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