Мастер-класс Применение технологии data mining для решения задач клиентской аналитики
- 1. ПРИМЕНЕНИЕ ТЕХНОЛОГИИ DATA MINING ДЛЯ РЕШЕНИЯ ЗАДАЧ КЛИЕНТСКОЙ АНАЛИТИКИ Пацера Константин kostya.patsera@gmail.com +38 067 220 77 16
- 2. ВОЗНИКНОВЕНИЕ DATA MINING Тенденции в бизнесе, которые привели к возникновению Data mining Ò Возникновение задачи кредитных рисков Ò Сдвиг ориентации бизнеса от транзакционного маркетинга к маркетингу взаимоотношений (возникновение CRM) Ò Постепенное понимание, что клиенты являются активом бизнеса Ò Признание выгод от использования информации для предсказания событий, а не только следования за ними Ò Более широкое использование технологий для управления информацией и максимизации её ценности Ò Признание необходимости компромисса между обслуживанием клиентов и получения от них прибыли Ò Развитие индивидуальных маркетинговых подходов 2
- 3. ТЕХНОЛОГИЯ DATA MINING Data mining – это процесс выявления в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных к интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Неочевидных – это обозначает, что найденные закономерности не находятся стандартными методами обработки информации или Прикладная экспериментальным путём. статистика Объективных – это обозначает, что найденные закономерности будут Data mining полностью отвечать действительности, в отличие от экспертной точки зрения, которая всегда субъективна. Теория баз Машинное Практически полезных – это данных обучение обозначает, что результаты имеют практическое применение. 3
- 4. ЭТАПЫ РАЗВИТИЯ АНАЛИТИКИ ПРОГРАММ ЛОЯЛЬНОСТИ Этап №1. Создание методологии É Понятие нового клиента É Понятие активного клиента É Понятие ушедшего клиента É Понятие вернувшегося клиента É … Этап №2. Создание отчётности Этап №3. Сегментация и создание клиентской стратегии Этап №4. Прогностическая аналитика É Задача удержания; задача возвращения; задача привлечения É Задача cross- и up-selling’а É Задача выявления мошенничества É Задача выбора каналов контакта с клиентами и времени контакта É … Оценка эффективности маркетинговых кампаний 4
- 5. СЕГМЕНТАЦИЯ КЛИЕНТОВ Сегментация клиентов – процесс разделения клиентской базы на сегменты (кластеры), которые не похожи между собой, но клиенты в сегментах (кластерах) – однородные. Типы сегментирования: Ò С точки зрения цели сегментирования: É … É … É … Ò С точки зрения процесса сегментирования: (данных для сегментирования!) É Географические характеристики É Социально-демографические характеристики É Поведенческие характеристики É Характеристики стиля жизни 5
- 6. ХАРАКТЕРИСТИКИ СЕГМЕНТИРОВАНИЯ Географические характеристики: Поведенческие характеристики: Ò регионы/области Ò Использование продукта Ò город/село Ò Частота использования Ò размер населённого пункта Ò Динамические KPIs Ò “равнины”/“горы” Ò Участие в акциях Ò … Ò … Социально-демографические Характеристики стиля жизни: характеристики: Ò Жизненные цели/позиции Ò пол Ò Ценностный ряд Ò возраст Ò Предпочтения в работе/отдыхе Ò образование Ò Получаемая ценность от Ò семейное положение использования продукта Ò количество детей Ò … Ò доход Как правило Ò наличие жилья/авто есть! J Ò … Если и есть, то качество… А нужно ли ?.. Географические, социально-демографические и поведенческие характеристики - базах данных есть! Характеристики стиля жизни – необходимо дополнительно собирать! 6
- 7. ЦЕННОСТЬ СЕГМЕНТАЦИИ Два глобальных результата сегментации: 1. Понимание клиентов 2. Отслеживание изменений в клиентских сегментах Сегментация НЕ РЕШАЕТ: Ò проблему Оттока клиентов, но позволит понять причины! Ò Задачу cross-selling’а и up-selling’а для каждого клиента Ò Проблему выявления мошенников, но позволит выделить характеристики, которые могут быть отличными предикторами для нахождения их в клиентских базах Ò … Ò И конечно же, не увеличивает долю рынка, не уничтожает конкурента, не увеличивает доход компании в N раз (и не решает прочие проблемы информационного спама!) Ò А также проблемы личной жизни руководства J Сегментация клиентов должна быть в каждой компании, если речь идёт о CRM. Сегментация – основа клиентской стратегии. 7
- 8. ПРОГНОЗИРОВАНИЕ ПОВЕДЕНИЯ КЛИЕНТОВ Задача удержания клиентов (Churn prediction) состоит в определении клиентов склонных к оттоку. Задача cross-selling’а состоит в определение клиентов склонных купить продукт, который не покупается в данный момент. Задача up-selling’а состоит в определении клиентов склонных покупать продукт в большем объёме либо чаще, чем в данный момент. Задача выявление мошенничества (fraud detection) состоит в определении клиентов, которые занимаются мошенничеством. 8
- 9. ПРОЦЕСС ПОСТРОЕНИЯ ПРОГНОСТИЧЕСКИХ МОДЕЛЕЙ Логистическая регрессия Деревья решений id X1, X2, …, Xk Y Нейронные сети Дискриминантный анализ 1 1 … 2 0 … 0 … 0 X1, X2, …, Xk Y X1, X2, …, Xk Y Tr … 0 0 0 Tr … 1 Выборка “0” 0 Выборка “0” 0 Tr … 0 0 0 T … 0 База данных 1 1 Tr … 0 Выборка “1” 1 Выборка “1” 1 T … 1 1 1 Tr … 0 … 0 … 1 Построение … 0 Балансировка обучающей (Tr) и данных … 1 тестовой (T) выборки n 0 = , ,… 9
- 10. КАКИЕ БИЗНЕС-ЗАДАЧИ РЕШАЕТ DATA MINING? Ò Сегментация клиентов Ò Удержание клиентов; Возвращение клиентов; Привлечение клиентов Ò Развитие клиентов и продуктов: cross- and up-selling Ò Увеличение отдачи от инвестиций и сокращение затрат на продвижение товаров и услуг Ò Идентификация клиентов, которые приносят прибыль Ò Оценка кредитных рисков (составление скоринговых карт и разработка скоринговых моделей) Ò Выявление случаев мошенничества, утрат и злоупотреблений Ò Анализ деятельности интернет-сайта Ò Оптимальный выбор каналов контакта с клиентом Ò … 10
- 11. СФЕРЫ ПРИМЕНЕНИЯ DATA MINING Ò Для решения бизнес-задач: Основные направления: телекоммуникационные компании, банки и финансовые учреждения, страховые компании, продуктовые и непродуктовые сети, компании с программами лояльности и/или CRM, производство, электронная коммерция, маркетинг, фондовые рынок и т.д. Ò Для решения государственных задач: Основные направления: поиск улиц, поиск людей, которые уклоняются от налогов, проверка таможенных грузов и т.д. Ò Для решения научных задач: Основные направления: медицина, биология, молекулярная генетика и генная инженерия, биоинформатика, астрономия и т.д. Ò Для решения Web-задач: Основные направления: поисковые системы. 11
- 12. ЧТО ПРЕДСТАВЛЯЕТ СОБОЙ ПРОЦЕСС DATA MINING? Data mining базируется на методологии CRISP-DM – (стандартных межотраслевой процесс data mining / Cross-Industry Standard Process for Data mining). Фазы CRISP-DM: 1. Понимание бизнеса: обеспечение чёткого понимания бизнес-проблем. 2. Понимание данных: определение доступных для исследования данных. 3. Подготовка данных: подготовка данных в необходимом формате для получения ответов на бизнес-вопросы. 4. Моделирование: разработка моделей, которые отвечают поставленным задачам. 5. Оценивание: тестирование результатов на соответствие целям проекта. 6. Внедрение: предоставление результатов проекта тем, кто на их основе будет принимать решения. 7. Мониторинг качества. 12
- 13. АНАЛИТИЧЕСКИЕ МЕТОДЫ DATA MINING Ò Кластерный анализ Ò Факторный анализ Ò Регрессия (линейная, логистическая, порядковая) Ò Деревья решений Ò Нейронные сети Ò Дискриминантный анализ Ò Правила ассоциаций Ò Правила индукций Ò Выявление последовательностей (последовательные ассоциации) Ò Поиск аномалий 13
- 14. ПРОГРАММНЫЕ ОБЕСПЕЧЕНИЯ, КОТОРЫЕ ПОДДЕРЖИВАЮТ ТЕХНОЛОГИЮ DATA MINING Ò IBM SPSS Modeler – для работы с базами данных, для задач бизнес- анализа, бизнес-прогнозирования и задач Data mining. Ò SAS Enterprise Miner – для работы с базами данных, для задач бизнес-анализа, бизнес- прогнозирования и задач Data mining. Ò Teraminer - для работы с базами данных и задач Data mining. Ò KXEN – для задач Data mining. 14
- 15. СЛОЖНОСТИ ВНЕДРЕНИЯ DATA MINING Ò Человеческий фактор: É Квалификация пользователя и бизнес-клиентов É Понимание бизнеса и понимание данных пользователем É Сложность интерпретации результатов Ò Технологический фактор: É Возможен большой процент неправильных, недостоверных или бессмысленных результатов Ò Технический фактор: É Сложность подготовки данных É Наличие достаточного количества репрезентативных данных Ò Ценовой фактор: É Высокая стоимость построения хранилища данных и программного обеспечения 15