Data Mining: le cerveau derrière eCRM

  • Écrit par : Steve McVey
  • Date de publication : juillet 18 2013



Data Mining: le cerveau derrière eCRM S.         McVey          - Novembre         6 2000

Présentation         

        Alors que la gestion de la relation client (CRM) reçoit beaucoup d'attention,         un élément important est souvent négligé - comment une entreprise efficace         utilise ses données clients existantes pour améliorer la fidélisation de la clientèle, tout en         l'identification de nouveaux acheteurs potentiels de produits et services. L'exploration de données         a émergé après des débuts obscurs de l'intelligence artificielle pour devenir         un outil viable et de plus en plus populaire pour mettre les données à travailler.

Quel         est eCRM?

        Customer Relationship Management est un terme de l'industrie de l'information pour les méthodologies         et des logiciels qui aident les entreprises à gérer les relations avec les clients dans un cadre structuré         voie. Par exemple, une entreprise pourrait construire une base de données sur ses clients         qui décrivent les relations avec suffisamment de détails. Idéalement, l'information         dans la base de données peuvent ensuite être consultée par la direction, les vendeurs, helpdesk         personnel, et d'autres pour répondre aux besoins des clients avec des plans de produits et des offres,         rappeler aux clients les besoins du service, et de savoir ce que les autres produits         un client a acheté. CRM évidemment existé avant qu'il y ait une information         l'industrie, même les grands vendeurs de la littérature tels que Willie Loman et         «Professeur» Harold Colline dû leur succès à la connaissance de leurs clients         et ce que les clients voulaient.

CRM         a été une information segment vital de l'industrie depuis de nombreuses années, mais la         besoins particuliers des entreprises sur Internet pour le traitement en temps réel de grande         volumes de données conduit à la création d'un troupeau de startups et la frappe         du terme «eCRM» pour décrire leur niche. Certaines des caractéristiques spéciales         de eCRM étaient qu'il servait essentiellement (et a été offert par) des entreprises point-com,         qu'elle tend à être faible sur les formes traditionnelles de traitement CRM,         et qu'il a fait utilisation efficace des technologies de l'Internet, telles que la connexion         un client en ligne avec un représentant du téléphone et d'afficher automatiquement         Les données du client sur l'écran du représentant. Cependant, comme des briques et de mortier         les entreprises à élargir à l'Internet et à l'ancienne ligne de CRM et d'analyse des entreprises font de même,         la ligne entre CRM et e-CRM devient trop flou pour rien.

Certains         objectifs du eCRM sont les suivants:

  • Enable           services de marketing pour identifier et cibler leurs meilleurs clients, de gérer           campagnes de marketing avec des buts et des objectifs clairs, et de générer qualité           pistes pour l'équipe de vente

  •         Aider
  •           organisations dans l'amélioration de la télévente, le compte et la gestion des ventes           en optimisant l'information partagée par plusieurs employés, et la rationalisation           processus existants

  • Tailor           relations avec les clients afin d'améliorer la satisfaction des clients et de maximiser           profits

  •         Identifier
  •           clients les plus rentables et de leur fournir le plus haut niveau de           Service |           
  • Fournir           employés avec les informations et les processus nécessaires pour comprendre           aux besoins de leurs clients et d'établir de solides relations entre la société,           sa base de clients et de partenaires de distribution

Quel         est Data Mining?

        L'exploration de données est une approche automatisée pour découvrir ou déduire caché         des modèles ou des connaissances enfouies dans les données. Par «caché», nous entendons les modèles qui         ne sont pas pris apparent par simple observation. En tant que composante du eCRM,         exploration de données peut aider le personnel de marketing en aidant à répondre aux questions suivantes         types de questions:

            Y at-il
  •           personnes supplémentaires qui je dois commercialiser, ou que je suis actuellement absent?           

  • qui           traits de ce produit n'ont mes clients perçoivent plus favorablement?

  • Can I           créer d'autres produits qui contiennent le meilleur de ces traits?

Bien que divers         techniques de fouille de données existent, la plupart d'entre eux appartiennent à l'une des options suivantes         deux catégories, a supervisé et l'apprentissage non supervisé. Les utilisateurs s'appliquent données         logiciels d'extraction utilisant l'un de ces deux algorithmes d'apprentissage pour construire         un modèle d'exploration de données.

supervisée         et apprentissage non supervisé

        En supervisé apprentissage , l'utilisateur construit le modèle en         fournissant exemple des ensembles de données d'entrée et les ensembles correspondants de sortie         données. Animaux de formation offre une bonne analogie pour l'apprentissage supervisé. Lors de         formation d'un chien pour rouler, le propriétaire va dire: «roll over» (l'entrée),         puis saisir Fido de chaque côté et tourner physiquement lui latéralement sur         la masse afin de simuler la réponse souhaitée: un rouleau (la sortie). Finalement         le chien réagira automatiquement à la "roll over" commande avec l'         les mesures appropriées. L'analogie échoue, cependant, lorsque l'étendant aux données         l'exploitation minière. Dans l'exploration de données, le modèle formé doit répondre à plus de         juste connu entrées, mais il doit donner des résultats significatifs lors de la réception roman         entrées. (Notre chien serait confondu par "rouler" ou "enrouler".)

A         exemple d'exploration de données peut impliquer un directeur du marketing qui veut stimuler         les ventes d'un nouveau CD. Le gestionnaire peignait la base de données pour les dossiers         des clients qui ont déjà acheté le CD, et de présenter quelques-unes de ces         à l'algorithme d'apprentissage, le chargeant de reconnaître à partir de l'autre         achats que ceux-ci sont des acheteurs potentiels du CD cible. L'algorithme         serait testé avec les dossiers des clients restants. Dossiers des clients         qui n'a pas acheté ce CD serait aussi utilisé dans la formation et les tests.         Si l'algorithme montre un taux élevé d'acheteurs prédisant des non-acheteurs         il serait utilisé comme un moteur de recommandation, lorsque les clients visitent le         Site ceux qui partition hautement serait offert le CD cible comme une recommandation.         

        modèles d'exploration créés par apprentissage supervisé sont souvent appliquées dans des cas         où les utilisateurs veulent comprendre le résultat ou les conséquences d'une donnée         ensemble de données de profils de clients jamais rencontrés. En fournissant à la fois         les entrées et les sorties attendues, l'apprentissage supervisé permet aux utilisateurs de créer         des modèles de prévision et d'identification.

En         contraste pour l'apprentissage supervisé, sans surveillance apprentissage constructions         modèles d'exploration de données indépendants de tout critère de performance fournis. Le         algorithme qui crée ces modèles recherches à travers une vaste collection         des données d'entrée et trouve les relations de son propre chef, sans exiger la         utilisateur à fournir une sortie attendue. Dans notre analogie de formation de chien, cela         équivaut à crier une série de commandes chez Fido et le laisser         décider comment réagir. Commandes similaires (mesurée avec une tolérance spécifiée)         serait sans doute lui faire effectuer la même affaire, mais l'affaire pourrait         être complètement nouveau, c'est celui que nous pourrions ne pas avoir anticipé (comme         aller chercher les restes du réfrigérateur).

non surveillée         modèles d'apprentissage sont idéales pour identifier les tendances nouvelles dans les données qui         autrement, pourraient aller découvrir. Par exemple, si un livre est examinée favorablement         sur l'émission de radio nationale ses ventes pourraient soudainement en flèche. Un site Web         voudrait le reconnaître et recommander le livre à des acheteurs potentiels.         Depuis l'examen n'était connue à l'avance et le phénomène ne         dure environ une journée, le site Web doit être capable de reconnaître le modèle         telle qu'elle ressort et d'y répondre sans intervention de marketing. En effet,         sur n'importe quel jour donné, il peut y avoir des centaines de ces schémas de courte durée         que le site pourrait tirer profit.

Résumé

surveillées             Apprendre non supervisée             Apprendre
  •                 Un ensemble de produits cibles (réel) sont utilisées pour comparer entre réel                 et produisaient lors de l'apprentissage (par exemple, la construction du modèle)

  •                 Utilisé pour la construction de modèles prédictifs
  •                 Les modèles sont construits indépendamment de toute prestation fournie                 critères

  •                 Utilisé pour la recherche de modèles de nouvelles

BAS         LINE

Recommandations de l'utilisateur

        capacités d'exploration peuvent jouer un rôle important dans la réussite client         gestion de la relation. Dans l'évaluation d'un package d'exploration de données, les utilisateurs doivent         demander dans quelle catégorie, avec ou sans supervision, il tombe et si         il est adapté à leurs besoins. Par exemple, les compagnies d'assurance qui cherchent         de prédire fraude à l'assurance devrait envisager paquets qui utilisent sans surveillance         apprentissage, car il n'y a généralement pas de données de référence pour servir de prédicteurs.         Produits de consommation détaillants peuvent utiliser des techniques non supervisées à découvrir         Les habitudes d'achat des clients en caisse enregistreuse des données de réception afin de groupe         articles de manière optimale dans leurs magasins. L'apprentissage supervisé doit être utilisé lorsque         l'on souhaite mesurer l'écart par rapport à un résultat connu. Par exemple,         un département de marketing peut savoir quelles combinaisons de produits (par exemple, cellule         téléphones et accessoires) sont achetés par certains groupes d'âge. Supervisé         apprentissage peut créer un modèle qui enregistre ces "vérités" connus sur client         les habitudes d'achat qui peut ensuite être utilisé pour qualifier l'achat de données qui ne         ne pas correspondre exactement à ces vérités. Cela peut aider les commerçants à s'adapter         leur stratégie en conséquence.

Pour         de nombreuses entreprises les avantages de l'exploration de données sont d'abord réalisées dans la région         du marketing. Le processus de collecte et de segmenter les données des clients pour         des campagnes de marketing efficaces a toujours été plus un art qu'une         une science. Cependant, les approches automatisées telles que l'extraction de données offrent aux entreprises         avec de meilleures façons de planifier et de gérer les campagnes de marketing. Les entreprises avec         de grandes bases de données clients devraient envisager une solution de data mining pour la campagne         qui peuvent tirer parti de leurs volumes de données de gestion et d'analyse de la clientèle         pour améliorer la fidélité des clients, qualifier et comprendre leurs clients, et         générer des affaires de répétition.

de l'éditeur         Remarque:         Cet article a été modifié de sa forme originale depuis l'original         date de publication.

 
comments powered by Disqus