ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 08.11.2023
Просмотров: 407
Скачиваний: 3
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
интеграция с которыми возможна, а с другой стороны - избежать вероятных проблем, связанных с реализацией бизнес-требований из-за отсутствия исходных данных.
Модель хранилища ACRM
Теперь настало время определиться с моделью, которая будет взята за основу хранилища ACRM. Модель содержит структуру связанных между собой и сгруппированных по предметным областям таблиц фактов и измерений. Она должна быть хорошо продуманной, ведь от нее фактически зависит то, насколько система будет масштабируемой и гибкой в использовании. Можно либо попытаться разработать собственную модель хранилища, что сопряжено с дополнительными временными затратами и рисками, либо взять за основу одну из существующих "референсных" pre-build моделей, т.е. спроектированных для конкретных предметных областей. Сегодня pre-build модели хранилищ данных есть у Oracle, SAP, IBM, Amdocs и ряда других компаний. Они хорошо подходят для быстрого запуска шаблонного проекта, но нередко требуют дополнительной доработки для решения конкретных бизнес-задач. При выборе в пользу той или иной pre-build модели хранилища необходимо проанализировать её архитектуру и оценить объём необходимых дополнительных доработок. К модели ACRM предъявляются два базовых требования - она должна хранить информацию о клиентах и построенных сегментах, а сама информация должна быть агрегирована на уровне клиента - ключевого элемента хранилища. Иными словами, модель должна быть клиенто-ориентированной. Это позволяет создать профили клиентов - горизонтальные таблицы фактов, в которых уникальным ключом является клиент, а поля содержат рассчитанные значения показателей этого клиента и ссылки на измерения, по которым эти показатели измеримы. Также должна храниться история изменения профилей клиентов.
Модель должна поддерживать 2 типа показателей: плановые (значения показателей, спрогнозированные на будущее) и фактические (полученные в итоге значения этих показателей). Для загрузки информации о клиентах и выгрузки построенных сегментов во внешние операционные системы может использоваться любой интерфейс. Важным требованием к модели является масштабируемость и вариативность. То есть она должна позволять достаточно легко добавлять дополнительные атрибуты клиентов как в качестве показателей, так и в качестве измерений.
Модель должна покрывать бизнес-потребности. Полнота модели зависит от набора реализованных измерений и показателей.
Дополнительные требования к модели в каждом конкретном случае могут отличаться друг от друга.
Средства интеллектуального анализа
После выбора модели необходимо определить, какие средства интеллектуального анализа, прогнозирования и Data Mining требуются для решения сформулированных бизнес-задач. В некоторых случаях поставленные задачи можно решить использованием аналитической системы, позволяющей конечным пользователям самостоятельно создавать необходимые отчёты путем выбора показателей и измерений из заранее разработанных бизнес-слоев. Такие возможности доступны, например, в Business Objects, SAS, Oracle BI(Siebel Analytics), Cognos и ряде других систем.
Но в некоторых случаях возникает необходимость использования средств Data Mining для интеллектуального анализа и добычи скрытой информации. Как правило, Data Mining используется для решения задач, связанных с выявлением скрытых зависимостей между исследуемыми параметрами. К ним относятся задачи, решение которых не может быть универсальным: для них нельзя однозначно определить список KPI, влияющих на результат. Data Mining позволяет в каждом конкретном случае находить уникальный набор параметров, которые оказывают влияние на исследуемую группу. Подобные решения также представлены целым рядом компаний: SPSS, SAS, Angoss и другие.
Помимо анализа текущей информации о клиентах важно иметь возможность прогнозировать их дальнейшее поведение. Отличительной особенностью ACRM является то, что значения KPI прогнозируются для каждого построенного сегмента отдельно. Причем выбранный аналитический инструмент должен позволять строить прогнозы не только на фактических значениях, но и на предполагаемых значениях. Например, аналитик, сделав предположение о том, что продажи определенного продукта снизятся на 20 %, может ввести это значение в качестве априорного показателя, на основании которого построить прогноз изменения доходов.
При выборе в пользу того или иного поставщика важно оценить: требования к аппаратно-программной платформе; используемый математический аппарат; интерфейс подключения дополнительных источников данных и передачи результата; полнота инструментария по анализу и прогнозированию, опыт внедрения в других компаниях этой сферы.
Платформа хранилища ACRM
Итак, сформированы четкие бизнес-требования, разработана модель хранилища ACRM и, возможно, даже есть представление о том, какие инструменты анализа потребуются для реализации проекта. Теперь необходимо выбрать аппаратно-программную платформу.
Как правило, после выбора хранилища, модели ACRM и прикладного ПО уже могут быть сформированы представления о том, на какой платформе они должны работать. Платформа должна состоять из аппаратной части, СУБД, а также ETL-инструмента (Extract Transformation Load), который будет выполнять задачу транспортировки и преобразования данных между интегрируемыми системами и базами данных. Сегодня достаточно много компаний предлагают аппаратное обеспечение: от недорогих широко распространенных Windows-серверов, до многопроцессорных серверных Unix-систем. В качестве СУБД наибольшее распространение получили: Oracle, MS SQL, DB2. ETL-инструменты также представлены на рынке рядом компаний: Oracle, Informatica, Microsoft, хотя в некоторых случаях роль ETL могут выполнять самостоятельно написанные на процедурном языке модули.
Помимо стоимости аппаратно-программной части, при выборе платформы рекомендуется руководствоваться такими факторами, как масштабируемость, условия её сопровождения, совместимость с ней прикладного ПО, надежность и производительность совместной работы интегрируемых компонентов, опыт внедрения аналогичных систем на этой платформе другими компаниями и наличие квалифицированных специалистов.
Роман Решетников, Sputnik Labs
По мнению экспертов, на сегодняшний день стратегия CRMв России находится в начале третьего этапа своего развития - на этапе знания и понимания компанией своих клиентов. Остались позади этапы учёта информации о клиентах и автоматизации процессов. Как это было с операционным CRM 3-4 года назад, наиболее инновационные компании сейчас внедряют аналитический CRM (ACRM). Классически первопроходцами в новых технологиях становятся компании в высокодоходных и высококонкурентных отраслях: банки, телекоммуникации, FMCG-сектор, автомобилестроение.
Стремясь улучшить качество продаж и сервиса, многие компании на российском рынке уже инвестировали в операционные системы CRM. Такие системы помогают отделам маркетинга проводить директ-маркетинговые кампании, отделам продаж - внедрить методологии продаж, назначать задачи наиболее компетентным людям, управлять ресурсами, разрабатывать тактические планы задач, отделу колл-центра - внедрить систему учёта обращений клиентов, сервисных запросов, процесс маршрутизации запросов внутри компании и своевременной их обработки. В конечном итоге хорошие проекты внедрений повышают коэффициент конвертации лидов в сделки, повышают точность прогнозов, сокращают сроки этапов процесса продаж, улучшают качество предоставляемых компанией услуг.
Подобно тому, как многие компании испытывали потребность в операционных CRM, теперь им необходимо аналитическое решение, чтобы решить другую непростую задачу - повысить эффективность и результативность маркетинга, продаж и сервисного обслуживания. Объединив данные систем CRMс важными данными из других корпоративных систем, аналитические приложения могут помочь компаниям лучше понять факторы, определяющие качество маркетинга, продаж и обслуживания благодаря своевременному и комплексному анализу информации, который способствует улучшению как текущих, так и долгосрочных результатов.
Попробуем ответить на вопрос, чего же не хватает в приложениях операционного CRM и что подталкивает компании внедрять CRM аналитический? Почему стандартные средства отчётности не могут заменить аналитическую систему? Каковы факторы возврата на инвестиции при внедрении аналитической системы, кто её потенциальные пользователи и как её успешно внедрить?
Мотивы. Итак, что же толкает компании на внедрение ACRM?
- Во-первых, стандартные отчёты о продажах предоставляют информацию уже после состоявшегося факта, и она почти или совсем не содержит анализа причин тех или иных результатов. Другими словами, отчёты предоставляют информацию о том, что случилось, но не объясняют, почему это произошло - будь то хорошее событие или плохое. Например, смотря на итоговый ежемесячный отчёт, руководитель не всегда может понять, почему произошел скачок продаж в Дальне-Восточном регионе или резкий спад в Центральном, почему продажи не достигли запланированных показателей в прошедшем месяце. Кроме того, руководителям важно иметь возможность оценивать текущую ситуацию и понимать, каким образом она повлияют на показатели в будущем. Например, важно понимать, достаточно ли на данный момент лидов у компании, чтобы выполнить квартальный план или достаточно ли людских ресурсов для полноценной проработки потенциальных сделок.
- Во-вторых, потребитель сегодня в условиях насыщающегося рынка ожидает от компании предвидения и предсказания его потребностей. Если менеджеры по продажам имеют доступ к комплексному представлению факторов, влияющих на существующие отношения с клиентами и потенциальные возможности, это приводит к росту эффективности - в виде более высоких показателей успешных сделок и более результативным кросс-продажам. Представьте себе такую ситуацию: в колл-центр банка обращается клиент; при этом оператор видит на экране результат анализа накопленной социально - демографической, финансовой, и поведенческой информации о позвонившем человеке. Например, если позвонил мужчина 35 лет, у которого жена и двое детей, работающий менеджером в российской IT-компании, около года назад бравший кредит и вовремя его погасивший, то система подсказывает, что с 75 % вероятностью ему будет интересна кредитная карта. Или система знает, что позвонивший человек находится в высокой категории доходности для Банка и на 85 % склонен к уходу, и тогда этот звонок встает в специальную “короткую” очередь ожидания в колл-центре к специально обученному оператору-психологу.
- В-третьих, сегодня в большинстве компаний принятие решений основано на “интуитивных” чувствах, а не проверенных фактах, т.к. оперативно представить информацию с разных сторон не представляется возможным без ACRM. Таким образом, на краткосрочные решения могут влиять эмоциональные ощущения о недавних достижениях и неудачах. Например, руководитель отдела продаж решает изменить схему мотивации сотрудников как результат провала продаж в последнем месяце, не имея возможности комплексно проанализировать причины.
Модель хранилища ACRM
Теперь настало время определиться с моделью, которая будет взята за основу хранилища ACRM. Модель содержит структуру связанных между собой и сгруппированных по предметным областям таблиц фактов и измерений. Она должна быть хорошо продуманной, ведь от нее фактически зависит то, насколько система будет масштабируемой и гибкой в использовании. Можно либо попытаться разработать собственную модель хранилища, что сопряжено с дополнительными временными затратами и рисками, либо взять за основу одну из существующих "референсных" pre-build моделей, т.е. спроектированных для конкретных предметных областей. Сегодня pre-build модели хранилищ данных есть у Oracle, SAP, IBM, Amdocs и ряда других компаний. Они хорошо подходят для быстрого запуска шаблонного проекта, но нередко требуют дополнительной доработки для решения конкретных бизнес-задач. При выборе в пользу той или иной pre-build модели хранилища необходимо проанализировать её архитектуру и оценить объём необходимых дополнительных доработок. К модели ACRM предъявляются два базовых требования - она должна хранить информацию о клиентах и построенных сегментах, а сама информация должна быть агрегирована на уровне клиента - ключевого элемента хранилища. Иными словами, модель должна быть клиенто-ориентированной. Это позволяет создать профили клиентов - горизонтальные таблицы фактов, в которых уникальным ключом является клиент, а поля содержат рассчитанные значения показателей этого клиента и ссылки на измерения, по которым эти показатели измеримы. Также должна храниться история изменения профилей клиентов.
Модель должна поддерживать 2 типа показателей: плановые (значения показателей, спрогнозированные на будущее) и фактические (полученные в итоге значения этих показателей). Для загрузки информации о клиентах и выгрузки построенных сегментов во внешние операционные системы может использоваться любой интерфейс. Важным требованием к модели является масштабируемость и вариативность. То есть она должна позволять достаточно легко добавлять дополнительные атрибуты клиентов как в качестве показателей, так и в качестве измерений.
Модель должна покрывать бизнес-потребности. Полнота модели зависит от набора реализованных измерений и показателей.
Дополнительные требования к модели в каждом конкретном случае могут отличаться друг от друга.
Средства интеллектуального анализа
После выбора модели необходимо определить, какие средства интеллектуального анализа, прогнозирования и Data Mining требуются для решения сформулированных бизнес-задач. В некоторых случаях поставленные задачи можно решить использованием аналитической системы, позволяющей конечным пользователям самостоятельно создавать необходимые отчёты путем выбора показателей и измерений из заранее разработанных бизнес-слоев. Такие возможности доступны, например, в Business Objects, SAS, Oracle BI(Siebel Analytics), Cognos и ряде других систем.
Но в некоторых случаях возникает необходимость использования средств Data Mining для интеллектуального анализа и добычи скрытой информации. Как правило, Data Mining используется для решения задач, связанных с выявлением скрытых зависимостей между исследуемыми параметрами. К ним относятся задачи, решение которых не может быть универсальным: для них нельзя однозначно определить список KPI, влияющих на результат. Data Mining позволяет в каждом конкретном случае находить уникальный набор параметров, которые оказывают влияние на исследуемую группу. Подобные решения также представлены целым рядом компаний: SPSS, SAS, Angoss и другие.
Помимо анализа текущей информации о клиентах важно иметь возможность прогнозировать их дальнейшее поведение. Отличительной особенностью ACRM является то, что значения KPI прогнозируются для каждого построенного сегмента отдельно. Причем выбранный аналитический инструмент должен позволять строить прогнозы не только на фактических значениях, но и на предполагаемых значениях. Например, аналитик, сделав предположение о том, что продажи определенного продукта снизятся на 20 %, может ввести это значение в качестве априорного показателя, на основании которого построить прогноз изменения доходов.
При выборе в пользу того или иного поставщика важно оценить: требования к аппаратно-программной платформе; используемый математический аппарат; интерфейс подключения дополнительных источников данных и передачи результата; полнота инструментария по анализу и прогнозированию, опыт внедрения в других компаниях этой сферы.
Платформа хранилища ACRM
Итак, сформированы четкие бизнес-требования, разработана модель хранилища ACRM и, возможно, даже есть представление о том, какие инструменты анализа потребуются для реализации проекта. Теперь необходимо выбрать аппаратно-программную платформу.
Как правило, после выбора хранилища, модели ACRM и прикладного ПО уже могут быть сформированы представления о том, на какой платформе они должны работать. Платформа должна состоять из аппаратной части, СУБД, а также ETL-инструмента (Extract Transformation Load), который будет выполнять задачу транспортировки и преобразования данных между интегрируемыми системами и базами данных. Сегодня достаточно много компаний предлагают аппаратное обеспечение: от недорогих широко распространенных Windows-серверов, до многопроцессорных серверных Unix-систем. В качестве СУБД наибольшее распространение получили: Oracle, MS SQL, DB2. ETL-инструменты также представлены на рынке рядом компаний: Oracle, Informatica, Microsoft, хотя в некоторых случаях роль ETL могут выполнять самостоятельно написанные на процедурном языке модули.
Помимо стоимости аппаратно-программной части, при выборе платформы рекомендуется руководствоваться такими факторами, как масштабируемость, условия её сопровождения, совместимость с ней прикладного ПО, надежность и производительность совместной работы интегрируемых компонентов, опыт внедрения аналогичных систем на этой платформе другими компаниями и наличие квалифицированных специалистов.
Роман Решетников, Sputnik Labs
По мнению экспертов, на сегодняшний день стратегия CRMв России находится в начале третьего этапа своего развития - на этапе знания и понимания компанией своих клиентов. Остались позади этапы учёта информации о клиентах и автоматизации процессов. Как это было с операционным CRM 3-4 года назад, наиболее инновационные компании сейчас внедряют аналитический CRM (ACRM). Классически первопроходцами в новых технологиях становятся компании в высокодоходных и высококонкурентных отраслях: банки, телекоммуникации, FMCG-сектор, автомобилестроение.
Стремясь улучшить качество продаж и сервиса, многие компании на российском рынке уже инвестировали в операционные системы CRM. Такие системы помогают отделам маркетинга проводить директ-маркетинговые кампании, отделам продаж - внедрить методологии продаж, назначать задачи наиболее компетентным людям, управлять ресурсами, разрабатывать тактические планы задач, отделу колл-центра - внедрить систему учёта обращений клиентов, сервисных запросов, процесс маршрутизации запросов внутри компании и своевременной их обработки. В конечном итоге хорошие проекты внедрений повышают коэффициент конвертации лидов в сделки, повышают точность прогнозов, сокращают сроки этапов процесса продаж, улучшают качество предоставляемых компанией услуг.
Подобно тому, как многие компании испытывали потребность в операционных CRM, теперь им необходимо аналитическое решение, чтобы решить другую непростую задачу - повысить эффективность и результативность маркетинга, продаж и сервисного обслуживания. Объединив данные систем CRMс важными данными из других корпоративных систем, аналитические приложения могут помочь компаниям лучше понять факторы, определяющие качество маркетинга, продаж и обслуживания благодаря своевременному и комплексному анализу информации, который способствует улучшению как текущих, так и долгосрочных результатов.
Попробуем ответить на вопрос, чего же не хватает в приложениях операционного CRM и что подталкивает компании внедрять CRM аналитический? Почему стандартные средства отчётности не могут заменить аналитическую систему? Каковы факторы возврата на инвестиции при внедрении аналитической системы, кто её потенциальные пользователи и как её успешно внедрить?
Мотивы. Итак, что же толкает компании на внедрение ACRM?
- Во-первых, стандартные отчёты о продажах предоставляют информацию уже после состоявшегося факта, и она почти или совсем не содержит анализа причин тех или иных результатов. Другими словами, отчёты предоставляют информацию о том, что случилось, но не объясняют, почему это произошло - будь то хорошее событие или плохое. Например, смотря на итоговый ежемесячный отчёт, руководитель не всегда может понять, почему произошел скачок продаж в Дальне-Восточном регионе или резкий спад в Центральном, почему продажи не достигли запланированных показателей в прошедшем месяце. Кроме того, руководителям важно иметь возможность оценивать текущую ситуацию и понимать, каким образом она повлияют на показатели в будущем. Например, важно понимать, достаточно ли на данный момент лидов у компании, чтобы выполнить квартальный план или достаточно ли людских ресурсов для полноценной проработки потенциальных сделок.
- Во-вторых, потребитель сегодня в условиях насыщающегося рынка ожидает от компании предвидения и предсказания его потребностей. Если менеджеры по продажам имеют доступ к комплексному представлению факторов, влияющих на существующие отношения с клиентами и потенциальные возможности, это приводит к росту эффективности - в виде более высоких показателей успешных сделок и более результативным кросс-продажам. Представьте себе такую ситуацию: в колл-центр банка обращается клиент; при этом оператор видит на экране результат анализа накопленной социально - демографической, финансовой, и поведенческой информации о позвонившем человеке. Например, если позвонил мужчина 35 лет, у которого жена и двое детей, работающий менеджером в российской IT-компании, около года назад бравший кредит и вовремя его погасивший, то система подсказывает, что с 75 % вероятностью ему будет интересна кредитная карта. Или система знает, что позвонивший человек находится в высокой категории доходности для Банка и на 85 % склонен к уходу, и тогда этот звонок встает в специальную “короткую” очередь ожидания в колл-центре к специально обученному оператору-психологу.
- В-третьих, сегодня в большинстве компаний принятие решений основано на “интуитивных” чувствах, а не проверенных фактах, т.к. оперативно представить информацию с разных сторон не представляется возможным без ACRM. Таким образом, на краткосрочные решения могут влиять эмоциональные ощущения о недавних достижениях и неудачах. Например, руководитель отдела продаж решает изменить схему мотивации сотрудников как результат провала продаж в последнем месяце, не имея возможности комплексно проанализировать причины.