анализ покупательской корзины (анализ сходства) предназначен для выявления товаров, которые покупатели стремятся приобретать вместе. Знание покупательской корзины необходимо для улучшения рекламы, выработки стратегии создания запасов товаров и способов их раскладки в торговых залах;
исследование временных шаблонов помогает торговым предпри-
ятиям принимать решения о создании товарных запасов. Оно дает ответы на вопросы типа "Если сегодня покупатель приобрел видеокамеру, то через какое время он вероятнее всего купит новые батарейки и пленку?";
создание прогнозирующих моделей дает возможность торговым предприятиям узнавать характер потребностей различных категорий клиентов с определенным поведением, например, покупающих товары известных дизайнеров или посещающих распродажи. Эти знания нужны для разработки точно направленных, экономичных мероприятий по продвижению товаров.
В качестве примера использования Data Mining в торговле можно привести пример применения технологии в гипермаркетах "Лента". Петербургская сеть гипермаркетов "Лента" внедрила Data Miningсистема С.М.А.Р.Т. До этого в качестве информационных источников данных о продажах и товарообороте в "Ленте" использовался сервер кассового оборудования и оперативные данные SAP R/3. Сгруппированные и обработанные данные формировались в сводных таблицах SAP Business Warehouse, при этом у менеджеров возникала потребность быстро представлять и анализировать эту информацию. В качестве решения этой задачи была выбрана система С.М.А.Р.Т. В настоящее время система уже используется в работе гипермаркетов, например, заведующие магазинами, используя интерактивные отчеты системы, получают сведения о почасовом изменении остатка товара в зале и для принятия решения о дозакупках. Как сообщают руководители "Ленты", в ближайших планах компании освоить "правила сочетаний" в С.М.А.Р.Т., что позволит лучше управлять расположением товарных секций и вычислять их оптимальные площади. Кроме того, службы маркетинга сети планируют осуществлять в системе управление промоакциями и анализировать их итоги.
Банковское дело
Достижения технологии Data Mining используются в банковском деле для решения следующих распространенных задач:
56
выявление мошенничества с кредитными карточками. Путем анализа прошлых транзакций, которые впоследствии оказались мошенническими, банк способен выявить некоторые стереотипы такого мошенничества. Например, можно установить, что одним из предупреждающих сигналов служат многочисленные транзакции в магазинах бытовой электроники в течение короткого периода времени. Полученное знание банк может использовать в своих действующих системах, не разрешая подтверждение транзакции, совпадающей со стереотипом мошенничества, без предварительной беседы с покупателем;
сегментация клиентов. Разбивая клиентов на различные категории, банки могут сделать свою маркетинговую политику более целенаправленной и результативной, предлагая различные виды услуг разным группам клиентов. Например, банк может предлагать одну совместную (affinity) карточку клиентам, которые часто путешеству-
ют, и другую клиентам, которые всегда вовремя оплачивают свои счета за покупки по кредитным карточкам. Сегментацию полезно также использовать для определения, какие конкретно отделения с наибольшей вероятностью получат прибыль от отдельных рекламных акций;
прогнозирование изменений клиентуры. Data Mining помогает банкам строить прогнозные модели ценности своих клиентов, и соответственным образом обслуживать каждую категорию. Для этого банк выясняет характер потребностей своих сегодняшних прибыльных клиентов и с помощью методов Data Mining определяет общие черты, которыми они обладали несколько лет назад. Затем он выявляет клиентов, имеющих эти черты сегодня, считая их вероятными прибыльными клиентами в ближайшем будущем. Банк может включить указанных клиентов в целевые программы удерживания клиентов, например, предлагая специальные сделки или вводя штрафные санкции за отказ от дальнейших услуг.
Телекоммуникации
В области телекоммуникаций характерен растущий уровень конкуренции. Здесь методы Data Mining помогают компаниям более энергично продвигать свои программы маркетинга и ценообразования, чтобы удержать существующих клиентов и привлечь новых. В число типичных мероприятий входят следующие:
57
анализ записей о подробных характеристиках вызовов. Назна-
чение такого анализа выявление категорий клиентов с похожими стереотипами пользования их услугами и разработка привлекательных наборов цен и услуг;
выявление лояльности клиентов. Некоторые клиенты все время меняют провайдеров, пользуясь программами новых компаний, стимулирующими появление новых клиентов. Data Mining можно использовать для определения характеристик клиентов, которые, один раз воспользовавшись услугами данной компании, с большой долей вероятности останутся ей верными. В итоге средства, выделяемые на маркетинг, можно тратить там, где отдача больше всего.
«ВымпелКом» стал первым российским телекоммуникационным оператором связи, применившим интеллектуальный анализ данных для улучшения процессов обслуживания абонентов. Внедрение было осуществлено с помощью компаний AT Consulting и SPSS Rus.
Целью проекта внедрения системы интеллектуального анализа данных (Data Mining) в «ВымпелКоме» является поддержка в решении стратегических бизнес-задач компании (проведение аналитической и исследовательской работы, возможности проведения кампаний персонализированного маркетинга).
Благодаря эффективной совместной работе команды специалистов AT Consulting, SPSS и ключевых сотрудников «ВымпелКома», внедрение прошло максимально эффективно. В рамках проекта консультантами AT Consulting были реализованы 2 этапа. Первый этап предусматривал анализ требований, разработку необходимой инфраструктуры, внедрение и настройку системы Data Mining для бизнеспользователей. На втором этапе проекта успешно прошло наращивание информационной мощности системы. Реализация этого проекта стала возможной благодаря существующему в «ВымпелКоме» храни-
лищу данных (Business Intelligence and Information System), поддерж-
кой и расширением которого также занимается AT Consulting. Хранилище данных собирает и структурирует всестороннюю информацию о каждом клиенте и является основным поставщиком данных для системы Data Mining. В качестве программного средства для Data Mining было выбрано и использовано программное обеспечение Clementine от компании SPSS. Это первое внедрение Clementine подобного масштаба в России. Программное обеспечение SPSS Clementine позволяет создавать мощные прогностические модели, предназначенные для решения поставленных бизнес-задач, а также проводить обработку
58
больших объемов данных (что особенно актуально для ОАО «ВымпелКом»).
Ключевыми пользователями системы являются сотрудники Блока маркетинга. За счет внедрения новых бизнес-процессов, основанных на базе системы интеллектуального анализа данных, ОАО «ВымпелКом» рассчитывает ускорить вывод на рынок новых продуктов, сделать их максимально точно ориентированными на конкретные группы пользователей, тем самым повышая лояльность и удовлетворенность своих клиентов.
ОАО «ВымпелКом». В группу компаний «ВымпелКом» (торговая марка «Билайн») входят операторы сотовой связи, предоставляющие свои услуги в России, Казахстане и недавно приобретенные операторы сотовой связи в Украине, Таджикистане, Узбекистане и Грузии. Лицензии группы компаний «ВымпелКом» на предоставление услуг сотовой связи охватывают территорию, на которой проживает около 237 миллионов человек. Географическое покрытие сети включает 77 регионов России (136,5 миллионов человек, представляющих 94% населения России), а также всю территорию Казахстана, Украины, Таджикистана, Узбекистана и Грузии. ОАО «ВымпелКом» стало первой российской компанией, включенной в листинг Нью-Йоркской фондовой биржи (NYSE). Акции Компании котируются на NYSE под символом VIP. SPSS Inc. (Nasdaq: SPSS) – международная компания со штаб-квартирой в США, выпускающая компьютерное программное обеспечение, позволяющее при помощи статистических методов и data mining превращать данные в полезную информацию.
Страхование
Страховые компании в течение многих лет накапливают большие объемы данных. Здесь большое поле деятельности для методов Data Mining:
выявление мошенничества. Страховые компании могут снизить уровень мошенничества, отыскивая определенные стереотипы в заявлениях о выплате страхового возмещения, характеризующих взаимоотношения между юристами, врачами и заявителями в случаях, когда требуемая сумма достаточно высока, например при возмещении ущерба;
разработка продуктов. Data Mining даст возможность выявить наиболее выгодные комбинации категорий клиентов, вариантов полисов и их покрытия. Знание таких комбинаций необходимо для разра-
59
ботки новых продуктов и более точной "настройки" существующих продуктов для продажи в будущем;
анализ риска. Путем выявления сочетаний факторов, связанных
соплаченными заявлениями, страховщики могут уменьшить свои потери по обязательствам. Известен случай, когда в США крупная страховая компания проверила заявления, по которым были выплачены значительные суммы за последние два года. При этом обнаружилось, что суммы, выплаченные по заявлениям людей, состоящих в браке, вдвое превышает суммы по заявлениям одиноких людей. Компания отреагировала на это новое знание пересмотром своей общей политики предоставления скидок семейным клиентам.
Другие приложения в бизнесе
Data Mining может применяться во множестве других областей:
сегментация рынка. Все отрасли могут воспользоваться методами Data Mining для выявления отдельных сегментов своей клиентуры. Data Mining дает предприятиям возможность учитывать намного больше параметров, чем это делалось на основе традиционных методах хранения неструктурированной информации;
развитие автомобильной промышленности. При сборке авто-
мобилей производители начинают учитывать требования каждого отдельного клиента, поэтому им нужны возможность прогнозирования популярности определенных характеристик и знание того, какие характеристики обычно заказываются вместе;
политика гарантий. Производителям нужно предсказывать число клиентов, которые подадут гарантийные заявки, и среднюю стоимость заявок;
- поощрение часто летающих клиентов. Авиакомпании могут обнаружить группу клиентов, которых данными поощрительными мерами можно побудить летать больше. Например, одна авиакомпания обнаружила категорию клиентов, которые совершали много полетов на короткие расстояния, не накапливая достаточно миль для вступления в их клубы, поэтому она, таким образом, изменила правила приема в клуб, чтобы поощрять число полетов так же, как и мили.
60