2. Строим корпоративное хранилище
Интеграция разрозненных данных из разных систем (модулей, приложений)
Выработка единого, логически не противоречивого взгляда на корпоративные
данные
Поддержка корректной хронологии данных
Корпоративное хранилище является единым источником всей
информации, существенной с точки зрения управления бизнесом
Корпоративное хранилище – основа для
получения результата, но не сам результат!
3. Анализируем данные
•Query/Reporting – используют все
•Multidimensional Analysis – используют некоторые
•Data Mining – почти не используется
4. Методы анализа данных
• Формирование запроса, получение данных, проведение расчетов,
подготовка отчета, предоставление отчета
Query/Reporting • Analyst driven
• Отчет о прибылях и убытках, баланс, достаточность капитала,
ликвидность
• Структурирование данных для целей быстрого ответа на «Типичные
вопросы», выделение измерений и фактов которые разложены по
данным измерениям. Иерархическая организация измерений,
Multidimensional возможности drill down и roll up
analysis • Business user driven, возможность быстрого получения ответов
• Прибыльность бизнеса в разрезе продуктов, сегментов клиентов,
точек продаж, каналов обслуживания, менеджеров
• Использование специальных алгоритмов, которые анализируют
данные. Обнаружение шаблонов (patterns), формирование правил,
построение моделей на основе правил
Data Mining • Data driven, ответы на вопросы, которые могут и не задаваться в
явном виде.
• Построение скоринговых моделей и моделей внутренних кредитных
рейтингов, маркетинговые модели
6. Углубленная клиентская аналитика
• Понимать кто твой клиент и что он хочет?
• Что нужно улучшить и что предлагать конкретному клиенту?
• Как увеличить продажи и снизить отток клиентов?
• Как тратить меньше маркетинговых ресурсов и фондов?
• В каком направлении развивать бизнес и сфокусировать силы?
Решения для углубленной аналитики (Predictive Analytics/Data Mining)
поддерживают идентификацию значимых шаблонов (patterns) и корреляций
между переменными в комплексном, структурированном или не
структурированном, историческом наборе данных, для целей предсказания
будущих событий и оценки привлекательности разных вариантов развития
событий.
Другими словами – учась на событиях прошлого мы получаем возможность
принимать лучшие и более обоснованные решения в будущем
Инструменты PA/DM являются органичным дополнениям к инвестициям в
такие аналитические инструменты, как BI, DWH, ETL и т.д.
7. BI vs PA/DM
• BI • PA/DM
Сколько клиентов купили Чтобы клиенты хотели бы купить?
Что можно улучшить?
продукт Х в прошлом году?
Какие клиенты скорее всего уйдут к
Каков текущий месячный конкурентам? Что можно сделать
чтобы сохранить их?
отток клиентов?
Какие клиенты будут самыми
Кто наиболее ценные прибыльными? Как я могу повлиять
на них покупать больше?
клиенты?
На каких рынках и регионах нужно
Каков профиль типичного сфокусироваться чтобы привлечь
нового клиента? наиболее выгодных клиентов?
8. Основные модели PA/DM
• Предсказание того, кто из клиентов с наибольшей вероятностью
Response откликнется на предложение продукта/сервиса и какой канал
связи с клиентом является оптимальным
Risk • Расчет вероятности дефолта по кредитным продуктам банка
• Выявление клиентов, склонных к миграции между банками,
Attrition предотвращение снижения использования продуктов и сервисов
банка
• Расчет вероятности того, что существующий клиент купит новый
Cross sell & up sell продукт или расширит использование существующего
продукта/сервиса
• Предсказание общей прибыльности продукта на определенном
Net present value временном отрезке, приведенное к текущей стоимости
• Предсказание общей прибыльности клиента на определенном
Lifetime value временном отрезке, приведенное к текущей стоимости
9. Опасность!
Danger!
Огромное количество «коробочных» продуктов и
простота с которой они позволяют манипулировать
данными с помощью развитого графического
интерфейса, в условиях когда алгоритмы
представляют собой «черный ящик», делают их
неправильное использование опасным!
10. Основные опасности на пути PA/DM
• Найденные шаблоны в данных не
Выводы, основанные представляют никакого правила
на событиях в • Выборка данных для модели не является
репрезентативной
прошлом являются • Исторические данные не содержат
ошибочными требуемой детализации
• Нахождение общеизвестных истин
Выводы, основанные • Знания не могут быть применены из-за
на событиях в существующих ограничений, например,
законодательных
прошлом, верны но
– бесполезны
11. CRISP-DM
CRISP-DM – Cross Industry Standards Process for Data Mining – стандартный процесс
применения Data Mining в рамках общей стратегии решения проблем, стоящих
перед бизнесом.
12. Этапы CRISP-DM
•Формулировка бизнес проблемы
Понимание бизнеса •Трансляция бизнес проблемы в проблему Data Mining
•Утверждение стратегии решения бизнес проблемы
•Сбор данных
Понимание данных •Понимание природы данных
•Оценка качества данных
•Формирование выборки данных
Подготовка данных •Определение анализируемых переменных
•Очистка «сырых» данных
•Выбор методики моделирования
Разработка модели •Калибровка модели
•Приведение выборки данных к требованиям конкретной методики
•Оценка качества и эффективности модели
Оценка модели •Проверка достижения поставленных целей
•Вывод о применимости полученных результатов
•Использование созданной модели
Применение модели
13. Клиентская аналитика
Решения класса PA/DM (Predictive Analytics/Data Mining) дают
возможность получить ясную картину клиентской базы для целей
Знания предсказания поведения клиентов в будущем.
- Понять/
Предсказать
Инструменты PA/DM позволяют: “техники предиктивного
• Понимать
Benefits • Выявить важные связи между данными маркетинга имеют
• Углубить знание о клиентах за счет отдачу в 10 раз
поведение большую, чем
• Improve
клиентов объединения ранее разобщенных данных
стандартные средства.”
• Моделировать • Рассчитать вероятность событий в будущем
marketing
поведение
effectiveness Инструменты PA/DM используются для:
клиентов • Прогнозирования оттока клиентов Понимать клиента,
• Предсказывать • Выявления возможностей cross-sell и up-sell
• Boost • Оценки отклика на маркетинговые компании
автоматизировать
поведение моделирование
departmental
клиентов • Определения целевой аудитории
Отток
efficiency маркетинговых компаний
• Оценки удовлетворенности и лояльности Lifetime
Риск
клиентов Value
• Improve the • Оценка вероятности дефолтов
customer • Оценка Customer Lifetime Value (прогноз Лояльно Cross-
сть sell
experience прибыли от взаимоотношений с клиентом в
будущем)
14. Инструменты анализа
Дерево решений (decision tree) –
иерархия сегментов клиентов,
выстроенная относительно заданного
целевого показателя (например, какие
клиенты с большей вероятностью
откликнутся на предложение нового
продукта)
Карты показателей (Scorecards) -
методология, используемая как при
управлении кредитным риском для
определения вероятности дефолта, так и
в маркетинге для моделирования
склонности клиентов действовать
определенным способом
15. Инструменты анализа
Ассоциативные правила (association
rules) – используются для решения
следующих задач:
•Идентификация комбинаций продуктов,
которые обычно покупаются вместе
•Определение наиболее вероятной
последовательности при приобретении
продуктов
•Идентификация коммуникативных
шаблонов, которые предшествуют факту
покупки
Кластеризация (Clustering) –
автоматическая идентификация групп
клиентов со сходными характеристиками,
позволяющая выделись скрытые связи
между отдельными показателями.
16. Оптимизация взаимодействия
Оптимизатор взаимодействия с клиентом позволяет принимать
Действие решения в реальном времени, которое подсказывает, что лучше
- советовать предложить данному клиенту в данный момент времени по
данному каналу связи
Достоинства
Benefits
• Аналитически определяет, что лучше “техники предиктивного
маркетинга имеют
• Improve
Улучшает
сказать или предложить клиенту в отдачу в 10 раз
отношения с
marketing большую, чем
клиентом данный момент времени стандартные средства.”
effectiveness
• Собирает историю контакта с клиентом
• Увеличивает • Позволяет достучаться до недоступных
• Boost и
продажи Понять что
departmental клиентов сказать
лояльность
efficiency • Открывает и использует ранее Содержа
ние
• Превращает неиспользуемые данные о клиенте
Аналити
• Improve the в
центры затрат Канал
контакта
ческая
модель
центры продаж
customer
experience Данные о
клиенте
Бизнес
правила
17. Специализированные инструменты
Решения, поддерживающие сложные маркетинговые модели
Знания - и позволяющие фокусировать маркетинговую кампанию
Прогноз только на тех клиентах, которые положительно отреагируют
на то что Вы им предложите
• Убрать лишние Инструменты Uplift обеспечивает:
маркетинговые • Выделение сегментов клиентов с точки зрения их
активности отношения к маркетинговым компаниям: “техники предиктивного
маркетинга имеют
• Снизить • The Persuadables – положительный отклик отдачу в 10 раз
клиентскую на компанию, потенциальные покупатели большую, чем
усталость от • The Sure Things – потенциальные стандартные средства.”
покупатели в любом случае
рекламы • The Lost Causes – люди, которые не
• Увеличить приобретут продукт в любом случае Uplift Segmentation
отдачу от • The Sleeping Dogs – отрицательный отклик
маркетинговых на кампанию
кампаний • Измерение различий в поведении «целевой» и
«контрольной» группы клиентов
• Получение прогноза поведения каждого
отдельного клиента
