Database marketing.

Развитие информационных технологий породило отдельное направление в маркетинговой деятельности - Database marketing. Понятие Database marketing не­разрывно связано с концепцией кастомизации и применением CRM-систем.

Database marketing(маркетинговая деятельность на основе анализа баз данных) - технология обработки существующей базы данных предприятия и использования этой информации в разработке маркетинговой стратегии.

Данная концепция была предложена в 80-х годах, и с тех пор уже приносит доход своим последователям. Однако подлинные выгоды от применения Database marketing открываются только теперь, с началом перехода от простого накопления данных и анализа эксперта к интеллектуальному машинному анализу.

Database marketing может быть рассмотрен как последовательность шагов, которые охватывают цельный технологический цикл. Вот основные этапы этого процесса (процесс начинается с анализа информации об уже существующих клиен­тах):

1. Идентификация клиента

2. Решение, какая информация о клиентах необходима и доступна к получению.

3. Поиск доступных источников такой информации.

4. Сохранение всей необходимой информации в базе данных.

5. Формулировка вопроса, на который необходимо получить ответ.

6. Анализ сохраненных данных: построение модели.

7. Выбор стратегии маркетинга, которая основана на этой модели.

8. Непосредственное взаимодействие с отобранными клиентами (реализация стратегии).

9. Анализ результатов.

Повторение этапов 1-9 (для решения следующих вопросов или оптимизации

достигнутых результатов).

Применение тех же этапов для работы с потенциальными клиентами.

Этапы 5-7 и 9, которые непосредственно участвуют в анализе данных, обычно наиболее сложны. Очень часто именно они и становятся камнем преткновения для целого процесса. В то же время с точки зрения получения значимых результатов эти шаги чрезвычайно важны.

Зачастую даже простейший анализ данных может значительно усовершенст­вовать маркетинговую стратегию. Так разбиение клиентов по возрастным категори­ям и рассылка каждой из них различных рекламных проспектов - тоже шаг к повы­шению эффективности маркетинговой деятельности. Однако реальные плоды от применения Database Marketing можно пожинать только когда станет возможным отвечать на гораздо более сложные вопросы. Например:

Как связана покупательская способность клиента с теми его характеристика­ми, которые нам доступны?

Кто из клиентов нуждается в дополнительном получении рекламных проспектов по почте?

Кто из потенциальных клиентов станет реальным?

На какие характеристики клиента не стоит обращать внимания в будущем?

Каков будет уровень продаж в следующем месяце?

Знание правильных ответов на эти и многие другие вопросы оборачиваются огромной экономией денег и возможностью получения дополнительной прибыли. Однако, для ответа на эти вопросы требуется куда более сложный анализ данных, чем позволяют возможности даже самого опытного эксперта.

Проблема заключается в необходимости учета огромного количества характеристик одновременно, построении множества гипотез о связях в данных, тестиро­вания их на реальных данных и сохранении всех отобранных гипотез, пока не обнаружится одна, наиболее полно объясняющая данные. Очевидно, что со столь сложной многофакторной задачей, человеческий мозг справиться практически не способен, вот почему применяемые в Database Marketing CRM-системы на сегодняшний день сложно представить без использования технологий интеллектуального анализа - Data Mining("Добыча данных" или Интеллектуальный анализ данных- ИАД).

Конечной целью применения Data Mining в Database Marketing является фор­мирование маркетинговой стратегии предприятия с минимальным участием самого эксперта. По сути его функции сводятся к определению желаемой цели и последую­щему контролю машинного анализа.

Процесс применения Data Mining менеджером Database Marketing в общих чертах состоит из следующих этапов:

1.Формулирование вопроса, на который необходимо получить ответ.

2.Построение модели, которая определяет, как от независимых переменных за­висит выбранная целевая переменная

3.Статистическое тестирование этой модели на известных данных

4.Повторение шагов 2-3 пока не достигается желаемая точность предсказания.

5.Построение маркетинговой стратегии, основанной на полученной модели.

Системы CRM.

В CRM-системах, непосредственно реализо­ваны концепции интеллектуального анализа, применяемые в данной области.

CRM-система- система анализа различных данных, относящихся как к само­му клиенту, так и к деятельности фирмы. Система осуществляет поиск закономерностей в этих данных для выработки наиболее эффективной стратегии маркетинга, продаж, обслуживания клиентов и т. д. Для решения этих задач системе требуется:

- хорошая интеграция подсистем,

- большой объем наработанных статистических данных,

- эффективный аналитический инструментарий,

- интеграция с другими системами, автоматизирующими деятельность пред­приятия.

Технология CRM.

Основная часть современных систем CRM базируется на принципе "Клиент-Сервер", то есть все данные CRM-системы хранятся и обрабатываются в одной цен­трализованной Базе Данных, а клиенты имеют к ним доступ через удаленные терми­налы. Клиентами таких CRM-систем могут быть как внешние, так и внутренние по отношению к компании пользователи.

Взаимодействие между Клиентом и Сервером может осуществляться на осно­ве Intranet/Internet.

Часть "Сервер" обычно состоит из двух приложений:

- СУБД для хранения, обработки данных;

- системы OLAP(On-line Analytical Processing- аналитическая обработка дан­ных в реальном масштабе времени) и Data Mining для анализа.

Чаще всего компании используют в качестве СУБД продукты от известных производителей, такие как Oracle, Interbase, Microsoft SQL Server. Индивидуальным решением каждого разработчика CRM-систем обычно является построение OLAP-и Data Mining-приложений.

eCRM - системы для электронной коммерции.

Очень популярным на сегодняшний момент направлением CRM-сиcтем являются CRM-системы для электронной коммерции(eCRM),Однако прежде необходи­мо определиться с терминологией.

Т.к. все современные системы CRM, независимо от того, в какой сфере бизне­са они задействованы, так или иначе используют Интернет-технологии (например, для получения необходимой информации о клиенте) то, очень часто разработчики CRM-систем прибавляют к названию своих продуктов букву "е", но эти V-CRM-системы никакого отношения к электронному бизнесу не имеют.

Настоящие eCRM-системы обладают всеми функциями обычных CRM-систем, плюс они полностью интегрируются с web-сайтом компании - вся информа­ция с сайта попадает в систему eCRM. Причем сама система может определять по­строение сайта и эффективно обслуживать каждого клиента в процессе интернет-покупки или оказания интернет-услуги.

eCRM-система может быть интегрирована отдельным модулем в основную систему CRM, если компания, помимо своей основной деятельности, ведет свой бизнес в Интернет,

Наиболее популярным видом CRM-систем в электронной коммерции явля­ются системы eCRM для интернет-магазинов (на этом рынке присутствует огромное количество разработчиков eCRM-систем).

Рынок CRM.

В настоящее время мировой рынок ERP-систем так или иначе стабилизировался, а рынок систем CRM еще только развивается,

В настоящее время в России практически нет разработчиков полноценных CRM-систем. Большая часть CRM-систем, являются решениями западных компа­ний, оптимизированными разработчиками или их российскими партнерами для со­ответствия российским стандартам.

Необходимо отметить, что CRM-системы требуют значительно меньшей до­работки, чем ERP-приложения, в которых нужно учитывать законодательство по бухгалтерскому, финансовому и хозяйственному учету. CRM-системы относительно легко локализировать в любой стране - основную часть оптимизации составляет пе­ревод.

Дополнительной эффективности организация может добиться и от интегра­ции обеих систем. Иногда уже сами разработчики предлагают ERP-системы с эле­ментами систем CRM.

Интеллектуальный анализ данных в управлении маркетингом.

Интеллектуальный анализ данных (ИАД), или Data Mining (“Добыча данных”) – это процесс поддержки решений, основанный на поиске в данных скрытых закономерностей. При этом накопленные средства автоматически обобщаются до информации, которая может быть охарактеризована как знания.

В общем случае ИАД состоит из трех стадий:

1. выявление закономерностей (свободный поиск);

2. использование выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование);

3. анализ исключений, предназначенный для выявления и толкования аномалий в найденных закономерностях.

Все методы ИАД подразделяются на две группы по принципу работы с исходными обучающими данными.

В первом случае исходные данные могут храниться в явном детализированном виде и непосредственно использоваться для прогностического моделирования и/или анализа исключений; это так называемые методы рассуждений на основе анализа прецедентов. Главной проблемой этой группы методов является затрудненность их использования на больших объемах данных, хотя именно при анализе больших хранилищ данных методы ИАД приносят наибольшую пользу.

Во втором случае информация вначале извлекается из первичных данных и преобразуется в некоторые формальные конструкции. Согласно предыдущей классификации, этот этап выполняется на стадии свободного поиска, которая у методов первой группы в принципе отсутствует. Таким образом, для прогностического моделирования и анализа исключений используется результаты этой стадии, которые гораздо более компактны, чем сами массивы исходных данных.

К первой группе можно отнести рассуждения на основе анализа прецедентов; ко второй группе относятся методы кросс табуляции и байесовские сети, методы логической индукции, включая деревья решений и индукцию правил, статистические методы, эволюционное моделирование (генетические алгоритмы, искусственные нейронные сети).

Выделяют пять стандартных типов закономерностей, которые позволяют выявить методы ИАД:

- ассоциация;

- последовательность;

- классификация;

- кластеризация;

- прогнозирование.

Ассоциация имеет место в том случае, если несколько событий связаны друг с другом. Если существует цепочка связанных во времени событий, то говорят о последовательности. С помощью классификации выявляются признаки, характеризующие группу, к которой принадлежит тот или иной объект. Это делается посредством анализа уже классифицированных объектов и формулирования набора правил.

Кластеризация отличается от классификации тем, что сами группы заранее не заданы. С помощью кластеризации средства ИАД самостоятельно выделяют различные однородные группы данных.

Основой для систем прогнозирования служит историческая информация, хранящаяся в БД в виде временных рядов. Если удается найти шаблоны, адекватно отражающие динамику поведения целевых показателей, есть вероятность, что поведение системы в будущем.

Приведем некоторые актуальные применения АИД в сфере маркетинга.

Маркетинговые исследования:

- Определение характеристик типичных покупателей продукции фирмы для выявления новых потенциальных клиентов (профилирование клиентов).

- Выявление основных сегментов рынка и наиболее благоприятных подмножеств, а также исследование зависимостей между основными показателями и характеристиками сегментов.

Розничная торговля:

- 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 предприятием принимать решения о создании товарных запасов.

- 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.