Аналитические возможности CRM

6.5. Основные типы анализа данных

Как уже обсуждалось выше, объединение операционных возможностей CRM с аналитическими позволяет осуществлять комплексный анализ всей информации о клиентах, поступающей из различных источников. Целью данного анализа в конечном итоге является принятие более правильных решений в отношении каждого из клиентов, причем эти решения должны приниматься быстрее и с меньшими материальными и человеческими затратами.

Особое место среди источников информации занимает Web, предлагая совершенно новый пласт информации о существующих и потенциальных клиентах — посетителях сайта. Компании, которые научились привязывать статистику посещаемости своего Web-сайта к клиентской информации из других источников, получили совершенно новый набор возможностей по анализу.

OLAP

Термин "аналитическая обработка в режиме реального времени" (OnLine Analytical Processing — OLAP) в последнее десятилетие стал одной из тех концепций в области ИТ, которые постоянно привлекают внимание деловой общественности. Обычно под данным термином подразумевается возможность осуществить любую выборку с необходимым уровнем обобщения в большом массиве данных, а также по необходимости "провалиться" (drill down) на требуемый уровень детальности для получения разъяснения по тем или иным обобщенным закономерностям. Средства OLAP за последние несколько лет стали самым распространенным средством поддержки принятия решений, помогая менеджеру от бизнеса, не обладающему специализированными технологическими знаниями, изучать данные в режиме реального времени, двигаясь в процессе решения проблемы от общих вопросов к частным. Обычно процесс представляет собой формирование выборки или отчета, анализ полученных данных и формирование новых уточняющих выборок и запросов на основании полученных р езультатов.

Пример сценария использования средств OLAP руководителем отдела продаж

Руководитель отдела продаж готовится предстать перед советом директоров с объяснением текущей ситуации и необходимых изменений в стратегии маркетинга. Он обеспокоен падением продаж продукта Х в индустрии Y и ищет источник проблемы и возможные пути ее решения. Несколькими движениями мышью он формирует последовательность запросов с использованием системы OLAP с набором закладок и моделей, заложенных аналитиком:

"Почему у нас падают продажи? Покажите тенденцию роста/падения по каждой из продуктовых линеек".

OLAP-система осуществляет группировку всех данных о конкретных сделках (осуществленных и потерянных) за отчетный период по продуктам и отображает результат.

"Ага, сильнее всего падение продаж происходит по продукту Х. Покажите все проигранные сделки по данному продукту за отчетный период по типам клиентов и ответственным менеджерам".

OLAP-система "проваливается" на следующий уровень детальности, отображая необходимые графики или таблицы только для продукта Х.

"Странно, основное падение покупательского спроса наблюдается в индустрии Y. Покажите статистику по основным причинам отказов по продукту Х в индустрии Y, а также рейтинг конкурентов в этих сделках".

Система переходит еще на один уровень ниже, анализируя атрибуты конкретных сделокѕ

"Вот в чем дело: новый иностранный конкурент, специализирующийся исключительно на данной индустрии, предлагает интегрированное решение по существенно более низкой цене. Нужно разработать новую маркетинговую кампанию, подчеркивающую наши преимущества для данной отрасли. Сделайте список всех клиентов из отрасли Y, которые предпочли наш продукт Х, — мы проведем опрос и изучим причины их решения..."

Системы OLAP построены по принципу привязки атрибутов данных к определенным "измерениям" — таким, как время или местоположение. Пользователь может сформировать выборку по любым из измерений и использовать полученные данные для отображения в виде таблицы или графика.

Хотя производители OLAP-систем продвигают свои решения как средства поиска скрытых закономерностей, возможности OLAP в этой сфере ограничены уровнем обобщения данных при их копировании из исходных источников в централизованное хранилище в целях экономии дискового пространства и времени на осуществление выборок. Так, OLAP сможет определить, какой из сегментов клиентов с наибольшей вероятностью подвержен риску ухода к конкуренту. Но иногда необходимо проанализировать каждого из сотен тысяч или миллионов клиентов по нескольким параметрам для того, чтобы найти клиента, риск потери которого максимален.

OLAP требует от аналитика наличия определенной гипотезы или структуры запроса, которую он хотел бы проверить. Поиск скрытых закономерностей в более широком смысле означает определение структур или взаимосвязей, иногда совсем не очевидных для аналитика. Подобные методы помогут сформировать кластеры клиентов, покупающих однотипный набор продуктов. Компьютерные специалисты, много работающие дома, представляют пример подобного кластера — они с большой долей вероятности купят компьютер определенной конфигурации, источник бесперебойного питания, принтер, провода, картриджи, мусорную корзину и кофе. Аналитик, использующий OLAP, должен сначала предположить, что есть подобный кластер покупателей — надомные компьютерные специалисты, а затем проверить свое предположение набором последовательных запросов о том, какие продукты обычно попадают в потребительскую корзину, и какие могли бы также в нее войти. В большинстве случаев использование OLAP будет также ограничено определенными продуктовыми категориями. То есть аналитик сможет сформировать соответствующий кластер из покупателей компьютеров, принтеров и кабелей (категория компьютерных продуктов), однако не сможет задействовать для анализа кластера продукты из других категорий — корзину для бумаг, кофе.

В разделе "Маркетинг в стратегии CRM" приведен пример молодых отцов, которых отправляют утром в выходные за подгузниками для малыша, а они заодно покупают упаковку пива, чтобы "оправдать" свою вылазку, — это также пример скрытого кластера, на определение которого без соответствующего инструментария может уйти времени и усилий больше, чем это того стоит.

Где теория встречается с практикой: поиск скрытых закономерностей в CRM

Средства поиска скрытых закономерностей могут определить ключевые структуры или взаимосвязи в массиве данных и предоставить ценную новую информацию, которая может помочь компании лучше понять себя и своих клиентов. Подобные средства обычно используются бизнес-аналитиками для поиска закономерностей, о которых они, возможно, даже не предполагают. Сейчас подобные средства широко применяются для формирования нового уровня знания о рынке — от предсказания возможного времени следующей покупки до оптимального расположения товаров в магазине или оптимальной даты выпуска на рынок нового фильма.

Существует большое количество различных математических алгоритмов для поиска скрытых закономерностей. Некоторые из них относятся к миру эзотерики и слабо применимы для решения бизнес-задач (многомерные адаптивные регрессивные сплайны — что бы это ни значило). Несмотря на то что в качестве аналитического аппарата могут использоваться как жесткие математические алгоритмы (дерево решений), так и нечеткая логика нейронных сетей, в сфере CRM они используются в первую очередь для решения следующих ключевых задач.

1. Предсказания. Использование исторических данных для определения будущего поведения. Данный процесс создает на выходе модель или структуру, которая с определенным уровнем статистической точности отображает результат предсказания. Например, предсказательное моделирование может, основываясь на исторических данных о покупках этого и других клиентов со схожими потребительскими интересами, предположить, какой именно следующий продукт клиент, скорее всего, купит.
2. Последовательности. Анализ последовательностей определяет комбинации действий, которые следуют одно за другим в соответствии с определенной закономерностью. Компании используют анализ последовательностей для того, чтобы определить, существуют ли цепочки действий клиентов при решении тех или иных задач. Подобная техника помогает выделить закономерность в последовательности действий из набора разрозненных записей в операционных системах компании. Данная техника очень эффективна в банках или, например, телекоммуникационных компаниях для изучения динамики подключения или отказа от тех или иных услуг.
3. Ассоциации. Ассоциативный анализ определяет группы похожих вещей или событий. Он может быть использован для поиска событий, которые происходят одновременно. Данный алгоритм используется часто для анализа потребительской корзины, помогая определить, какие продукты лучше продаются вместе (например, орешки — с пивом). Понимание ассоциаций между клиентами и продуктами помогает компании принимать ответственные решения о том, какие продукты рекламировать, на какие предложить дополнительную скидку и на какие клиентские сегменты нацеливать те или иные маркетинговые предложения.

Использование средств поиска скрытых закономерностей обычно предполагает наличие специалиста по статистике с хорошим знанием продуктов и услуг компании, а также наиболее применимых в данном случае алгоритмов. Помимо этого требуется соответствующий программный инструментарий. Конечные бизнес-пользователи (руководители подразделений, специалисты по маркетингу) вряд ли будут самостоятельно пользоваться данным инструментарием — скорее всего, они получат доступ уже к результатам анализа, которые могут быть представлены как в формате отчетов и графиков, так и в формате конкретных выборок или задач в операционной CRM-системе.

Существует огромное множество возможных применений для трех основных типов анализа скрытых закономерностей, описанных выше: от использования моделей поведения существующих клиентов для маркетинга по отношению к новым и до избежания наиболее рисковых потенциальных клиентов за счет анализа рисков и оценки потенциальной ценности клиента в течение его жизненного цикла.

В большинстве случаев компании выделяют отдельный сервер под анализ скрытых закономерностей, куда закачивается вся информация, связанная с клиентами, и где строятся модели и анализируются структуры поведения. Подобные действия обычно требуют существенных компьютерных ресурсов, поэтому вынесение данной функции на отдельный сервер помогает избежать лишней нагрузки на другие операционные системы, от бесперебойной работы которых зависит качество и скорость работы компании в целом. Аналитический сервер может быть связан с выделенным хранилищем данных для того, чтобы получать доступ к данным о клиентах и осуществлять моделирование по принципу "что, если..." с различными тарифными планами, клиентскими сегментами или новыми маркетинговыми кампаниями.

Выводы по результатам анализа скрытых закономерностей могут служить сигналом для тех или иных ответственных действий в компании. Например, розничная сеть по продаже электроники в Лондоне определила, что большинство потенциальных покупателей портативных DVD-плейеров добирается на работу на электричке. В результате маркетинг перенаправил большую часть рекламного бюджета с телевидения на утренние газеты и рекламные щиты на вокзалах. Продажи плейеров выросли на 43% после смены рекламного носителя. Примечательно, что изменение маркетинговой стратегии было принято не по результатам дорогостоящего и длительного опроса целевых групп, а по результатам работы аналитика за интерфейсом аналитической системы на основе существующих в компании данных.

Понимание будущего поведения существующих и потенциальных клиентов — основная цель большинства приложений в сфере поиска скрытых закономерностей. Среди всего многообразия методик, позволяющих достичь подобного понимания, для целей CRM наиболее полезными могут быть "Анализ Web-активности" (так называемый "Clickstream Analysis", дословно — "анализ кликов", совершаемых пользователями мышью за экраном своего компьютера в процессе пользования Web) и "Персонализация".