wh e paper budowanie korzystnych relacji z klientami wykorzystanie technik dr¹ enia danych (data mining)

Transkrypt

1 budowanie korzystnych relacji z klientami wykorzystanie technik dr¹ enia danych (data mining)

2 Hurtownia zawieraj¹ca dane o klientach i dane marketingowe zosta³a ju zbudowana. Powstaje teraz pytanie, jak zrobiæ dobry u ytek ze zgromadzonych danych? Zarz¹dzanie relacjami z klientami (ang. CRM Customer Relationship Management) pozwala firmom nawi¹zywaæ i utrzymywaæ bardziej efektywne kontakty z klientami, równoczeœnie czyni¹c wspó³pracê z nimi bardziej przyjazn¹ dziêki personalizacji. Aby odnosiæ sukcesy stosuj¹c CRM, firmy musz¹ odpowiednio dobieraæ i dopasowywaæ produkty i kampanie do ich odbiorców adresatów kampanii oraz potencjalnych klientów. Innymi s³owy, firmy musz¹ rozs¹dnie zarz¹dzaæ cyklem ycia swoich klientów. Do niedawna wiêkszoœæ aplikacji z zakresu CRM koncentrowa³a siê na upraszczaniu procesu organizacji i zarz¹dzania informacjami o klientach. Podstawowym celem tego typu oprogramowania, nazywanego operacyjnym CRM, jest stworzenie bazy danych ukazuj¹cej przekrojowy obraz relacji klienta z firm¹ oraz dostarczanie uzyskanych w ten sposób informacji pod k¹tem konkretnych zastosowañ tam, gdzie zostan¹ one wykorzystane, zw³aszcza w dzia³ach stanowi¹cych punkty styku z klientami. Chodzi tu miêdzy innymi o automatyzacjê pracy s³u b handlowych i zastosowania w dzia³ach obs³ugi klienta. Dopiero jednak wzrost iloœci informacji o klientach i rosn¹ca z³o onoœæ interakcji zachodz¹cych pomiêdzy firm¹ a klientami sprawi³y, e dr¹ enie danych sta³o siê niezbêdnym elementem narzêdzi s³u ¹cych podnoszeniu zyskownoœci relacji z klientami. Dr¹ enie danych jest procesem odkrywania wzorców i zale noœci istniej¹cych w danych. Pozwala on zrozumieæ potrzeby klientów i przewidywaæ ich zachowania. Wykorzystuje w tym celu ogromn¹ liczbê ró norodnych technik analizy danych i modelowania. Dr¹ enie danych mo e pomóc wyodrêbniæ w³aœciw¹ grupê potencjalnych klientów, na której warto siê skoncentrowaæ. Wskazuje tak e, które dodatkowe produkty warto zaoferowaæ klientom ju wczeœniej pozyskanym oraz pozwala zidentyfikowaæ tych spoœród wartoœciowych klientów, co do których mo na przypuszczaæ, e mog¹ zostaæ utraceni na rzecz konkurencji. Efektem tych dzia³añ jest wzrost dochodów dziêki znacznej poprawie umiejêtnoœci reagowania na ka dy pojedynczy kontakt w najlepszy mo liwy sposób oraz dziêki redukcji kosztów wynikaj¹cej z w³aœciwego dysponowania zasobami. Aplikacje CRM wykorzystuj¹ce dr¹ enie danych nazywane s¹ analitycznym CRM. W materiale tym opisujemy ró ne aspekty analitycznego CRM i pokazujemy, jak mo e on byæ wykorzystywany do bardziej efektywnego zarz¹dzania cyklem ycia klienta. Proszê zwróciæ uwagê, e przytoczone studia przypadków fikcyjnych firm s¹ oparte na rzeczywistych zastosowaniach aplikacji do dr¹ enia danych. dr¹ enie danych Pierwszym i najprostszym krokiem analitycznym w procesie dr¹ enia danych jest wstêpna eksploracja danych. Mo na na przyk³ad wyliczyæ wielkoœci opisuj¹ce dane (takie jak œrednia i odchylenie standardowe), dokonaæ przegl¹du danych za pomoc¹ wykresów i tabel oraz rzuciæ okiem na rozk³ad danych. Opis danych sam w sobie nie dostarcza jednak planu i wskazówek do dalszego dzia³ania. Konieczne jest zbudowanie modelu predykcyjnego w oparciu o wzorce wyznaczone przez ju poznane wyniki, a nastêpnie przetestowanie modelu na danych, które nie by³y wykorzystywane do jego budowy. Trzeba pamiêtaæ, e nawet dobrego modelu nigdy nie nale y uwa aæ za wiern¹ reprezentacjê rzeczywistoœci (jak wiadomo mapa drogowa nigdy dok³adnie nie przedstawia drogi), mo e on natomiast byæ u ytecznym przewodnikiem do zrozumienia prowadzonej dzia³alnoœci. 2

3 Dr¹ enie danych mo e byæ wykorzystywane zarówno do klasyfikacji, jak i regresji. W przypadku klasyfikacji celem jest okreœlenie, do jakiej kategorii mo na zaliczyæ przedmiot badania np. czy dana osoba stwarza potencjalne ryzyko kredytowe, czy nie, któr¹ z wielu przedstawionych ofert dana osoba jest sk³onna zaakceptowaæ, itp. Natomiast w przypadku regresji celem jest okreœlenie takiej liczby jak np. prawdopodobieñstwo, e dana osoba odpowie na ofertê. W zarz¹dzaniu relacjami z klientem (CRM) dr¹ enie danych jest czêsto wykorzystywane do przypisywania klientowi (lub potencjalnemu klientowi) wartoœci reprezentuj¹cej prawdopodobieñstwo, e zachowa siê w oczekiwany sposób. Wartoœæ ta mo e okreœlaæ np. sk³onnoœæ do odpowiedzi na okreœlony typ oferty lub prawdopodobieñstwo odejœcia do konkurencji. Dr¹ enie danych jest te czêsto wykorzystywane do identyfikowania zestawu cech (zwanych profilem), które umo liwiaj¹ podzia³ klientów na grupy o podobnych zachowaniach, takich jak np. kupowanie okreœlonego produktu. Specjalny rodzaj klasyfikacji mo e s³u yæ do rekomendacji produktów w oparciu o podobieñstwo zainteresowañ okreœlonych grup klientów. Czasami okreœla siê to mianem filtrowania asocjacyjnego (collaborative filtering). Techniki dr¹ enia danych wykorzystywane do rozwi¹zywania zadañ zwi¹zanych z klasyfikacj¹, regresj¹ i filtrowaniem asocjacyjnym zosta³y skrótowo przedstawione na koñcu niniejszego materia³u. definiowanie CRM CRM w najszerszym znaczeniu oznacza po prostu zarz¹dzanie ca³oœci¹ kontaktów zachodz¹cych pomiêdzy firm¹ a jej klientami. W praktyce oznacza to koniecznoœæ wykorzystywania informacji o klientach i potencjalnych klientach w celu realizacji takiej wspó³pracy z nimi, która bêdzie przynosiæ firmie mo liwie najwiêksze korzyœci na wszystkich etapach kontaktów z klientami. Poziomy te przedstawia siê jako cykl ycia klienta. Cykl ycia klienta sk³ada siê z trzech etapów: pozyskiwania klientów podnoszenia wartoœci klientów zatrzymywania dobrych klientów Dr¹ enie danych mo e poprawiæ wyniki finansowe, jakie firma osi¹ga na ka dym z tych etapów. Konieczne jest tylko w³¹czenie ich do systemu operacyjnego CRM lub wdro enie jako niezale nej aplikacji. efektywne pozyskiwanie nowych klientów dziêki dr¹ eniu danych Pierwszym krokiem w CRM jest zidentyfikowanie potencjalnych klientów i przekszta³cenie ich w klientów. Popatrzmy, jak dr¹ enie danych mo e pomóc optymalizowaæ koszty i zwiêkszyæ efektywnoœæ kampanii pozyskiwania klientów. Big Bank i Credit Card Company (BB&CC) przeprowadza rocznie 25 akcji direct mail do potencjalnych klientów. Przesy³ki te zawieraj¹ ofertê karty kredytowej. Ka da kampania kierowana do jednego miliona 3

4 odbiorców charakteryzowa³a siê podobnym jednoprocentowym poziomem konwersji oznaczaj¹cym odsetek adresatów oferty, którzy staj¹ siê klientami posiadaczami kart kredytowych. Sk³onienie ludzi do wype³nienia formularza aplikacyjnego stanowi dopiero pierwszy krok. W kolejnym kroku BB&CC musi zdecydowaæ, czy aplikant reprezentuje zadowalaj¹cy profil pod k¹tem potencjalnego ryzyka i zaakceptowaæ jego wniosek o wydanie karty (co czyni aplikanta klientem) lub wniosek odrzuciæ. Nie jest zaskoczeniem, e ludzie charakteryzuj¹cy siê wiêkszym ryzykiem kredytowym chêtniej odpowiadaj¹ na ofertê ni ci, którzy stwarzaj¹ potencjalnie mniejsze zagro enie. Tak wiêc, podczas gdy 6% adresatów odpowiada na ofertê przesy³aj¹c wniosek o wydanie karty, jedynie 16% z nich charakteryzuje siê odpowiednim poziomem bezpieczeñstwa. St¹d w³aœnie wynika, e tylko oko³o 1% adresatów oferty staje siê ostatecznie klientami firmy. WskaŸnik odpowiedzi na poziomie 6% oznacza dla BB&CC tylko osób ubiegaj¹cych siê o przyznanie karty spoœród , do których wys³ano ofertê. Jeœli BB&CC nie zmieni³oby sposobu pozyskiwania klientów poprzez u ywanie ró nych list adresowych i docieranie do potencjalnych klientów za pomoc¹ wielu ró nych sposobów, dostosowuj¹c warunki ofert do danego klienta nie by³oby w stanie wygenerowaæ wiêcej ni odpowiedzi. Natomiast z tych tylko stanowi¹ klienci charakteryzuj¹cy siê niskim poziomem ryzyka. Wyzwaniem dla BB&CC by³o zatem docieranie do tych osób w sposób bardziej precyzyjny. BB&CC wydaje oko³o $1 na jeden list z ofert¹, co w sumie generuje koszty w wysokoœci $ przypadaj¹ce na jedn¹ akcjê promocyjn¹. W okresie kilku lat klienci pozyskani w wyniku tej akcji przynios¹ bankowi $ zysku brutto (oko³o $ 125 na ka dego klienta), co w efekcie daje $ zwrotu z inwestycji poniesionej na tê akcjê. Dziêki zastosowaniu dr¹ enia danych nast¹pi³a poprawa stopy zwrotu. Chocia dr¹ enie danych nie pozwoli³o precyzyjnie zidentyfikowaæ tych potencjalnych u ytkowników kart kredytowych, to jednak pomog³o skoncentrowaæ wysi³ki marketingowe i uczyniæ je bardziej efektywnymi pod wzglêdem kosztów. W pierwszej kolejnoœci BB&CC wys³a³o testow¹ partiê ofert w iloœci sztuk do potencjalnych klientów i uwa nie przeanalizowa³o wyniki, buduj¹c (przy wykorzystaniu drzew decyzyjnych) model predykcyjny wskazuj¹cy, kto odpowie na ofertê. Zbudowano tak e (stosuj¹c sieci neuronowe) model oceniaj¹cy bezpieczeñstwo kredytowe aplikantów. BB&CC po³¹czy³o nastêpnie obydwa modele, aby wytypowaæ osoby, które reprezentowa³y zarówno odpowiedni poziom bezpieczeñstwa kredytowego, jak i zamierza³y odpowiedzieæ na ofertê. Nastêpnie BB&CC zaaplikowa³o zbudowany model do adresowej bazy wysy³kowej pozosta³ych osób, spoœród których wytypowano jako adresatów oferty. Rezultat? Z wys³anych ofert (w tym ofert wys³anych testowo) BB&CC otrzyma³o wniosków aplikacyjnych od osób ubiegaj¹cych siê o karty kredytowe i reprezentuj¹cych zadowalaj¹cy poziom bezpieczeñstwa kredytowego. Innymi s³owy poziom zwrotu z inwestycji wzrós³ z 1% do 1,2%, co oznacza dwudziestoprocentowy wzrost. Mimo, e wysy³ka przygotowana na podstawie stworzonego modelu dociera do z osób potencjalnie zainteresowanych z³o eniem wniosku o przyznanie karty kredytowej (model idealny nie istnieje), to dotarcie z ofert¹ do pozosta³ego tysi¹ca potencjalnych klientów nie jest op³acalne. W razie wys³ania oferty do pozosta³ych osób z wysy³kowej bazy adresowej w celu dotarcia do pominiêtego tysi¹ca potencjalnych klientów, trzeba by ponieœæ dodatkowy koszt $ co da³oby (zgodnie z wczeœniejszymi wyliczeniami) zysku brutto, czyli w efekcie stratê w wysokoœci $

5 poprzednia wersja nowa wersja ró nica liczba wys³anych ofert koszt wysy³ki iloœæ odpowiedzi zysk brutto uwzglêdniaj¹cy koszty operacyjne, przypadaj¹cy na jedn¹ odpowiedÿ szt szt szt. $ $ $ szt szt szt. $125 $125 $0 Rysunek 1. Tabela podsumowuj¹ca dokonane obliczenia i obrazuj¹ca rezultaty ca³kowity zysk brutto $ $ $ ca³kowity zysk netto $ $ $ koszt poniesiony na przygotowanie modelu zysk netto $0 $ $ $ $ $ Warto zwróciæ uwagê na fakt, e zysk z oferty wzrós³ o $ Nawet uwzglêdniaj¹c wydatek $ na oprogramowanie do dr¹ enia danych, sprzêt komputerowy i pracowników zatrudnionych do przeprowadzenia analiz i modelowania, wzrost zysku jest w dalszym ci¹gu znaczny $ z jednej akcji. Taka kwota przek³ada siê na wspó³czynnik zwrotu z inwestycji (ROI) w dr¹ enie danych rzêdu 200 %, co dalece przekroczy³o oczekiwania BB&CC. zwiêkszanie wartoœci klienta: zwiêkszanie sprzeda y krzy owej dziêki dr¹ eniu danych Cannons & Carnations (C&C) jest firm¹ specjalizuj¹c¹ siê w sprzeda y antycznych dzia³ i moÿdzierzy, s³u ¹cych jako ogrodowe donice do kwiatów. Firma C&C sprzedaje tak e donice kwiatowe do wnêtrz wykonane z wielkokalibrowych antycznych pistoletów oraz posiada w ofercie kolekcjê muszkietów zamienionych na stojaki do kwiatów o d³ugich ³odygach. Firmowy katalog C&C wysy³any jest do oko³o gospodarstw domowych. Jeœli to jest mo liwe, C&C identyfikuje klienta dzwoni¹cego do firmy w celu z³o enia zamówienia u ywaj¹c jego Numeru Klienta. Jeœli identyfikacja rozmówcy poprzez Numer Klienta nie jest mo liwa, przedstawiciel firmy prosi o numer telefonu lub numer z etykiety adresowej katalogu, który klient otrzyma³. Nastêpnie przedstawiciel poszukuje klienta w bazie danych przy pomocy tych numerów i postêpuje dalej zgodnie z procedur¹ przyjmowania zamówieñ. Firma C&C zyskuje w ten sposób doskona³¹ okazjê do zastosowania sprzeda y krzy owej (cross selling) lub sprzedania osobie dzwoni¹cej dodatkowych towarów. W C&C zauwa ono jednak, e jeœli pierwsza sugestia jest nietrafiona i pracownik proponuje kolejn¹ rzecz, klient mo e siê zirytowaæ i zakoñczyæ rozmowê bez zamówienia czegokolwiek. A s¹ wœród zamawiaj¹cych te tacy klienci, którzy nie toleruj¹ jakichkolwiek prób dokonania sprzeda y krzy owej. Przed wdro eniem dr¹ enia danych C&C niechêtnie stosowa³o sprzeda krzy ow¹. Bez odpowiedniego modelu predykcyjnego szanse dokonania w³aœciwej rekomendacji by³y jak jeden do trzech. Ponadto, poniewa próby dokonania rekomendacji by³y ca³kowicie nieakceptowane przez niektórych klientów, 5

6 firma C&C chcia³a byæ zupe³nie pewna, e nie pojawi siê sugestia rekomendacji w przypadkach, gdy pojawiæ siê nie powinna. Podczas próbnej akcji liczba sfinalizowanych transakcji by³a mniejsza ni 1% przy jednoczesnym znacznym poziomie reklamacji. Z tego powodu w C&C niechêtnie odnoszono siê do kontynuowania praktyk sprzeda y krzy owej przy tak ma³ym zysku. Sytuacja zmieni³a siê radykalnie, kiedy w C&C zastosowano dr¹ enie danych. Obecnie stworzony model predykcyjny pracuje na posiadanych przez firmê danych. Wykorzystuj¹c informacje o klientach zawarte w bazie danych oraz te pochodz¹ce z nowo sk³adanego zamówienia, model podpowiada pracownikowi dzia³u obs³ugi klienta, co danemu klientowi mo na zaproponowaæ dodatkowo. Od tego czasu firma C&C sprzeda³a dodatkowe produkty dwóm procentom klientów i to niemal bez adnych reklamacji. Osi¹gniêcie tych mo liwoœci wymaga³o wdro enia procesu podobnego do tego, który mia³ miejsce w przypadku rozwi¹zania problemów z pozyskiwaniem potencjalnych klientów u ytkowników kart kredytowych firmy BB&CC. Tyle e w tym przypadku potrzebne by³y dwa modele. Pierwszy z nich s³u y³ przewidywaniu, czy dana osoba nie bêdzie przeciwna proponowaniu dodatkowego produktu. C&C sprawdzi³o reakcje klientów przeprowadzaj¹c bardzo krótki wywiad telefoniczny. Dla ostro noœci C&C traktowa³o ka dego respondenta odmawiaj¹cego udzia³u w wywiadzie jako osobê, która uzna sugerowanie dodatkowych produktów jako niestosowne i niepo ¹dane zachowanie. Nastêpnie, aby zweryfikowaæ poczynione za³o enie, C&C próbnie dokona³o rekomendacji dodatkowych produktów w odniesieniu do ma³ej, ale statystycznie istotnej próby grupy tych osób, które odmówi³y udzielenia odpowiedzi na pytania zawarte w wywiadzie. Ku zaskoczeniu C&C okaza³o siê, e poczynione za³o enie nie by³o s³uszne pomimo odmowy uczestnictwa w wywiadzie, niektóre z tych osób chêtnie przyjê³y rekomendacjê dodatkowych produktów. To odkrycie pozwoli³o C&C czêœciej proponowaæ dodatkowe produkty i dziêki temu zwiêkszyæ zyski. Drugi model natomiast s³u y³ przewidywaniu, która oferta bêdzie najlepiej przyjêta przez klienta. Wskutek wdro enia modeli analitycznych dr¹ enia danych do wszelkich dzia³añ CRM firmy, C&C uzyska³o wzrost rentownoœci o 2 punkty procentowe. zwiêkszanie wartoœci klienta: personalizacja dziêki dr¹ eniu danych Firma Ubrania Wielkiego Sama przygotowa³a serwis internetowy jako wsparcie dla swojego katalogu. Odwiedzaj¹cego stronê Wielkiego Sama serwis wita wyœwietlaj¹c komunikat: Witaj u nas!. Jednak jeœli odwiedzaj¹cy ju raz dokona zamówienia lub zarejestruje siê na stronie Wielkiego Sama, za ka dym nastêpnym razem witany jest po imieniu. Jeœli odwiedzaj¹cy sk³ada³ ju jakieœ zamówienia, Wielki Sam poinformuje go tak e o wszelkich nowych produktach, które mog³yby go zainteresowaæ. Gdy odwiedzaj¹cy ogl¹da jakiœ produkt, Wielki Sam sugeruje inne produkty, które mog¹ uzupe³niæ ten zakup. Gdy Wielki Sam po raz pierwszy uruchomi³ serwis, nie funkcjonowa³a tam adna metoda personalizacji. Strona by³a po prostu internetow¹ wersj¹ katalogu firmy ³adnie wykonan¹ i wygodn¹ w u yciu, która jednak nie pozwala³a wykorzystywaæ szans sprzeda y, jakie udostêpnia Internet. Zastosowanie dr¹ enia danych w znacz¹cy sposób wp³ynê³o na zwiêkszenie sprzeda y ze stron serwisu Wielkiego Sama. Katalogi czêsto grupuj¹ produkty wed³ug typu, aby u³atwiæ osobie odwiedzaj¹cej serwis wybór okreœlonych produktów. W sklepie internetowym natomiast grupy produktów mog¹ byæ ca³kowicie inne, czêsto tworzone mog¹ byæ doraÿnie, na podstawie analizy dotychczasowych zakupów 6

7 na zasadzie uzupe³niania siê produktów. W szczególnoœci, e serwis bierze pod uwagê nie tylko ten produkt, na który aktualnie klient patrzy, ale uwzglêdnia tak e te produkty, które klient ma ju w koszyku. Zyskuje siê dziêki temu jeszcze lepiej dopasowane rekomendacje. W serwisie Wielkiego Sama w pierwszej kolejnoœci wykorzystano analizê skupieñ, by stwierdziæ, które produkty grupuj¹ siê ze sob¹ w sposób naturalny. Niektóre grupy, takie jak koszule i spodnie by³y oczywiste. Inne, takie jak ksi¹ ki o wêdrówkach przez pustynie i zestawy przeciw uk¹szeniom wê y by³y niespodziank¹. Firma wykorzysta³a tê wiedzê do rekomendowania produktów za ka dym razem, gdy klient ogl¹da³ jakiœ produkt. Nastêpnie firma Ubrania Wielkiego Sama zbudowa³a profile klientów, aby lepiej identyfikowaæ osoby, które bêd¹ zainteresowane nowymi, czêsto dodawanymi do katalogu produktami. Okaza³o siê, e kierowanie ludzi do tych wybranych produktów skutkowa³o nie tylko znacz¹cym wzrostem sprzeda y, ale tak e wp³ywa³o na wzmocnienie wiêzi z klientami. Przeprowadzone badania wykaza³y, e firma Ubrania Wielkiego Sama jest postrzegana jako zaufany doradca w dziedzinie ubrañ i ekwipunku. Aby jeszcze bardziej powiêkszyæ zasiêg, firma Ubrania Wielkiego Sama wdro y³a program, dziêki któremu klienci mog¹ zdecydowaæ siê na otrzymywanie poczt¹ elektroniczn¹ informacji o wprowadzanych nowych produktach, które model analityczny dr¹ enia danych wska e jako potencjalnie interesuj¹ce dla nich. Klienci odebrali to jako kolejne aktywne dzia³anie w ramach polepszenia obs³ugi klienta, a firma odnotowa³a dziêki temu programowi zwiêkszenie zysków. Wysi³ek nakierowany na personalizacjê okaza³ siê dla firmy Ubrania Wielkiego Sama op³acalny. Dziêki temu osi¹gnê³a ona osi¹gnê³a znacz¹cy wzrost liczby kolejnych zakupów, œredniej liczby zakupów przypadaj¹cej na jednego klienta oraz wzrost œredniej wartoœci pojedynczej sprzeda y. zatrzymywanie dobrych klientów dziêki wykorzystaniu dr¹ enia danych W przypadku prawie ka dej firmy koszt pozyskania nowego klienta przewy sza koszty utrzymania dobrego obecnego klienta. Z tym problemem zwi¹zane te by³o wyzwanie, z którym przysz³o siê zmierzyæ firmie KnowService, dostawcy us³ug internetowych (ISP). Normalny dla tej bran y poziom utraty klientów wynosi 8% miesiêcznie. Poniewa KnowService obs³uguje klientów, oznacza to, e miesiêcznie odchodzi z nich. Koszt, jaki firma musi ponieœæ na zast¹pienie ich nowymi u ytkownikami, wynosi $200 na ka dego klienta, co daje ³¹czn¹ kwotê $ miesiêcznie. Stanowi³o to solidny bodziec do wdro enia programu zarz¹dzania i zapobiegania odchodzeniu klientów. Pierwsz¹ rzecz¹, jak¹ firma KnowService musia³a zrobiæ, by³o przygotowanie danych maj¹cych pos³u yæ przewidywaniu, którzy z klientów najprawdopodobniej odejd¹. KnowService musia³a wybraæ ze swojej bazy danych klientów odpowiednie zmienne i (czêsto) dokonaæ ich transformacji. Wiêkszoœæ klientów KnowService ³¹czy poprzez liniê telefonicznej (w odró nieniu od klientów korzystaj¹cych z ³¹czy sta³ych przez linie T1 lub DSL), dziêki czemu KnowService posiada informacjê, jak d³ugo dany u ytkownik by³ pod³¹czony do sieci. KnowService zna tak e iloœæ danych, jaka zosta³a pobrana i wys³ana przez danego klienta, iloœæ kont poczty elektronicznej posiadanych przez klienta, iloœæ wiadomoœci e mail wys³anych i odebranych, jak równie ma pe³n¹ informacjê o historii us³ug, z jakich klient korzysta³. KnowService posiada historiê p³atnoœci dokonanych przez klienta. Dodatkowo dysponuje danymi demograficznymi, podawanymi przez klienta w momencie rejestracji i podpisywania umowy o œwiadczenie us³ug. Nastêpnym zadaniem KnowService by³o zidentyfikowanie wartoœciowych klientów. By³a to kwestia 7

8 definicji biznesowej (taka sama, jak zyskownoœæ czy wartoœæ w czasie LTV) i odpowiedniej kalkulacji, a nie dr¹ enia danych. KnowService zbudowa³a model dokonuj¹cy profilowania klientów przynosz¹cych zyski oraz klientów, którzy ich nie przynosz¹. Model ten wykorzystano nie tylko w programie zatrzymywania klientów, ale tak e do identyfikacji klientów, którzy wprawdzie jeszcze nie s¹ zyskowni, ale rokuj¹ nadziejê na zyski w przysz³oœci. Nastêpnie firma KnowService zbudowa³a model pozwalaj¹cy przewidzieæ, którzy z jej klientów generuj¹cych zyski mog¹ odejœæ do konkurencji. Podobnie jak w wiêkszoœci zagadnieñ analitycznych dr¹ enia danych, tak i tu okreœlenie, których danych u yæ i jak dane te powi¹zaæ ze sob¹, by³o najistotniejsz¹ czêœci¹ budowy modelu. Dla przyk³adu KnowService chcia³a przyjrzeæ siê szeregom czasowym, takim jak miesiêczne charakterystyki korzystania z Internetu. Zamiast u ywaæ surowych danych o zmiennoœci w czasie, wyg³adzono dane za pomoc¹ trzymiesiêcznej œredniej ruchomej. Jednoczeœnie obliczono zmiany nastêpuj¹ce w trzymiesiêcznych œrednich i spróbowano wykorzystaæ je jako predyktor. Niektóre z czynników, które by³y dobrymi predyktorami, jak np. zmniejszaj¹ce siê korzystanie z us³ug, by³y raczej objawami ni przyczynami, które mo na by wi¹zaæ bezpoœrednio ze zjawiskiem odchodzenia do konkurencji. Inne predyktory, takie jak przeciêtna liczba rozmów telefonicznych z serwisem i zmiana œredniej liczby takich rozmów by³y wskaÿnikami problemów z satysfakcj¹ klienta, wartymi bli szego rozpoznania. Okreœlenie, którzy z klientów z najwiêkszym prawdopodobieñstwem odejd¹ do konkurencji, nie rozwi¹zywa³o jednak problemu. Opieraj¹c siê na wynikach modelowania KnowService zidentyfikowa³a programy i oferty, które, jak s¹dzono, powinny sk³oniæ klientów do pozostania. Na przyk³ad czas trwania po³¹czeñ niektórych klientów najbardziej sk³onnych do odejœcia do konkurencji by³ d³u szy ni przewidziana za zrycza³towan¹ op³atê liczba minut nawet w najwy szym planie taryfowym. Wskutek tego klienci ci zmuszeni byli p³aciæ bardzo wysokie op³aty dodatkowe za u ytkowanie. KnowService zaproponowa³a tym u ytkownikom nowy jeszcze dro szy plan taryfowy zawieraj¹cy znacznie wiêkszy limit czasu po³¹czeñ. Niektórym u ytkownikom zaoferowano wiêcej przestrzeni na w³asne strony WWW na serwerach. Nastêpnie KnowService zbudowa³a modele przewiduj¹ce, które oferty bêd¹ najbardziej efektywne dla poszczególnych u ytkowników. Podsumowuj¹c, projekt maj¹cy na celu zapobieganie i powstrzymywanie odchodzenia dobrych klientów do konkurencji wykorzystywa³ trzy modele. Pierwszy z nich identyfikowa³ tych spoœród klientów, którzy stwarzali zagro enie odejœcia, drugi wyszukiwa³ w tej grupie dobrych, generuj¹cych zyski klientów, których warto by³o zatrzymaæ, a których okreœlono jako zagro onych odejœciem, trzeci natomiast kojarzy³ potencjalnych odchodz¹cych klientów z ofert¹ najlepiej dopasowan¹ do ich potrzeb i sposobu korzystania z us³ug KnowService. Koñcowym efektem wdro enia tego projektu by³o zredukowanie odchodzenia klientów z 8% do 7,5%, co pozwoli³o KnowService zaoszczêdziæ $ miesiêcznie na samych tylko kosztach pozyskiwania nowych klientów. Inwestycja firmy KnowService w projekt analityczny dr¹ enia danych zwróci³a siê poprawiono relacje z klientami i w znacz¹cy sposób poprawiono zyskownoœæ. 8

9 zastosowanie dr¹ enia danych w zarz¹dzaniu relacjami z klientami (CRM) Aby zbudowaæ dobre modele opisuj¹ce zachowania klientów dla w³asnego systemu CRM, nale y najpierw wykonaæ szereg kroków przygotowuj¹cych. Opisany poni ej model procesu dr¹ enia danych firmy Two Crows jest podobny do innych metodologii dr¹ enia danych, takich jak CRISP DM (Cross Industry Standard Process for Data Mining) i ró ni siê g³ównie sposobem roz³o enia nacisków na poszczególne etapy realizacji procesu. Trzeba te wzi¹æ pod uwagê, e chocia poszczególne kroki zapisane s¹ w postaci listy, to proces dr¹ enia danych nie przebiega sekwencyjnie podczas jego realizacji niew¹tpliwie trzeba bêdzie wracaæ do wczeœniej ju zrealizowanych kroków. Dla przyk³adu to, co zostanie okreœlone na etapie trzecim eksploracji danych mo e spowodowaæ koniecznoœæ uzupe³nienia bazy danych i dodania do niej nowych pozycji, czyli powtórne przejœcie kroku drugiego. Pierwsze zbudowane modele analityczne mog¹ natomiast dostarczyæ przes³anek do utworzenia nowych zmiennych. Podstawowe kroki w procesie dr¹ enia danych dla celów wydajnego systemu CRM to: 1. okreœlenie celów biznesowych (zdefiniowanie pytañ); 2. budowa marketingowej bazy danych; 3. eksploracja danych; 4. przygotowanie danych do modelowania; 5. budowa modelu; 6. ewaluacja (doskonalenie) modelu; 7. rozpowszechnienie modelu i rezultatów analiz. Przejdziemy teraz przez poszczególne etapy, aby lepiej zrozumieæ ten proces. 1. definiowanie problemu biznesowego Ka da aplikacja CRM posiada jeden lub wiêcej celów biznesowych, dla których nale y zbudowaæ odpowiedni model. Zale nie od konkretnego celu, takiego jak np. zwiêkszenie odsetka odpowiedzi na dzia³ania marketingowe lub zwiêkszenie zysków w wyniku dzia³añ marketingowych, budowane s¹ ró ne modele. W³aœciwe zdefiniowanie problemu obejmuje tak e sposób pomiaru rezultatów budowanego projektu CRM. 2. budowa marketingowej bazy danych Kroki od drugiego do czwartego stanowi¹ trzon przygotowania danych. Wspólnie poch³aniaj¹ one wiêcej czasu i wysi³ku ni wszystkie inne kroki razem wziête. W tej fazie mog¹ powtarzaæ siê etapy przygotowania danych i budowania modelu. Jest to konsekwencj¹ wyci¹gniêcia na podstawie tworzonego modelu wniosków dotycz¹cych koniecznoœci dokonania zmian w danych. Kroki zwi¹zane z przygotowaniem danych mog¹ poch³on¹æ od 50 do nawet 90% czasu i wysi³ku w³o onego w ca³y projekt analityczny dr¹ enia danych. Zbudowanie marketingowej bazy danych bêdzie konieczne, poniewa posiadane operacyjne bazy 9

10 danych i korporacyjne hurtownie danych czêsto nie zawieraj¹ potrzebnych danych w po ¹danej formie. Co wiêcej, aplikacje CRM mog¹ kolidowaæ z szybkoœci¹ i efektywnoœci¹ tych systemów. Gdy marketingowa baza danych bêdzie ju gotowa, trzeba bêdzie j¹ oczyœciæ poniewa aby otrzymaæ dobre modele, trzeba posiadaæ dobrze przygotowane i oczyszczone dane. Potrzebne dane mog¹ pochodziæ z ró nych Ÿróde³, takich jak baza klientów, baza produktów, baza transakcji. Oznacza to, e nale y zebraæ i po³¹czyæ rozproszone dane w jedn¹ marketingow¹ bazê danych oraz rozwi¹zaæ problemy wynikaj¹ce z ró nych definicji danych pochodz¹cych z ró nych Ÿróde³. Niew³aœciwie uzgodnione dane s¹ g³ównym Ÿród³em problemów z jakoœci¹ wyników analiz. Zwykle istniej¹ du e ró nice w sposobie definiowania i wykorzystywania danych w obrêbie ró nych baz. Niektóre niezgodnoœci mog¹ byæ ³atwe do odkrycia, jak np. ró ne adresy tych samych klientów. Niemniej jednak problemy s¹ zazwyczaj o wiele bardziej subtelne. Na przyk³ad polegaæ mog¹ na tym, e ten sam klient mo e mieæ ró ne imiona lub, co gorsze, ró ne numery identyfikacyjne klienta. 3. eksploracja danych Zanim zostanie zbudowany dobry model predykcyjny, nale y zrozumieæ dane. Dobrze jest rozpocz¹æ od zapoznania siê z szeregiem ró nych podsumowañ danych (zawieraj¹cych statystyki opisowe takie jak œrednia, odchylenie standardowe itd.) i przyjrzenia siê ich rozk³adowi. Mo na te utworzyæ tabele krzy owe dla danych wielowymiarowych. Narzêdzia graficzne do wizualizacji danych stanowi¹ istotn¹ pomoc w przygotowaniu danych, a ich znaczenie dla efektywnoœci analizy danych trudno jest przeceniæ. Wizualizacja danych prowadzi zazwyczaj do nag³ych odkryæ, daj¹cych nowe spojrzenie umo liwiaj¹ce odniesienie sukcesu. Powszechnymi, a jednoczeœnie bardzo u ytecznymi sposobami graficznej prezentacji danych s¹ histogramy i wykresy skrzynkowe przedstawiaj¹ce rozk³ad wartoœci danych. Mo na tak e wykorzystaæ dwu- lub trójwymiarowe wykresy rozrzutu ró nych zestawów zmiennych. Mo liwoœæ do³o enia kolejnej, nak³adanej zmiennej znacznie podnosi u ytecznoœæ niektórych rodzajów wykresów. 4. przygotowanie danych do modelowania Jest to ostatni krok w procesie przygotowania danych przed rozpoczêciem budowy modeli i etap, na którym anga uje siê znaczn¹ czêœæ wiedzy i sztuki. Etap ten sk³ada siê z czterech g³ównych czêœci: 10 Najpierw nale y dokonaæ wyboru tych zmiennych, które zostan¹ u yte do budowy modelu. By³oby idealnie, gdyby mo na by³o wykorzystaæ wszystkie dostêpne zmienne, zaaplikowaæ je do narzêdzia do dr¹ enia danych i pozwoliæ programowi znaleÿæ te spoœród zmiennych, które oka ¹ siê byæ najlepszymi predyktorami. W praktyce jest to jednak bardzo skomplikowane. Po pierwsze dlatego, e czas potrzebny do zbudowania modelu wzrasta wraz z liczb¹ zmiennych. Po drugie poniewa dodawanie dodatkowych zmiennych na œlepo mo e prowadziæ do uzyskania modeli o ni szej, zamiast wy szej mocy predykcyjnej. W nastêpnym kroku nale y przygotowaæ nowe predyktory poprzez przekszta³cenie surowych danych. Dla przyk³adu przewidywanie ryzyka kredytowego z wykorzystaniem ilorazu zad³u enia i przychodów jako predyktora mo e daæ lepsze i ³atwiejsze do zrozumienia rezultaty, ni u ycie zad³u enia i przychodów jako dwóch oddzielnych predyktorów. Nastêpnie mo na zadecydowaæ o wyborze podzbioru lub próby danych, w oparciu o które

11 zbudowane zostan¹ modele. Jeœli iloœæ posiadanych danych jest znaczna, wykorzystanie ich w ca³oœci mo e trwaæ bardzo d³ugo lub poci¹gn¹æ za sob¹ koniecznoœæ zakupu bardziej wydajnego komputera ni przewidywano. Praca na w³aœciwie dobranej losowej próbie w przypadku wiêkszoœci zagadnieñ z zakresu CRM nie powoduje utraty informacji. Je eli musimy wybieraæ pomiêdzy budowaniem i testowaniem tylko kilku modeli w oparciu o wszystkie posiadane dane a budowaniem i testowaniem wiêkszej liczby modeli w oparciu o wyselekcjonowane próby, drugie z tych podejœæ zwykle pozwala uzyskaæ dok³adniejsze i stabilniejsze modele analizowanego zagadnienia. W ostatnim kroku nale y dostosowaæ zmienne zgodnie z potrzebami algorytmu, który wybrano do budowy modelu. 5. budowa modelu dr¹ enia danych Najistotniejsz¹ rzecz¹, o której nale y pamiêtaæ przy budowie modelu, jest fakt, e jest to proces iteracyjny. Trzeba bêdzie przetestowaæ szereg alternatywnych modeli, aby znaleÿæ ten, który oka e siê najbardziej u yteczny w osi¹gniêciu za³o onego celu biznesowego. To, czego mo na dowiedzieæ siê poszukuj¹c najlepszego modelu, mo e zasugerowaæ powrót do wczeœniejszych kroków i dokonanie zmian w danych, które u yte zosta³y do budowy modeli lub nawet przedefiniowanie celów biznesowych. Wiêkszoœæ aplikacji CRM oparta jest na protokole nazywanym nadzorowanym nauczaniem. Rozpoczyna siê od informacji o kliencie, dla której po ¹dany rezultat jest ju znany. Mog¹ np. istnieæ historyczne dane z ostatniej akcji wysy³kowej, która jest bardzo podobna do aktualnie przygotowywanej. Mo na równie przeprowadziæ próbn¹ wysy³kê listów w celu okreœlenia reakcji adresatów. Dane te dzieli siê nastêpnie na dwie grupy. Pierwszej u ywa siê do budowania i oceny modelu. Nastêpnie testuje siê go na danych z drugiej grupy. Model jest gotowy, gdy cykl nauki i testowania jest zakoñczony. 6. ocena otrzymanych wyników Prawdopodobnie najbardziej przecenian¹ miar¹ oceny otrzymanych wyników jest ich dok³adnoœæ. WeŸmy dla przyk³adu ofertê, na któr¹ odpowiedzia³ tylko 1% adresatów. Model, który przewidzia³, e nikt na ofertê nie odpowie jest modelem skutecznym w 99%, ale jednoczeœnie w 100% bezu ytecznym. Inn¹ czêsto wykorzystywan¹ miar¹ jest dÿwignia. DŸwignia mierzy poprawê osi¹gniêt¹ dziêki zastosowaniu modelu predykcyjnego. Nie bierze jednak pod uwagê kosztów i przychodów, dlatego czêsto zamiast dÿwigni analizuje siê zysk lub ROI. Zale nie od tego, czy maksymalizujemy dÿwigniê, zysk czy ROI, lista adresatów akcji mailingowej obejmuje inny procent klientów. 7. integracja dr¹ enia danych z rozwi¹zaniami CRM Podczas budowy aplikacji CRM czêsto okazuje siê, e dr¹ enie danych stanowi ma³¹, a jednoczeœnie krytyczn¹ czêœæ finalnego produktu. Dla przyk³adu wzorce predykcyjne uzyskane w wyniku dr¹ enia danych w po³¹czeniu z wiedz¹ bran ow¹ ekspertów mog¹ zostaæ w³¹czone do wiêkszych systemów i byæ wykorzystywane przez pracowników z wielu ró nych dzia³ów. To, w jaki sposób dr¹ enie danych zostaje wykorzystane w rozwi¹zaniach CRM, okreœlone jest przez 11

12 charakter relacji zachodz¹cych z klientami. Zasadniczo istniej¹ dwie g³ówne drogi tych kontaktów: przychodz¹ce, gdy to klient jest inicjatorem kontaktu oraz wychodz¹ce, gdy to firma kontaktuje siê z klientami. W ka dym z powy szych przypadków wymagania w stosunku do systemu s¹ ca³kowicie inne. Kontakty wychodz¹ce definiowane s¹ przez firmê, która inicjuje kontakt mo e to byæ na przyk³ad kampania przesy³ek bezpoœrednich. W takim przypadku firma musi, wykorzystuj¹c zbudowany model predykcyjny, wyselekcjonowaæ z bazy danych klientów firmy osoby, do których akcja zostanie skierowana. Innym rodzajem kampanii wychodz¹cej jest kampania reklamowa. W tym przypadku staramy siê dopasowaæ profile dobrych klientów wskazanych przez model predykcyjny do profilu osób, do których reklama mo e dotrzeæ. Dla kontaktów przychodz¹cych, takich jak zamówienie telefoniczne, zamówienie przez Internet czy telefon od klienta w sprawie serwisu, reakcja systemu musi nastêpowaæ b³yskawicznie. To w³aœnie z tego powodu model predykcyjny musi byæ osadzony w aplikacji CRM, aby aktywnie, w czasie rzeczywistym podpowiadaæ najbardziej odpowiednie dzia³anie. W obu przypadkach wystêpuje jeden kluczowy element, którym nale y siê zaj¹æ podczas wykorzystywania modelu predykcyjnego do analizy nowych danych przekszta³cenie danych odpowiednie dla danego modelu. Tak wiêc, jeœli dane wejœciowe (niezale nie od tego, czy pochodz¹ z bazy danych, czy s¹ to dane transakcyjne) nios¹ informacjê o wieku, dochodach, p³ci i wielkoœci gospodarstwa domowego, a model wymaga podania dochodu na jedn¹ osobê w gospodarstwie oraz p³ci w postaci dwóch zmiennych zerojedynkowych nale y odpowiednio przekszta³ciæ posiadane dane wejœciowe. atwoœæ, z jak¹ mo na zaimplementowaæ do systemu te przekszta³cenia, jest jednym z najistotniejszych czynników determinuj¹cych wydajnoœæ dzia³ania w momencie, gdy potrzebujemy szybko wdro yæ wiele modeli. wnioski Zarz¹dzanie relacjami z klientami (CRM) ma zasadnicze znaczenie dla skutecznego konkurowania w dzisiejszych warunkach rynkowych. Im bardziej efektywnie mo na wykorzystaæ posiadane informacje na temat klientów w celu spe³niania ich oczekiwañ, tym wiêkszy dochód jest siê w stanie wygenerowaæ. (Niniejsze opracowanie nie wskazuje sposobu zaspokajania potrzeb klientów. Sk³ania tylko do zastanowienia siê, czy znane s¹ odpowiedzi na pytania: Jakie s¹ ich potrzeby? Czy ich o to pytaliœmy? Czy po prostu oferujemy produkty bazuj¹c na ich zachowaniach w przesz³oœci?). Operacyjne systemy CRM potrzebuj¹ czêœci analitycznej ze szczególnym uwzglêdnieniem modeli predykcyjnych uzyskanych poprzez dr¹ enie danych. Droga do sukcesu w biznesie wymaga zrozumienia klientów, ich potrzeb i oczekiwañ, a dr¹ enie danych jest na tej drodze precyzyjnym przewodnikiem. 12

13 za³¹cznik: technologia dr¹ enia danych drzewa decyzyjne Drzewa decyzyjne to technika pozwalaj¹ca okreœliæ przynale noœæ klienta do okreœlonej grupy lub przypisaæ mu okreœlon¹ wartoœæ za pomoc¹ serii regu³. Znajduje zastosowanie np. wtedy, gdy chcemy wiedzieæ, komu zaproponowaæ okreœlony produkt. Prezentacja wyników w postaci drzewa decyzyjnego ilustruje jednoczeœnie wszystkie segmenty i opisuje zasady przydzielania do nich klientów. proste drzewa klasyfikacyjne Pierwszym elementem drzewa jest jego korzeñ, czyli drzewo przed podzia³em na segmenty. Jego baz¹ jest cecha bêd¹ca podstaw¹ prowadzonych analiz. Ka da z ga³êzi prowadzi do kolejnych segmentów, które z kolei mog¹ byæ podzielone g³êbiej, a do uzyskania segmentów ostatecznych, nie podlegaj¹cych dalszemu podzia³owi. Poruszaj¹c siê po drzewie decyzyjnym od korzenia poprzez jego ga³êzie mo na przypisywaæ wartoœci klientom lub przewidywaæ ich przynale noœæ do danej klasy, a do osi¹gniêcia w efekcie ostatecznych segmentów. Dane wpadaj¹ce do ka dego segmentu wykorzystywane s¹ do pog³êbienia segmentacji. Modele wykorzystuj¹ce drzewa decyzyjne s¹ powszechnie u ywane w dr¹ eniu danych do eksploracji oraz indukowania drzew i ich regu³, które póÿniej wykorzystywane s¹ do predykcji. Do budowania drzew decyzyjnych mo na wykorzystaæ wiele ró nych algorytmów, takich jak CHAID, CART, Quest i C5.0. sieci neuronowe Sieci neuronowe s¹ szczególnie interesuj¹ce ze wzglêdu na oferowane przez nie sposoby wydajnego modelowania du ych i z³o onych zadañ mog¹cych zawieraæ setki predyktorów, z olbrzymi¹ liczb¹ interakcji. (Prawdziwe, biologiczne sieci neuronowe s¹ nieporównywalnie bardziej z³o one). Sieci neuronowe najczêœciej wykorzystywane s¹ w predykcji, ale mog¹ te byæ wykorzystywane w klasyfikacji. Sieæ neuronowa rozpoczyna siê od warstwy wejœciowej, gdzie ka dy neuron reprezentuje jeden predyktor. Wêz³y wejœciowe po³¹czone s¹ z licznymi neuronami z warstwy ukrytej. Ka dy z neuronów wejœciowych po³¹czony jest ze wszystkimi neuronami warstwy ukrytej. Neurony warstwy ukrytej z kolei mog¹ byæ po³¹czone z neuronami innej warstwy ukrytej lub z neuronami warstwy wyjœciowej. Warstwa wyjœciowa reprezentuje jedn¹ lub wiêcej zmiennych wynikowych. sieci neuronowe z pojedyncz¹ warstw¹ ukryt¹ Po przejœciu warstwy wejœciowej ka dy neuron pobiera zestaw danych wejœciowych, multiplikuje je przez wagê danego po³¹czenia, dodaje, stosuje funkcjê (zwan¹ funkcj¹ aktywacyjn¹) i przekazuje efekt tych przekszta³ceñ do neuronu (lub neuronów) w nastêpnej warstwie. Na przyk³ad neuron prezentowany poni ej posiada piêæ wejœæ (od 1 do 5), z których ka de jest zwielokrotnione przez wagê, a nastêpnie zsumowane i daj¹ce w rezultacie sumê I: I= = =0.3 Efektem przekszta³ceñ jest suma, która zosta³a zmieniona przez nieliniow¹ funkcjê aktywacyjn¹, w tym przypadku do wartoœci Celem uczenia sieci neuronowych jest oszacowanie wag po³¹czeñ w taki sposób, aby wynik podawany

14 przez sieæ neuronow¹ dok³adnie i trafnie prognozowa³ testow¹ wartoœæ dla zadanego wejœciowego zestawu wartoœci. Najpopularniejsz¹ z metod uczenia jest wsteczna propagacja. Ka da metoda uczenia posiada zestaw parametrów kontroluj¹cych ró ne aspekty procesu uczenia, takie jak unikanie chwilowych optimów czy dostosowywanie szybkoœci konwersji. Sieci neuronowe ró ni¹ siê znacznie filozofi¹ od wielu technik statystycznych. Po pierwsze sieci neuronowe posiadaj¹ zazwyczaj wiêcej parametrów ni przeciêtny model statystyczny. Na przyk³ad sieæ neuronowa posiadaj¹ca 100 wejœæ i 50 ukrytych wêz³ów bêdzie mia³a ponad parametrów. Ze wzglêdu na ich du ¹ liczbê i poniewa tak wielka liczba kombinacji parametrów daje w wyniku podobne prognozy, parametry staj¹ siê nieinterpretowalne i sieæ zaczyna funkcjonowaæ na zasadzie predykcyjnej czarnej skrzynki. Mimo to jest to akceptowalne w aplikacjach CRM. Bank mo e przyporz¹dkowaæ prawdopodobieñstwo bankructwa do danego konta i nie musi zwracaæ uwagi na przyczyny zaistnienia tego faktu. Jednym z mitów na temat sieci neuronowych jest twierdzenie, e mo na w nich u yæ danych dowolnej jakoœci i uzyskaæ wartoœciowe prognozy, a sieæ przesieje dane i odnajdzie w nich istotne prawid³owoœci. Natomiast prawda jest taka, e sieci neuronowe wymagaj¹ naprawdê du o przygotowañ danych, tak du o, jak adna inna metoda. Najbardziej udane wdro enia sieci neuronowych (lub drzew decyzyjnych, regresji logistycznej czy jakiejkolwiek innej metody) wymagaj¹ bardzo uwa nego czyszczenia, selekcji, przygotowania danych. Na przyk³ad sieci neuronowe wymagaj¹, aby wszystkie zmienne by³y zmiennymi numerycznymi. Dlatego dane okreœlaj¹ce kategorie, takie jak województwo, s¹ zwykle przekszta³cane w zestawy zmiennych dychotomicznych (np. Ma³opolskie, Kujawsko Pomorskie ), gdzie ka dej zmiennej przypisana zostaje wartoœæ 1 (tak) lub 0 (nie). Wzrost liczby zmiennych, który otrzymuje siê w rezultacie, nazywany jest eksplozj¹ kategorii. techniki grupowania Grupowanie dzieli bazê danych na wiele ró nych grup. Celem grupowania jest odnalezienie grup, które ró ni¹ siê od siebie, a których cz³onkowie s¹ do siebie wzajemnie podobni. W odró nieniu od klasyfikacji, nie wiadomo z góry, jakie grupy zostan¹ wyodrêbnione, jak równie jaki bêdzie wp³yw poszczególnych atrybutów na grupowanie. Wskutek tego wyniki powsta³e grupy musz¹ zostaæ zinterpretowane przez osobê posiadaj¹c¹ wiedzê na temat danej bran y. Po wyodrêbnieniu grup, które w rozs¹dny sposób segmentuj¹ bazê danych, mo na ich u yæ do klasyfikowania nowych danych. Niektóre z algorytmów powszechnie u ywanych do grupowania to sieci Kohonena i analiza skupieñ metod¹ K-œrednich. Nie nale y myliæ grupowania z segmentacj¹. Segmentacja odnosi siê do ogólnego problemu identyfikacji grup posiadaj¹cych wspólne charakterystyki. Grupowanie stanowi drogê do segmentowania danych na niezdefiniowane wczeœniej grupy, podczas gdy klasyfikacja do segmentowania danych poprzez przypisywanie ich do grup, które zosta³y wczeœniej zdefiniowane. 14

15 SPSS dostarcza rozwi¹zañ umo liwiaj¹cych firmom odkrywanie potrzeb i przewidywanie przysz³ych zachowañ ich klientów. Firma dostarcza rozwi¹zañ z zakresu zarz¹dzania relacjami z klientem (CRM) i business intelligence, które umo liwiaj¹ u ytkownikom systemów SPSS bardziej dochodow¹ wspó³pracê z ich klientami. Rozwi¹zania SPSS pozwalaj¹ scalaæ i analizowaæ dane marketingowe, dane o klientach i dane operacyjne w obrêbie najwa niejszych bran na ca³ym œwiecie miêdzy innymi w telekomunikacji, ochronie zdrowia, bankowoœci, finansach, ubezpieczeniach, produkcji, handlu, badaniach rynku, administracji, edukacji i sektorze publicznym. Poza central¹ w Chicago (USA), SPSS posiada na ca³ym œwiecie ponad 40 biur. Ponadto zapewniamy pe³n¹ informacjê o produktach SPSS, prowadzimy kursy i szkolenia z zakresu analizy danych oraz obs³ugi i zastosowañ programów SPSS. U ytkownikom SPSS zapewniamy serwis i pomoc techniczn¹. Wiêcej informacji znajduje siê na stronach SPSS Polska Sp. z o.o. ul. Królewska Kraków tel./faks tel./faks tel./faks e mail: info@ spss.pl