Сферы практического применения методов Data Mining в маркетинге
Оцениваются перспективы развития конъюнктуры определенного рынка, изменения рыночных условий на будущие периоды, определяются тенденции рынка (структурные изменения, потребности покупателей, изменения цен). Обычно в этой области решаются следующие практические задачи: прогноз продаж товаров (например, с целью определения нормы товарного запаса); прогнозирование продаж товаров, оказывающих влияние… Читать ещё >
Сферы практического применения методов Data Mining в маркетинге (реферат, курсовая, диплом, контрольная)
В табл. 6.12 представлены наиболее известные на сегодняшний день практические применения технологии Data Mining в маркетинге, а также целевая направленность решаемых с ее помощью задач1.
Сферы применения технологии Data Mining в маркетинге.
Таблица 6.12
Решаемая задача | |
Сегментирование клиентов и углубленный анализ их потребностей. | Сегментирование и построение подробных профилей различных групп клиентов (например, профилей «высокодоходных», «менее выгодных», лояльных клиентов) дает возможность дифференцированно и более точно подходить к различным группам клиентов, учитывая особенности и специфические нужды каждой из них, что в итоге приводит к их большему удовлетворению и повышению лояльности. |
1 URL: http://old.x-on.ru/work/2−4-primenenie-data-mining-v-interaktivnommarketinge/.
Решаемая задача | |
Анализ продаж продукции. | Построение подробных профилей различных категорий продаваемых продуктов (например, продуктов с высокими объемами продаж или различных товарных групп) позволяет выяснять закономерности, характерные для продуктов-лидеров или продуктов-аутсайдеров, понять, кто покупает определенные продукты. Это позволяет, в частности, более четко понимать целевую аудиторию различных продуктов и, следовательно, более грамотно их позиционировать и продвигать. |
Выявление наиболее эффективных маркетинговых инструментов. | Выявление маркетинговых или рекламных инструментов, наиболее сильно влияющих на объем продаж различной продукции (например, Data mining может обнаружить, что «повышение объема уличной рекламы продукта на 7% при слабом увеличении его цены может увеличить объем продаж на 3%»). |
Планирование продаж. | Построение краткосрочных и долгосрочных прогнозов будущих объемов продаж различной продукции, что позволяет повысить эффективность планирования, а также снизить издержки и повысить гибкость маркетингового управления. |
Проведение более целенаправленных маркетинговых акций и оптимизация маркетингового бюджета. | Построение подробных профилей различных групп продуктов и покупателей, позволяющих проводить рекламные, маркетинговые и PR-акции, точно нацеленные именно на необходимую аудиторию, что в итоге приводит к повышению их эффективности. Знание наиболее «сильных» маркетинговых инструментов позволяет также более эффективно распределять ресурсы и оптимально расходовать маркетинговый бюджет. |
Вывод на рынок новых продуктов. | Анализ клиентов и их потребностей с целью выявления новых продуктов, которые будут привлекательны и востребованы как реальными, так и еще потенциальными клиентами. |
Выявление факторов, влияющих на выбор клиентом продукта той или иной компании. | Анализ результатов маркетинговых исследований клиентов с целью выявления факторов, наиболее сильно влияющих на различные группы клиентов при выборе ими продукта той или иной компании (иначе говоря, поиск ответов на вопросы типа: «Почему одни клиенты выбирают наш продукт, тогда как другие — аналогичный продукт нашего конкурента?»). |
Разработка более эффективных маркетинговых стратегий и планов продвижения продуктов. | Выявление целевой аудитории различных продуктов компании для планирования, разработки и осуществления маркетинговых и рекламных мероприятий, нацеленных именно на эту аудиторию, что в итоге повышает эффективность проводимых мероприятий. |
Решаемая задача | |
Изучение конкурентной среды и анализ конкурентных позиций компании. | Анализ рыночной информации с целью получения полной и всесторонней картины рынка, выявления сильных и слабых сторон конкурентов, оценки их текущих конкурентных позиций (такой анализ дает возможность принимать более обоснованные и эффективные стратегические решения, направленные на усиление позиций компании в конкурентной борьбе). |
Более эффективный анализ результатов маркетинговых исследований. | Анализ результатов маркетинговых исследований клиентов (например, результатов опросов), позволяющий обнаруживать гораздо больше полезных и интересных знаний и закономерностей о них, чем это возможно при помощи стандартных статистических методов, которые предназначены в первую очередь для обобщения собранной информации. |
Прогнозирование рынков. | Оцениваются перспективы развития конъюнктуры определенного рынка, изменения рыночных условий на будущие периоды, определяются тенденции рынка (структурные изменения, потребности покупателей, изменения цен). Обычно в этой области решаются следующие практические задачи: прогноз продаж товаров (например, с целью определения нормы товарного запаса); прогнозирование продаж товаров, оказывающих влияние друг на друга; прогноз продаж в зависимости от внешних факторов. |
Несмотря на обилие методов Data Mining, в практических приложениях к задачам маркетинга приоритет постепенно все более смещается в сторону кластерного анализа и деревьев решений.
Рассмотрим метод деревьев решений применительно к маркетингу.
Метод создает иерархическую структуру классифицирующих правил типа «if— then» («если — то»), имеющую вид дерева. Для принятия решения, к какому классу отнести некоторый объект или ситуацию, требуется ответить на вопросы, стоящие в узлах этого дерева, начиная с его корня (вопросы имеют, например, вид: «Значение параметра А больше X?»). Если ответ положительный, осуществляется переход к правому узлу следующего уровня, если отрицательный — то к левому узлу. Затем снова следует вопрос, связанный с соответствующим узлом (рис. 6.11).
Например, в задаче кластеризации клиентов при каждом расщеплении дерева клиенты делятся на две группы. По мере того, как Data mining «вкапывается» все глубже и глубже в данные о клиентах, она создает все больше «отфильтрованных» сегментов однородных групп клиентов с похожим поведением.
Каждый конечный узел представляет правило «if — then», которое описывает группу клиентов. Чем глубже спуск по дереву, добавляющий правилу «if — then» новые условия «if», тем выше уровень «уверенности» (confidence) в точности предсказания. Обладая в конечных узлах информацией о группах клиентов со схожими предпочтениями, компания может взаимодействовать с клиентами индивидуализирование.
Рис. 6.11. Пример обработки информации методом деревьев решений Правила типа «if — then» широко используются в алгоритмах поиска в массивах данных причинно-следственных отношений.
Рассмотрим в качестве примера применение причинно-следственных правил в системе STATISTICA Data Miner для нахождения возможных ассоциаций в данных[1].
Пример
Имеется выборка из БД компании, занимающейся продажей электронной и бытовой техники. Выборка состоит из наблюдений о покупках 1000 клиентов по 10 наименованиям товара. Фрагмент исходных данных приведен на рис. 6.12.
Если в ячейке таблицы стоит единицы, это означает, что данный покупатель приобрел данный товар (например, покупатель с ID 10 385 приобрел музыкальный центр, наушники, домашний кинотеатр, ноутбук, DVD-плеер, ЖК-телевизор, холодильник). В последнем столбце таблицы содержится информация о том, воспользовался ли клиент кредитом или расплатился за покупки без кредита.
Понятно, что таблицы подобной структуры содержат огромное количество наблюдений и проводить стандартный статистический анализ для них затруднительно и зачастую неэффективно, так как у аналитика отсутствует полное представление о возможных связях, содержащихся в имеющихся данных.
В системе STATISTICA Data Miner поиск ассоциативных связей в данных выполняется с помощью инструмента Association Rules (Правила ассоциации), в котором разыскиваемые правила «if— then» имеют вид.
Body-> Head,.
что означает «при наличии условия Body имеет место следствие Head».
Рис. 6.12. Пример выборки из БД сети магазинов.
Например, система обнаружила, что покупка домашнего кинотеатра в 84% случаев происходит в кредит и отразила это в правиле.
«Кинотеатр» => «Кредит=Да».
Для включения правила в итоговый список искомых ассоциаций должны выполняться условия ограничения на поиск, которые задаются нижними границами параметров достоверности и корреляции. При их увеличении будет уменьшаться количество ассоциативных правил, попадающих в итоговую таблицу, так как увеличение этих параметров означает, по существу, поиск все более и более надежных зависимостей в данных. Так, при уровне достоверности 1 в итоговую таблицу попадут только те правила (если конечно таковые найдутся), которые соответствуют следующему принципу: из, А всегда (в 100% наблюдений) следует В.
В итоге своей работы над наблюдаемыми данными система Data Miner обнаружила в них 18 ассоциативных правил, которые удовлетворяют заданным ограничениям на уровень достоверности и корреляции (рис. 6.13).
Каждая строка результативной таблицы представляет одно из найденных ассоциативных правил: графа Body задает условие правила (например, «Принтер = 1»), графа Head — следствие (например, «Кредит = да»).
При этом для каждого правила зафиксированы показатели его надежности:
- • Support (Body, Head) («совместная» поддержка) — показывает, для какой доли всех наблюдений верны и причина, и следствие;
- • Confidence (Body => Head) (достоверность) — показывает, для какой доли всех наблюдений выполняется принцип: если верна причина, верно и следствие;
- • Correlation (корреляции) — статистический показатель тесноты связи причины и следствия.
Из таблицы можно понять, например, что люди в 81% случаях покупают холодильник в кредит. Клиенты магазина вместе с ЖК-телевизором покупают DVD-плеер (61%), вместе с компьютером приобретают принтер (85%).
Рис. 6.13. Результаты анализа данных с помощью инструмента Association Rules.
Можно обнаружить и немного неожиданные связи, такие как покупка принтера при приобретении ЖК-телевизора (66%).
Для более наглядного представления правил ассоциаций система позволяет использовать графики правил. Они содержат ту же информацию, что и итоговая таблица, однако позволяют визуально сравнивать правила между собой.
Таким образом, использование инструмента Association Rules пакета STATISTICA 10 позволяет пользователю без особого труда найти на этапе разведочного анализа возможные скрытые зависимости и взаимосвязи данных, а также определить наиболее значимые признаки и отбросить несущественные.
- [1] URL: http://www.statsoft.ru/products/STATISTICA_Data_Miner/examples-of-data-mining.php