Нефть и песок О стали Компрессор - подбор и ошибки Из истории стандартизации резьб Соперник ксерокса - гектограф Новые технологии производства стали Экспорт проволоки из России Прогрессивная технологическая оснастка Цитадель сварки с полувековой историей Упрочнение пружин Способы обогрева Назначение, структура, характеристики анализаторов Промышленные пылесосы Штампованные гайки из пружинной стали Консервация САУ Стандарты и качество Технология производства Водород Выбор материала для крепежных деталей Токарный резец в миниатюре Производство проволоки Адгезия резины к металлокорду Электролитическое фосфатирование проволоки Восстановление корпусных деталей двигателей Новая бескислотная технология производства проката Синие кристаллы Автоклав Нормирование шумов связи Газосварочный аппарат для тугоплавких припоев
Главная страница / Архитектура отрасли

CRM И OLAP

В последнее время термины Customer Relationship Management (CRM), Online Analytical Processing (OLAP), Data Mining, «хранилище данных» прочно вошли в лексикон специалистов по информационным технологиям. Однако из-за недостатка информации многие не понимают, как эти технологии соотносятся друг с другом. Попытаемся разобраться, в чем они различаются и какая взаимосвязь существует между ними.

Верно ли наше наблюдение: ИТ-проекты уже прошли первичную стадию (автоматизации бэк-офиса) и движутся в сторону построения аналитических систем?

Такая тенденция действительно существует, и мы ее учитываем, встраивая в функциональность нашего продукта аналитические инструменты. Мы прошли этап, на котором было создано универсальное ПО для автоматизации работы, контроля деятельности call-центра и накопления разнообразной статистической информации о работе call-центра. Сейчас ведется разработка аналитических инструментов, позволяющих оперативно анализировать информацию и принимать решения о ходе дальнейшей работы call-центра.

Кроме того, статистическая информация является одним из основных источников для стратегического планирования бизнеса. Применение средств OLAP, агрегирующих информацию за годы и позволяющих быстро просматривать данные в любом желаемом разрезе, значительно упрощает решение стратегических задач, в том числе выполняемых менеджерами call-центра. Например, изучая статистическую информацию по распределению звонков, менеджеры call-центров принимают решения об изменении штата сотрудников в соответствии с географическими, сезонными колебаниями и тенденциями изменения нагрузки, распределения графика работы сотрудников по времени суток и т. д.

Такие возможности интересуют прежде всего компании, работа которых зависит от оперативной многомерной аналитической обработки данных. OLAP-системы необходимы и крупным, географически распределенным компаниям.

СRM является не столько технологией или продуктом, сколько идеологией ведения бизнеса, направленной на повышение эффективности взаимодействия с клиентами с целью предложения каждому из них уникального продукта или услуги. Технологии OLAP и Data Mining способствуют налаживанию взаимоотношений с клиентами, поскольку предоставляют возможность эффективного анализа данных о них. Источником корпоративных сведений о клиентах являются хранилища данных.

CRM помогает компаниям повысить прибыльность ее контактов с клиентами, делая эти контакты более дружественными за счет учета индивидуальных особенностей каждого клиента. Для того чтобы идеология CRM заработала, компания должна уметь сопоставлять данные о существующих и потенциальных (а, возможно, и об ушедших) клиентах с данными о продуктах и услугах, предлагая каждому клиенту уникальный продукт, способный удовлетворить его потребности, другими словами, грамотно строить взаимоотношения с клиентами.

До последнего времени программное обеспечение класса CRM, основанное на использовании базы, хранящейкомпанией, было направлено прежде всего на организацию информации о клиентах. База данных о клиентах предоставляет данные таким приложениям, как автоматизация продаж или автоматизация поддержки клиентов. Этот класс приложений CRM принято называть Operational CRM (оперативный CRM).

По мере развития статистических алгоритмов и их применения в коммерческой сфере на рынке появился особый класс инструментов – Data Mining, который стал использоваться для анализа информации о клиентах с целью поиска полезных закономерностей и прогнозирования. Это позволяет более правильно сегментировать клиентскую базу за счет проведения более глубокого анализа свойств клиентов. Приложения CRM, использующие технологию Data Mining (DM), относятся к классу Analytical CRM.

Современные DM-технологии способны не только находить корреляционные зависимости, но и оценивать вероятность каждой гипотезы, оперировать как количественными, так и качественными параметрами: «популярный», «прибыльный», «стабильный» и др. Важной возможностью DM-технологий является автоматическая кластеризация и классификация данных.

Наиболее известен пример DM-системы для проверки кредитных карточек American Express, на многие миллионы долларов сокративший ущерб от махинаций. Агентство NASA с помощью системы SKICAT подготовило новое издание звездного атласа Паламара. В уникальный каталог вошли изображения и информационные материалы о 50 млн известных галактик, содержащих около 2 млрд звезд. Федерация атлетов США использует DM-пакет IDIS для выявления долгосрочных факторов, влияющих на спортивные результаты легкоатлетов. По заказу политиков в университете Wisconsin-Milwaukee на основе IDIS была разработана система, создающая своеобразные «психологические портреты» политических течений и блоков, представленных в парламенте, с анализом результатов голосования по различным вопросам.

Технология OLAP, как и Data Mining, используется в приложениях класса Analytical CRM. Однако в то время как технология data mining используется в основном для построения прогнозов, технология OLAP лишь позволяет взглянуть на данные с различных сторон, в основном предоставляя возможность анализировать агрегированные данные. Впрочем, это нисколько не умаляет достоинств данной технологии.

OLAP позволяет выполнять быстрый и эффективный анализ над большими объемами данных. Данные хранятся в многомерном виде, что соответствует естественному состоянию реальных бизнес-данных. Кроме того, OLAP обеспечивает пользователям возможность быстро и просто получать сводные данные. С его помощью они могут при необходимости углубляться (drill down) в содержимое этих данных для получения более детализированной информации.

Закономерно, что OLAP упоминается совместно с Data Mining и хранилищами данных. Ведь все три технологии развиваются, по мере того как компании начинают осознавать ценность данных.

Реляционные базы данных в свое время были революционным решением, обеспечившим предприятиям возможность собирать ций в крупномасштабные средства хранения и при помощи SQL проводить элементарный анализ этих данных. Когда же потребовался более сложный анализ, выяснилось, что SQL и РБД вовсе не идеальное решение. Таблицы были в состоянии обеспечивать более гибкий анализ, но имели ряд существенных недостатков. Данные, подлежащие импорту в таблицу из базы данных, и сама таблица были не в состоянии эффективно оперировать большими объемами данных.

Со временем все больше компаний начали реализовывать хранилища данных и применять к своим данным средства Data Mining. Хранилище данных обеспечивает хранение очищенных корпоративных данных. Данные по транзакциям проверяются на корректность, категоризируются и затем помещаются в хранилище. Инструменты Data Mining позволяют аналитикам предприятий выявить скрытые тенденции в данных. На первый взгляд OLAP-системы предлагают одновременно и хранилища данных, и инструменты Data Mining, однако здесь есть некоторая тонкость.

Инструмент OLAP обеспечивает быстрый и несложный анализ данных. Пользователь-аналитик имеет представление о том, что он собирается найти в некотором представлении данных. Он просто хочет иметь средство манипулирования данными для более наглядного отображения некоторых их аспектов.

Инструмент Data Mining пытается обнаружить скрытые тенденции в данных. В этом случае не пользователь, а именно сам инструмент проводит анализ данных. Обычно инструмент Data Mining занят поиском тенденций и различных аспектов, которые человеку трудно выявить в большом объеме данных.

OLAP и Data Mining гармонично дополняют друг друга. Сначала аналитик может использовать OLAP, для того чтобы понять характер данных и решить, какую технологию анализа использовать дальше. Один из способов применения технологии Data Mining – выявление важных величин и диапазонов, которые пригодятся при разработке базы данных для приложений OLAP.

Еще один момент. Как отмечает Сергей Краевский, специалист холдинга «Ланит», очень важно не путать описанные выше системы «делового интеллекта» (business intelligence – BI) с аналитическими приложениями. Рынок систем BI существует уже достаточно давно, в него входят описанные OLAP-системы (On-Line Analytical Processing), средства формирования запросов и построения отчетов (Query&Reporting), средства интеллектуальной добычи данных (Data Mining). К аналитическим приложениям относятся, по сути, те же системы, но их функциональность значительно отличается по трем аспектам — в предметной специализации, в сегментации рынка и в структуре.

Подведем итоги. Хорошая система CRM начинается с хорошего хранилища данных. Аналитические возможности технологий Data Mining и OLAP позволяют компании улучшить взаимодействие с клиентами, способствуя более эффективному использованию данных корпоративного хранилища.

Главная страница / Архитектура отрасли