1 / 21

Pogled u Customer Relationship Management

Pogled u Customer Relationship Management. Džulijana Popović. CRM?. CRM = Customer Relationship Management Upravljanje odnosom s kupcima/klijentima Filozofija, strategija poslovanja, jedinica unutar organizacije? Ne postoji jedinstvena definicija...

jerry-king
Download Presentation

Pogled u Customer Relationship Management

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Pogled u Customer Relationship Management Džulijana Popović

  2. CRM? • CRM = Customer Relationship Management Upravljanje odnosom s kupcima/klijentima • Filozofija, strategija poslovanja, jedinica unutar organizacije? • Ne postoji jedinstvena definicija... ... ali postoji mnogo dostupnih izvora o CRM-u: knjige, stručni i znanstveni članci, primjeri iz prakse

  3. Različiti pogledi... IT tvrtke promatraju CRM kao softverske aplikacije koje omogućavaju automatizaciju marketinga i prodaje kupcima... ... No, poslovni stručnjaci sagledavaju CRM kao disciplinirani pristup razvoju i održavanju profitabilnih odnosa s kupcima bez obzira na tehnologiju kojom će se to postizati! CRM stavlja kupca u središte tijeka informacija i poslovnih odluka u tvrtki!

  4. CRM preduvjeti ... CRM softverska rješenja omogućavaju da te interakcije budu uspješnije, ali ne definiraju njihov sadržaj i cilj!

  5. Analitički CRM • Za razliku od malih, velike tvrtke moraju razviti sustavne i drugačije načine upoznavanja svojih kupaca i učenja kako bi mogle dobro upravljati odnosima s njima • Cjelovit analitički CRM: • uoči • zapamti / pohrani • nauči • djeluj

  6. Nužni koraci za analitički CRM • Podaci se sustavno pohranjuju u skladišta podataka • Transakcijski sustavi procesiraju i bilježe interakcije s kupcima Kroz modeliranje i otkrivanje znanja iz povijesnih podataka nastaje plan djelovanja za budući rezultat • Strategija upravljanja odnosom s kupcima stavlja plan u djelovanje

  7. Otkrivanje znanja (knowledge discovery, data mining) • Otkrivanje znanja je interdisciplinarno područje, koje kroz skup metodologija i alata omogućava ekstrakciju znanja iz podataka. Primjena u CRM-u počiva na stavu: • da se poslovne odluke trebaju temeljiti na učenju i analizi • da su informirane odluke bolje od odluka bez informacija • da mjerenje rezultata i povratni mehanizam koji popravlja način donošenja odluka - donose korist. • Utapamo se u podacima, a žudimo za znanjem! • Podatak + interpetacija = Informacija • Prava informacija + interpretacija = Znanje

  8. Važnost i vrijednost informacije • Idealno okruženje za analitiku i modeliranje je organizacija koja cijeni vrijednost informacije • Prikupljanje podataka iz svih mogućih izvora i njihovo pohranjivanje u obliku pogodnom za data mining skup je i naporan proces za organizaciju – ali dodana vrijednost od takvog učenja može ih premašiti! • Učeća organizacija potiče kontinuirano napredovanje i poboljšanje, te ulaže u preciznu i potrebnu informaciju • Organizacija mora biti spremna i na promjene, koje proces učenja i otkrivanja znanja traži, ali i sugerira!

  9. Dodana vrijednost modeliranja i otkrivanja znanja • Memorija bez inteligencije nije od velike koristi! • Inteligencija, humana i strojna, omogućava da: • pročešljamo sjećanja (podatke), • uočimo uzorke, • otkrijemo pravila, • dođemo s novim idejama i stvorimo očekivanja, • postavimo prva pitanja, • najboljim tehnikama predvidimo buduće trendove, te • djelujemo u skladu s tim prema dobro definiranom cilju.

  10. Tipični problemi kojima se bavi CRM • CRM traži odgovore na pitanja: • akvizicije/privlačenja novih kupaca • zadržavanja postojećih kupaca i poslovnih odnosa • cross-sell i up-sell ciljeva (kako povećati prodaju) • odobravanja rizika (kako izbjeći najrizičnije kupce) • metoda poboljšanja kampanja i stopa pozitivnih odgovora • segmentacije i profiliranja kupaca • vrijednosti kupaca.

  11. Logički koraci u procesu otkrivanja znanja • Definicija poslovnog/istraživačkog problema • Prikupljanje dovoljne povijesti podataka • Priprema i čišćenje podataka • Izrada baze za modeliranje • Preliminarna analiza • Modeliranje • Primjena modela • Mjerenje uspješnosti • Rekalibracija ili novi proces modeliranja

  12. Priprema podataka (1/2) • Podaci su dobre kvalitete ako su • cjeloviti, • konzistentni, • vremenski označeni i • odgovaraju standardima • industrije. • Ako još zadovoljavaju i posebnu poslovnu potrebu, onda su vrhunske kvalitete • Iako logički standardiziran, proces pripreme je uvijek uvjetovan konkretnim problemom i ciljnim događajem

  13. Priprema podataka (2/2) • Priprema podataka za modeliranje: • Čišćenje podataka • redoviti dio procesa modeliranja, da se spriječe kritične greške • Tretman nedostajućih vrijednosti • dva pristupa: eliminacija ili zamjena (nekom mjerom) • Tretman netipičnih vrijednosti i zapisa (outlier-a) • otkrivaju se univarijatnom i multivarijatnom analizom • parametarske i neparametarske metode • Preliminarni odabir varijabli • uvijek prije ulaska u fazu modeliranja!

  14. Preliminarna analiza • Kvalitetna preliminarna analiza: • pomaže u odabiru ispravne metode modeliranja, • ubrzava proces učenja • sužava izbor varijabli i • poboljšava interpretabilnost konačnog modela • Primjeri metoda: • univarijatna analiza • kanonička diskriminativna analiza (CDA) • analiza glavnih komponenata (PCA) • algoritmi grupiranja/clustering (KNN, K-means, hijerarhijski...)

  15. Vrste modela – teorijski pogled • Klasifikacija modela po taksonomiji i izlazu* * Podjela prema Cox, E. (2005) Fuzzy Modeling and Genetic Algorithms for Data Mining and Exploration, San Francisco USA: Morgan Kaufmann Publishers

  16. Vrste modela – primjena u CRM • Neke metode modeliranja u CRM praksi: • Asocijacijska analiza • analiza za otkrivanje pravila pojavnosti u bazi podataka • Grupiranje/clustering • nenadzirana metoda pronalazi grupe međusobno sličnih jedinki/ opservacija, tako što maksimizira sličnost unutar grupe i različitost među grupama • Regresijska analiza (logistička regresija, GLM) • logistička regresija koristi se npr. u predviđanju binarnog izlaza • Stabla odlučivanja • klasifikacijska metoda – pronalazi najjača pravila za razdvajanje jedinki/opservacija u specificirani broj grupa

  17. Modeliranje • Nakon definiranja problema i sužavanja odabira tehnika u izradi modela slijede: • odabir uzorka (sampling) • stratificirani, slučajni, poseban odabir... • particioniranje baze (partitioning) • podaci za učenje, test i validaciju modela • transformacije varijabli • logaritamske transformacije, zamjena (imputation), standardizacija... • odabir parametara i metoda unutar tehnike modeliranja • npr. kod regresije: forward, stepwise ili backward metoda • odabir mjera za uspješnost modela • ovisno o metodologiji Gini, lift, gain, ROC, stopa pogrešne klasifikacije ...

  18. Kratko o regresijskoj analizi (1/2) • Regresijski model je matematički izraz koji pokazuje kako vrijednosti jedne ili više nezavisnih varijabli utječu na zavisnu varijablu, a parametri tog modela i same međuzavisnosti ocjenjuju se kroz regresijsku analizu. • Opći oblik modela regresije sastoji se od determinističkog i stohastičkog dijela • Y = F(X1, X2,..., Xn) +  • Modele dijelimo prema: • broju nezavisnih varijabli (jednostruka i višestruka regresija) • obliku matematičke funkcije determinističkog dijela (linearni i nelinearni modeli)

  19. Kratko o regresijskoj analizi (2/2) • Za odabir pravog modela važno je • znati pretpostavke modela, • fukciju veze (link function), • ispravno formulirati zavisnu varijablu i • napraviti prethodnu eksploraciju zavisne i nezavisnih varijabli. • Najčešće se koriste linearna i logistička regresija Y 1 Y 0 X X

  20. Interdisciplinarnosti onih koji to rade... • Timska znanja i vještine za uspješno rješavanje analitičkih i data mining zadataka: • Rad s bazama podataka (najčešće SQL) • Transformacije nad podacima i programiranje (SAS, SPSS, R, PERL, drugi programski jezici npr. python, ETL alati...) • Statistika, modeliranje, strojno učenje, AI • Vizualizacija podataka • Poznavanje industrije i specifičnosti poslovanja • Prezentacijske i komunikacijske vještine

  21. Kontakt: dzpopovic@yahoo.fr

More Related