uzyskania rozwiązania lepszego od pozostałych est zagadnieniem kluczowym. Charakteryzuąc sytuacę wielokryterialną, można przytoczyć e opis za T. Stachowiakiem [Stachowiak 2002, s ]: wyodrębniona est skończona liczba mierzalnych lub stopniowalnych celów opisuących obiekt decyzi, cele są urzeczywistniane przez wspólny zbiór decyzi dopuszczalnych, podstawę oceny i podęcia decyzi stanowi zespół kryteriów sformułowanych w stosunku do celów, w zbiorze celów występue zawisko konkurencyności, które powodue, że większy stopień realizaci ednego z celów oznacza zmnieszenie stopnia realizaci innych celów. Zadanie wielokryterialne opiera się na znalezieniu takie dopuszczalne decyzi, która zapewni zadowalaącą realizacę konkurencynych celów. Algorytm postępowania ma tu charakter otwarty i wykorzystue koncepcę rozwiązania satysfakconuącego, które nie musi być optymalne (wielorakość celów wyklucza taką ewentualność). Uogólniaąc podane wyże definice, można stwierdzić, że podęcie decyzi (akceptaca rozwiązania) przez decydenta zależy od wiedzy o problemie, aką posiada, subiektywnego sporzenia, kryteriów oceny sytuaci, a więc w główne mierze ego własnych preferenci. Rozwiązanie każdego problemu decyzynego oparte est na kryteriach, które P. Vincke [Vincke 1992] określa funkcą rzeczywistą g zdefiniowaną na zbiorze X, porządkuącą ego wartości i reprezentuącą preference decydenta zgodnie z określonym punktem widzenia. Preference decydenta są istotnym składnikiem metod wielokryterialnych. 66

67 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH W procesie decyzynym decydenta może wpierać analityk (specalista posługuący się technikami i metodami MCDA Multicriteria Decision Aid). B. Roy [Roy 1996, s. 1-10] takie wspomaganie decyzi definiue ako aktywność osoby, która za pomocą wyraźnych, ale niekoniecznie do końca sformalizowanych modeli pomaga uzyskać osobom zainteresowanym elementy odpowiedzi na ich pytania i zwykle dae rekomendace do podęcia decyzi. Własności kryteriów, typy problemów wielokryterialnych, metod wspomagania decyzi, klasyfikaci, rankingu czy wyboru alternatyw można znaleźć m.in. w pracach Roya. W przedstawione przez siebie metodologii analizy decyzyne w obecności wielu kryteriów dał on opozycę do analizy decyzyne oparte na teorii użyteczności. Przedmiotem ego pracy est modelowanie i rozwiązywanie sytuaci decyzynych wraz z typową dla nich niedokładnością, niepewnością, niestałością i nieokreślonością danych, ocen i preferenci [Stachowiak 2002, s ]. Modelowanie sytuaci decyzynych opisuą w swoe pracy również V. Belton i T. Stewart [Belton, Stewart 2002, s. 6]. Zachowanie decydenta bardzo często opisue się w literaturze modelem regułowym (lub inacze mówiąc: techniką reguł decyzynych), polegaącym na wyrażeniu preferenci za pomocą formuł logicznych: JEŻELI TO. Wiele metodologii bazue na tym podeściu, m.in. zbiory rozmyte (zob. [Mousseau, Figueira, Naux 2001, s ]) czy analiza werbalna (verbal analysis) [Larichev, Moshkovich 1997]. Zbiory przybliżone, które na początku miały za zadanie edynie nominalną klasyfikacę [Pawlak, Słowiński 1994, s ], z czasem również dostosowano do rozwiązywania problemów klasyfikaci porządkowe [Greco, Matarazzo, Słowiński 2002, s ], tworzenia rankingów i wielokryterialne analizy decyzyne [Greco, Matarazzo, Słowiński 2001, s. 1-47]. Wielokryterialna analiza decyzyna (WAD) wykorzystue teorię zbiorów przybliżonych do analizy niespóności w kontekście ograniczone dostępności informaci. Wielokryterialna analiza decyzyna (WAD) i klasyfikaca metod Wielokryterialna analiza decyzyna określana est w literaturze ako: a) wielokryterialne wspomaganie decyzi (MCDA Multicriteria Decision Aid) proces ten opisuą w swoe pracy m.in. Belton i Stewart [Belton, Stewart 2002, s. 6]. Klasyfikacę metod MCDA według typów kryteriów przyęto w rozprawie za takimi autorami, ak J. Lu, 67

68 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH G. Zhang, D. Ruan, F. Wu [Lu i in. 2007, s ]: - MODM (Multi-Obective Decision Making) wielokryterialne (wielocelowe) podemowanie decyzi; - MADM (Multi-Attribute Decision Making) wieloatrybutowe podemowanie decyzi; b) wielokryterialne podemowanie decyzi (MCDM Multiple Criteria Decision Making). Metody MCDA wykorzystywane są w sytuacach z ednym decydentem. Główną różnicą między metodami MODM i MADM est to, że pierwsza z nich koncentrue się na ciągłych przestrzeniach decyzynych, głównie na matematycznym programowaniu z funkcami celu, druga zaś skupia się na problemach z dyskretnymi przestrzeniami decyzynymi. Dodatkowo metody MADM sklasyfikować można za E. Triantaphyllou, B. Shu, S. Nieto Sanchez i T. Ray [Triantaphyllou i in. 1998, s ] (i tak ak przedstawiono to również w pracach E. Triantaphyllou [Triantaphyllou 2002, s. 5-22]) na: WSM (Weighted Sum Model), WMP (Weighted Product Model), AHP (Analytic Hierarchy Process) autorstwa Satty ego [Saaty 1980, Saaty 1992], zmodyfikowaną przez prof. Baltona i Geara metodę AHP, rodzinę metod Electre [Vincke 1992], TOPSIS (the Technique for Order Preference by Similarity to Ideal Solution) [Hwang, Yoon 1981].W metodach MCDA wskazue się również metody z rodziny metod PROMETHEE [Brans, Mareschal 2005, s ], MAUT (Multiattribute Utility Theory) i in. Inne podeście przedstawia I. Yevseyeva [Yevseyeva 2007], która skategoryzowała metody MCDA na: a) bazuące na parametrach: metody oparte na funkci użyteczności i metody oparte (bezpośrednio i pośrednio) na relaci przewyższania. b) nieuwzględniaące parametrów: werbalna analiza decyzyna, zbiory rozmyte, zbiory przybliżone. Tacy autorzy, ak m.in. R.P. Rangaiah [Rangaiah, M. Doumpos, C. Zopounidis [Doumpos, Zopounidis 2002] czy E.R. Liebermann [Lieberman 1991, s ], sklasyfikowali metody wielokryterialne według preferenci klienta (rys. 2.6): no preference methods metody bez preferenci, a więc takie, które nie wymagaą od decydenta żadnych nakładów (w tym wypadku informaci o ego preferencach) przed, w trakcie i po rozwiązaniu problemu, przyęte kryterium globalne i neutralne rozwiązanie kompromisowe pozwalaą znaleźć pareto-optymalne rozwiązanie; 68

69 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH a posteriori methods using scalarization approach klasyczne metody wykorzystuące podeście skalarne, będące następstwem informaci o preferencach decydenta (a posteriori po fakcie, w następstwie faktu), proste i skuteczne w problemach, w których postawiono kilka celów; rozwiązanie problemu często może być trudne lub nie istnieć w ogóle; a posteriori methods using multi-obective approach metody zapewniaące znalezienie rozwiązań pareto-optymalnych i tym samym daące przydatne informace w procesie decyzynym, znaduące zastosowanie np. w inżynierii chemiczne; a priori methods metody wymagaące z góry, uprzedzaąc fakty (a priori) znaomości preferenci decydenta, mogą wygenerować edno pareto-optymalne rozwiązanie; interactive methods metody interaktywne, obiecuące w rozwiązywaniu problemów o wielu celach, decydent odgrywa aktywną rolę w rozwiązaniu problemu i w czasie ego trwania przekazue informace o preferencach, metody obliczeniowo skuteczne, znaduące edno lub wiele optymalnych do preferenci rozwiązań. Rysunek 2.6. Klasyfikaca metod wielokryterialnych (multi-obective methods) Źródło: [Rangaiah, W sytuacach decyzynych z więce niż z ednym decydentem metodologię MODM i MADM nazywa się MAGDM (Multi-obective Group Decision Making) i MAGDM (Multiattributes Group Decision Making) [Lu i in. 2007, s. 44]. Wielokryterialny problem grupowy (Multi-criteria Group Decision Problem) [Hu, Mehrotra 2011; definiue się ako: 69

70 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH gdzie: m liczba kryteriów, max l min k ( x x X k 1,..., n ) k 1 ( w1,..., wm ) W i1 1 m n w u i k i ( a k i ) x, (2.16) k waga oceny decydenta, n liczba dostępnych planów (działań), l liczba decydentów, k a i atrybut planu pod kryterium i dane przez decydenta k, X n T { x {0,1} e x 1} obszar (region) decyzyny, u k i (.) funkca użyteczności dla kryterium i dana przez decydenta k, u ( a ) a liniowa funkca użyteczności. k i k i Wektor k i k w reprezentue wagę regionu k k k W : { wwf w w } 2 W, k 1,..., 5. Przykład zastosowania wielokryterialnego problemu grupowego przedstawiono m.in. w pracy [Utomo i in. 2009]. Ciekawym zagadnieniem est również wieloosobowy problem decyzyny (MPDM Multiperson Decision Making) [Herrera, Herrera-Viedma, Chiclana 2001, s ] definiowany ako sytuaca, w które alternatywne rozwiązania podemowane są na podstawie informaci od różnych osób, ekspertów. Sam problem MPDM można zdefiniować następuąco: niech X x, x,..., xn }( n 2) będzie skończonym zbiorem alternatyw. { 1 2 Alternatywy niech będą sklasyfikowane od nalepsze do nagorsze, na podstawie informaci od ekspertów E e, e,..., em }( m 2). Każdy z ekspertów e k E ma swoe własne { 1 2 motywace i preference i mogą być one prezentowane w różny sposób. Informace mogą być przedstawiane przez edną z trzech struktur preferenci: 1) uporządkowanie preferenci z alternatyw alternatywy są porządkowane w koleności od nalepsze do nagorsze, bez żadnych dodatkowych informaci. Ekspert ek dae swoe preference ze zbioru X ako indywidualne uporządkowanie O k k k { o (1),..., o ( n)}, gdzie k o (.) est permutacą funkci przez zbiór indeksów { 1,..., n } ; 2) w funkci użyteczności eksperci daą wycenę każde alternatywy (np. pieniężną), co 70

71 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH pozwala określić wydaność alternatywy z określonego punktu widzenia. Ekspert ek dae k k k swoe preference ze zbioru X ako zbiór wartości n, U { u, i 1,..., n}, u [0,1 ], gdzie k ui stanowi narzędzie oceny użyteczności alternatywy i xi dane przez eksperta e k ; 3) w relacach preferenci naczęstszy przypadek, ponieważ większość problemów w podemowaniu decyzi est porównywana parami. Preference ekspertów na X opisane są przez Saaty ego. A k X X. Siła preferenci mierzona est przy wykorzystaniu skali W wielu sytuacach struktura preferenci ekspertów się różni i stosue się eden z modeli: rozmyty lub multiplikatywny (uzyskany za pomocą metody AHP). Analiza MPDM prezentue wyższy stopień wolności do modelowania preferenci. MPDA est użytecznym narzędziem modelowania procesów decyzynych. Więce na ten temat np. w pracy [Herrera, Herrera- Viedma, Verdegay 1995, s ]. Wybór odpowiednie metody WAD, ak podkreśla Słowiński, est trudny. Chcąc wybrać metodę do konkretnego problemu, staemy również przed wyborem wielokryterialnym. Wybór ten zależy bowiem od samego problemu i kontekstu, w akim est postawiony ( ). Trudno est zatem przesądzić, w akie konkretne sytuaci stosunek wad i zalet dane metody będzie nakorzystnieszy. Podkreślmy ednak, że wybór metody rozwiązania konkretnego problemu musi być świadomy, to znaczy należy go dokonywać ze świadomością różnych możliwości [Słowiński 1984, s ]. W zależności od problematyki, które dotyczy problem wielokryterialny, stosue się różne odmiany metody Electre (I, Is, III, IV, Tri), przy czym Is dotyczy problematyki wyboru, Tri sortowania, III rangowania [Stachowiak 2002, s ]. i Metoda Electre Tri Od połowy lat sześćdziesiątych XX wieku, kiedy to B. Roy zaproponował Electre I, rodzina metod Electre zaczęła się rozwiać pod kątem trzech głównych problematyk, którymi zamue się WAD: wyboru, rangowania i klasyfikaci/sortowania [Figueira, Mousseau, Roy 2005, s ]. Badania dowiodły ich wysokie użyteczności do rozwiązywania problemów rzeczywistych i szerokiego spektrum zastosowania [Mousseau, Słowiński, Zieleniewicz 1999]. Metodę Electre Tri z powodzeniem zastosowano m.in. do: określenia kraowych priorytetów 71

72 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH 72 przy redukci emisi gazów cieplarnianych, oceny oprogramowania, oceny poziomu wykształcenia czy posiadanych umieętności i kwalifikaci. Metoda Electre Tri wykorzystywana w celu zbudowania modelu preferenci decydenta wymaga aktywizaci parametrów preferencynych (m.in. wag, progów), bierze pod uwagę skończony zbiór alternatyw, przypisanie każde z opci do określone kategorii, problem wielokryterialności [Mousseau, Figueira, Naux 2001, s ]. Metotodologię i szczegółową dokumentacę Electre Tri opracowali V. Mousseau, R. Słowiński, P. Zieleniewicz [Mousseau, Słowiński, Zieleniewicz 1999]. Algorytm działania metody est dwuetapowy. Polega na konstrukci relaci przewyższania, a następnie wykorzystaniu relaci w zakresie wyznaczania alternatyw dla klasy. Za I. Yevseyevą [Yevseyeva 2007] algorytm działania metody zapisue się następuąco: ETAP 1: Konstrukca relaci przewyższania q i Sb x dla wszystkich alternatyw i x ) 1,.., ( m i i q b ) 0,..., ( s q, według następuących kroków: KROK 1. Obliczenie zgodności cząstkowe wskaźników ), ( q i b x C i ), ( i q x b C dla każdego kryterium g ) 1,..., ( n : ). ( ) ( ) ( ) ( ) (, ) ( ) ( ) ( ) ( ) ( ), ( ) ( ) ( 1, ), ( ) ( ) ( 0, ), ( q q i q q q q i q q q i q q i q q i b q b g x g b p b g if b q b p x g b g b p b q x g b g if b p x g b g if b x C (2.17) ). ( ) ( ) ( ) ( ) (, ) ( ) ( ) ( ) ( ) ( ), ( ) ( ) ( 1, ), ( ) ( ) ( 0, ), ( i i q i i i i q i i i q i i q i i q x q x g b g x p x g if x q x p b g x g x p x q b g x g if x p b g x g if x b C (2.18) KROK 2. Określenie wskaźnika zgodności ), ( q x i b C, agregaca wskaźników cząstkowych: n n q i q i w b x w C b x C 1 1 ), ( ), (, (2.19)

73 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH 73 n n i q i q w x b C w x b C 1 1 ), ( ), (. (2.20) KROK 3. Określenie cząstkowe rozbieżności wskaźników ), ( i q x b D i ), ( q i b x D dla każdego kryterium g ) 1,..., ( n i obliczenie wskaźnika cząstkowe rozbieżności ), ( q i b x D zgodnie z kierunkiem preferenci ). ( ) ( ) ( ) ( ) (, ) ( ) ( ) ( ) ( ) ( ), ( ) ( ) ( 1, ), ( ) ( ) ( 0, ), ( q q i q q q q q i q q i q q i q q i b p b g x g b v b g if b p b v b p x g b g b q x g b g if b p x g b g if b x D (2.21). ( ) ( ) ( ) ( ) ( ) (, ) ( ) ( ) ( ) ( ) ( ), ( ) ( ) ( 1, ), ( ) ( ) ( 0, ), ( q) q i i q q q q q q i i q i i q i i q b p b g x g x g b v b g if b p b v b p b g x g x v b g x g if x p b g x g if x b D (2.22) KROK 4. Obliczenie indeksu przewyższania ), ( q x i b S, który pokazue przewyższanie wiarygodności i x nad q b, przy założeniu ] [0,1 ), ( x i b q S : ), ( 1 ), ( 1 ), ( ), ( 1 q i q i n q i q i b x C b x D b x C b x S, (2.23) gdzie: n,..., 1 i ), ( ), ( q i q i b x C b x D. KROK 5. Określenie (zwykle na poziomie: ] 1 [0.5, ) minimalne wartości przewyższania edne alternatywy nad drugą. Wartość indeksu ), ( q x i b S est porównywalna do. Na podstawie takiego porównania sytuaca preferenci między dwiema alternatywami może być określona ako: oboętna, nieporównywalna, edna est korzystniesza niż druga. W kroku 5 algorytmu można zapisać następuące relace między alternatywami: a) alternatywy i x i q b są oboętne: ), ( q x i b S i ), ( i b q x S, b) alternatywa i x est silnie lub słabie preferowana niż q b : ), ( q x i b S

74 2. KONCEPCJA MODELU BADANIA PREFERENCJI I WYZNACZANIA PROFILI KONSUMENCKICH i S ( bq, xi ) xipb lub Qb q i q x, c) alternatywa b est silnie lub słabie preferowana niż q x i : S ( x i, bq ) i S b Qx, q ( bq, xi ) bq Px lub i i d) alternatywy x i i b są nieporównywalne: q S ( x i, bq ) i S( bq, xi ) xi Jb. q ETAP 2: Decydent wybiera procedurę przydziału: pesymistyczną, optymistyczną lub obie ednocześnie. Następnie porównue indeksy przewyższania dla każde pary alternatyw x i b do poziomu, w odniesieniu do przydziału. Wybór metody wyznaczania reguł zachowania klientów (teoria zbiorów przybliżonych) i ich grupowania (metoda Electre Tri) oraz techniki wyznaczania ich preferenci (metoda analizy hierarchiczne) umożliwi realizacę badań empirycznych w wybrane przestrzeni pomiarowe. Wynikiem, zawartym w rozdziale trzecim, będzie praktyczny zestaw profili konsumenckich, pod który firma zaplanue stategię działania. 74

75 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH W rozdziale przedstawiono przyętą procedurę badawczą w dążeniu do wyznaczania profili klientów branży turystyczne i uzyskane w wyniku e realizaci rezultaty. Badania przeprowadzono na danych pozyskanych od przedstawiciela międzynarodowe korporaci TUI (Touristic Union International Turystyczna Unia Międzynarodowa) Centrum Podróży w Szczecinie. Przekazane dane źródłowe miały charakter ilościowy i akościowy, ekonomiczny i dotyczyły ofert z sezonu letniego dla lat 2009 i Zgodnie z decyzą firmy TUI oraz opieraąc się na ustawie z dnia 29 sierpnia 1997 r. o ochronie danych osobowych (Dz. U nr 133, poz. 883) w rozprawie utaniono dane klientów TUI oraz wyniki finansowe korporaci (opieraąc się na m.in. art. 11 pkt. 4 ustawy z dnia 16 kwietnia 1993 r. o zwalczaniu nieuczciwe konkurenci Dz. U nr 153, poz ze zm.). TUI powstało w 1968 r. w wyniku połączenia prężnie działaących na rynku niemieckim biur: Touropa, Schernow-Reisen, Hummel Reisen i Dr. Tigges. Obecnie działa w 180 kraach, obsługue ponad 30 mln klientów z przeszło 20 państw i zatrudnia łącznie pracowników. TUI Poland Sp. z o.o. posiada 77 biur własnych oraz 475 agencynych, znaduących się na terenie całe Polski, i co roku obsługue blisko klientów. Firma zwraca szczególną uwagę na dopasowanie ofert do preferenci klientów. Z tego względu wprowadziła do swoe oferty katalogowe zaawansowany system oznaczeń uwzględniaący różne oczekiwania klientów. Zawiera on sześć głównych kategorii kryteriów, t. rodza zakwaterowania, sanitariat wyposażenie, wyposażenie pokou, wyżywienie, rodza pokou, położenie pokou (tab. 3.1). Tabela 3.1. System oznaczeń preferenci klientów stosowanych przez TUI Nazwa Kategorii Opis kategorii skrót Obaśnienie skrót Obaśnienie Rodza zakwaterowania AP AS BU BS ST Apartament apartament (1 os. dorosła + dziecko) bungalow bungalow (1 os. dorosła + dziecko) studio JK S H L S unior suita (1 os. dorosła +dziecko) suita dom wakacyny od strony lądu widok na ezioro 75

76 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Nazwa Kategorii Opis kategorii skrót Obaśnienie skrót Obaśnienie Położenie pokou Rodza pokou Wyposażenie pokou Sanitariat wyposażenie Wyżywienie SK FZ MZ DZ DS EZ MB MS SB SEES SMB SSB BS GS LS PO PS SR WF BP NR SK BK BKTE TE AC WO WS BAD BOD DU WW U G H studio (1 os. dorosła + dziecko) pokó rodzinny pokó wieloosobowy pokó dwuosobowy pokó 2- osobowy (1 os. dorosła + dziecko) pokó 1-osobowy widok na morze od strony morza widok na ezioro od strony eziora boczny widok na morze boczny widok na ezioro od strony gór od strony ogrodu od strony lądu od strony basenu od strony parku od strony ulicy od strony wody pokó ekonomiczny (w supercenie) dla niepalących 1 osoba dorosła z dzieckiem balkon balkon lub taras taras klimatyzaca pokó dzienny pokó dzienno-sypialny łazienka z wanną łazienka z wanną lub prysznicem prysznic gorąca woda zakwaterowanie bez wyżywienia śniadania 2 posiłki dziennie M I A Z X JS N O S W AB DP HH NB RF SF VF AU IN EC XX SRA SRA2 SRA3 KIT GRA PP EBAD EDU EWC WC V A Źródło: opracowanie własne na podstawie oferty katalogowe TUI i [ widok na morze wewnątrz na zewnątrz pokó ekonomiczny (w okazyne cenie) zgodnie z opisem unior suita od strony północne od strony wschodnie od strony południowe od strony zachodnie starsza część budynku budynek boczny budynek główny nowsza część budynku z tyłu budynku z boku budynku od strony frontowe na zewnątrz wewnątrz wersa ekonomiczna zgodnie z opisem dodatkowa sypialnia 2 dodatkowe sypialnie 3 dodatkowe sypialnie aneks kuchenny łóżko typu king size prywatny balkon łazienka na korytarzu prysznic na korytarzu toaleta na korytarzu toaleta wyżywienie pełne all inclusive Rynek pośrednictwa sprzedaży i organizaci turystyki wymusza ciągłe zmiany strategii, informatyzacę oraz stosowanie nowych metod zarządzania i działań ukierunkowanych na budowanie relaci z klientem. Pod koniec 2010 r. TUI Poland rozpoczęło wdrażanie informatycznego systemu zarządzania relacami z klientami (CRM Customer Relationship Management). Do zadań akie ma on realizować, zalicza się: prowadzenie kartotek klientów, kompleksową obsługę rezerwaci ofert, wyszukiwanie klienta (wraz ze wszystkimi szczegółami rezerwaci oraz wątkami bieżące ego obsługi), wyliczanie prowizi dla biura i pracowników, generowanie raportów sprzedaży według operatorów czy pracowników w danym okresie. Wybrany system CRM posiada funkce: monitorowania wpłat, przelewów, przedpłat, rozliczeń, automatyczne emisi dokumentów KP, KW, faktur oraz umów. Udostępnia również funkcę eksportu danych do systemów księgowych obemuących: 76

77 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH rezerwace, reestr FV, reestr KP/KW. System przypomina również o wylotach i terminach dopłat. W celu zapewnienia bezpieczeństwa danych dostęp do systemu maą tylko autoryzowani użytkownicy. Ponadto uzyskane statystyki nie są udostępniane pracownikom [ Stolarska, Mańko 2011, s ; Mańko, Stolarska 2011, s ]. W badaniu pod uwagę brane były informace przekazane z działu obsługi klienta, dotyczące zakupione oferty: dane osobowe klienta (utanione), data zakupu wycieczki, termin wyazdu (od do), liczba uczestników ogółem, liczba dzieci, czas trwania wyazdu, rodza/kategoria obiektu hotelarskiego, rodza/typ pokou, rodza/kategoria środka transportu, rodza ubezpieczenia, miesce pobytu, cena (utanione) Formalizaca procedury badawcze Badania przeprowadzono według opracowane trzyetapowe procedury. W zależności od akości uzyskanych wyników w poszczególnych krokach i etapach przeprowadzone zostały kolene założone czynności. W pierwsze części badań pozyskany materiał badawczy przeanalizowano pod kątem mogących występować prawidłowości w decyzach zakupowych klientów w badanym okresie (dwóch lat), a następnie zastosowano metodę zbiorów przybliżonych w celu ekstrakci reguł decyzynych. Kolenymi zaplanowanymi krokami były: analiza otrzymanych reguł, badania eksperymentalne na atrybutach warunkowych, decyzynych i akością przybliżenia klasyfikaci oraz zbadanie spóności zbioru (określenie czy zbiór est spóny). Drugi etap obemował obliczenia granularne, podział zbioru na grupy, ich analizę, a następnie wybór edne z nich do dalszych badań metodą zbiorów przybliżonych. Działanie to miało na celu ekstrakcę i ocenę reguł decyzynych opisuących właściwości wybrane granuli (przyętymi miernikami były wsparcie, stabilność i siła reguł). Ostatni etap procedury to grupowanie metodą Electre Tri, w które poszczególne kroki to: wybór kryteriów wraz ze współczynnikami wagowymi (wartości kryteriów wyznaczono metodą analizy hierarchiczne) dla wybrane granuli informaci, określenie liczby profili i ich wartości oraz przydział poszczególnych przypadków do wyznaczonych klas (metodą optymistyczną i pesymistyczną). Jako ostatnie działanie zaplanowano analizę i interpretacę uzyskanych wyników podziału podczas przeprowadzonych badań. Poszczególne etapy badawcze przedstawiono na rys

78 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Rysunek 3.1. Procedura badawcza Źródło: opracowanie własne. Do opracowane procedury przygotowano również algorytm postępowania, który przedstawiony został na rys

79 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Rysunek 3.2. Algorytm postępowania przyęty w prowadzonych badaniach Źródło: opracowanie własne. Zgodnie z opisaną procedurą przy użyciu metody zbiorów przybliżonych prof. Pawlaka należało przeprowadzić analizę danych maącą za zadanie wyekstrahować reguły dotyczące preferenci klientów. Ten etap mógł przynieść dwa rezultaty. Pierwszy to wygenerowanie reguł (i tym samym potwierdzenie, iż badany zbiór był ednorodny), klasyfikaca i wnioskowanie o preferencach. Drugi to brak czytelnych wyników lub uzyskanie liczby reguł zbliżone do liczby rekordów zawartych w zbiorze danych (co świadczyłoby o nieednorodności badanego zbioru) i konieczność sprawdzenia poprawności bazy danych. Wówczas konieczna byłaby ego defragmentaca (metodami taksonomii klasyczne lub 79

80 Nr przypadku... Data zakupu wycieczki Termin wyazdu Termin wycieczki Liczba uczestników wycieczki Liczba dzieci Czas trwania wycieczki [dni] Rodza / kat. obiektu Rodza / typ pokou Ilość / rodza posiłków Rodza / kategoria środka transportu Rodza ubezpieczenia Uśredniona cena za 1 osobę Dzień tyg. zakupu Wyprzedzenie zakupu w dniach Miesce pobytu 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH rozmyte), w celu ponownego przeprowadzenia wnioskowania o preferencach. Do badania metodą zbiorów przybliżonych wybrano program ROSETTA (zob. punkt 2.2) Materiał empiryczny biuro podróży TUI CP w Szczecinie Przekazane do badań dane dotyczyły transakci zrealizowanych w biurze TUI w Szczecinie w sezonach letnich 2009 oraz Dane osobowe i sprzedażowe utaniono. Przykładowy fragment tablicy danych dla 2009 roku przedstawia tab Tabela 3.2. Fragment tablicy decyzyne w formie niezakodowane DBH HB TXL ROV 5503,6 śr 9 Gran Canaria ABM HB TXL RFV 2477,0 śr 7 Hiszpania CBJM HB TXL RFV 3465,8 cz 7 Greca DBH VA TXL BOW 2902,5 pt 7 Turca DBH HB d.w. BOW 843,53 pt 6 Austria DBH HB d.w. BOW 645,89 pt 6 Austria ABO HB TXL RFV 6726,8 wt 7 Maorka DA Z VA SXF BOW 2929,5 śr 4 Turca CBH VA SXF BOW 2296,2 śr 4 Turca DBH VA SXF BOW 2454,5 śr 4 Turca CBH VA SXF BOW 2296,2 śr 4 Turca DBHM VA POZ BOW 2376,5 cz 0 Tuneza b.k. bez kategorii, b.w. bez wyżywienia, d.w. doazd własny Źródło: opracowanie własne EBH HB TXL BOW 2862,3 sob 1 Maorka Dokonano oceny pierwotnego materiału badawczego w poszczegółnych podokresach. Dla uzyskania przerzystości wyników i możliwości wstępnego wnioskowania o zmianach preferenci klientów w czasie zbadano napierw rok 2009, następnie

81 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Charakterystyka materiału empirycznego Materiał empiryczny za rok 2009 W sezonie letnim 2009 r. w Centrum Podróży TUI (TUI CP) w Szczecinie sprzedano 224 wycieczki. Z oferty biura skorzystało 597 osób, w tym 138 dzieci. Dominowały wyazdy dwuosobowe (50% wszystkich wyazdów). Nawiększym zainteresowaniem klientów cieszyła się Greca (16% wszystkich sprzedanych wycieczek), Turca (15%) i Chorwaca (13%), natomiast namnie (tylko po edne) sprzedano do: Meksyku, Bali, Czech, Izraela, Niemiec, Londynu, Rosi i Maroko. Wszystkie preferowane przez klientów miesca pobytu wybierane w tym okresie przedstawia rys Rysunek 3.3. Miesca pobytu wybierane przez klientów w sezonie letnim 2009 Źródło: opracowanie własne na podstawie danych TUI CP Szczecin. Nawięce wycieczek (58% wszystkich wyazdów) zakupionych zostało przez osoby podróżuące bez dzieci. Naliczniesze grupy, które skorzystały z oferty biura TUI w Szczecinie w 2009r., były 6-cio osobowe. W ciągu całego roku 2009 odnotowano trzy takie wyazdy (1% wszystkich sprzedanych ofert), natomiast ofert ednoosobowych sprzedano 12 (5% ofert). 81

82 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Z analizy danych za rok 2009 wynika, że klienci preferowali oferty all inclusive VA (51% wszystkich wyazdów), natomiast namnieszym zainteresowaniem cieszyły się wyazdy zorganizowane bez wyżywienia (4% ofert). Większość sprzedanych wycieczek (78%) stanowiły wyazdy na 7 lub 14 dni. Sprzedano dokładnie 72 oferty 14-dniowe (32% podpisanych umów) oraz 103 oferty 7-dniowe (46% umów). Zaledwie 22% wycieczek miało niestandardową długość. Naczęście klienci decydowali się na wylot z Berlina Tegel TXL (32% ofert) lub organizowali doazd we własnym zakresie (27%). Narzadzie wybieranym miescem wylotu (po 1 sprzedane ofercie) były lotniska we Wrocławiu, Frankfurcie, Düsseldorfie i w Katowicach. W roku 2009 nie sprzedano żadnego ubezpieczenia z grupy SRB (ubezpieczenia kosztów rezygnaci z podróży), RVS (ubezpieczenia podstawowego wraz z ubezpieczeniem kosztów rezygnaci z podróży dla edne osoby, oferowanego do katalogów niemieckoęzycznych) i RFW (ubezpieczenia optymalnego dla edne rodziny na cały Świat). Naczęście wybieranym przez klientów był pakiet podstawowy BOW (77% ofert), a narzadzie ubezpieczenie optymalne dla edne osoby na Świat ROW (3% ofert). Sprzedano 5 wycieczek do obiektów nieskategoryzowanych, t. do ośrodków i apartamentów. Klienci nachętnie wybierali hotele 4 - gwiazdkowe (56% ofert). Preferowane były standardowe pokoe dwuosobowe (47% ofert), znaczną ich część stanowiły te z widokiem na morze (17% ofert). Nawyższą sprzedaż (rys. 3.4) zaobserwowano w miesiącu lipcu (18% ofert), a naniższą we wrześniu (6% sprzedanych ofert). Rysunek 3.4. Wielkość sprzedaży w sezonie letnim 2009 w rozbiciu na poszczególne miesiące Źródło: opracowanie własne na podstawie danych TUI CP Szczecin. 82

83 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Typowa cena wycieczki w 2009 roku mieściła się w przedziale od około 2500 zł do około zł, co świadczy o bardzo dużym zróżnicowaniu badane zbiorowości. Współczynnik zróżnicowania badane zbiorowości wyniósł 72,75% średnie ceny wycieczki. Rysunek 3.5. Sprzedaż w sezonie letnim 2009 w poszczególnych dniach tygodnia Źródło: opracowanie własne na podstawie danych TUI CP Szczecin. Analizuąc sprzedaż w poszczególnych dniach tygodnia 2009r. (rys. 3.5), można zaobserwować, że klienci naczęście realizowali transakce zakupu wycieczek w poniedziałki, wtorki, środy i piątki (ponad 83% wszystkich umów podpisana była właśnie w te dni, średnio 46 sprzedanych umów w każdym z wymienionych dni). Naniższą sprzedaż biuro realizowało w soboty i czwartki (tylko 38 umów przez cały sezon letni, co dae wynik niespełna 17% wszystkich podpisanych umów). Materiał empiryczny za rok 2010 W sezonie letnim 2010 w Centrum Podróży TUI w Szczecinie sprzedano 200 wycieczek, co oznacza spadek sprzedaży o około 11% w porównaniu do poprzedniego sezonu. Z oferty skorzystało 511 osób, w tym 96 dzieci. Nawięce wycieczek (64% wszystkich wyazdów) zakupionych zostało przez osoby podróżuące bez dzieci. Dominowały wyazdy dwuosobowe (56% wszystkich wyazdów). Podpisano 2 umowy na wyazd dla 6 osób oraz 3 umowy na wyazd 5 osób. Sprzedano 5% wycieczek ednoosobowych. Nawiększym zainteresowaniem klientów cieszyła się Greca (17,5% wszystkich sprzedanych ofert), Turca (15%) i Egipt (13%). Wyniki są zbliżone do sezonu Zmianę odnotowano edynie na miescu trzecim rankingu napopularnieszych destynaci (klienci zamiast Chorwaci preferowali Egipt). Namnie popularne w 2010 roku były wyazdy do Austrii, Izraela, Niemiec, Londynu, Rosi, Maroko 83

84 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH oraz na Teneryfę, Bali i Sycylię. Wszystkie wybierane przez klientów w badanym roku miesca pobytu przedstawia rys Rysunek 3.6. Miesca pobytu wybierane przez klientów w sezonie letnim 2010 Źródło: opracowanie własne na podstawie danych TUI CP Szczecin. Podobnie ak w roku 2009, klienci preferowali oferty all inclusive VA (57% wyazdów) oraz z wyżywieniem obemuącym śniadania i obiadokolace HB (29,5%), natomiast namnieszym zainteresowaniem cieszyły się wyazdy zorganizowane bez wyżywienia (5% ofert) oraz zawieraące w cenie tylko śniadanie (7% ofert). Wyazdy na 7 lub 14 dni stanowiły 74% sprzedanych wycieczek, a tylko 26% miało niestandardową długość. Klienci preferowali wyloty z Poznania (30,5% sprzedanych ofert) i Berlina Tegel TXL (26,5% ofert) lub organizowali doazd we własnym zakresie (26,5% ofert). Namnie popularnym miescem wylotu w roku 2010 były lotniska w Warszawie (7,5% ofert) oraz Berlinie Schoenefeld (4,5% ofert). W 2010 r. sprzedano tylko 8 ofert do obiektów nieskategoryzowanych (ośrodków, apartamentów, rezydenci), a nawięce do hoteli 4-gwiazdkowych. W całym roku 2010 sprzedano 68,5% wycieczek z zakwaterowaniem w hotelach 4- oraz 4,5-gwiazdkowych. 84

85 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Preferowane były głównie standardowe pokoe dwuosobowe (52% ofert). Inne pokoe wybierane były zdecydowanie rzadzie, np.: pokoe dwuosobowe z widokiem na morze (13,5% ofert), rodzinne (12% ofert), dwuosobowe ekonomiczne (8% ofert), apartamenty (3% ofert), apartamenty z widokiem na morze (2,5% ofert) i bungalowy (4,5% ofert). Pozostałe propozyce pokoi usytuowanych od strony morza i plaży, t. pokoe rodzinne, rodzinne ekonomiczne oraz ednoosobowe, nie cieszyły się nawet namnieszym zainteresowaniem klientów (0 sprzedanych wycieczek). Podobnie ak w roku 2009, naczęście wybieranym przez klientów pakietem ubezpieczenia był pakiet podstawowy BOW (84,5% ofert), a narzadzie pakiety ROV i RFV (po 6,5% wszystkich ofert), ROW (1,5% ofert), SVF oraz SRB (po 1 ofercie). Nawyższą sprzedaż odnotowano w lipcu (21% ofert), natomiast naniższą w mau była to tylko 1 oferta (rys. 3.7). Rysunek 3.7. Wielkość sprzedaży w sezonie letnim 2010 w rozbiciu na poszczególne miesiące Źródło: opracowanie własne na podstawie danych TUI CP Szczecin. Analizuąc sprzedaż w poszczególnych dniach tygodnia, można zaobserwować, że w 2010r. klienci naczęście realizowali transakce zakupu wycieczek w poniedziałki, wtorki i czwartki (ponad 68% wszystkich umów podpisana była właśnie w te dni, średnio 46 umów). Rzadzie umowy były podpisywane w soboty, środy i piątki (w sumie tylko 63 umowy przez cały sezon letni) zob. rys

86 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Rysunek 3.8. Sprzedaż w sezonie letnim 2010 w poszczególnych dniach tygodnia Źródło: opracowanie własne na podstawie danych TUI CP Szczecin. Typowa cena wycieczki w 2010 roku mieściła się w przedziale od około 2300 zł do około zł, co świadczy o bardzo dużym zróżnicowaniu badane zbiorowości. Współczynnik zróżnicowania badane zbiorowości wyniósł 71,08% średnie ceny wycieczki Identyfikaca reguł zachowań konsumenckich Drugi krok badań wstępnych to badanie zbiorowości z wykorzystaniem teorii zbiorów przybliżonych. Skonstruowano tablice zawieraące odpowiednio: dla danych z 2009 r. 224 obiekty, dla danych z 2010 r. 200 obiektów. Każdy z obiektów opisano za pomocą dziewięciu atrybutów warunkowych (danych zbieranych od klientów i wprowadzanych do informatycznego systemu wspomagania decyzi firmy TUI, t.: liczba wszystkich uczestników wyazdu, uczestnictwo dzieci, czas trwania imprezy turystyczne, rodza/kategoria obiektu hotelarskiego, rodza/typ pokou, rodza/liczba posiłków, rodza/kategoria środka transportu, rodza ubezpieczenia, cena wycieczki) zob. tab i ednego atrybutu decyzynego. Tabela 3.3. Atrybuty i ich dziedziny wartości Lp. Atrybut Opis Wartości Etykieta lingwistyczna 1 q1 Liczba wszystkich uczestników wyazdu 2 q2 Uczestnictwo dzieci 3 q3 Czas trwania imprezy turystyczne (w dniach) osoba 2 osoby 3 osoby i więce Tak Nie 2-6 dni 7 dni 8-13 dni 14 dni 15 i więce dni

87 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Lp. Atrybut Opis Wartości Etykieta lingwistyczna 4 q4 Rodza/kategoria obiektu hotelarskiego (liczba gwiazdek) 5 q5 Rodza/typ pokou 6 q6 Rodza/liczba posiłków 7 q7 Rodza/kategoria środka transportu 8 q8 Rodza ubezpieczenia 9 q9 Źródło: opracowanie własne. Cena wyazdu na 1 osobę (przedział kwotowy) hotel 3 * - 3,5 * hotel 4 * - 4,5 * hotel 5 * - 5,5 * obiekty nieskategoryzowane (ośrodek, apartament itp.) DZZ pokó dwuosobowy ekonomiczny D pokó dwuosobowy DM pokó dwuosobowy z widokiem na morze EZ pokó ednoosobowy ekonomiczny E pokó ednoosobowy EM pokó ednoosobowy z widokiem na morze AZ apartament ekonomiczny A apartament AM apartament z widokiem na morze CZ pokó rodzinny ekonomiczny C pokó rodzinny CM pokó rodzinny z widokiem na morze U studio B/X bungalow J/S suita HB 2 posiłki dziennie VA wyżywienie pełne, all inclusive G tylko śniadania bez wyżywienia TXL wylot samolotem z lotniska Berlin Tegel SXF wylot samolotem z lotniska Berlin Schoenefeld doazd własny GDN wylot samolotem z lotniska Gdańsk WAW wylot samolotem z lotniska Warszawa POZ wylot samolotem z lotniska Poznań FRA wylot samolotem z lotniska Frankfurt KTW wylot samolotem z lotniska Katowice WRO wylot samolotem z lotniska Wrocław DUS wylot samolotem z lotniska Düsseldorf HAN wylot samolotem z lotniska Hannover LCJ wylot samolotem z lotniska Łódź HAM wylot samolotem z lotniska Hamburg AMV wylot samolotem z lotniska Amsterdam ROV/ ROW ubezpieczenie optymalne dla edne osoby (Europa/Świat) RFV / RFW ubezpieczenie optymalne dla edne rodziny (Europa/Świat) SRB ubezpieczenie kosztów rezygnaci z podróży BOW ubezpieczenie podstawowe (Europa i świat) RVS ubezpieczenie podstawowe wraz z ubezpieczeniem kosztów rezygnaci z podróży dla edne osoby, do katalogów niemieckoęzycznych zł zł zł zł zł 4500 i więce zł Atrybutem decyzynym (d1) est miesce pobytu, które wybierze z oferty klient. Destynace pogrupowano na: Wyspy Europeskie, Europę Samolotem, Afrykę, Doazd Własny, Dalekie Krae zob. tab

88 Nr przypadku Liczba uczestników (q1) Uczestnictwo dzieci (q2) Czas trwania (q3) Kategoria hotelu (q4) Typ pokou (q5) Rodza posiłków (q6) Rodza transportu (q7) Rodza ubezpieczenia (q8) Cena za 1 osobę (q9) Miesce pobytu (d1) 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Tabela 3.4. Atrybut decyzyny (destynace) Wartości Opis grupy Destynace 1 2 Wyspy Europeskie Europa Samolotem Wyspy Kanaryskie (Gran Canaria, Teneryfa, Fuerteventura, Lanzarote) Maorka, Minorka, Ibiza, Greca (Kos, Korfu, Rodos, Kreta, Peloponez), Cypr, Malta, Sycylia, Madera Portugalia, Bułgaria, Hiszpania kontynentalna (Costa del Sol, Costa de la Luz, Costa Brava), Turca 3 Afryka Tuneza, Egipt (Hurgada, Sharm el Sheikh), Maroko, Kenia 4 Doazd własny Austria, Chorwaca, Czechy, Polska, Franca, Niemcy, Włochy, Holandia Słowenia, Łotwa, Londyn, Rosa 5 Dalekie krae Bali, Chiny, Dominikana, Kuba, Jamaka, Meksyk, Talandia, Izrael Źródło: opracowanie własne. Badania koncentrowały się na znalezieniu czynników, które kształtowały sprzedaż imprez turystycznych. Liczba ofert sprzedanych do poszczególnych miesc pobytu była związana przypuszczalnie z typem oferty biura podróży TUI. Stąd wniosek, iż należałoby podąć działania maące na celu rozwó oferty zgodnie z preferowanymi przez klientów kierunkami podróży. Zgodnie z przyętymi atrybutami tablice danych do badań zakodowano. Fragment przykładowe tablicy (dla roku 2009) przedstawia tab Tabela 3.5. Fragment tablicy zakodowane

89 Nr przypadku... Liczba uczestników (q1) Uczestnictwo dzieci (q2) Czas trwania (q3) Kategoria hotelu (q4) Typ pokou (q5) Rodza posiłków (q6) Rodza transportu (q7) Rodza ubezpieczenia (q8) Cena za 1 osobę (q9) Miesce pobytu (d1) 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Źródło: opracowanie własne. Dokonano analizy danych. Rezultatem badania było 190 reguł decyzynych (z określeniem wsparciem, stabilności i siły) z 224 elementowego zbioru, przy dokładności odwzorowania na poziomie 96,875%. Przykładową uzyskaną regułą est: q1(3) AND q2(1) AND q3(4) AND q4(3) AND q5(12) AND q6(1) AND q7(1) AND q8(2) AND q9(4) => d1(1). Co oznacza, że klient wybierał wyazd na Wyspy Europeskie, eżeli był on zgodny z następuącymi ego preferencami: liczba uczestników wynosiła 3 osoby lub więce, wśród uczestników było dziecko (lub dzieci), wyazd był na 14 dni, hotel był co namnie 5 gwiazdkowy, zagwarantowano pokó rodzinny z widokiem na morze, 2 posiłki dziennie, wylot z Berlina Tegel, ubezpieczenie dla całe rodziny, a przedział cenowy na ednego uczestnika wyazdu zamykał się w przedziale od 2500 zł do 3499 zł. Wszystkie pozostałe uzyskane wyniki przedstawiono w tab. 3.6 i 3.7. Tabela 3.6. Wyniki uzyskane metodą zbiorów przybliżonych dla roku 2009 i 9 atrybutów warunkowych Lp. Tablica danych Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów warunkowych 1 Tablica danych zawieraąca 9 argumentów warunkowych q1-q9 oraz eden argument decyzyny d1 Źródło: opracowanie własne. 96,875% 8 elementów {q1 oraz q3-q9} 186 reguł 190 reguł 89

90 ... LHS Support RHS Support RHS Accuracy LHS Coverage RHS Coverage RHS Stability LHS Lenght RHS Lenght 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Tabela 3.7. Fragment listy reguł dla danych z roku 2009 opisanych przez 9 atrybutów warunkowych L.p. REGUŁY q1(3) AND q2(1) AND q3(4) AND q4(3) AND q5(12) AND q6(1) AND q7(1) AND q8(2) AND q9(4) => d1(1) q1(2) AND q2(2) AND q3(2) AND q4(2) AND q5(2) AND q6(2) AND q7(5) AND q8(4) AND q9(4) => d1(1) q1(3) AND q2(1) AND q3(2) AND q4(2) AND q5(11) AND q6(2) AND q7(2) AND q8(2) AND q9(5) => d1(1) q1(3) AND q2(1) AND q3(3) AND q4(3) AND q5(2) AND q6(2) AND q7(3) AND q8(4) AND q9(3) => d1(2) q1(2) AND q2(2) AND q3(2) AND q4(3) AND q5(2) AND q6(1) AND q7(2) AND q8(4) AND q9(4) => d1(3) q1(3) AND q2(1) AND q3(4) AND q4(2) AND q5(11) AND q6(2) AND q7(6) AND q8(4) AND q9(4) => d1(3) q1(3) AND q2(1) AND q3(2) AND q4(4) AND q5(2) AND q6(4) AND q7(3) AND q8(4) AND q9(2) => d1(4) q1(2) AND q2(2) AND q3(4) AND q4(2) AND q5(2) AND q6(1) AND q7(1) AND q8(1) AND q9(6) => d1(2) OR d1(1) q1(2) AND q2(2) AND q3(2) AND q4(2) AND q5(2) AND q6(1) AND q7(1) AND q8(4) AND q9(4) => d1(1) q1(2) AND q2(2) AND q3(1) AND q4(1) AND q5(2) AND q6(1) AND q7(3) AND q8(4) AND q9(2) => d1(4) q1(2) AND q2(2) AND q3(2) AND q4(1) AND q5(2) AND q6(1) AND q7(1) AND q8(4) AND q9(3) => d1(1) q1(3) AND q2(1) AND q3(2) AND q4(2) AND q5(11) AND q6(2) AND q7(4) AND q8(4) AND q9(3) => d1(2) , , , , q1(2) AND q2(2) AND q3(2) AND q4(2) AND q5(2) AND q6(2) AND q7(6) AND q8(1) AND q9(3) => d1(2) q1(2) AND q2(2) AND q3(2) AND q4(2) AND q5(2) AND q6(1) AND q7(2) AND q8(4) AND q9(5) => d1(1) Źródło: opracowanie własne Otrzymana liczba reguł była bliska liczbie rekordów w bazie danych, co oznacza, że zbiór był nieednorodny. Nawet edna zrealizowana transakca wystarczyła aby wnioskować regułę zachowania klientów. Dlatego ponownie sprawdzono, akie dane o klientach i ich preferencach zbiera firma TUI. Oprócz wymienionych w tab. 3.3 podstawowych atrybutów ze zrealizowanych transakci zauważono, że można uzyskać również dodatkowe informace, które są pomiane przez firmę lub nie przypisywała ona do nich wagi. Rozszerzono zatem wektor atrybutów warunkowych o kolene dwa elementy: q10 dzień tygodnia, w którym dokonano zakupu wycieczki, q11 wyprzedzenie, z akim dokonano zakupu wycieczki (w miesiącach). Ponadto przeorganizowano atrybuty: warunkowy q7 zmnieszaąc liczbę ego wariantów z 15 do 5 poprzez pogrupowanie dostępnych lotnisk według ich odległości od Szczecina (tab. 3.8); 90

91 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH decyzyny d1 zmieniaąc liczbę ego wariantów z 5 do 9 poprzez ponowne przedefiniowanie grup i ponowne przyporządkowanie do niego destynaci (tab. 3.9). Tabela 3.8. Zmiana atrybutu warunkowego q7 Atrybut Opis Wartości Etykieta lingwistyczna (poprzednia wartość) q7 Rodza/kategoria środka transportu/lotnisko doazd własny (3) do 250 km: TXL (1), SXF (2), POZ (6) od 250 do 400 km: GDN (4), WAW (5)*, WRO (9) od 400 do 600 km: KTW (8), HAN (11), LCJ (12), HAM (13) powyże 600 km: FRA (7), DUS (10), AMY (14), MUM (15) * Warszawa została zakwalifikowana do grupy 3 ze względu na dużą liczbę dogodnych połączeń koleowych i lotniczych. Źródło: opracowanie własne. Tabela 3.9. Zmiana atrybutu decyzynego d1 Wartości Opis grupy Destynace 1 Wyspy Oceanu Atlantyckiego Wyspy Kanaryskie (Gran Canaria, Teneryfa, Fuerteventura, Lanzarote) oraz Madera 2 Północne wybrzeże Morza Śródziemnego 3 Półwysep Iberyski Greca z wyspami (Kos, Korfu, Rodos, Kreta, Peloponez), Cypr, Turca oraz Izrael Portugalia i Hiszpania (Costa del Sol, Costa de la Luz, Costa Brava) z wyspami (Maorka, Minorka, Ibiza) 4 Wyspy Brytyskie Anglia, Szkoca, Walia, Irlandia 5 Półwysep Apeniński Włochy z wyspami (Sycylia, Sardynia), Korsyka oraz Malta 6 Półwysep Bałkański Bułgaria, Chorwaca, Słowenia 7 Południowe wybrzeże Morza Śródziemnego Tuneza, Egipt (Hurgada, Sharm el Sheikh), Maroko 8 Europa Austria, Czechy, Polska, Niemcy, Łotwa, Holandia, Franca, Rosa 9 Dalekie krae Bali, Chiny, Dominikana, Kuba, Jamaka, Meksyk, Talandia, Kenia Źródło: opracowanie własne. Zmiana atrybutu q7 miała na celu przedstawienie go w nowym uęciu pogrupowaniu ego wartości według preferowane przez klienta odległości, aką może pokonać do lotniska, lub uwzględnieniu decyzi klienta o organizaci doazdu we własnym zakresie (samochodem czy pociągiem) na miesce urlopu. Czynniki decyduące o wyborze doazdu do 250 km, między 250 a 400 km czy 400 a 600 km lub powyże 600 km były indywidualne dla każdego klienta. Mogły być związane m.in. z mnieszą lub większą dostępnością połączeń koleowych, warunkami drogowymi, kosztem doazdu do lotniska, rozszerzonym planem wyazdu 91

92 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH o wizytę (opconalnie dłuższy pobyt) w miescu, gdzie znadue się lotnisko. Zmiana atrybutu d1 pozwoliła na zwiększenie dokładności wyników. Po reorganizaci danych opisanych przez atrybut warunkowy q7 oraz decyzyny d1 dokonano porównania uzyskanych wyników dla tabel danych opartych na 9 atrybutach warunkowych. Zestawienie wyników przedstawiono w tab Tabela Wyniki uzyskane metodą zbiorów przybliżonych dla roku 2009 i 9 atrybutów warunkowych Lp. Tablica danych Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów Warunkowych 1 Tablica danych zawieraąca 9 argumentów warunkowych q1-q9 oraz eden argument decyzyny d1 2 Tablica ze zmienionym atrybutem d1 3 Tablica ze zmienionym atrybutem q7 4 Tablica ze zmienionymi atrybutami q7 i d1 Źródło: opracowanie własne. 96,875% 8 elementów {q1 oraz q3-q9} 186 reguł 190 reguł 94,196% reguł 91,071% reguły 88,393% reguły Zastosowanie 9 atrybutów warunkowych oraz pierwotnego uporządkowania q7 i d1 pozwoliło uzyskać akość przybliżenia klasyfikaci wynoszącą 96,875% dla reduktu 8-elementowego. Zmiany w sposobie dyskretyzaci atrybutów q7 i d1 spowodowały w przypadku nakrótszego wektora atrybutów warunkowych (q1-q9) spadek akości przybliżenia klasyfikaci. Dla danych z 2009 r. z wektorem rozszerzonym o atrybut warunkowy q10 (dzień tygodnia, w którym dokonano zakupu wycieczki) uzyskano wyniki przedstawione w tab Tabela Wyniki uzyskane metodą zbiorów przybliżonych dla roku 2009 i 10 atrybutów warunkowych Lp. Tablica danych Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów Warunkowych 1 Wyściowa tablica danych (10 argumentów warunkowych q1-q10 oraz eden argument decyzyny d1) 2 Tablica ze zmienionym atrybutem d1 99,107% 8 elementów {q1, q3-q5 oraz q7-q10} 98,661% 9 elementów {q1 oraz q3-q10)} 208 reguł 212 reguł 210 reguł 212 reguł 92

93 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Lp. Tablica danych Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów Warunkowych 3 Tablica ze zmienionym atrybutem q7 4 Tablica ze zmienionymi atrybutami q7 i d1 Źródło: opracowanie własne. 97,321% 9 elementów {q1 oraz q3-q10} 97,321% 9 elementów {q1-q9} 206 reguł 208 reguł 172 reguły 208 reguł Dodanie dodatkowego atrybutu warunkowego pozwoliło wygenerować redukt 8-elementowy daący akość przybliżenia klasyfikaci wynoszącą 99,107%. Dla tego reduktu wygenerowanych zostało 208 reguł. Zmiany w sposobie dyskretyzaci atrybutów q7 i d1 spowodowały pogorszenie akości przybliżenia klasyfikaci tabeli decyzyne (ednak nie tak znaczące ak w przypadku tablicy składaące się z 9 atrybutów warunkowych) i ednocześnie pozwoliło ograniczyć liczbę reguł opisuących redukt z 208 do 206, a w połączeniu ze zmianą atrybutu decyzynego d1 do 172 reguł. Tabela 3.12 przedstawia wyniki uzyskane dla danych z 2009 r. z wektorem rozszerzonym o atrybuty warunkowe q10 (dzień tygodnia, w którym dokonano zakupu wycieczki) i q11 (wyprzedzenie, z akim dokonano zakupu wycieczki). Tabela Wyniki uzyskane metodą zbiorów przybliżonych dla roku 2009 i 11 atrybutów warunkowych Lp. Tablica danych Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów warunkowych 1 Wyściowa tablica danych (11 argumentów warunkowych q1-q11 oraz eden argument decyzyny d1) 2 Tablica ze zmienionym atrybutem d1 3 Tablica ze zmienionym atrybutem q7 4 Tablica ze zmienionymi atrybutami q7 i d1 99,107% 7 elementów {q3-q4 oraz q7- q11} 7 elementów {q3 oraz q6-q11} 99,107% 8 elementów {q1, q3, q5 oraz q7-q10} 97,321% 9 elementów {q1, q3 oraz q5- q11} 100,00% 99,554% 99,554% 8 elementów {q1, q3, q5-q7 oraz q9-q11} 7 elementów {q1, q5-q7 oraz q9-q11} 8 elementów {q1, q3-q5, q7 oraz q9-q11} lub reguły 214 reguł 204 reguły 214 reguł 214 reguł 216 reguł 216 reguł 215 reguł 216 reguł 211 reguł 214 lub 213 reguł

94 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Lp. Tablica danych Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów warunkowych Źródło: opracowanie własne. {q1, q3-q4, q6-q7 oraz q9-q11} Kolene rozszerzenie zbioru atrybutów warunkowych o atrybut q11 pozwoliło na dalsze ograniczenie reduktu o eden element do siedmiu przy identyczne akości przybliżenia klasyfikaci oraz ograniczenie liczby reguł do 203. W przeprowadzone próbie zostały wygenerowane 2 takie redukty. Zmiana w sposobie dyskretyzaci atrybutu d1 nie pogorszyła akości przybliżenia klasyfikaci, spowodowała natomiast zwiększenie do 214 liczby reguł opisuących wygenerowany redukt. Odmienne wyniki zaobserwowano w przypadku zmian w sposobie dyskretyzaci atrybutu q7. W wyniku tego pogorszeniu uległa akość przybliżenia klasyfikaci (w identycznym stopniu, aki zaobserwowano dla tablicy o 10 atrybutach warunkowych) oraz zwiększona została do 216 liczba reguł opisuących otrzymany redukt. Jednoczesna zmiana w sposobie dyskretyzaci obu atrybutów (q7 i d1) spowodowała zwiększenie akości przybliżenia klasyfikaci do 100% dla reduktu 8-elementowego, a dla reduktu 7- elementowego do 99,554%. Zwiększenie dokładności zostało uzyskane pomimo zwiększenia liczby reguł do 215. Podobne obliczenia wykonano dla danych z roku W tab oraz 3.14 przedstawiono wyniki dla tablicy danych opisane przez 9 atrybutów warunkowych. W badaniu uzyskano 177 reguł decyzynych. Przykładową regułą est: q1(2) AND q2(2) AND q3(4) AND q4(2) AND q5(1) AND q6(1) AND q7(1) AND q8(1) AND q9(6) => d1(2). Co oznacza, że klient wybierał wyazd na północne wybrzeże Morza Śródziemnego, eżeli był on zgodny z następuącymi ego preferencami: wyazd dla dwóch osób, bez dzieci, na 14 dni w hotelu 4-4,5 gwiazdkowym, w pokou dwuosobowym ekonomicznym, z dwoma posiłkami dziennie, z wylotem z Berlina Tegel, z ubezpieczeniem optymalnym i ceną od 4500 zł na każdego uczestnika. 94

95 ... LHS Support RHS Support RHS Accuracy LHS Coverage RHS Coverage RHS Stability LHS Lenght RHS Lenght 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Tabela Wyniki uzyskane metodą zbiorów przybliżonych dla 2010 roku i 9 atrybutów warunkowych Lp. Tablica danych Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów warunkowych 1 Pierwotna tablica danych (9 argumentów warunkowych q1-q9 i eden argument decyzyny d1) 2 Tablica ze zmienionym atrybutem d1 3 Tablica ze zmienionym atrybutem q7 4 Tablica ze zmienionymi atrybutami q7 i d1 Źródło: opracowanie własne. 94,00% reguł 95,00% reguł 93,50% reguł 94,50% reguł Tabela Fragment listy reguł dla danych z roku 2010 opisanych przez 9 atrybutów warunkowych L.p. REGUŁY q1(2) AND q2(2) AND q3(4) AND q4(2) AND q5(1) AND q6(1) AND q7(1) AND q8(1) AND q9(6) => d1(2) q1(2) AND q2(2) AND q3(5) AND q4(3) AND q5(2) AND q6(2) AND q7(2) AND q8(1) AND q9(6) => d1(2) q1(3) AND q2(1) AND q3(4) AND q4(2) AND q5(7) AND q6(2) AND q7(1) AND q8(4) AND q9(4) => d1(1) q1(2) AND q2(2) AND q3(4) AND q4(3) AND q5(3) AND q6(2) AND q7(1) AND q8(1) AND q9(6) => d1(3) q1(2) AND q2(1) AND q3(5) AND q4(1) AND q5(2) AND q6(1) AND q7(3) AND q8(4) AND q9(4) => d1(4) q1(2) AND q2(2) AND q3(3) AND q4(1) AND q5(3) AND q6(2) AND q7(3) AND q8(4) AND q9(3) => d1(4) q1(3) AND q2(1) AND q3(5) AND q4(3) AND q5(11) AND q6(1) AND q7(1) AND q8(4) AND q9(6) => d1(2) q1(2) AND q2(1) AND q3(3) AND q4(1) AND q5(2) AND q6(2) AND q7(3) AND q8(4) AND q9(3) => d1(4) q1(2) AND q2(1) AND q3(2) AND q4(1) AND q5(2) AND q6(1) AND q7(3) AND q8(4) AND q9(3) => d1(4) q1(3) AND q2(1) AND q3(2) AND q4(2) AND q5(11) AND q6(2) AND q7(6) AND q8(2) AND q9(3) => d1(1) q1(2) AND q2(2) AND q3(5) AND q4(2) AND q5(11) AND q6(1) AND q7(1) AND q8(4) AND q9(6) => d1(1) q1(2) AND q2(2) AND q3(3) AND q4(3) AND q5(3) AND q6(1) AND q7(2) AND q8(1) AND q9(6) => d1(1) q1(2) AND q2(2) AND q3(2) AND q4(3) AND q5(11) AND q6(2) AND q7(6) AND q8(4) AND q9(4) => d1(3) q1(3) AND q2(2) AND q3(4) AND q4(3) AND q5(2) AND q6(2) AND q7(1) AND q8(2) AND q9(4) => d1(2) Źródło: opracowanie własne Zastosowanie 9 atrybutów warunkowych oraz pierwotnego uporządkowania q7 i d1 pozwoliło uzyskać akość przybliżenia klasyfikaci wynoszącą 94,00% dla reduktu 9-elementowego. Dokonane zmiany w sposobie dyskretyzaci atrybutów q7 i d1 95

96 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH spowodowały poprawę akości przybliżenia klasyfikaci przy reorganizaci atrybutu decyzynego d1 (połączone również z reorganizacą atrybutu warunkowego q7). Reorganizaca edynie samego q7 (bez zmiany atrybutu d1) spowodowała spadek akości przybliżenia klasyfikaci. Istotnych zmian w liczbie reguł nie zaobserwowano. Dla danych z 2010 r. z rozszerzonym wektorem o atrybut warunkowy q10 (dzień tygodnia, w którym dokonano zakupu wycieczki) uzyskano 191 reguł. Szczegółowe wyniki przedstawiono w tab Tabela Wyniki uzyskane metodą zbiorów przybliżonych dla 2010 roku i 10 atrybutów warunkowych Lp. Tablica danych Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów Warunkowych 1 Wyściowa tablica danych (10 argumentów warunkowych q1-q10 i eden argument decyzyny d1) 2 Tablica ze zmienionym atrybutem d1 3 Tablica ze zmienionym atrybutem q7 4 Tablica ze zmienionymi atrybutami q7 i d1 Źródło: opracowanie własne. 98,50% 9 elementów {q1-q3 oraz q5- q10} 98,50% 8 elementów {q1, q3-q7 oraz q9-q10} 98,50% 9 elementów {q1-q3 oraz q5- q10} 98,50% 8 elementów {q1, q3-q7 oraz q9-q10} 188 reguł 191 reguł 188 reguł 191 reguł 188 reguł 191 reguł 188 reguł 191 reguł Dodanie dodatkowego atrybutu warunkowego pozwoliło zwiększyć akość przybliżenia klasyfikaci do 98,50%, przy zachowaniu takie same długości reduktu opisuącego całą tabelę (t. 9 elementów). Dokonane zmiany na atrybucie warunkowym q7 nie wpłynęły w namnieszym stopniu na uzyskane wyniki. Natomiast reorganizaca atrybutu d1 pozwoliła na skrócenie długości minimalnego reduktu do 8 elementów. W porównaniu z wynikami uzyskanymi dla tablicy 9-argumentowe zwiększeniu uległa liczba wygenerowanych reguł. Tabela 3.16 przedstawia wyniki uzyskane dla danych z 2010 r. z wektorem rozszerzonym o atrybuty warunkowe q10 (dzień tygodnia, w którym dokonano zakupu wycieczki) i q11 (wyprzedzenie, z akim dokonano zakupu wycieczki). 96

97 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Tabela Wyniki uzyskane metodą zbiorów przybliżonych dla 2010 roku i 11 atrybutów warunkowych Lp. Tablica danych Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów warunkowych 1 Wyściowa tablica danych (11 argumentów warunkowych q1-q11 i eden argument decyzyny d1) 2 Tablica ze zmienionym atrybutem d1 3 Tablica ze zmienionym atrybutem q7 4 Tablica ze zmienionymi atrybutami q7 i d1 Źródło: opracowanie własne. 99,00% 8 elementów {q2-q6 oraz q9- q11} 99,00% 8 elementów {q2-q6 oraz q9- q11} 99,00% 8 elementów {q2-q6 oraz q9- q11} 99,00% 8 elementów {q2-q6 oraz q9- q11} 190 reguł 193 reguły 190 reguł 193 reguły 190 reguł 193 reguły 190 reguł 193 reguły Rozszerzenie zbioru atrybutów warunkowych o koleny atrybut pozwoliło na skrócenie długości minimalnego reduktu do 8 elementów przy ednoczesnym zwiększeniu akości przybliżenia klasyfikaci do 99%. Porównuąc te dane z wynikami uzyskanymi dla tablicy 10-argumentowe, można zauważyć, że została wygenerowana większa liczba reguł. Dokonane zmiany w sposobie dyskretyzaci atrybutów d1 i q7 nie wpłynęły w namnieszym stopniu na uzyskane wyniki. Ocena wyników Podęte działania zmieniaące atrybuty q7 i d1 powinny, zgodnie z przypuszczeniami, obniżyć akość przybliżenia klasyfikaci poszczególnych tabel z danymi. W przypadku danych z roku 2009 tak się właśnie stało i est to widoczne w tabeli opisane przez 9 atrybutów warunkowych (tab. 3.10). Wprowadzenie dodatkowego atrybutu warunkowego q10 złagodziło efekt obniżenia akości przybliżenia klasyfikaci, a wprowadzenie kolenego atrybutu q11 tendencę tę odwróciło, powoduąc zwiększenie akości przybliżenia klasyfikaci (tab. 3.12). Natomiast w przypadku danych z roku 2010 zmiany na atrybucie d1 spowodowały polepszenie wyników dla tabeli zawieraące 9 atrybutów warunkowych (tab. 3.13), a zmiany na atrybucie q7 spowodowały niewielkie ich pogorszenie. Rozszerzenie liczby atrybutów warunkowych pozwoliło zwiększyć akość przybliżenia klasyfikaci. 97

98 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH W tabelach z 10 (tab. 3.15) i 11 (tab. 3.16) atrybutami warunkowymi zmiany na atrybucie q7 oraz na atrybucie d1 nie wywarły wpływu na generowane wyniki. Rezultaty pierwszego etapu procedury badawcze wskazały na niedoskonałość informaci o rozważanych obiektach, a tym samym nieednorodność pozyskanego zbioru danych. Badana zbiorowość okazała się mocno zróżnicowana, co przełożyło się na bardzo dużą liczbę wygenerowanych reguł. Otrzymana grupa reguł, ze względu na e niską akość, nie pozwoliła na wyciągnięcie wniosków na temat preferenci klientów analizowanego biura podróży. Badania eksperymentalne (zwiększenie liczby i przeorganizowanie atrybutów warunkowych, czy nawet podział danych na miesiące, w akich zrealizowane zostały transakce sprzedaży) nie dały rezultatu w postaci zmnieszenia liczby reguł, dostarczyły natomiast ciekawą informacę na temat tego, że zmiany wprowadzane w atrybutach wpływaą na akość przybliżenia klasyfikaci. Dały również nową informacę dla firmy o konieczności uwzględniania w badaniu preferenci klientów również tych danych, które do te pory uznawała za nieistotne. W następnym etapie konieczne było wyodrębnienie grupy zawisk (klientów) podobnych i dokonanie próby uogólnienia ich cech. Prawidłowo przeprowadzona klasyfikaca pomoże odkryć charakterystyki danych, uogólnić czy zorganizować e w taki sposób, aby były zgodne z zakładanymi strukturami zorientowanymi na wiedzę [Budziński, Wawrzyniak 2006, s ]. Obliczenia granularne Systemy informacyne stosowane są do reprezentowania granul, a więc otoczenia obiektów, wzorców zachowań, obiektów o złożonych typach, które muszą być odkryte z danych. Tworzone są one również do prezentowania własności granul oraz informaci o zachodzących interakcach. Drugi etap procedury badawcze obemował wykorzystanie idei obliczeń granularnych do rozwiązania problemu obliczeniowego w warunkach niedoskonałe informaci. Z tego względu konieczna była defragmentaca analizowane bazy danych do zbiorów ednorodnych. Pierwotną tabelę informacyną należało zdyskretyzować i przekształcić do wtórne tabeli informacyne. Wówczas (w celu uzyskania reguł tworzących wzorzec preferencyny klientów biura) z pomocą metody zbiorów przybliżonych podęta mogła zostać 98

99 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH próba wyznaczenia elementarnych zbiorów warunkowych, konceptów decyzynych oraz redukca zbędnych atrybutów informacynych. W końcowe fazie nastąpiło uproszczenie otrzymanych reguł (wyznaczenie reduktów i rdzenia zbioru atrybutów) i wnioskowanie, odkrywanie modeli współbieżnych z danych i wiedzy dziedzinowe. Klasyfikaca badanych preferenci klientów została przeprowadzona przy użyciu metody taksonomii rozmyte. W tym celu wykorzystany został zintegrowany pakiet oprogramowania do zaawansowanych obliczeń statystycznych, analizy danych, obliczeń i prezentaci graficzne R (opis funkconalności programu zawarto w aneksie do pracy). Podział zbiorowości na grupy Dokonana klasyfikaca danych (za rok 2009) nie dała ednoznaczne przynależności wszystkich elementów do konkretne grupy. Poawiły się informace rozmyte, które przynależą ednocześnie do kilku klas. Nawyższy stopień przynależności do edne grupy wyniósł ok. 80%. W celu dokonania nalepszego przyporządkowania zostały przygotowane tabele danych w różnych konfiguracach (od rys 3.9 do rys. 3.13): zawieraące zakodowane lub niezakodowane informace, zawieraące edynie argumenty warunkowe (od argumentu q1 do q11) oraz argument decyzyny (d1), ak również rozszerzone o informace związane z datami zakupu oraz datami wyazdu. W efekcie analizy tak przygotowanych zestawów danych otrzymano różniące się od siebie wyniki. W przypadku działania na zakodowane tabeli z informacami ograniczonymi edynie do zestawu argumentów warunkowych i decyzynych okazało się, że nie est możliwe określenie stopnia podobieństwa poszczególnych przypadków oraz podzielenie danych w te formie na grupy. Rozszerzenie analizowanego zbioru o informace związane z datą wyazdu pozwoliło na pogrupowanie przygotowane tabeli z zastosowaniem wybrane metody. Uzyskany maksymalny stopień przynależności wyniósł ok. 83% (rys. 3.9). Kolene rozszerzenie zbioru o informace związane z datą wyazdu pogorszyło otrzymane wyniki. Maksymalny stopień przynależności poedynczego przypadku do grupy wyniósł w tym przypadku ok. 78% (rys. 3.10). Odmienny wynik dały operace wykonane na tablicy zawieraące te same dane, ale niezakodowane. W przypadku te zawieraące pełne informace (w tym również daty i ceny związane z danymi przypadkami) podział na grupy był mało wyraźny, gdyż maksymalny stopień przynależności poszczególnych przypadków do edne z utworzonych grup wyniósł 99

100 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH niecałe 60% (rys. 3.11). Redukca tablicy o informace dotyczące daty wyazdu lub daty zakupu wycieczki poprawiły akość przyporządkowania. W tym przypadku maksymalny stopień przynależności poedynczych przypadków do konkretnych grup wzrósł do 71% dla tablicy zawieraące informace o terminie wyazdu, a do 72% dla tablicy zawieraące informace o dacie zakupu. Nalepsze efekty grupowania metodą taksonomii rozmyte uzyskano dla tablicy zawieraące niepełne dane niezakodowane zredukowane o informace związane zarówno z datą zakupu wycieczki, ak i z terminem wyazdu. Tablica ta zawierała w rzeczywistości atrybuty warunkowe (od q1 do q11) oraz decyzyny (d1). Parametrem grupuącym w tym wypadku była cena. Uzyskany maksymalny stopień przynależności wybranych przypadków do edne z utworzonych grup wyniósł ok. 85% (rys. 3.12). Rysunek 3.9. Wyniki grupowania metodą taksonomii rozmyte dla danych zakodowanych rozszerzonych o informace związane z datą wyazdu Źródło: opracowanie własne. 100

101 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Rysunek Wyniki grupowania metodą taksonomii rozmyte dla danych zakodowanych rozszerzonych o informace związane z datą zakupu oraz datą wyazdu Źródło: opracowanie własne. Rysunek Wyniki grupowania metodą taksonomii rozmyte dla pełnych danych niezakodowanych Źródło: opracowanie własne. 101

102 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Rysunek Wyniki grupowania metodą taksonomii rozmyte dla danych niezakodowanych bez informaci o dacie wyazdu i dacie zakupu wycieczek Źródło: opracowanie własne. W celu weryfikaci wyników dokonano również podziału na grupy tablicy zawieraące zakodowane informace związane edynie z datą zakupu wycieczek. Zastosowana metoda dała w tym przypadku nalepsze rezultaty. Uzyskany maksymalny stopień przynależności wyniósł dla tak przygotowanych danych blisko 90% (rys. 3.13). Rysunek Wyniki grupowania metodą taksonomii rozmyte dla danych zawieraących edynie informace o dacie wyazdu Źródło: opracowanie własne. 102

103 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH W metodzie taksonomii rozmyte nie było możliwości wyboru atrybutu (atrybutów warunkowych), na podstawie których przeprowadzane est grupowanie danych. Z tego powodu przeprowadzono analizę otrzymanych wyników i stwierdzono, że dla danych zakodowanych (rys. 3.9) parametrem grupuącym był termin wyazdu. Potwierdza to porównanie wyników dla danych zawieraących edynie informace o dacie wyazdów (rys. 3.13). Oba wykresy są do siebie bardzo podobne, różnią się edynie wyraźnieszym (rys. 3.13) lub bardzie rozmytym (rys. 3.9) stopniem przynależności poszczególnych przypadków do poszczególnych grup. Przeprowadzone badania na tablicach ze zmienioną kolenością kolumn wykazały, że koleność danych (atrybutów warunkowych) w przypadku zastosowane metody nie ma znaczenia. Otrzymane wyniki były identyczne bez względu na układ zastosowane tablicy. Po przeanalizowaniu wszystkich otrzymanych wyników można stwierdzić, że wykorzystanie metody taksonomii rozmyte pozwoliło na analizę danych liczbowych, których zróżnicowanie było większe. W przypadku danych zakodowanych (rys. 3.10) z datą zakupu oraz terminem wyazdu głównym atrybutem grupuącym była przede wszystkim data zakupu, dla danych zakodowanych (rys. 3.9) bez daty wyazdu atrybutem grupuącym był przede wszystkim termin wyazdu, a dla skróconych danych niezakodowanych (rys. 3.12) atrybutem grupuącym była głównie cena zakupu. Inne argumenty poza głównymi grupuącymi miały niewielki, ale zauważalny wpływ na wynik grupowania. Wyraźnie wykazue to porównanie wykresów z rys. 3.9 oraz W pierwszym przypadku zaimportowano tablicę danych zawieraącą dane zakodowane oraz informace o datach wyazdów, natomiast w drugim tablicę zawieraącą informace edynie o terminach wyazdów. Do dalszych badań wybrano wyniki uzyskane dla tabeli danych niezakodowanych zawieraące edynie informace związane z atrybutami warunkowymi i decyzynymi q oraz d, które efekty przedstawione zostały na rys Z 224 elementów otrzymano 3 grupy. Do 1 i 3 grupy zostały przyporządkowane po 74 przypadki, natomiast do 2 grupy 76 przypadków. Rys przedstawia graficzny podział badane zbiorowości na grupy. Wykorzystano do ich uzyskania w środowisku R metody grupowania z rodziny fanny(cluster), realizuące grupowanie danych z wykorzystaniem logiki rozmyte. 103

104 Component WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH clusplot(fanny(x = a, k = 3)) Component 1 These two components explain 36.2 % of the point variability. Rysunek Podział zbiorowości na grupy przy użyciu metody taksonomii rozmyte Źródło: opracowanie własne. Następną czynnością po wykonaniu grupowania było wyznaczenie miary dokładności grupowania (w badaniu wykorzystano miarę Silhouette: 0,51, ale dostępne są również inne metody walidaci grup). Wyniki przedstawia rys Rysunek Grupy otrzymane przy użyciu metody taksonomii rozmyte Źródło: opracowanie własne. 104

105 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Do dalszych badań konieczny był wybór granuli informaci, analiza danych w nie zawartych metodą zbiorów przybliżonych i wyekstrahowanie reguł decyzynych. Badanie prawidłowości metodą zbiorów przybliżonych oraz wybór granuli informaci Uzyskane w badaniu metodą taksonomii rozmyte grupy danych poddano analizie metodą zbiorów przybliżonych. W rezultacie okazało się, że tylko dla grupy pierwsze i trzecie (liczących po 74 przypadki) możliwe est wygenerowanie minimalnego reduktu, którego stopień akości przybliżenia klasyfikaci wynosi 100% zob. tab Tabela Wyniki uzyskane metodą zbiorów przybliżonych dla danych pogrupowanych w środowisku R Lp. Grupa Dokładność odwzorowania Minimalny redukt Liczba reguł dla minimalnego reduktu Liczba reguł dla reduktu złożonego ze wszystkich atrybutów warunkowych 1 I 100,00% 6 elementów {q1, q3, q5 oraz q9-q11} 2 II 97,37% 7 elementów {q1, q3, q5, q7, q8, q10 i q11} lub {q3, q5-q8, q10 i q11} 3 III 100,00% 6 elementów {q1, q4-q6 oraz q9-q10} Źródło: opracowanie własne. lub 7 elementów {q1, q3-q7 oraz q10} 70 reguł 71 reguł 69 reguł 70 reguł 66 reguł 72 reguły lub 68 reguł Na podstawie uzyskanych wyników dokonano wyboru trzecie granuli do dalszych badań i analiz. Wybór ten został podyktowany tym, że dla grupy trzecie uzyskano namnieszą liczbę reguł (66) oraz uzyskano dwa minimalne redukty (6-cio elementowy i 7-elementowy) o akości przybliżenia klasyfikaci wynoszące 100%. Analizuąc poszczególne przypadki przypisane do grupy trzecie, można stwierdzić, że zebrani w nie klienci stanowią grupę osób średnio zamożnych i kupuących ofertę ze średnio 1,5-miesięcznym wyprzedzeniem. Przeciętna cena wycieczki za edną osobę zebranych w te grupie przypadków wynosi w przybliżeniu 3 200,00 zł. Szczegółowe zestawienie danych opisuących wybraną grupę przedstawia tabela Tabela z pełnymi informacami zawarta została w aneksie do pracy (tab. A). 105

106 ... LHS Support RHS Support RHS Accuracy LHS Coverage RHS Coverage RHS Stability LHS Lenght RHS Lenght 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Tabela Fragment danych (grupa III) poddanych analizie metodą zbiorów przybliżonych Lp. Data zakupu Termin wyazdu q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11 d Źródło: opracowanie własne. W kolenym kroku należało poddać analizie reguły decyzyne wyekstrahowane z danych grupy trzecie badane zbiorowości. Ocena i analiza reguł Otrzymane w wyniku analizy 72 reguły decyzyne przedstawiono w tab W tab natomiast zawarte zostały przykładowe reguły wygenerowane dla minimalnego reduktu oraz dla reduktu zawieraącego wszystkie atrybuty warunkowe. Tabela Fragment listy reguły dla grupy III i reduktu zawieraącego wszystkie atrybuty warunkowe L.p. Reguły 1 q1(3) AND q2(1) AND q3(4) AND q4(3) AND q5(5) AND q6(1) AND q7(2) AND q8(2) AND q9(4) AND q10(4) AND q11(7) => d1(2) 2 q1(3) AND q2(1) AND q3(4) AND q4(2) AND q5(8) AND q6(2) AND q7(2) AND q8(4) AND q9(4) AND q10(5) AND q11(7) => d1(2)

107 LHS Support RHS Support RHS Accuracy LHS Coverage RHS Coverage RHS Stability LHS Lenght RHS Lenght LHS Support RHS Support RHS Accuracy LHS Coverage RHS Coverage RHS Stability LHS Lenght RHS Lenght 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH L.p. Reguły 3 q1(2) AND q2(2) AND q3(4) AND q4(2) AND q5(7) AND q6(2) AND q7(2) AND q8(4) AND q9(4) AND q10(3) AND q11(4) => d1(2) 4 q1(2) AND q2(2) AND q3(4) AND q4(1) AND q5(15) AND q6(4) AND q7(2) AND q8(2) AND q9(4) AND q10(1) AND q11(4) => d1(1) 5 q1(3) AND q2(2) AND q3(2) AND q4(4) AND q5(1) AND q6(4) AND q7(1) AND q8(4) AND q9(1) AND q10(1) AND q11(8) => d1(6) q1(2) AND q2(2) AND q3(2) AND q4(2) AND q5(10) AND q6(2) AND q7(3) AND q8(4) AND q9(4) AND q10(4) AND q11(8) => d1(2) q1(2) AND q2(2) AND q3(2) AND q4(2) AND q5(7) AND q6(3) AND q7(2) AND q8(4) AND q9(4) AND q10(6) AND q11(3) => d1(6) q1(3) AND q2(1) AND q3(1) AND q4(1) AND q5(8) AND q6(1) AND q7(1) AND q8(4) AND q9(1) AND q10(3) AND q11(3) => d1(8) q1(2) AND q2(2) AND q3(2) AND q4(3) AND q5(8) AND q6(1) AND q7(2) AND q8(4) AND q9(4) AND q10(4) AND q11(3) => d1(7) q1(2) AND q2(2) AND q3(4) AND q4(2) AND q5(8) AND q6(2) AND q7(2) AND q8(4) AND q9(5) AND q10(6) AND q11(3) => d1(6) q1(3) AND q2(2) AND q3(2) AND q4(2) AND q5(8) AND q6(1) AND q7(2) AND q8(2) AND q9(5) AND q10(3) AND q11(3) => d1(3) 12 q1(3) AND q2(1) AND q3(4) AND q4(2) AND q5(6) AND q6(2) AND q7(2) AND q8(4) AND q9(4) AND q10(4) AND q11(3) => d1(7) q1(2) AND q2(2) AND q3(2) AND q4(2) AND q5(9) AND q6(2) AND q7(2) AND q8(4) AND q9(4) AND q10(3) AND q11(0) => d1(2) q1(1) AND q2(2) AND q3(4) AND q4(2) AND q5(11) AND q6(1) AND q7(2) AND q8(4) AND q9(4) AND q10(6) AND q11(1) => d1(3) Źródło: opracowanie własne Tabela Fragment listy reguł dla grupy III i uzyskanego minimalnego reduktu 6-elementowego L.p. Reguły 1 q1(3) AND q4(3) AND q5(5) AND q6(1) AND q9(4) AND q10(4) => d1(2) q1(3) AND q4(2) AND q5(8) AND q6(2) AND q9(4) AND q10(5) => d1(2) q1(2) AND q4(2) AND q5(7) AND q6(2) AND q9(4) AND q10(3) => d1(2) q1(2) AND q4(1) AND q5(15) AND q6(4) AND q9(4) AND q10(1) => d1(1) q1(3) AND q4(4) AND q5(1) AND q6(4) AND q9(1) AND q10(1) => d1(6) q1(2) AND q4(2) AND q5(10) AND q6(2) AND q9(4) AND q10(4) => d1(2) q1(2) AND q4(2) AND q5(7) AND q6(3) AND q9(4) AND q10(6) => d1(6) q1(3) AND q4(1) AND q5(8) AND q6(1) AND q9(1) AND q10(3) => d1(8) q1(2) AND q4(3) AND q5(8) AND q6(1) AND q9(4) AND q10(4) => d1(7) q1(2) AND q4(2) AND q5(8) AND q6(2) AND q9(5) AND q10(6) => d1(6) q1(3) AND q4(2) AND q5(8) AND q6(1) AND q9(5) AND q10(3) => d1(3) q1(3) AND q4(2) AND q5(6) AND q6(2) AND q9(4) AND q10(4) => d1(7) q1(2) AND q4(2) AND q5(9) AND q6(2) AND q9(4) AND q10(3) => d1(2)

108 LHS Support RHS Support RHS Accuracy LHS Coverage RHS Coverage RHS Stability LHS Lenght RHS Lenght 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH L.p. Reguły 66 q1(1) AND q4(2) AND q5(11) AND q6(1) AND q9(4) AND q10(6) => d1(3) Źródło: opracowanie własne. Uzyskane wyniki nie umożliwiły pełnego wnioskowania na temat preferenci i wyborów dokonywanych przez klientów. Różne próby i warianty analizy danych firmy w metodzie taksonomii rozmyte oraz zbiorów przybliżonych wskazuą ednoznacznie, że dane te nie wykazuą właściwości powtarzalności, brak reguł silnych, a podemowane próby wyodrębnienia z nich akichkolwiek elementów podobieństwa zakończyły się niepowodzeniem. Kolenym działaniem akie należało podąć było wykorzystanie wielokryterialne analizy decyzyne (metody wspomagaące rozwiązywanie problemów wielokryterialnego sortowania) w celu uzyskania rankingu ofert nabardzie odpowiadaącym preferencom klientów, przydziału wariantów do wcześnie zdefiniowanych klas Ustalanie preferenci dla kryteriów oceny metodą analizy hierarchiczne W badaniach przyęto spóną rodzinę edenastu kryteriów (akościowych i ilościowych), które są istotne z punktu widzenia procesu decyzynego: K 1 liczbę wszystkich uczestników wyazdu, K 2 uczestnictwo dzieci, K 3 czas trwania imprezy turystyczne (w dniach), K 4 rodza/kategoria obiektu hotelarskiego (liczba gwiazdek), K 5 rodza/typ pokou, K 6 rodza/liczba posiłków, K 7 rodza/kategoria środka transportu, K 8 rodza ubezpieczenia, K 9 cena wyazdu na 1 osobę (przedział kwotowy), K 10 dzień tygodnia, w którym dokonano zakupu wycieczki, K 11 wyprzedzenie, z akim dokonano zakupu wycieczki (w miesiącach). Wymienione kryteria zostały wyznaczone w poprzednim etapie badań. 108

109 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH W pierwsze koleności zbudowano macierz porównań kryteriów. Określenie stopnia wzaemne dominaci kryteriów odbyło się przy użyciu wprowadzone przez T.L. Saaty ego relaci binarne, w które wyróżnia się pięć sytuaci podstawowych: równoważność, słabą preferencę, istotną preferencę, wyraźną preferencę, bezwzględną preferencę [Saaty 1992]. Istniee również możliwość wyznaczania relaci pośrednich, co w efekcie stwarza skalę dziewięciostopniową. Zestawienie porównań kryteriów parami zostało przedstawione w tabeli 3.21., a uogólnioną ważność kryteriów w tabeli Na rys przedstawiono wyniki obliczeń wektora skali (współczynniki wagowe) dla poszczególnych kryteriów. Wskaźnik zgodności (CR) dla macierzy przedstawione w tabeli 3.21 wynosi 0,0931 i est mnieszy od wartości graniczne: 0,1. Oznacza to, że zachowana została spóność ocen kryteriów. Tabela Macierz porównań kryteriów parami K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K 10 K 11 K 1 1,00 1,00 1,00 1,00 1,00 0,33 1,00 1,00 1,00 5,00 1,00 K 2 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 5,00 1,00 K 3 1,00 1,00 1,00 0,33 3,00 5,00 1,00 1,00 1,00 5,00 3,00 K 4 1,00 1,00 3,00 1,00 3,00 4,00 2,00 2,00 1,00 5,00 4,00 K 5 1,00 1,00 0,33 0,33 1,00 0,33 0,33 0,33 1,00 5,00 0,33 K 6 3,00 1,00 0,20 0,25 3,00 1,00 3,00 3,00 1,00 5,00 3,00 K 7 1,00 1,00 1,00 0,50 3,00 0,33 1,00 1,00 1,00 5,00 1,00 K 8 1,00 1,00 1,00 0,50 3,00 0,33 1,00 1,00 1,00 5,00 1,00 K 9 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 5,00 0,33 K 10 0,20 0,20 0,20 0,20 0,20 0,20 0,20 0,20 0,20 1,00 0,20 K 11 1,00 1,00 0,33 0,25 3,00 0,33 1,00 1,00 3,00 5,00 1,00 suma 12,20 10,20 10,07 6,37 22,20 13,87 12,53 12,53 12,20 51,00 15,86 Źródło: opracowanie własne. Tabela Obliczenie wag kryteriów K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K 10 K 11 WAGA K 1 0,0820 0,0980 0,0993 0,1571 0,0450 0,0240 0,0798 0,0798 0,0820 0,0980 0,0631 0,0826 K 2 0,0820 0,0980 0,0993 0,1571 0,0450 0,0721 0,0798 0,0798 0,0820 0,0980 0,0631 0,0869 K 3 0,0820 0,0980 0,0993 0,0524 0,1351 0,3606 0,0798 0,0798 0,0820 0,0980 0,1892 0,1233 K 4 0,0820 0,0980 0,2980 0,1571 0,1351 0,2885 0,1596 0,1596 0,0820 0,0980 0,2522 0,1645 K 5 0,0820 0,0980 0,0331 0,0524 0,0450 0,0240 0,0266 0,0266 0,0820 0,0980 0,0208 0,0535 K 6 0,2459 0,0980 0,0199 0,0393 0,1351 0,0721 0,2394 0,2394 0,0820 0,0980 0,1892 0,1326 K 7 0,0820 0,0980 0,0993 0,0785 0,1351 0,0240 0,0798 0,0798 0,0820 0,0980 0,0631 0,0836 K 8 0,0820 0,0980 0,0993 0,0785 0,1351 0,0240 0,0798 0,0798 0,0820 0,0980 0,0631 0,0836 K 9 0,0820 0,0980 0,0993 0,1571 0,0450 0,0721 0,0798 0,0798 0,0820 0,0980 0,0208 0,0831 K 10 0,0164 0,0196 0,0199 0,0314 0,0090 0,0144 0,0160 0,0160 0,0164 0,0196 0,0126 0,0174 K 11 0,0820 0,0980 0,0331 0,0393 0,1351 0,0240 0,0798 0,0798 0,2459 0,0980 0,0631 0,0889 Źródło: opracowanie własne. 109

110 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH 0,1800 0,1645 0,1600 0,1400 0,1233 0,1326 0,1200 0,1000 0,0800 0,0869 0,0826 0,0836 0,0836 0,0831 0,0889 0,0600 0,0535 0,0400 0,0200 0,0174 0,0000 K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 Rysunek Współczynniki wagowe dla poszczególnych kryteriów Źródło: opracowanie własne Przy wyborze wycieczki decydent wskazue ako naważniesze cztery kryteria: K 4 (rodza/kategoria obiektu hotelarskiego), K 6 (rodza/liczbę posiłków), K 3 czas trwania imprezy turystyczne (w dniach) oraz K 11 wyprzedzenie, z akim dokonano zakupu wycieczki (w miesiącach). Kryterium K 4 otrzymało nawyższą ocenę w rankingu, określa ono rodza obiektu hotelarskiego im wyższy ego standard tym bogatsza oferta (baseny, sauny, aquapark, centrum odnowy biologiczne, siłownia, korty tenisowe, kręgielnie, kina, kluby muzyczne, place zabaw dla dzieci i wiele innych) oraz większa dostępność i atrakcyność dla turystów przez cały rok (bez względu na warunki pogodowe). Natomiast pod K 6 krye się oferta wyżywienia od podstawowe opci (standardowo wybierane, w formie dwóch posiłków dziennie) po all inclusive i możliwość indywidualnego dobrania menu (np. do konkretne diety, do stanu zdrowia czy upodobań). K 3 czas trwania imprezy turystyczne (w dniach) dae możliwość określenia długości wyazdu (od kilku dni do kilku tygodni), natomiast K 11 (wyprzedzenie, z akim dokonano zakupu wycieczki - w miesiącach) gwarantue klientowi wybór terminu wyprzedzenia z akim zamierza kupić wycieczkę od last minute (chętnie wybieranego przez klientów, którzy nie mieli czasu na wcześnieszą rezerwacę, nie planowali wyazdu albo takich, którzy preferuą okaze cenowe im mnie czasu do wyazdu tym cena oferty niższa) po first minute (dla osób, które planuą wyazdy z bardzo dużym wyprzedzeniem i maą czas na zapoznanie się z bardzo bogatą ofertą biura podróży). 110

111 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Kryteriami, którym przypisano przeciętną rangę są: K 1 liczbę wszystkich uczestników wyazdu, K 2 uczestnictwo dzieci, K 7 rodza/kategoria środka transportu, K 8 rodza ubezpieczenia, K 9 cena wyazdu na 1 osobę (przedział kwotowy). Biura turystyczne zapewniaą tak szeroką ofertę wyazdów dla osób podróżuących indywidualnie, rodzin czy grup zorganizowanych, że kryteria K 1 i K 2 w żaden sposób nie ograniczaą wyboru klienta. Dostępność wielu rodzaów środków transportu (K 7 ) również nie determinue decyzi konsumenta na określoną destynacę turystyczną. Może on wybrać ofertę biura (transfer na lotnisko, przelot samolotem), lub zdecydować się na wyazd samodzielnie zorganizowany (na przykład samochodem czy pociągiem). Przygotowane przez biura podróży pakiety ubezpieczeniowe (K 8 ) stanowią dobre uzupełnienie do oferty. Nie zawsze ednak wybierane są przez klientów. Wielu z nich ma uż wykupione polisy w firmach ubezpieczeniowych albo decydue się na wyrobienie Europeskie Karty Ubezpieczenia Zdrowotnego (EKUZ) w oddziale Narodowego Funduszu Zdrowia (NFZ), która gwarantue korzystanie z opieki zdrowotne za granicą na tych samych zasadach co obywatele danego krau. Podstawą do wyrobienia takiego terminowego dokumentu są legitymace ubezpieczeniowe (dla osób zatrudnionych na umowę o pracę), ostatni odcinek wpłaty składki na ubezpieczenie zdrowotne (dla przedsiębiorców), legitymaca rodzinna (dla dzieci) czy zaświadczenia z Urzędu Pracy (dla bezrobotnych). Podobnie studenci korzystaący z karty Euro26 mogą podróżować nie martwiąc się o koszty leczenia w razie wypadku za granicą czy nagłe choroby i nie muszą wykupywać dodatkowych polis. Kryterium K 9 (cena wyazdu na 1 osobę) est ednym z czynników maących wpływ na wybór wycieczki, nie est ednak naistotnieszym. Każdy klient decyduący się na wyazd liczy się z poniesieniem kosztów, ma przewidziany pewien budżet i dopuszcza ewentualność zwiększenia limitu finansowego w sytuaci znalezienia oferty zgodne z ego profilem lub nawet przewyższaące ego oczekiwania. Kryteriami namnie preferowanymi przez decydenta są K 10 (dzień tygodnia, w którym dokonano zakupu wycieczki) i K 5 (rodza/typ pokou). Termin w akim realizowana est transakca często est wynikiem przypadku, splotu pewnych wydarzeń i nie ma znaczącego wpływu na decyzę o wyeździe. W przypadku kryterium K 5, klient przypisue do niego mnieszą wagę, ponieważ w pokou hotelowym spędza stosunkowo mało czasu. Podczas wyazdu chętnie decydue się na korzystanie z atrakci turystycznych krau w akim przebywa 111

112 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH czy obiektu hotelarskiego i rodza pokou (z widokiem na morze lub bez tego widoku) odgrywa dla niego mniesze znaczenie. Warto zauważyć, że przyęte wstępnie w badaniu kryteria miały charakter akościowy i ilościowy. W wyniku porównań parami nawyższe wagi otrzymały kryteria akościowe. Pomimo subiektywne oceny kryteriów zastosowanie mechanizmów kontroli spóności i przechodniości ocen pozwoliło na marginalizacę ich ewentualnego negatywnego wpływu na postać rankingu finalnego. Uzyskane w tym etapie badań wagi kryteriów wykorzystane zostaną w kolenym kroku do wyznaczania profili konsumenckich Wyznaczanie profili konsumenckich w zarządzaniu Założenia Do badania wybrano edną granulę - grupę klientów, wyłonioną w wyniku podziału zbiorowości metodą taksonomii rozmyte. Profil te grupy określono ako klienci średnio zamożni (ci, którzy decydowali się na zakup wycieczki w cenie do ok ,00 zł za osobę). Do wyznaczenia profili ofert preferowanych w ramach te grupy klientów wykorzystane zostały wagi kryteriów akościowych uzyskane w wyniku obliczeń metodą analizy hierarchiczne: KRYTERIUM 1 (Cr01 q6): rodza/liczba posiłków (waga: ), KRYTERIUM 2 (Cr02 q3): czas trwania imprezy turystyczne (w dniach), (waga: ), KRYTERIUM 3 (Cr03 q4): rodza/kategoria obiektu hotelarskiego (liczba gwiazdek) (waga: ), KRYTERIUM 4 (Cr04 q11): wyprzedzenie, z akim dokonano zakupu wycieczki (w miesiącach) (waga: ). Obok wag kryteriów danymi weściowymi w badaniu były także progi (veta, preferenci nierozróżnialności), klasy i ich granice. Utworzono dwa profile (Pr01, Pr02) separuące od siebie trzy klasy kategorie standardu ofert (Wysoki Standard, Średni Standard, Niski Standard). 112

113 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Dla profilu pierwszego (Pr01) przyęto, że kryterium nr 1 (wyżywienie) wynosi: -1, co oznacza wyżywienie all inclusive, kryterium nr 2 (czas trwania wycieczki w dniach): 14, kryterium nr 3 (kategoria hotelu): 4 (co oznacza cztery gwiazdki) oraz kategoria 4 (wyprzedzenie w miesiącach) również 4. Natomiast dla profilu drugiego (Pr02) wartości kryteriów wynosiły odpowiednio: -3 (tylko śniadania), 7 (czas trwania wycieczki w dniach), 3 (trzy gwiazdki) i 0 (wyprzedzenie w miesiącach). Ilustracę graficzną profili oraz utworzonych klas przedstawiono na rys Rysunek Przebieg profili oraz położenie poszczególnych klas Źródło: opracowanie własne. Kolenym krokiem w badaniu był przydział wariantów (alternatyw, wycieczek) do klas. Każdy wariant porównywany był ze wszystkimi profilami. Dzięki temu możliwe było uzyskanie następuących sytuaci: określenie, czy wariant mógł być preferowany nad profil, nieporównywalny z profilem, gorszy od niego lub nierozróżnialny z nim. Przydział wariantów do klas Oferty (alternatywy) porównane z profilami klas przedstawiono na rys. A. zawartym w aneksie do pracy. Rezultaty przyporządkowania to 53% przypadków przypisanych do pierwsze kategorii standardu ofert (Wysoki Standard), 42 lub 43% do kategorii drugie (Średni Standard) oraz 5 lub 4% do kategorii trzecie (Niski Standard) zob. tab

114 WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Tabela Statystyki przyporządkowania Nazwa kategorii standardu Pesymistyczne przyporządkowanie Optymistyczne przyporządkowanie Wysoki standard 53% (39 z74) 53% (39 z 74) Średni standard 42% (31 z 74) 43% (32 z 74) Niski standard 5% (4 z 74) 4% (3 z 74) Źródło: opracowanie własne. Porównanie sposobu przydziału danych do klas nie wykazało znaczących różnic pomiędzy optymistyczną a pesymistyczną procedurą klasyfikaci, co potwierdza, że obiekty są porównywalne w ramach granuli (tab. 3.23). Tabela Przyporządkowanie przypadków do kategorii Przypadek Profil nr 2 Profil nr 1 Pesymistyczne przyporządkowanie Optymistyczne przyporządkowanie A0001 > < Średni Standard Średni Standard A0002 > I Wysoki Standard Wysoki Standard A0003 > I Wysoki Standard Wysoki Standard A0004 R < Niski Standard Średni Standard A0005 < < Niski Standard Niski Standard A0006 > I Wysoki Standard Wysoki Standard A0007 > < Średni Standard Średni Standard A0008 > < Średni Standard Średni Standard A0009 > < Średni Standard Średni Standard A0012 > I Wysoki Standard Wysoki Standard A0013 > < Średni Standard Średni Standard A0014 > I Wysoki Standard Wysoki Standard A0015 > < Średni Standard Średni Standard A0010 > I Wysoki Standard Wysoki Standard A0011 > < Średni Standard Średni Standard A0073 > < Średni Standard Średni Standard A0074 > < Średni Standard Średni Standard Źródło: opracowanie własne. Prezentaca pozostałych wyników badań uzyskanych metodą Electre Tri (opis metody zob. punkt 2.4) zawarta została w aneksie do rozprawy (tab. B). 114

115 Nr oferty... Data zakupu wycieczki Termin wyazdu q1 q2 q3 (Cr02) q4 (Cr03) q5 q6 (Cr01) q7 q8 q9 q10 q11 (Cr04) d1 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH Analiza i interpretaca uzyskanych wyników Wyniki przyporządkowania poszczególnych przypadków do klas uzyskane podczas badania wybrane granuli zestawiono w tab Każdy z rozpatrywanych przypadków odpowiada sprzedane w badanym okresie ofercie np. przypadek A0004 odpowiada ofercie numer 14. Fragment tablicy zawieraące niezakodowane dane o klientach z grupy III (klienci średnio zamożni) zestawiono w tab Tabela Fragment niezakodowane tablicy decyzyne dla III grupy (granuli) klientów CBJM HB TXL RFV 3465,8 cz. 7 Greca DBH VA TXL BOW 2902,5 pt. 7 Turca DA Z VA SXF BOW 2929,5 śr. 4 Turca UBD b.w. TXL RFV 3262,6 pn. 4 Teneryfa bk. AB b.w. d.w. BOW 374,47 pn. 8 Chorwaca DEHN VA WAW BOW 2675,4 cz. 8 Greca DA Z G SXF BOW 2956,8 sob. 3 Chorwaca DBH HB d.w. BOW 326,79 śr. 3 Polska DBH HB SXF BOW 3104,5 cz. 3 Egipt ,5 DBH VA POZ BOW 3947,3 sob. 3 Bułgaria DBH HB TXL RFV 4188,5 śr. 3 Hiszpania CFJ A VA POZ BOW 2908,9 cz. 3 Egipt ,5 DBH VA POZ BOW 3409,9 śr. 2 Egipt ,5 DBH VA POZ BOW 4014,7 śr. 2 Egipt Źródło: opracowanie własne. Przyęte w badaniach kryteria akościowe oraz przyęte profile klas pozwoliły na przyporządkowanie poszczególnych wariantów (ofert) do edne z trzech wyodrębnionych klas (tab. 3.24). Zaobserwowano, że większość ofert (53% przypadków) zakupionych w grupie klientów średnio zamożnych zakwalifikowanych została do kategorii Wysoki Standard. Klienci ci 115

116 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH wybierali wycieczki na Wyspy Oceanu Atlantyckiego, Północne i Południowe wybrzeże Morza Śródziemnego oraz Półwysep Iberyski i Bałkański. Oferty w standardzie średnim kupowane były na większość dostępnych kierunków, za wyątkiem Wysp Brytyskich i Dalekich Kraów. Naniże ocenione (ako niski standard) były trzy alternatywy: A0005 (oferta nr 15, do obiektu bez kategorii na Półwyspie Bałkańskim w apartamencie, bez wyżywienia, na 7 dni, kupiona w poniedziałek na 8 miesięcy przed wyazdem, z doazdem własnym), A0061 (oferta 194, do obiektu bez kategorii na Półwyspie Bałkańskim w apartamencie, bez wyżywienia, na 7 dni, kupiona 1 miesiąc przed wyazdem, z doazdem własnym) i A0071 (oferta 220, dla więce niż 3 osób dorosłych, na 7 dni, do ośrodka bez kategorii na Półwyspie Apenińskim, w pokoach dwuosobowych z widokiem na morze, bez wyżywienia, z doazdem własnym, z podstawowym ubezpieczeniem, cena wyazdu do 799 zł za osobę, wycieczka kupiona w sobotę, na dwa dni przed wyazdem). Klienci wybieraący ten standard ofert podemowali podobne wybory. Nachętnie kupowali wycieczki na Półwysep Apeniński czy Bałkański. W uzyskanym rankingu ofert poawiła się tylko edna, która zakwalifikowana została (w zależności od algorytmu przyporządkowania pesymistycznego lub optymistycznego) do niskiego lub średniego standardu. Mowa o alternatywie A0004. Jest to oferta numer 14, wykupiona na 4 miesiące przed wyazdem, dla dwóch osób dorosłych, na 14 dni, do hotelu 3 3,5 gwiazdkowego, w suicie, bez wyżywienia, z wylotem z Berlina Schoenefeld, z optymalnym ubezpieczeniem rodzinnym, na Wyspy Oceanu Atlantyckiego). Długość wyazdu (na 14 dni zamiast 7), wybór zorganizowanego przez biuro podroży transportu (zamiast doazdu własnego) oraz bogatszego pakietu ubezpieczeniowego przeważa w te ofercie na standard średni. Następnie badaniom poddano wpływ zmiany pierwotnego rankingu kryteriów (Cr02>Cr03>Cr01>Cr04) na wyniki przyporządkowania. Rozpatrywano koleno następuące warianty: wariant A: Cr02>Cr03>Cr01>Cr04; 0,5 λ 1, wariant B: Cr03>Cr02>Cr01>Cr04; 0,5 λ 1, wariant C: Cr03>Cr02>Cr01>Cr04; 0,7 λ 1, wariant D: Cr03>Cr02>Cr01>Cr04; 0,8 λ 1, wariant E: Cr02>Cr03>Cr01>Cr04; 0,7 λ 1, wariant F: Cr02>Cr03>Cr01>Cr04; 0,8 λ 1, 116

117 3. WERYFIKACJA EMPIRYCZNA WYPRACOWANEGO MODELU WYZNACZANIA PROFILI KONSUMENCKICH wariant G: Cr01>Cr02>Cr03>Cr04; 0,7 λ 1, wariant H: Cr01>Cr02>Cr03>Cr04; 0,8 λ 1, wariant I: Cr04>Cr01>Cr02>Cr03; 0,7 λ 1. Zestawienie wyników zawarto w tab. C w aneksie do pracy. Wynika z niego, że zmiany rankingu i wag kryteriów akościowych oraz współczynnika veta nie wywierały wpływu na przyporządkowanie 46% ofert. 32% wszystkich ofert ednoznacznie zakwalifikowanych zostało do Wysokiego standardu (oferty: A0002, A0003, A0012, A0014, A0010, A0018, A0019, A0020, A0021, A0022, A0024, A0025, A0026, A0029, A0031, A0034, A0037, A0038, A0039, A0043, A0046, A0047, A0058, A0063), 14% do średniego (oferty: A0015, A0028, A0032, A0035, A0036, A0040, A0044, A0045, A0049, A0053). W badane zbiorowości odnotowano szereg przypadków (53% wszystkich ofert), których przyporządkowanie do określonego profilu wyraźnie zmieniało się w zależności od zmian rankingu kryteriów przez decydenta. Oferty te przypisywane były albo do Wysokiego i Średniego Standardu, albo do Średniego i Niskiego. Zaobserwowano tylko edną ofertę przypisaną (w zależności od kryteriów) koleno do różnych klas. Mowa o alternatywie A0004, czyli ofercie numer 14 (wyazd 14-dniowy na Teneryfę, do hotelu 3-gwiazdkowego, bez wyżywienia, zakupiona na 4 miesiące przed wyazdem). W wariancie C zakwalifikowano ą do kategorii Średni Standard, w wariantach A, B, i E ako Wysoki, natomiast w D, F,G,H i I ako Niski. Uzyskane wyniki pozwalaą na ednoznaczne określenie profilu klienta i standardu ofert akie wybierał. Otrzymany praktyczny zestaw profili konsumenckich pomoże firmie zaplanować ofertę produktową i stategię działania. Wiedza na temat tego akich klientów ona posiada i czym się oni kierowali wybieraąc konkretną wycieczkę pozwoli na lepsze dostosowanie do ich oczekiwań i przewagę na rynku konkurenci. Umiescowienie modułu analitycznego, odpowiedzialnego za automatyzacę opracowane procedury wyznaczania profili konsumenckich, w systemie wspomagania decyzi przedstawiono w rozdziale czwartym. 117

118 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI W rozdziale wskazano miesce modułu analitycznego (monitoruącego zmiany preferenci klientów) w informatycznym systemie wspomagania decyzi dla firmy turystyczne. Omówiono podstawowe założenia służące do ego konstrukci strukturę organizacyną przedsiębiorstwa, proces realizaci sprzedaży produktów turystycznych i wymiany informaci o klientach. Efektem przeprowadzonych w rozprawie badań est szczegółowa analiza wymagań systemu na poziomie operacynym, propozyca zmian struktur informacynych w operacynych bazach danych dla modułu analitycznego i procedura wyznaczania profili konsumenckich w systemie informatycznym. Przedstawiono zakładane etapy informatyzaci, e możliwości i przewidywane koszty. Analiza struktury firmy turystyczne i założenia proektowe do budowy modułu analitycznego na przykładzie TUI Centrum Podróży Na strukturę organizacyną firmy TUI składa się 5 głównych działów (rys. 4.1): dział sprzedaży (wyodrębnione są w nim regionalne biura sprzedaży: centrum-wschód, centrum, południe, zachód, centrum-zachód, północ, wsparcia regionów oraz zespół współpracy z touroperatorem /ekspansa); dział produkci (składaący się z wyodrębnionych zespołów: przelotów, zespołu operacynego, kontrolingu produktu, berge&meer); dział marketingu (z zespołami: komunikaci marketingowe B2B i B2C, on-line, call center, produkci marketingowych, IT); dział HR (czyli zespół rekrutaci i rozwou, kadr i płac, administraci oraz procesów i szkoleń); dział finansów (zespoły: kontrolingu, księgowości TUI, księgowości TUI4U, radcy prawnego, incentive, TUI4U rezerwaca biletów lotniczych). 118

119 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI Rysunek 4.1. Schemat organizacyny firmy turystyczne TUI Źródło: opracowanie własne na podstawie informaci uzyskanych od TUI. Za kontakt z klientem odpowiadaą w firmie: dział sprzedaży, w tym biura własne TUI, TUI Centrum Podróży oraz biura agencyne sprzedaące ofertę TUI, dział operacyny (reklamaci), centrum rezerwaci (call center odpowiedzialne za rezerwace telefoniczne i internetowe), dział marketingu. Kontakt bezpośredni z klientem maą w firmie edynie pracownicy działu sprzedaży. Podczas wizyty klienta w biurze, wprowadzaą oni preference konsumenta do systemu rezerwacynego Merlin.X 1. Otrzymane z systemu warunki oferty przedstawiaą klientowi. Jeżeli zostaną one przez niego zaakceptowane naliczana est płatność. Numer rezerwaci generowany est automatycznie. Pracownik wprowadza go do systemu CRM (dane o rezerwaci odczytywane są z systemu Merlin.X), a następnie sprawdza, czy klient znadue się w bazie danych (eżeli nie, konieczne est wprowadzenie do systemu wszystkich danych osobowych), i gdy podemowana est ostateczna decyza o wyeździe przygotowue formularz umowy wraz z rachunkiem. Proces zawarcia transakci przedstawiony est na rys W uzasadnionych przypadkach (m.in. pomyłka pracownika w rezerwaci wykryta po podpisaniu umowy, zgłoszenie hotelu o błędzie w systemie i braku miesc noclegowych, sytuaca losowa uniemożliwiaąca wyazd klientowi) konsument może zażądać zmiany rezerwaci (zakwaterowania, pokou itd.). Dział sprzedaży korzysta w takich sytuacach z pomocy zespołu help desk, który ako edyny upoważniony est do wprowadzania zmian w systemie rezerwaci. Dane z CRM przechowywane są w bazie danych. 1 Merlin.X system rezerwacyny dedykowany dla biur podróży sprzedaących ofertę turystyczną wielu organizatorów 119

120 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI Rysunek 4.2. Diagram czynności - Proces zawarcia transakci sprzedaży oferty wyazdowe Źródło: opracowanie własne. Dział marketingu komunikue się z klientami i innymi podmiotami za pośrednictwem poczty elektroniczne, a na podstawie danych sprzedażowych prowadzi statystyczną analizę danych (o przyroście zysków, ewentualnych stratach w poszczególnych regionach, liczbie sprzedanych miesc w samolotach i hotelach). Dział marketingu i produktu nie korzysta 120

121 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI z systemu CRM, wszelkie dane do analiz pozyskue z modułu rezerwacynego IRIS+ w systemie Merlin.X. Za pomocą narzędzi analitycznych (m.in. systemu TUFIS 2 ) przeprowadza badanie rynku, analizy ilościowe. Dział marketingu współpracue z działem handlowym (który opracowue promoce i plany działania firmy, zarządza kanałami dystrybuci) oraz działem produktu (który przygotowue oferty). Oba działy korzystaą z przygotowanych przez dział marketingu analiz i przeprowadzaą własne badania w obrębie przygotowywanych przez siebie zadań. W firmie powołano zespół CRM, który współpracue z działem sprzedaży i działem IT i zbiera informace o usterkach systemu. Dział IT składa się z trzech zespołów (rys. 4.3): IT (administrator, specalista ds. infrastruktury, help desk), aplikaci (analityk/programista, specalista ds. aplikaci, programista php), e-commerce (manager proektów internetowych, specalista ds. e-commerce, manager proektów internetowych). Za utrzymanie i rozwó systemu CRM bezpośrednio odpowiedzialni są analityk/programista (ego zakres obowiązków to m.in.: analiza CRM, specyfikaca CRM, programowanie CRM) i specalista ds. aplikaci (wsparcie CRM). Dział IT korzysta ze wsparcia firmy zewnętrzne przy usprawnianiu systemu. Dodatkowo za rozwó strony (technologia, produkt, procesy), użyteczność, analizę, współpracę z marketingiem i call center odpowiada zespół e-commerce. Rysunek 4.3. Schemat organizacyny działu IT firmy TUI Źródło: opracowanie własne na podstawie informaci uzyskanych od TUI. 2 TUFIS rozwiązanie Business Intelligence dedykowane branży turystyczne; platforma informacyna zbieraąca dane na temat wszystkich działań firmy, umożliwiaąca raportowanie (zarówno obszerne sprawozdania dla kierownictwa ak i proste raporty z codzienne działalności dla aktualnie zalogowanego do systemu użytkownika) o wynikach sprzedaży, rezerwacach, kosztach [ dostęp: ]. W przypadku firmy TUI est to system zarządzany przez TUI Deutschland, do raportowania sprzedaży od strony produktowe i kanałów sprzedaży 121

122 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI Z systemu CRM bezpośrednio korzysta również dział księgowy i kontrolingu. System CRM est zintegrowany z systemem SAP 3. Oba działy zbieraą, kontroluą i analizuą wszystkie dane finansowe firmy. W sytuacach, gdy konieczne są wyaśnienia, wprowadzenie korekt, dopłaty ze strony kupuącego, kontaktuą się z działem sprzedaży, a ten bezpośrednio wyaśnia wszystkie kwestie z klientem. Schemat wymiany informaci o kliencie przedstawia rys Swoe produkty TUI przekazue do sprzedaży biurom agencynym na podstawie umowy franczyzowe. Dane o zrealizowanych transakcach są przechowywane w bazie danych biura. Agenci nie korzystaą z systemu CRM TUI. Mimo, że produkt est ten sam, to uzyskanie wiedzy o transakci, kliencie z blisko 700 biur agencynych est niemożliwe. Analizy klientów i badania rynku TUI zleca firmie zewnętrzne. Nie są realizowane żadne akce w systemie maące na celu analizę klientów. Analityk na podstawie danych sprzedażowych przygotowue raporty sprzedażowe. Rysunek 4.4. Ideowy schemat wymiany informaci o kliencie Źródło: opracowanie własne. Analiza funkconalna systemu CRM TUI Centrum Podróży Wdrożony w 2010 r. system CRM TUI CP ewidenconue dane osobowe i adresowe o kliencie. Umożliwia określenie rodzau klienta (indywidualny, biznesowy), określa sposób ego pozyskania (wizyta w biurze, kontakt telefoniczny) oraz pozwala na wprowadzenie dodatkowych informaci o kliencie, np. takich ak: czy est to osoba znana publicznie (VIP) albo mieszkaąca poza kraem. Zbiera podstawowe informace o dokonanych wyborach (dla ilu osób kupowany est wyazd, aki standard obiektu hotelarskiego klient wybiera; akie wyżywienie go interesue; akie ubezpieczenie, doazd). 3 SAP zaawansowany system wspomagaący zarządzanie firmą i realizowane przez nią procesy biznesowe; kompletne rozwiązanie informatyczne wspieraące naistotniesze obszary zarządzania firmą t. finanse, kontroling, sprzedaż czy dystrybucę. 122

123 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI System CRM ewidenconue sprzedaż, służy obecnie bardzie ako baza danych z monitoringiem płatności, system rezerwaci i formularz przygotowywania umowy niż ako narzędzie zarządzania relacami z klientami. W systemie zauważono wiele ograniczeń, m.in. brak: opci wysyłania maili do klienta poza kartą klienta oraz ewidenci dotychczasowe korespondenci mailowe (co est istotne w sytuacach wymagaących wyaśnień, w reklamacach ze strony klienta). Pracownik może wysłać ofertę do potencalnego klienta tylko z programu pocztowego, a nie z systemu CRM; opci przeszukiwania bazy danych pod kątem określonych preferenci klientów (np. pracownik nie może wyświetlić listy wszystkich klientów, którzy kupowali hotele 5-gwiazdkowe albo oferty first minute); mechanizmu przypominania o statusie rezerwaci (np. klient oczekue na odpowiedź z biura w sprawie oferty, w systemie mógłby istnieć automatyczny system przypominaący pracownikom o tym - wyskakuący komunikat); mechanizmu automatyczne owe wysyłki oferty dnia (w formie seryne korespondenci); opci sortowania klientów i/lub ich wyszukiwania w systemie; mechanizmu aktualizaci bazy pracowników (w systemie CRM są pracownicy, którzy uż nie pracuą); możliwości monitorowania przez kierownika biura sumy pieniędzy w kasetce pracowników wraz z opcą ego powiadamiania o przekroczeniu dozwolone kwoty (zgodnie z procedurą przyętą w przedsiębiorstwie, kiedy zebrana kwota przekracza dozwoloną, należy wezwać konwó). W obecnie stosowanym rozwiązaniu pracownik może sprawdzić w systemie stan swoe kasetki, a kierownik nie ma możliwości e podglądu; opci generowania raportów sprzedaży dla biura i ego pracowników (centrala TUI wysyła ogół informaci dotyczący obrotów biura, aczkolwiek brak w nie rozpiski dotyczące obrotów wygenerowanych przez konkretnego pracownika); informaci, z którego katalogu została wybrana wykupiona oferta (TUI Poland, TUI Deutschland, TUI Family, TUI Samolotem); informaci, czy klient należy do Klubu Podróży (program loalnościowy dla klientów TUI); 123

124 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI mechanizmu automatycznego przypominania klientowi o dopłacie (klient w momencie rezerwaci wyazdu wpłaca zaliczkę, miesiąc przed wyazdem musi dopłacić pozostałą kwotę); mechanizmu mailowego lub sms-owego informowania klienta o terminie wylotu oraz istotnych danych dotyczących rezerwaci. Ponadto system nie ma dostępu do informaci wprowadzonych do systemów rezerwaci oraz rezerwaci biletów lotniczych. Konsekwencą tego est konieczność ponownego wprowadzania przez pracownika danych do systemu CRM (wprowadzonych uż wcześnie do systemu rezerwacynego). W masce systemu nie zaimplementowano również ednego istotnego punktu drukowanego na umowach, t.: wymagania specalne zgodnie z warunkami imprez turystycznych. Oznacza to, że pracownik nie może wpisać konkretnych, dodatkowych (a więc takich spoza listy do wyboru w systemie) preferenci klienta, takich ak np.: zagwarantowanie miesca dla osób niepełnosprawnych w samolocie, zapewnienie posiłków wegetariańskich w hotelu, rezerwaca wybranego numeru pokou w hotelu itp. W zakładce nowy klient zamieszczono opcę wyrażam zgodę na przetwarzanie danych osobowych w celach sprzedażowych, która powinna się znaleźć na końcu formularza rezerwaci. Obecnie pracownik musi ponownie weść w kartę klienta po zakończeniu rezerwaci. Istotną wadą użytkowanego systemu est procedura przygotowywania w nim umowy, która trwa od kilkunastu minut do około godziny. Jest to zdecydowanie za długi okres z punktu widzenia klienta. Mankamentem systemu są również statusy rezerwaci, których liczba est zbyt duża. Część zaimplementowanych statusów est nieużyteczna, niewykorzystywana przez pracowników. Są to głównie statusy nieksięgowe, t.: informaca turystyczna, rezerwaca z opcą bez wpłaty, rezerwaca z opcą z wpłatą, rezerwaca na zapytanie bez wpłaty, rezerwaca na zapytanie z wpłatą. Pracownicy korzystaą tylko ze statusu w trakcie realizaci, gdyż statusy księgowe są automatycznie nadawane przez system. 124

125 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI Proponowane zmiany struktur informacynych w bazach operacynych dla modułu monitorowania Zmiany w systemie powinny obemować: skrócenie czasu wprowadzania rezerwaci i poruszania się po systemie, skrócenie czasu i ułatwienie rozliczania transakci, zmnieszenie ilości statusów rezerwaci, zwiększenie intuicyności systemu, wprowadzenie możliwości tworzenia akci marketingowych z poziomu biura oraz modułu przypominaącego o opcach i ofertach do przygotowania. System powinien reestrować dane o preferencach klientów, takie ak: preferowane godziny wylotu (ranne, popołudniowe, wieczorne) TUI organizue dla swoich klientów czartery, informaca o preferowanych godzinach pozwoliłaby na inną organizacę wylotów w porozumieniu z przewoźnikiem; czy klient dopuszcza lot z przesiadkami, czy preferue bezpośredni lot?; catering na pokładzie (czy klient życzy sobie posiłek podczas lotu?); możliwość dokupienia dodatkowych opci, takich ak: gwaranca niezmienności ceny, prywatny transfer z lotniska, rezerwaca miesca w samolocie (est to opca bardzo często preferowana przez rodziny z dziećmi, które chcą siedzieć obok siebie - podczas odprawy na lotnisku mogą zostać im przydzielone miesca w różnych częściach samolotu); czy klient należy do Klubu Podróży (członkostwo wiąże się dodatkowymi benefitami); z których katalogów korzysta klient przy zakupie oferty (TUI Family, TUI Deutschland, TUI Samolotem); czy wyazd był zgodny z określonymi preferencami? W systemie nie ma opci kontaktu posprzedażowego, nie ma informaci zwrotne, np. czy klient był zadowolony z wyazdu? czy składał w hotelu reklamace? czy były zmiany rezerwaci na miescu wyazdu? Brak informaci zwrotne od klienta est poważnym mankamentem systemu. To pracownicy, dla własne wiadomości, dzwonią do klientów po ich powrocie, z pytaniami czy oferta spełniła ich oczekiwania lub akie mieli zastrzeżenia. Wprowadzenie proponowanych zmian (a szczególnie tych związanych z preferencami) przynieść może wiele korzyści dla biura i ego pracowników, t.: skrócić czas obsługi klienta, ułatwić komunikacę z klientem, 125

126 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI polepszyć monitoring finansów biura i zwiększyć kontrolę pracowników przez kierownika, podnieść akość obsługi i zwiększyć liczbę klientów, zwiększyć motywacę pracowników w momencie udostępnienia danych sprzedażowych w krau (np. rankingu biur w Polsce). Wprowadzenie zmian w systemie oraz rozszerzanie ego funkconalności dae szansę na usprawnienie pracy biura i uniknięcia ponoszenia kosztów wynikaących z błędów pracowników. Monitoring może zapobiec m.in. sytuacom, w których klient poedzie na miesce wypoczynku, mimo że nie wpłacił pełne sumy (brakuącą kwotą obciążony zostanie pracownik). Procedura monitorowania preferenci klientów w systemie informatycznym W systemie CRM proponue się wprowadzenie modułu, który będzie monitorował preference konsumentów, a zatem wykorzystywał rozproszoną wiedzę o klientach do zautomatyzowania (wieloetapowego) procesu generowania wniosków w celu uzyskania opinii o oferowanych produktach. Efektem modelowania profili konsumenckich będzie utrzymanie dotychczasowych i pozyskiwanie nowych klientów. Udoskonalony CRM będzie zbierał informace o preferencach klientów i e analizował. Pozwoli to na przygotowywanie oferty dostosowane do potrzeb i wymagań klientów. Klienci będą usatysfakconowani tym, że firma zna ich preference (i liczy się z niestabilnym ich charakterem), że dostosowue swoą ofertę do ich potrzeb, że interesue się nimi i ich potrzebami również po zrealizowane transakci, zwłaszcza tym, czy oferta spełniła ich oczekiwania?. Klienci dzięki temu poczuą się dla firmy ważni, a takie zaangażowanie w relace z klientem będzie budować zaufanie do marki i zwiększy przewagę konkurencyną firmy. Ponadto znaomość preferenci klientów (poprzez monitorowanie) wpłynie na wzrost (mierzalny i wyrażony liczbą) efektywności zarządzania. Firma będzie potrafiła skutecznie obrać cel produkci, przygotować produkt i zapewnić taki poziom ego akości, który zainteresue również potencalnych klientów. Zakłada się, że system składać będzie się z modułu interakcynego (kanały dystrybuci usług i dotarcia z ofertą do klienta, t. , telefon, bezpośredni kontakt) i operacynego (dział sprzedaży i marketingu, które komunikuą się bezpośrednio z klientem) i wprowadzony zostanie do niego moduł analityczny (rys. 4.5). Realizować on będzie, ak do te pory, 126

127 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI podstawowe analizy ilościowe (badania rynku), a zautomatyzowane zostaną procesy wnioskowania o preferencach klientów i monitorowania ich zmian. System monitorowania preferenci przedstawiono na rys Rysunek 4.5. System CRM firmy turystyczne TUI z modułem analitycznym Źródło: opracowanie własne na podstawie [Januszewski 2008]. Rysunek 4.6. System monitorowania Źródło: opracowanie własne. 127

128 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI System pobierać będzie dane z bazy danych, do które przekazywane są informace o zrealizowanych transakcach. Sprawdzi, czy wczytane dane źródłowe są różne od istnieących. Realizować będzie wstępną analizę danych (badanie rynku: co, ile, kiedy się sprzedało i aki est zysk/strata dla firmy?). Zbiór zostanie przeszukany pod kątem reguł zachowań klientów (czy są grupy klientów, którzy dokonywali podobnych wyborów? akie to były wybory? i czym się kierowali przy podemowaniu decyzi?). Sprawdzona zostanie spóność zbioru. Znalezione reguły ą potwierdzą i będzie to początek kolenego etapu - poszukiwania kryteriów akościowych, akimi posługiwali się klienci przy wyborze oferty/wycieczki (rodza/kategoria ośrodka wypoczynkowego, rodza wyżywienia, ubezpieczenia). Przygotowany zostanie ranking kryteriów (metodą analizy hierarchiczne), wszystkie oferty biura zostaną zgodnie z nim posortowane i wyszukane zostaną propozyce zgodne z preferencami klienta. Drugą sytuacą może być taka, w które wyekstrahowana zostanie bardzo duża liczba reguł. Oznaczać to, że w zbiorze zawarte były niespóne dane, a system na podstawie nich podemować będzie inne decyze dla ednakowych danych weściowych (uniemożliwiłyby to podemowanie prawidłowych decyzi przez decydenta). Niespóność w wiedzy est zawiskiem stosunkowo powszechnie występuącym. Nie est ona edynie wynikiem błędu i szumu informacynego. Wynikać może z niestabilnego charakteru preferenci i wahania decydenta, niedostępności części informaci, naturalne granularności i nieednoznaczności ęzyka reprezentaci [Stefanowski 2001]. Taki charakter zbioru danych w konsekwenci spowodue, że praca z systemem nie będzie możliwa. Konieczne będzie wówczas usunięcie obiektów powoduących niespóność, podzielenie całego zbioru danych na granule i powtórzenie badania dla każde z nich. Uzyskane informace o preferencach klienta będą stale aktualizować o wnioski hurtownię danych. Cały proces est iteracyny i będzie przebiegał w czasie rzeczywistym. Wyniki analiz będą reestrowane w hurtowni danych i wysyłane do operacyne bazy danych. Proces wnioskowania o preferencach klientów w module analitycznym przedstawia rys

129 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI Rysunek 4.7. Diagram aktywności - Proces wnioskowania o preferencach klientów w module analitycznym systemu CRM Źródło: opracowanie własne. Uzyskane wnioski o preferencach klientów powinny być udostępnione wszystkim działom firmy maącym kontakt z klientem. Szczególnie istotne będą dla działu handlowego i marketingu, które pracuą nad nowymi produktami oferowanymi przez firmę. Stałe monitorowanie zmian preferenci klientów biura pozwoli m.in. na udoskonalenie obecnych 129

130 4. UMIEJSCOWIENIE MODUŁU ANALITYCZNEGO W SYSTEMIE WSPOMAGANIA DECYZJI propozyci wyazdowych firmy. Pozostałe przewidywane korzyści omówiono w następnym punkcie pracy. Przewidywane korzyści z wprowadzenia innowaci w systemie Innowace w systemie CRM w postaci wprowadzenia do niego modułu analitycznego wniosą istotne usprawnienia w pracy firmy TUI. Przedstawia e diagram przypadków użycia na rys Rysunek 4.8. Diagram przypadków użycia działanie systemu CRM z modułem analitycznym Źródło: opracowanie własne. Pracownik biura, wprowadzaąc do systemu dane o kliencie (m.in. kwotę, aką przeznaczył na wyazd), ego preference i hierarchię ich ważności (klient określi wagę, aką przypisue kryteriom wskaże, które z nich są dla niego naważniesze, a które mnie istotne), zakwalifikue go do określone grupy - profilu (np. klientów bardzo zamożnych, wybieraących oferty bez ograniczeń cenowych, lub tych z mnie zasobnym portfelem, którzy 130