Predictive Analytics/Data Mining – как извлечь максимум из корпоративных данных?

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!

Анализируем данные

•Query/Reporting – используют все•Multidimensional Analysis – используют некоторые•Data Mining – почти не используется

Методы анализа данных

•Формирование запроса, получение данных, проведение расчетов, подготовка отчета, предоставление отчета

•Analyst driven

•Отчет о прибылях и убытках, баланс, достаточность капитала, ликвидность

Query/Reporting

•Структурирование данных для целей быстрого ответа на «Типичные вопросы», выделение измерений и фактов которые разложены по данным измерениям. Иерархическая организация измерений, возможности drill down и roll up

•Business user driven, возможность быстрого получения ответов

•Прибыльность бизнеса в разрезе продуктов, сегментов клиентов, точек продаж, каналов обслуживания, менеджеров

Multidimensional analysis

•Использование специальных алгоритмов, которые анализируют данные. Обнаружение шаблонов (patterns), формирование правил, построение моделей на основе правил

•Data driven, ответы на вопросы, которые могут и не задаваться в явном виде.

•Построение скоринговых моделей и моделей внутренних кредитных рейтингов, маркетинговые модели

Data Mining

Устроены так люди…

… желают знать что будет!

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.

BI vs PA/DM

• BIСколько клиентов купили продукт Х в прошлом году?

Каков текущий месячный отток клиентов?

Кто наиболее ценные клиенты?

Каков профиль типичного нового клиента?

• PA/DMЧтобы клиенты хотели бы купить? Что можно улучшить?

Какие клиенты скорее всего уйдут к конкурентам? Что можно сделать чтобы сохранить их?

Какие клиенты будут самыми прибыльными? Как я могу повлиять на них покупать больше?

На каких рынках и регионах нужно сфокусироваться чтобы привлечь наиболее выгодных клиентов?

Основные модели PA/DM

•Предсказание того, кто из клиентов с наибольшей вероятностью откликнется на предложение продукта/сервиса и какой канал связи с клиентом является оптимальным

Response

•Расчет вероятности дефолта по кредитным продуктам банка

Risk

•Выявление клиентов, склонных к миграции между банками, предотвращение снижения использования продуктов и сервисов банка

Attrition

•Расчет вероятности того, что существующий клиент купит новый продукт или расширит использование существующего продукта/сервиса

Cross sell & up sell

•Предсказание общей прибыльности продукта на определенном временном отрезке, приведенное к текущей стоимости

Net present value

•Предсказание общей прибыльности клиента на определенном временном отрезке, приведенное к текущей стоимости

Lifetime value

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!

Основные опасности на пути PA/DM

• Найденные шаблоны в данных не представляют никакого правила

• Выборка данных для модели не является репрезентативной

• Исторические данные не содержат требуемой детализации

Выводы, основанные на событиях в

прошлом являются ошибочными

• Нахождение общеизвестных истин• Знания не могут быть применены из-за существующих

ограничений, например, законодательныхВыводы, основанные на событиях в

прошлом, верны но – бесполезны

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.

Этапы CRISP-DM

•Формулировка бизнес проблемы•Трансляция бизнес проблемы в проблему Data Mining•Утверждение стратегии решения бизнес проблемы Понимание бизнеса•Сбор данных•Понимание природы данных•Оценка качества данныхПонимание данных•Формирование выборки данных•Определение анализируемых переменных•Очистка «сырых» данныхПодготовка данных•Выбор методики моделирования•Калибровка модели•Приведение выборки данных к требованиям конкретной методикиРазработка модели•Оценка качества и эффективности модели•Проверка достижения поставленных целей•Вывод о применимости полученных результатовОценка модели•Использование созданной модели

Применение модели

Клиентская аналитика

Инструменты PA/DM позволяют:• Выявить важные связи между данными• Углубить знание о клиентах за счет

объединения ранее разобщенных данных• Рассчитать вероятность событий в будущем

Инструменты PA/DM используются для:• Прогнозирования оттока клиентов• Выявления возможностей cross-sell и up-sell• Оценки отклика на маркетинговые компании• Определения целевой аудитории

маркетинговых компаний• Оценки удовлетворенности и лояльности

клиентов• Оценка вероятности дефолтов• Оценка Customer Lifetime Value (прогноз

прибыли от взаимоотношений с клиентом в будущем)

Понимать клиента, автоматизировать моделирование

Benefits

• Improve marketing effectiveness

• Boost departmental efficiency

• Improve the customer experience

• Понимать поведение клиентов

• Моделировать поведение клиентов

• Предсказывать поведение клиентов

Решения класса PA/DM (Predictive Analytics/Data Mining) дают возможность получить ясную картину клиентской базы для целей предсказания поведения клиентов в будущем.

Отток

Lifetime Value

Cross-sellЛояльность

Риск

Знания - Понять/ Предсказать

“техники предиктивного маркетинга имеют

отдачу в 10 раз большую, чем

стандартные средства.”

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

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.

Инструменты анализа

• Аналитически определяет, что лучше сказать или предложить клиенту в данный момент времени

• Собирает историю контакта с клиентом • Позволяет достучаться до недоступных

клиентов• Открывает и использует ранее

неиспользуемые данные о клиенте

Понять что сказать

Benefits

• Improve marketing effectiveness

• Boost departmental efficiency

• Improve the customer experience

Оптимизация взаимодействия

Достоинства

• Улучшает отношения с клиентом

• Увеличивает продажи и лояльность

• Превращает центры затрат в центры продаж

Оптимизатор взаимодействия с клиентом позволяет принимать решения в реальном времени, которое подсказывает, что лучше предложить данному клиенту в данный момент времени по данному каналу связи

Содержание

Аналитическая модель

Бизнес правила

Данные о клиенте

Канал контакта

Действие - советовать

“техники предиктивного маркетинга имеют

отдачу в 10 раз большую, чем

стандартные средства.”

Специализированные инструменты

• Убрать лишние маркетинговые активности• Снизить

клиентскую усталость от рекламы• Увеличить

отдачу от маркетинговых кампаний

Решения, поддерживающие сложные маркетинговые модели и позволяющие фокусировать маркетинговую кампанию только на тех клиентах, которые положительно отреагируют на то что Вы им предложите

Uplift Segmentation

Знания - Прогноз

Инструменты Uplift обеспечивает:• Выделение сегментов клиентов с точки зрения их

отношения к маркетинговым компаниям:• The Persuadables – положительный отклик

на компанию, потенциальные покупатели• The Sure Things – потенциальные покупатели

в любом случае• The Lost Causes – люди, которые не

приобретут продукт в любом случае• The Sleeping Dogs – отрицательный отклик

на кампанию• Измерение различий в поведении «целевой» и

«контрольной» группы клиентов• Получение прогноза поведения каждого

отдельного клиента

“техники предиктивного маркетинга имеют

отдачу в 10 раз большую, чем

стандартные средства.”

Gartner Hype Circle 2012

Co Ltd “ROND”

St. Timiryazeva, 65a-308, K.1, Minsk, 220035, RB

tel. / fax: +375 17 210-29-00 info@rond.by