Развитие отношений с клиентами посредством внедрения интеллектуальных систем

Мировой кризис стал влиять в достаточной степени на рост спроса на системы, ориентированные на интеллектуальную обработку данных. Информационные системы в нашем случае требуются для анализа большого объема информации и трансформации данных для корпоративной отчетности или построения бюджетов компании. Средствами бизнес – аналитики позволяют проводить полноценный многофакторный анализ, который не достаточен для полноценного анализа данных. Здесь потребуется кластерный анализ опосредованных данных. Кластерный анализ не в полной мере отражает настоящую действительность, а именно чувствительность методов кластеризации и классификации к выбору набора параметров довольно расплывчатая.

Момент развития отношений системы и клиента начинается со сбора информации. Для этого нужно хранить и обрабатывать информацию. Данные могут добываться из разрозненных источников различными путями, в своей совокупности нередко характеризуются противоречивостью, слабой связанностью и неоднородностью. Но как это ни парадоксально, такая сырая информация имеет большую цену: плохие с точки зрения постулатов «хорошей базы данных» свойства информации – избыточность и противоречивость – позволяют, фигурально выражаясь, находить истину путем анализа противоречий лжи [1, c. 1].

Гипотетически хранить надо любую информацию, которая может быть полезна в рамках системы принятия решений. Эти сырые данные нужно объединить в единое хранилище, который представляет собой некий аппаратно-программный комплекс, гарантирующий совокупную ценность объекта. Данное предписание о целостности данных трудно отразить в системах такого уровня. Систему трудно адаптировать к предметной области. И с целью увеличения воспроизводимости данных и снижения стоимости их разработки системы проектируются те свойства объекта, которые нужны в первую очередь. Данные, для аналитической работы в необработанным виде, представляют собой многомерный куб информации.

Многомерный куб представляет собой набор функций многих переменных, заданных в кубической форме в едином пространстве. И что считать измерением, а что показателем, зависит от предметной области и целей исследования. Это своего рода некий дуализм, отражающий как направление (измерение), так и цели (показатели)[1,c. 2].

Чем больше измерений, тем больше вычислительных ресурсов требуется для анализа данных. Но с этим легко справляются приспособленные методы кластерного анализа, а именно кластеризации. Кластеризация, в общем смысле, не чувствительна к такого рода свойствам признака. Свойства исследуются при дальнейшем анализе, прибегающем совокупные методы, порой и комбинирование методов кластеризации с методами маркетинга. Методы такого совокупного анализа обеспечивают решение проблемы выбора некоторого подмножества элементов из большого исходного множества, а точнее качественной информации.

Поэтому можно сказать, что в разных задачах анализа данных приходится выбирать подмножество объектов (задача выбора прецедентов), подмножество групп объектов (задача численной таксономии или задача кластеризации данных), подмножество характеристик (задача выбора информативного пространства) и их групп (задача формирования факторов). Все это можно отнести к проблемам выбора элементов в задачах системного анализа данных, многомерного анализа данных и управления.

Развитие теории управления предприятием, инжиниринга, внутрифирменных процессов, организационных структур привело интеллектуальные системы к общему единому знаменателю – созданию систем планирования и управления внутренних ресурсов компаний. Например, ERP системы направлены на снижение внутрефирменных издержек, поиск и привлечение внутренних резервов.

Глобализация рынков, сокращение срока жизни создаваемых продуктов, усиление конкуренции привело экономические теории к созданию технологий управления взаимоотношений с клиентами (CRM). Эти стратегии направлены на максимально возможное накопление истории взаимоотношений с клиентами, касающиеся всех возможных аспектов таких взаимоотношений, обеспечивающие его максимальную лояльность и удержание за счет удовлетворения его потребности в нужный момент времени в одном месте из одних рук с гарантированным качеством. Такие изменения принципов хозяйствования предприятий дали толчок созданию программных продуктов в области CRM – систем. [2, c. 1]

Возможности автоматизации деятельности аналитика в области задач анализа полученной информации, определяется наличием научно-обоснованных методик, техник и моделей работы в данном сегменте процесса анализа. Мы имеем хорошо проработанный аппарат в этой области у родственной специальности - специалистов в области маркетинга, который представлен широким спектром методик и моделей для выполнения анализа и прогнозирования ситуаций. Но рынку пока мало известно средств программного обеспечения в области информационного анализа, помогающих моделировать жизненные, социальные ситуации в зависимости от складывающихся неформальных обстоятельств, трудно поддающихся следованию объективным рыночным законам. В качестве примера: возможно, привести маркетинговое исследование возможности выхода той или иной компании, выпускающей газированную воду, на один из региональных рынков. И возможно, с точки зрения объективных законов рынка исследование покажет хорошие перспективы выхода на этот рынок у этой компании, особенно если она вооружена хорошо развитой торговой маркой в этой области.

Но аналитическое исследование тех же действий может показать совершенно обратную картину, потому что оно затронет другую сторону человеческих взаимоотношений, которая не регулируется законами рынка, этой стороной является сеть неформальных взаимоотношений субъектов. В таком исследовании уже важную роль играет категория связь объектов, их устойчивость, сила административного ресурса, оценка криминальной и политической ситуации в регионе. То есть область исследования лежит в плоскости больше социальной, чем рыночной, а здесь уже действуют другие законы и модели [2,c. 2].

Приведем конкретный пример развития отношений с клиентами посредством внедрения интеллектуальных систем. В процессе исследовательской работы над проектом «Кластерный анализ клиентской базы франчайзинговой компании» были выдвинуты следующие задачи:

1. Реализация комплекса методов кластерного анализа и проведение качественного исследования.

2. Разработка программного обеспечения иерархического метода кластеризации и метода стратегического планирования BCG Matrix.

3. Сравнительный анализ изученных методов кластеризации: метода «Кинга», метода«Форель», метода «полных связей», метода «к-средних», метода «Мак-Куина», метода «Уорда», метода «дальнего соседа» и разработанного метода кластеризации «Комбинация методов Форель и Ближайшего соседа».

4. Осуществление сегментации клиентов: использование процедуры кластерного анализа и метода стратегического планирования BCG Matrix для определения числа клиентов и их профилирования.

Целью работы является сегментация клиентов по определенным признакам, проведение интеллектуального анализа данных франчайзинговой компании, реализация методами кластерного анализа надежной системы, исследование методов кластерного анализа, сравнительный анализ методов кластеризации.

В результате проведенной работы был создан программный комплекс. Программный комплекс состоит из:

- модуля «Segmentation» - реализация комплекса методов кластерного анализа (рис. 1).

- модуля «MacrosClastering» - реализация иерархического метода «полных связей» и BCG Matrix.

Данный программный комплекс «Кластерный анализ клиентской базы франчайзинговой компании» представляет собой надежную систему и позволяет производить анализ данных, оценивать результаты с помощью визуализации данных, отчетов в графическом и текстовом виде.

Рис.1. Модуль «Segmentation»

Существуют другие инструменты моделирования процессов кластеризации: OSSA, MS Excel, STADIA, SPSS, STATA, STATISTICA, JMR, SYSTAT, NCSS, MINITAB 14, PRISM, Matlab, язык R (прародитель практически всех статистических пакетов). Язык R ориентируется на создание пакетов готовых решений (в различных областях).

Но в отличие от всех остальных, комплект программ «Кластерный анализ клиентской компании» открывает широкий спектр решаемых задач за счет большого количества эффективных методов кластерного анализа [3,c. 1] и использования метода BCG Matrix.

Итогом может служить тот факт, что комбинирование методов позволяет получить лучшие результаты [4,c. 2], чем одиночное использование методов кластерного анализа (кластеризации) и маркетинговых решений.

Использования метода BCG Matrix дает хорошие результаты при малом количестве признаков. Но разработанный метод «Комбинация методов Форель и Ближайшего соседа» дает наиболее лучший результат, чем метод BCG Matrix и отдельные методы кластеризации.

Основными результатами работы являются следующее:

1. Реализован комплекс методов кластерного анализа и проведен качественный анализ данных франчайзинговой компании.

2. Разработано программное обеспечение иерархического метода кластеризации и метода стратегического планирования ВСG Matrix.

3. Проведен сравнительный анализ изученных методов кластеризации: метод «Кинга», метод «Форель», метод «полных связей», метод «к-средних», метод «Уорда», метод «дальнего соседа» и разработанного метода «Комбинация методов Форель и Ближайшего соседа».

4. Произведена сегментация клиентов с использованием процедуры кластерного анализа и метода стратегического планирования ВСG Matrix для определения числа клиентов и их профилирования.

5. Результаты дипломной работы внедрены и используются в интеллектуальном анализе данных франчайзинговой компании ООО «Автоматизация - Л».

Таким образом, с разработкой комплекса программ «Кластерный анализ клиентской базы франчайзинговой компании» (зарегистрирован в государственном информационном фонде неопубликованных документов, номер государственной регистрации № 50200900534 программного комплекса в ФГНУ «Центр информационных технологий и систем органов исполнительной власти») является одной из систем типа CRM, применяемая для получения более «выгодных» клиентов для организации, тем самым мы определяем с помощью этой разработанной системы и разработанных методов некий прототип интеллектуальной системы, определяющая развитие отношений с клиентами посредством внедрения интеллектуальных систем.

Литература:

1. Business Intelligence и Data Mining как вклад в лояльность клиентов и рост бизнеса. http://loyaltymarketing.ru/articles/2009/12/07.html.

2.Проблемы автоматизации деятельности аналитика. http://it2b.ru/blog/arhiv/639.html.

3. Biosca, J., Lerma, J., 2008. Unsupervised robust planar segmentation of terrestrial laser scanner point clouds based on fuzzy clustering methods. ISPRS Jornal of Photogrammetry and Remote Sensing, Volume 63(1), Pages 84-98.

4.Iyigun and A. B-I. Contour Approximation of Data: A Duality Theory, (submitted) http: // benisrael.net/DUAL-12-20-07.pdf.