Agenda Az Oracle9i adattárház tulajdonságai Adatbányászat az Oracle9i-ben DM, Personalization az Oracle9i-ben, architektúra Integrált adatbányászat az Oracle CRM-ben Szünet Perszonalizációs felhasználási és alkalmazási lehetőségek y Personalization esettanulmány y Personalization demonstráció y y y y y y
Adatbányászat az Oracle9i-ben Fekete Zoltán vezető termékmenedzser
[email protected]
E-business Intelligence piaci trendek A teljes ügyfél életciklus során az összes értékesítési ponton felkeresni az ügyfelet a hűséges és jövedelmező ügyfelekért y Az információ gyűjtési, elemzési, alkalmazási ciklus rövidítése — „valós időben” y 360ºo-os ügyfél nézet y Integrált alkalmazással
Az adatbányászat fogalmáról
Mi az adatbányászat? “Röviden, az adatbányászat rejtett minták és kapcsolatok feltárása az adattömegben, a jobb üzleti döntések elősegítésére” -- Robert Small, Two Crows
Lehetőség: adatbányászat az ügyfelek megértéséhez y Ügyfél megtartás, elvándorlás csökkentés y Ügyfelek csoportosítása és viselkedésük megértése y Jövedelmezőség javítása y Ügyfél megszerzési költségek csökkentése y A jövedelmező ügyfelek megfelelő ajánlatokkal ellátása
Tipikus adatbányászati ágazatok és alkalmazások y Adatbázis marketing y Pénzügyi management y Telekommunikáció y Egészségügy y Gyártás y Biztosítás y Kormányzat
y y y y y y
CRM Cross-Sell/Up-Sell Hitel Csalás ERP Minőség ellenőrzés
Miért szükséges az adatbányászat? y Pénzügyi példa: “Mely ügyfeleknek legnagyobb a hajlandósága részt venni az új arany hitelkártya programban?” y Telekommunikációs példa: “Mely vevők akarnak a konkurenciához távozni?” y Államigazgatási példa: “Melyek azok az egészségügyi igények, melyek mögött csalás lehet?”
A válasz típusú tevékenység “Teszt kampány” egy részsokaságon A teszt kampány adatain modell építése Az egész szegmens pontozása a modellel A legvalószínűbben válaszolók megkeresése egy célzott kampánnyal y A modell frissítése és újra alkalmazása y y y y
Megtartás típusú tevékenység y A churn figyelése y Az ügyfelek egy részének adatai alapján modell építése y A modellel a lehetséges elhagyók pontozása y A „nagy jövedelmezőségű” nagy valószínűségel churn-ölők számára hűség program y Modell frissítése és ismételt alkalmazása
Felügyelt (supervised) DM fogalmak Input adatok Attribútumok, mezők Név Recordok Jones Smith Lee Rogers
X1
Bevétel 30,000 55,000 25,000 50,000
X2
Kor . . . . . . . 30 67 23 44
......
Független változók
Xm
Vásárol? 1 =Igen, 0 =Nen 1 1 0 0
Y
Dependent Variable
(target value (Y))
Modell Funkcionális függés: Y = F(X1, X2, …, Xm) Jóslat Megbízhatóság 1 0,85 0 0,74 1 0,93 0 0,65
Data Mining példák y Bank értékesítési hatékonyságát 1,1%-ról 20,5%-ra növelte y Banki termék 4000 vásárlója mellé további 26 000 lehetséges vásárlót találtak y Telekommunikációs cég magas bevételt ígérő ügyfeleket talált a cégváltásra hajlamosak szegmensében
Oracle Discoverer szemlélteti az adatbányászati eredményeket.
Oracle9i Data Mining
Oracle9i Data Mining y Az alkalmazásokat kiegészíti a rejtett minták felismerésével y Az Oracle9i Database-be beágyazott adatbányászat y Java-alapú API, amely megfelel a JDM (JSR-73) fejlődő szabványnak (SUN Java Community Process, CWM, PPML, SQL/MM for Data Mining)
Data Mining
Beágyazott adatbányászat az Oracle9i adatbázisba y Egyszerűsíti a folyamatot, 80-20 y Nincs adatmozgatás és nincs adatduplikáció y Nagy teljesítményt és skálázhatóságot biztosít – – –
nem csupán mintavétellel Partitioning nagy adatmenny. SELECT SAMPLE Beágyazott adatbányászat
Adatbányászat
Az alkalmazások kiegészülnek predikcióval és betekintéssel az adatok mögé y Oracle9i Data Mining Java API-val predikció alapú alkalmazások készülnek –
Az adatbányászat automatizálása az ügyfelek pontozására és valós idejű prediktálására y Batch y on-demand
–
Az adatbányászati eredmények rögtön elemezhetők Oracle Discovererrel, OLAP kieg.
Scoring az Oracle9i adatbázisban y Batch futtatás – –
Adatmozgatás nélkül Eredmények az adatbázisban, más adatokkal kombinálhatóak
y On-demand scoring az interaktív alkalmazásokhoz –
Példák: Call center, intelligens wireless alkalmazások
Data Mining
Data Mining az Oracle9i Database-be ágyazva y Alapértelmezett és részletes paraméterezés y Több féle predikció – –
Adott esemény valószínűsége A legvalószínűbb esemény
y Több algoritmus – – –
Data Mining
Naïve Bayes (osztályozás) - supervised Association Rules (asszociáció) - unsupervised Fejlődés: C&RT, neurális hálózatok, SOM...
ODM és OP algoritmusok y Tranzakciós Naïve Bayes (TNB)
–
Feltételes valószínűségen alapul
y Association Rules (AR)
– –
A kereszt-értékesítés támogatására Termék asszociációhoz kapcsolódó pontozás
Predikció és klasszifikáció Korábban rejtett információk a hívóközpont kezelőnek. Predikció és valószínűség.
Asszociációs szabályok felhasználása y Asszociációk meghatározása –
–
Népszerű termék összeállítások (pl. kosár elemzés) Együttes előfordulások
y Kosár következő elemének megjóslása
ODM tevékenységek y y y y
Modell építés Teszt (Naïve Bayes prediktív modellekhez) Lift számítás (Naïve Bayes modellekhez) Modell alkalmazása (scoring a Naïve Bayeshez)
Oracle CRM integráltan az Oracle Data Mininggal y
y
Integrált Marketing Online Data Mining az üzleti marketing elemzőknek Automatikus modell template-ek – –
E-mail, telemarketing és Direct Mail válasz Hűség/Megtartás
y Automatikus pontozás – – –
Létező listákra és szegmensekre ütemezett pontozás Történeti pontozási adatok Teljes predictív modellezés: pontok azonnali eflhasználása lista készítéshez és kampányokhoz
Oracle CRM integráltan az Oracle Data Mininggal Automatizált adatbányászat •Modell építés •Ütemezés •Pontozás listák •Minták felderítése •Predikciók
A célzott kampányok hatékonyságát nagy mértékben javítja
Oracle9iAS Personalization
Oracle Personalization •
Az Oracle9i adatbázisba integrált alkalmazás • Módszet ad a web site látogatók személyre szabott megszólításához a viselkedés és demográfiai adatok alapján • Valós idejű javaslatok (a böngészés során) • A web viselkedési adatok az adatbázisban tárolódnak a jövőben végrehajtandó javaslatokhoz történő modell építéshez
Oracle9i Perszonalizáció “Valós idejű ajánlási motor…
y … 1:1 marketing kapcsolatokhoz az Interneten – –
Cross-selling és up-selling Web lap tartalom testreszabás, pl. hirdetések
Tradicionális adatbányászat
+
Valós idejű Session környezet
Hol használható? yE-kereskedelem (online katalógusok) yInternetes pénzügyi szolgáltatások, E-bank yWeb marketing (banner hirdetések) yWeb információs helyek, portálok
Ajánlás - feladatok • Melyik N terméket fogja A a legvalószínűbben megvásárolni? • Akik megvették az X terméket, hajlamosak-e mást is vásárolni? • Mennyire valószínű, hogy A megveszi az X terméket? • Melyik N cikket legvalószínűbb, hogy A megveszi, feltéve, hogy egy másik X terméket vásárol? • Melyik N termék hasonlít legjobban az X termékhez egy adott dimenzió mentén?
Hogyan szabályozható az Oracle Personalization • Történeti és session adatok súlyozása • Personalization index (szokásos vagy egyedi javaslatok) • Hot pick kategóriák • Az érdeklődés kiszolgálása −
• …
Vásárol v. érdeklődik
Personalization bemeneti adatok y Ügyfél profil és regisztrációs adatok y Ügyfél kattintások y Más értékesítési pontokon szerzett info call center, ... y Cégkatalógus y Nem regisztrált ügyfelek viselkedése
Web Data Mining és javaslatok
Personalization kimenetek
Web Data Mining és javaslatok
y Melyik bannert y Mely termékeket cross-sell, up-sell y Termék regisztráció, szervizek, kiegészítők y Kapcsolódó termékek, információk y Termék vásárlási helyének felajánlása
