Pogled u Customer Relationship Management

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