Данная статья о том, как с помощью аналитического CRM и Data Mining можно зарабатывать деньги. Статья должна быть особенно полезна для компаний, которые уже приобрели Microsoft SQL Server 2000 и одновременно с этим бесплатно получили средства Data Mining. Технология Data Mining позволяет сравнительно легко заработать денег маркетологам и сбытовикам, а также разработчикам аналитических систем. Предлагаемая статья предпочтительно рассчитана на тех, кто уже прочитал обзорные материалы по CRM и хочет узнать как быстро и с приличной отдачей сделать бизнес-решение. В частности я ожидаю, что маркетолог уже имеет представление о CRM, а разработчик прочитал обзорный материал по Microsoft Analytical Services из MS SQL 2000. Cтатья посвящена аналитическим CRM на основе Data Mining, которые быстро внедряются с большим эффектом. Мы рассмотрим конкретное бизнес-решение на основе операционной CRM-системы Sales Expert и 1С: Предприятия для MS SQL 2000.

Data Mining вовсе не панацея и не всемогущая технология. Как и любой другой инструмент, он имеет свои ограничения и сферу применимости. Незнание ограничений и особенностей Data Mining ведет к тому, что разработчик и клиент зря теряют время и деньги на бесполезных экспериментах.

Наиболее легко с технологической и организационной точки зрения можно получить хорошие результаты, сосредоточившись на изучении характеристик клиента средствами Data Mining. Следует отметить, что решение других задач, как правило, в 3-5 раз более трудоемко. Например, выявление факторов влияющих на получение прибыли примерно в 4 раза более трудоемко, чем выявление факторов влияющих на перспективность клиента. Поэтому мы рекомендуем начать внедрение Data Mining с клиент-ориентированных задач.

1. Data Mining должен анализировать критерии (дискретные признаки) клиентов. Если признаки невозможно сформулировать и ввести в систему для каждого клиента - Data Mining бессилен. Обычно Data Mining извлекает данные из о критериях из карточек клиентов в операционной CRM-системе или системы учета типа 1С: Предприятия. Примеры необходимых критериев оценки клиентов приведены ниже.
2. Критериев оценки клиентов должно быть много (не менее 5-10 различных признаков клиента). Data Mining - эффективное средство поиска скрытых закономерностей, которое позволяет узнать какие комбинации из 50-100 признаков клиентов оказывают влияние на его поведение. Если признаков клиента мало, большой пользы от Data Mining нет, т.к. зависимости между 2-3 критериями можно достаточно просто узнать используя только OLAP. Если критериев меньше 3-5, скорее всего Data Mining не откроет ни чего нового. Например, если данные о клиенте состоят только из его названия и реквизитов, для использования Data Mining нет особых причин, сначала надо провести анкетирование клиентов.
3. Критерии оценки клиента должны принимать ограниченный (дискретный) набор значений, причем желательно чтобы вариантов значений было как можно меньше (3-5). Data Mining значительно хуже работает с вещественными величинами, такими как объем продаж и прибыль. Поэтому перед анализом следует сформулировать дискретные критерии для вещественных величин. Например, следует сформулировать и использовать критерии "Высокая прибыль", "Средняя прибыль", "Низкая прибыль" вместо конкретных значений прибыли.

Формулирование критериев оценки клиента требуют большого опыта. Data Mining коварен и капризен: на маленьких тестовых данных закономерности могут выявляться хорошо, но на реальных данных из тысяч документов те же подходы оказываются нерабочими. Рекомендуем заказать небольшой консалтинг по учету информации о клиентах. Неудачно сформулированные критерии превратят информацию вводимую пользователями в ненужный мусор из которого Data Mining не сможет вытащить нужные закономерности и прогнозы. Кроме того, критерии оценки клиентов должны поддаваться возможности сбора с организационной точки зрения.

Приведу классический набор критериев оценки клиента, которые можно найти в таких CRM-системах как Sales Expert или "Град Контакты". Указанные данные обычно собираются методом анкетирования клиентов. Для разработчика поясню: это поля-справочники формы "Клиент" или "Контрагент".

К данным критерием следует добавить еще не менее 5ти исходя из специфики бизнеса. Обращаем внимание, что "малозначительные" на первый взгляд критерии могут оказаться определяющими. Например, пол и возраст начальника закупочного отдела клиента могут оказаться важными факторами влияющими на продажи. Data Mining как раз и является средством открытия неожиданных и неизвестных закономерностей в поведении клиента.

Как было указано выше, для внедрения аналитического CRM нужно иметь заполненные карточки клиентов с богатым набором информации. Обычно такие карточки хранятся в операционной CRM-системе типа Sales Expert или могут быть заполнены в учетных системах типа 1С: Предприятия. Сформулируем необходимые шаги для успешного внедрения.

1. Формулируем критерии оценки клиента. Это можно сделать за 1-2 дня без риска, если воспользоваться услугами консультанта.
2. Организовываем средства для ввода значения критериев по клиентам. Для Sales Expert может вполне хватить широкого набора стандартных полей. Для 1С следует в форме "Контрагент" создать необходимые признаки и заполнить их значениями. Отметим, в конфигурациях 1С: Предприятие 7.7 добавление новых полей в форме "Контрагент" не требует программирования.
3. Подключаем средства OLAP и Data Mining к данным. Напомним, пользователи MS SQL 2000 уже имеют средства OLAP и Data Mining. Для доступа к данным Sales Expert из Microsoft Analytical Services нужен ODBC-драйвер к Interbase. Доступ к данным 1С: Предприятия для MS SQL 2000 делаем стандартно через OLE DB Provider. На данном этапе неплохо позвать грамотного эксперта в OLAP и Data Mining , тогда можно этап завершить за 1 день, в противном случае можно потратить несколько недель на разрешение типовых проблем. Эксперт должен предоставить не только консультации, но и готовый набор следующих технологических решений:
   - DTS-пакет для извлечения данных из Sales Expert,
   - набор view для доступа к данным 1С,
   - созданный Data Warehouse для анализа,
   - набор готовых OLAP-кубов с Drill Through,
   - набор Shared Dimensions на все измерения анализа,
   - набор моделей MS Decision Tree с отрегулированными Leaf- и Complex-факторами,
   - набор моделей MS Clustering с отрегулированными Dicretizied-переменными,
   - набор виртуальных OLAP-кубов с включенными размерностями Data Mining,
   - DTS-пакет для обновления кубов и моделей Data Mining по расписанию.
   В общем, заготовки решений с обойденными проблемами.
4. Проверяем через сводные таблицы Excel, что видим правильные данные по продажам во всех необходимых разрезах в OLAP-кубах. Нельзя приступать к построению моделей Data Mining до того как маркетолог не убедится, что исходные данные верные и он им доверяет.
5. Создаем c помощью Microsoft Decision Tree деревья решений факторов влияющих на продажи. Маркетолог должен вместе с разработчиком проанализировать и подобрать наиболее интересные Data Mining -решения.
6. Просматриваем как выглядят продажи с точки зрения классификации факторов в сводных таблицах Microsoft Excel. Включаем результаты как деревья решений в OLAP-кубы, просматриваем и проверяем результаты.
7. Вычисляем потребительские корзины и облики покупателей через Microsoft Clustering. По результатам данного анализа оптимально составить письменные рекомендации по корректировке действий маркетинга и сбыта. Это можно сделать за 1-2 дня если воспользоваться услугами опытного эксперта. Экспертное заключение полезно тем, что им может воспользоваться любой менеджер по продажам без специальной аналитической подготовки.

Интересное наблюдение, пользователи 1C: Предприятия для MS SQL 2000 уже имеют купленное средство Data Mining и для внедрения аналитического CRM- решения требуется только некоторый проблемный и IT-консалтинг в области управления продажами. Указанный набор услуг может получить в компании Поликом Про. Если вы заинтересовались Data Mining рекомендуем посетить сайт www.polikom.ru, там доступна регистрация на бесплатные семинары по Data Mining и CRM.