Rudarenje poslovno-financijskih podataka

Rudarenje podataka

Rudarenje poslovno-financijskih podataka

U današnje vrijeme, u uvjetima tržišne ekonomije, tržište financijskih proizvoda je zasićeno i većina klijenata je podijeljena između konkurencije. Zbog toga su financijske institucije prisiljene promijeniti svoj poslovni odnos prema klijentima. Tako je nastao pojam “upravljanje odnosom s klijentom”, poznatije kao skraćenica CRM (Customer Relationship Management). Kroz vrijeme se pokazalo da proizvodi koji su prilagođeni svima, ustvari odgovaraju malom broju klijenata. Zbog toga su financijske institucije danas više orijentirane prema klijentima na način da su značajno proširile svoje palete proizvoda i usluga kako bi što bolje zadovoljile njihove potrebe.

Klijenti su naše najveće bogatstvo

Cilj je zadržati sadašnje profitabilne klijente, dok neprofitabilne treba prepustiti konkurenciji. Pridobivanje novih klijenata je i do deset puta skuplje od zadržavanja postojećih. Važno je zadržati i po mogućnosti povećati lojalnost postojećih profitabilnih klijenata, a da bi to mogle financijske institucije moraju znati koji su njihovi vrijedni klijenti i moraju učiniti sve da isti budu zadovoljni. Cilj je otkloniti sve motive koji bi ih mogli navesti na prijelaz konkurenciji. Važno je odrediti koji su trenutačno najprofitabilniji klijenti i koji će to biti u budućnosti, korištenjem svih dostupnih izvora informacija i podataka. Pored toga, važno je dovoljno rano predvidjeti potrebe tih klijenata i osigurati odgovarajuće proizvode i usluge za zadovoljavanje njihovih potreba.

Danas postoje mnogi načini na koje je moguće dobiti korisne informacije o navikama i potrebama klijenata, kao što su  podaci o transakcijama iz baza podataka šalterskih aplikacija, bankomata, troškovi učinjeni debitnim i kreditnim karticama, telefonsko bankarstvo, PC bankarstvo i Internet bankarstvo. Tako dobivene informacije je potrebno koristiti strateški, a ne pojedinačno, za potrebe pojedinih marketinških kampanja. Mnoge financijske institucije u svijetu već danas znaju kako zadržati svoje vrijedne klijente, kako postići prisniji odnos s klijentom, kako povećati prodaju, kako iskoristiti prodaju paketa proizvoda, kako uz postojeće proizvode prodati još koji (engl. cross-sell) te kako postići pravu profitabilnost klijenata. Danas više nije važno da li poznaješ nekoga, već koliko dobro ga poznaješ. Kako bi opstale u moru konkurencije, financijskim institucijama su trenutno potrebne detaljne informacije o svakom njihovom klijentu kako bi mogle razumjeti i predvidjeti njegovo ponašanje.

Institucija svoje financijske proizvode prodaje klijentu putem mnogobrojnih kanala prodaje. Ti kanali imaju vrlo važnu ulogu za CRM, jer se osim za prodaju koriste i za oglašavanje. Kanali su ustvari sučelje između institucije i klijenta. Kroz kanale prodaje institucija bilježi podatke o svojim klijentima. To su najvažniji podaci kojima institucija raspolaže, pogotovo kod nas gdje se većina demografskih podataka o klijentima ne može dobiti. U SAD-u na primjer, raspolažu podacima o bračnom statusu svojih klijenata, prosječnim primanjima za određeno područje i drugim važnim podacima koje je za sada još uvijek nemoguće dobiti kod nas u Hrvatskoj. To Amerikancima daje određenu prednost, no ipak su najvažniji podaci oni o odnosu institucije s klijentom koji se prikupljaju putem kanala prodaje.

Koliko dobro poznajemo svoje klijente?

Za velike financijske institucije s puno proizvoda i složenom organizacijskom strukturom, velik je izazov dobiti jedinstvenu i potpunu sliku poslovanja s klijentima i pregled njihovih potreba. Institucije su shvatile da je važno integrirati poslovne aplikacije na način da se omogući praćenje klijenta na nivou cijele organizacije. Nekada je praksa bila izrada ili kupnja pojedinačnih aplikativnih rješenja za pojedinačne probleme pojedinih organizacijskih jedinica. Nažalost, danas još uvijek mnoge institucije imaju poteškoća s praćenjem cjelokupnog poslovnog odnosa s klijentom.

Mnoge financijske institucije su pogriješile misleći da je CRM proces koji ima svoj početak i kraj. Primjeri u svijetu pokazuju da je ključan faktor uspjeha analiza, a ne automatizacija procesa. Obrada podataka o odnosu s klijentom bi trebala tvoriti zatvorenu petlju. Nakon dohvata podataka o klijentu iz transakcijskih aplikacija, iz njih se proizvode informacije koje tvore znanje o klijentu. To znanje se mora koristiti kao povratna informacija o uspjehu CRM aktivnosti, kao što su npr. reklamne kampanje i elektronsko poslovanje. Na taj način je moguće postići sinergiju CRM-a na strateškoj i izvršnoj razini. Tako integrirani CRM omogućuje institucijama da se približe idealnom one-to-one odnosu.

Informatizacija poslovanja rezultirala je generiranjem velikih količina podataka. Istovremeno brzina kompjutora je rasla i omogućila implementacije sofisticiranijih metoda analize podataka u relativno kratkom vremenu. U prvoj fazi, omogućeno je da se svi standardni izvještaji o poslovanju rade automatizirano i u puno kraćem vremenu. To je svakako pomoglo poboljšanju poslovanja. Standardni izvještaji sadrže podatke iz kojih poslovni stručnjaci relativno lako pronalaze informacije na kojima baziraju racionalne odluke značajne za normalno funkcioniranje poslovanja. Istovremeno se pojavila potreba za dodatnim analizama podataka, što standardni izvještaji nisu omogućavali. Prije otprilike 6-7 godina zaživjela je tzv. multidimenzionalna analiza podataka, koja se često krije iza skraćenice OLAP (engl. On-Line Analytic Processing). Ova vrsta izvještaja omogućuje analizu poslovnih rezultata duž predefiniranih poslovnih dimenzija – po proizvodu, kroz vrijeme, prema geografskom položaju. Korištenje multidimenzionalnih izvještaja omogućuje analitičaru da podatke promatra iz raznih poslovnih perspektiva i po potrebi locira probleme.

Moderan pristup analizi

Danas se koriste složene metode rudarenja podataka (engl. data mining) analize klijenata za dobivanje prije nepoznatih informacija. Institucije definiraju segmente u koje svrstavaju svoje klijente kako bi što bolje prepoznale njihove potrebe, ponašanje i profitabilnost. Izrađuju se modeli ponašanja, pomoću kojih je moguće prepoznati iznimke, kandidate za cross-selling i up-selling, prepoznati buduće profitabilne klijente. Za prognoziranje bliže budućnosti (npr. prognoza poslovanja za sljedeće tromjesečje) do sada su se najviše koristile razne statističke metode poput linearne regresije i analize vremenskih serija.

U najnovije vrijeme, zajedničkim radom informatičara, matematičara, statističara, znanstvenika s područja umjetne inteligencije i poslovnih korisnika, nastali su brojni alati koji omogućuju analize podataka na nov način. Ti alati omogućuju poslovnim stručnjacima da uz manje poznavanje rada na računalu rade složene analize velikih količina podataka. Osnovna karakteristika takvih analiza je velika količina podataka u kojoma se traže uzorci. To prije nije bilo praktično izvedivo zbog predugog vremena  potrebnog za analize te vrste. S povećanjem brzine računala okolnosti su se promijenile. Korisnici su otkrili da data mining omogućuje još jednu danas vrlo važnu analizu poslovanja, a to je otkrivanje uzroka određenih pojava i razumijevanje ponašanja klijenata. U posljednje vrijeme mnogo je znanstvenih radova objavljeno iz područja predviđanja cijene dionica i izrade portfelja vrijednosnih papira. Definicije data mininga se najčešće odnose na proces istraživanja podataka. Jedna od definicija je da je data mining proces istraživanja i analize, automatski ili poluautomatski, velike količine podataka sa svrhom da se otkriju smisleni uzorci i pravila. Što danas znači “velika količina podataka”? To znači da se radi o prevelikoj količini podataka da bi ih analitičari analizirali s razumijevanjem, što ne mora značiti da se radi o nekoliko terabajta  podataka, iako danas nismo daleko ni od te definicije. Bolja definicija data mininga bi bila da je cilj data mininga omogućiti poboljšanje marketinških aktivnosti, prodaje i podrške klijentima kroz njihovo bolje razumijevanje. Data mining analize se u biti baziraju na metodama raspoznavanja uzoraka i koriste se za rješavanje sljedećih zadataka:

  • Razvrstavanje (engl. classification), razvrstavanje klijenta u neki od unaprijed definiranih segmenata,
  • Predviđanje (engl. prediction). Metoda vrlo slična razvrstavanju, ali za razliku od razvrstavanja, određujemo segment kojem će klijent pripadati u budućnosti,
  • Procjena vrijednosti (engl. estimation). Omogućuje procjenu vrijednosti neke kontinuirane varijable u nekom trenutku u budućnosti,
  • Grupiranje (engl. clustering). Metoda kojom se analizira baza klijenata. Broj segmenata se određuje ručno ili automatski. U segmente se zatim automatski razvrstavaju klijenti,
  • Metoda analiza košarice se koristi za otkrivanje proizvoda koji se prodaju zajedno, npr. pivo i pelene. Druga vrsta analize je analiza slijeda prodaje, npr. kosilica pa onda crijevo za zalijevanje,
  • Opisivanje i vizualizacija podataka. Ove metode omogućavaju učenje iz podataka, a ljudi lakše uče pomoću vizualizacije

Prodaja dodatnih proizvoda postojećim klijentima (engl. cross-selling) jedan je od važnijih načina povećavanja profitabilnosti postojećih klijenata uz istovremeno povećanje njihove lojalnosti. Prodajom dodatnih proizvoda klijente više vežemo uz sebe te na taj način povećavamo njihovu lojalnost. Analizom se određuje koja je sljedeća najbolja ponuda klijentu. Npr. prodaja auto osiguranja uz prodaju kredita za kupnju automobila. Analizu je moguće napraviti upotrebom data mining metoda poput izrade prediktivnog modela, analiza košarice ili segmentacije. Sličnim analizama moguće je rano prepoznati klijente koji bi nas mogli napustiti radi odlaska kod konkurencije (engl. churn) i otkriti zašto nas žele napustiti.

Cross-selling problematika je relativno novi izazov za financijske institucije. Hrvatska poduzeća i financijske institucije su trenutno u fazi donošenja odluke da se pokrenu CRM projekti u okviru  kojih će najvjerojatnije važno mjesto imati i cross-selling. U svijetu je situacija nešto drugačija. Neke velike svjetske financijske institucije se na svojim Internet stranicama hvale uspješnim implementacijama CRM projekata, što smatraju kompetitivnom prednošću i zbog toga ne objavljuju nikakve detalje. Jedini detalji koji se mogu pronaći su financijske prirode, poput veličine povećanja profita, smanjenja troškova, povećanja produktivnosti i sl.

Hrvatska praksa

U krivu su svi oni koji misle da Hrvatska kasni za svijetom na području data mining analiza. Postoji jedan svijetli primjer iz prošle godine, gdje je kroz razgovor s poslovnim stručnjacima jedne financijske institucije uočena njihova potreba poznavanja odgovora na pitanje: “Koje proizvode nuditi klijentu?”. Prema CRM načelima, klijentu treba nuditi proizvode koje će s velikom vjerojatnošću htjeti koristiti. S druge strane klijentu ne treba nuditi proizvode koji mu nisu primjereni i koje će s velikom vjerojatnošću odbiti koristiti. Na taj način postiže se veće zadovoljstvo klijenata, jer ih se ne zamara propagandom proizvoda koji im nisu primjereni. Zbog toga što se klijentu nude samo njemu primjereni proizvodi, dolazi i do vremenske uštede što može značajno smanjiti troškove poslovanja. U našem konkretnom slučaju, dogovorom s poslovnim stručnjacima odlučeno je da se u okviru aplikacije u kojoj su vidljivi svi podaci o poslovnom odnosu s klijentom doda i popis pet proizvoda koje će klijent najvjerojatnije kupiti (engl. best next offer).

Matični broj
Proizvod 1
Proizvod 2
Proizvod 3
Proizvod 4
Proizvod 5
01111111
04
02
05
03
13
02222222
04
05
02
14
08
03333333
02
05
03
13
04444444
12
04
02
05555555
02
05
03
11
10
06666666
12
12
12
12
08888888
04
01
02
01
12

Tablica 1 . Popis proizvoda koje će klijent najvjerojatnije htjeti koristiti

Praktično rješenje prikazano je tablicom 1. U prvom stupcu tablice je jedinstveni identifikator klijenta (stupac Matični broj), dok ostalih pet stupaca sadrži šifre pet proizvoda koje će klijent s najvećom vjerojatnošću htjeti koristiti. Istovremeno proizvodi su za svakoga klijenta sortirani tako da je na prvom mjestu (stupac Proizvod 1) onaj proizvod koji će klijent s najvećom vjerojatnošću htjeti koristiti.

Problem određivanja pet proizvoda koje će klijent najvjerojatnije kupiti se može rješavati na više načina upotrebom neke od data mining metoda. Jedna od metoda je grupiranje klijenata sličnih značajki i analiza proizvoda karakterističnih za dobivene grupe. Klijentu bi se tada nudili proizvodi karakteristični za grupu kojoj klijent pripada, a koje još ne koristi. Drugi način je da se u analizu uključi i vremenska komponenta pa da se onda metodom analize vremenskog slijeda utvrdi koji se proizvodi prodaju zajedno. Tada se na ranije opisani način, klijentu mogu nuditi proizvodi karakteristični grupi kojoj pripada, a koje još ne koristi. Moguće je koristiti metodu izrade prediktivnih modela. Prediktivnim modelima se, korištenjem skupa ulaznih značajki, određuje vrijednost izlazne značajke. Na taj način se za svaki proizvod posebno, određuje vjerojatnost da ga klijent želi koristiti. Na kraju se za svakog klijenta odabire pet proizvoda s najvećom vjerojatnošću kupnje. (I.V.)