Управление качеством - Мазур И.И.
ISBN 5-06-004364-9
Скачать (прямая ссылка):
• сегментация клиентов. Разбивая клиентов на различные категории, банки могут сделать свою маркетинговую политику более целенаправленной и результативной, предлагая различные виды услуг разным группам клиентов. Например, банк мол-сет предлагать одну совместную карточку клиентам, которые часто путешествуют, и другую — клиентам, которые всегда вовремя оплачивают
274
Глава 7. Менеджмент как средство повышения качества
свои счета за покупки по кредитным карточкам. Сегментацию полезно также использовать для определения, какие конкретно отделения с наибольшей вероятностью получат прибыль от отдельных рекламных акций.
• прогнозирование изменений клиентуры. Data Mining помогает банкам строить прогнозные модели ценности своих клиентов и соответственным образом обслуживать каждую категорию. Для этого банк выясняет характер потребностей своих сегодняшних прибыльных клиентов и с помощью методов Data Mining определяет общие черты, которыми они обладали несколько лет назад. Затем он выявляет клиентов, имеющих эти черты сегодня, считая их вероятными прибыльными клиентами в ближайшем будущем. Банк может включить указанных клиентов в целевые программы удерживания клиентов, например, предлагая специальные сделки или вводя штрафные санкции за отказ от дальнейших услуг.
Телекоммуникации. В области телекоммуникаций характерен растущий уровень конкуренции. Здесь методы Data Mining помогают компаниям более энергично продвигать свои программы маркетинга и ценообразования, чтобы удерлеать существующих клиентов и привлечь новых. В число типичных мероприятий входят следующие:
• анализ записей о подробных характеристиках вызовов. Назначение такого анализа — выявление категорий клиентов с похожими стереотипами пользования их услугами и разработка привлекательных наборов цен и услуг;
• выявление лояльности клиентов. Некоторые клиенты все время меняют провайдеров, пользуясь программами новых компаний, стимулирующими появление новых клиентов. Data Mining можно использовать для определения характеристик клиентов, которые, один раз воспользовавшись услугами данной компании, с большой долей вероятности останутся ей верными. В итоге средства, выделяемые на маркетинг, можно тратить там, где отдача больше всего.
Страхование. Страховые компании в течение многих лет накапливают большие объемы данных. Здесь большое поле деятельности для методов Data Mining:
• выявление мошенничества. Страховые компании могут снизить уровень мошенничества, отыскивая определенные стереотипы в заявлениях о выплате страхового возмещения, характеризующих взаимоотношения между юристами, врачами и заявителями в случаях, когда требуемая сумма достаточно высока, например при возмещении ущерба;
• разработка продуктов. Data Mining даст возмолшость выявить наиболее выгодные комбинации категорий клиентов, вариантов полисов и их покрытия. Знание таких комбинаций необходимо для разработки новых продуктов и более точной «настройки» существующих продуктов для продажи в будущем;
• анализ риска. Путем выявления сочетаний факторов, связанных с оплаченными заявлениями, страховщики могут уменьшить свои
275
И. И. Мазур, В. Д. Шапиро. Управление качеством
потери по обязательствам. Известен случай, когда в США крупная страховая компания проверила заявления, по которым были выплачены значительные суммы за последние два года. При этом об-нарулшлось, что суммы, выплаченные по заявлениям людей, состоящих в браке, вдвое превышает суммы по заявлениям одиноких людей. Компания отреагировала на это новое знание пересмотром своей общей политики предоставления скидок семейным клиентам.
Другие приложения в бизнесе. Data Mining может применяться во множестве других областей:
• сегментация рынка. Все отрасли могут воспользоваться методами Data Mining для выявления отдельных сегментов своей клиентуры. Data Mining дает предприятиям возможность учитывать намного больше параметров, чем это делалось на основе традиционных методов хранения неструктурированной информации;
¦ • развитие автомобильной промышленности. При сборке автомобилей производители начинают учитывать требования каждого отдельного клиента, поэтому им нужны возможность прогнозирования популярности определенных характеристик и знание того, какие характеристики обычно заказываются вместе.
7.7.3. ТИПЫ закономерностей данных, используемые
в Data Mining
Выделяют пять стандартных типов закономерностей, которые позволяют выявлять методы Data Mining:
• ассоциация;
• последовательность;
• классификация;
• кластеризация;
• прогнозирование.
Ассоциация имеет место в том случае, если несколько событий связаны друг с другом. Например, исследование, проведенное в супермаркете, может показать, что 75% купивших кукурузные чипсы берут также и «кока-колу», а при наличии скидки за такой комплект «колу» приобретают в 85% случаев. Располагая сведениями о подобной ассоциации, менеджерам легко оценить, насколько действенна предоставляемая скидка.
Если существует цепочка связанных во времени событий, то говорят о последовательности. Так, например, после покупки дома в 45% случаев в течение месяца приобретается и новая кухонная плита, а в пределах двух недель 70% новоселов обзаводятся холодильником.
