Aplikace Data miningu v marketingu

Vysoká škola hotelová v Praze Katedra ekonomie a managementu

Aplikace Data miningu v marketingu Bc. Vasyl Manzyuk

diplomová práce

Autor práce:

Bc. Vasyl Manzyuk

Studijní program:

Ekonomika a management, magisterský studijní program

Studijní obor:

Mediální a marketingové komunikace ve sluţbách

Vedoucí práce:

Ing. Miloš Sobek

Datum odevzdání práce:

14.05.2014

Email:

[email protected]

Bc. Vasyl Manzyuk

The Institute of Hospitality Management in Prague 8, Ltd. Application of Data Mining in Marketing

Major:

Department of Marketing and Media Communications

Thesis Advisor:

Ing. Miloš Sobek

Date of Submission: 14.05.2014 E-mail:

[email protected] Prague ………….

Abstrakt Hlavním cílem mé diplomové práce je aplikace Data miningu u střední firmy a návrh postupných marketingových kroků. Tím chci znázornit, ţe i malým a středním firmám se vyplatí investovat do pořízení těchto nástrojů. Konkrétně se práce zabývá společností Jitex Comfort, s.r.o., která převzala výrobu společnosti Jitex a.s. a na českém trhu je od roku 2010. Ukáţu, jakými metodami analyzovat interní data z informačních systémů. V práci vycházím z dat, která mi poskytla společnost Jitex Comfort, s.r.o. z vlastních interních zdrojů. Práce je rozdělená do tří částí. První část tvoří kapitoly, ve kterých jsou zobrazeny metody dolování dat a postup při procesu dolování dat. Jsou zde definovány datové sklady a základní pojmy týkající se této problematiky- analýza nákupního koše, detekce shluků, rozhodovací stromy, neuronové sítě. Následně jsou zde popsány základní algoritmy, které se vyuţívají při těchto analýzách a produkty od společnosti Microsoft slouţící k analýzám Data Miningu. Druhá část, část analytická, začíná krátkou historií obchodního řetězce Tesco, který mi byl inspirací pro aplikaci data miningu. Následně je zde popsána historie a současný stav společnosti Jitex Comfort, s.r.o. a její analyzována interní data. Analýzy jsou rozděleny do tří částí: analýza e-shopu společnosti, analýza nákupního koše a analýza obchodních partnerů. Návrhová část shrnuje zjištěné informace a obsahuje následná návrhová řešení pro společnost, která se opírají o část analytickou. Jsou zde další doporučená řešení týkající se zlepšení sběru dat a práce s nimi.

Klíčová slova Data mining, marketing, data mining doplněk pro MS Excel 2007, proces dolování dat, Jitex Comfort,

Abstract Main aim of my diploma thesis is application of data mining methods in a middle class company and to show that even the small and middle class companies can make a profit by investing into these instruments. Namely is the work dealing with company Jitex Comfort s.r.o.. Which overtook production of the company Jitex a.s.. On Czech market is this company by the year 2010. I will show by which methods can be analysed inner data from informational systems. In my thesis, I am using data, which I obtained from the company Jitex Comfort s.r.o. from their own inner sources. The thesis is divided into 3 parts. First parts is consisted of chapters, in which are displayed methods of data mining and the procedure of data mining. Data warehouse and basic term of this issue are defined here- analysis of market basket, cluster detection, decision trees and neural networks. Then there is description of basic algorythms, which are used during these analysis and Microsoft company product used to data mining analysis. Second part, analytic part, starts with short history of retail company Tesco, which inspired me for choosing the topic application of data mining. Subsequently history and present state of Jitex Comfort s.r.o. and it’s analysed inner data is described here. Analysis is divided into 3 parts: analysis of company e-shop, market basket analysis, analysis of business partners. Suggestion part summarizes found out information and contains suggestion solutions for the company, which bears on analytical part. There are other suggestions dealing with improvement of data collecting and their usage.

Key words Data mining, marketing, data mining add-in for MS Excel 2007, the process of data mining, Jitex Comfort,

Prohlášení

Prohlašuji, ţe svojí diplomovou práci jsem vypracoval samostatně pouze s pouţitím pramenů a literatury uvedených v seznamu citované literatury. Prohlašuji, ţe v souladu s § 47b zákona č. 111/1998 Sb. v platném znění souhlasím se zveřejněním své diplomové práce a to v nezkrácené podobě elektronickou cestou ve veřejně přístupné části databáze IS provozovaného Vysokou školou hotelovou v Praze na jejich internetových stránkách. Souhlasím se zachováním mého autorského práva k odevzdanému textu této kvalifikační práce. Souhlasím dále s tím, aby toutéţ elektronickou cestou byly v souladu s uvedeným ustanovením zákona č. 111/1998 Sb. zveřejněny posudky školitele a oponentů práce i záznam o průběhu a výsledku obhajoby kvalifikační práce. Rovněţ souhlasím s porovnáním textu mé kvalifikační práce s databází

kvalifikačních

prací

Theses.cz

provozovanou

Národním

registrem

vysokoškolských kvalifikačních prací a systémem na odhalování plagiátů.

V Praze dne

....................................................... (jméno a příjmení)

Poděkování Touto cestou bych chtěl poděkovat svému vedoucímu práce Ing. Milošovi Sobkovi za odbornou pomoc při psaní práce. Dále bych chtěl poděkovat generálnímu ředitelovi společnosti Jitex Comfort, s.r.o. za jeho čas, informace a za poskytnutá data společnosti. Velké poděkování patří i mé rodině, ţeně a dětem za toleranci a psychickou pomoc.

Obsah Úvod................................................................................................................................ 12 1.

Teoretická část ......................................................................................................... 15

1.1. Historie Data miningu .............................................................................................. 15 1.1.1 Databáze, datové sklady ........................................................................................ 15 1.1.1.2. Typy datových skladů................................................................................. 16 1.2. Sběr dat .................................................................................................................... 17 1.2.1. Sběr dat pomocí zákaznických karet ............................................................. 17 1.4. Hlavní úlohy Data Miningu ................................................................................. 18 1.3. Metody dolování dat ................................................................................................ 18 1.3.1. Analýza nákupního koše (market basket analysis) ........................................... 19 Kříţový prodej (cross-selling) ................................................................................. 20 1.3.2. Detekce shluků (Cluster Detection) .................................................................. 22 1.3.3. Analýza závislostí (Link Analysis) ................................................................... 23 1.3.4 Rozhodovací stromy a indukce (Decision Trees and Rule Induction) ............... 23 1.3.5. Neuronové sítě (Artifical Neural Networks) ..................................................... 23 1.4. Algoritmy ............................................................................................................. 24 1.5. Segmentace zákazníků. ........................................................................................ 26 1.5.1. Kritéria segmentace spotřebních trhů ............................................................ 28 1.6. Proces dolování dat .................................................................................................. 28 1.6.1. Definice problému ......................................................................................... 30 1.6.2. Výběr dat ....................................................................................................... 30 1.6.3. Příprava dat .................................................................................................... 30

1.6.4. Data mining ................................................................................................... 31 1.6.5. Zprovoznění modelu ...................................................................................... 31 1.6.6. Obchodní akce ............................................................................................... 31 1.7. Software jako nástroj pro dolování dat ................................................................ 31 2. Analytická část ............................................................................................................ 33 2.1. Společnost Tesco. .................................................................................................... 33 2.2. Historie Jitexu .......................................................................................................... 35 2.3. Jitex Comfort s.r.o. .................................................................................................. 35 2.3.1. Profil společnosti ............................................................................................... 36 2.3.2. Informační systém BENEFIT ........................................................................... 37 2.4. Situační analýza společnosti .................................................................................... 38 2.4.1. Přehled trhu ....................................................................................................... 38 2.4.1.1. Demografie trhu.......................................................................................... 39 2.4.2. Trţní potřeby ..................................................................................................... 40 2.4.3. Analýza slabých a silných stránek, příleţitostí a hrozeb (SWOT) .................... 40 2.4.4. Konkurence ....................................................................................................... 42 2.4.5. Nabídka výrobků ............................................................................................... 43 2.4.6. Distribuce .......................................................................................................... 43 2.5. Analýza E-shopu společnosti ................................................................................... 43 2.5.1. Obchodní výsledky e-shopu .............................................................................. 44 2.5.2. Analýza prodeje funkčního oblečení ................................................................. 47 2.5.3. Analýza sortimentu e-shopu .............................................................................. 48 2.5.4. Analýza nejprodávanějších produktů ................................................................ 49 2.5.5. Analýza odběratelů e-shopu podle rozdělení na města ..................................... 49

2.6. Data v MS Excel ...................................................................................................... 50 2.6.1. Zprovoznění nástrojů pro dolování dat ............................................................. 51 2.6.2. Data mining doplněk pro MS Excel .................................................................. 52 2.7. Aplikace dolování dat .............................................................................................. 53 2.7.1. Definice problému ............................................................................................. 53 2.7.2. Výběr dat ........................................................................................................... 53 2.7.3. Příprava dat ....................................................................................................... 54 2.7.4. Data Mining ...................................................................................................... 54 2.7.4.1. Analýza nákupního koše............................................................................. 54 2.8. Analýza prodejů se zaměřením na města a obce ..................................................... 55 2.8.1. Analýza obchodních partnerů ........................................................................... 56 2.7.2. Analýza obchodních partnerů ve Slovenské republice ..................................... 61 2.9. Shrnutí analýz .......................................................................................................... 62 3. Návrhová část ............................................................................................................. 64 3.1. Zprovoznění modelu ................................................................................................ 64 3.2. Obchodní akce ......................................................................................................... 64 3.3. Vytvoření věrnostního programu ............................................................................. 65 3.3.1. Výběr dat a informací........................................................................................ 65 3.3.2. Technické provedení ......................................................................................... 65 3.3.3. Hodnota pro zákazníka ...................................................................................... 66 3.4. První důleţité kroky ................................................................................................. 67 3.5. Komunikační mix .................................................................................................... 67 3.5.1. Reklama............................................................................................................. 67 3.5.2. Public relations .................................................................................................. 69

3.5.3. Direct marketing................................................................................................ 70 3.5.4. Osobní prodej .................................................................................................... 70 3.6. Rozpočet .................................................................................................................. 71 3.7. Shrnutí ...................................................................................................................... 72 Závěr ............................................................................................................................... 73 Přílohy ............................................................................................................................. 75 Pouţitá literatura ............................................................................................................. 76

Seznam použitých zkratek apod. – a podobně aj. – a jiné tzv. - takzvaný atd. – a tak dále č. – číslo ČR- Česká republika EU – Evropská unie JC- Jitex Comfort max.- maximálně spol. – společnost Kč- koruny české mil.- milióny

Úvod Vaši nejnespokojenější zákazníci jsou nejlepším zdrojem pro vaše ponaučení. Bill Gates V dnešní době silné konkurence a silně diverzifikovaném trhu se společnosti snaţí udrţet si věrné zákazníky. Jak ukazují novodobé výzkumy, udrţet si stávajícího věrného zákazníka je pro firmu mnohem jednoduší a méně nákladné, neţ přilákat zákazníky nové. Tím pádem pro firmu má mnohem větší hodnotu věrný zákazník. Aby se však stal ze zákazníka zákazník věrný, musí firma nabídnout zákazníkovi něco víc, nějakou přidanou hodnotu. V zásadě se jedná o odlišení se od konkurence. Být jedinečný a originální. Tato cesta však pro mnohé firmy představuje nemalé náklady a hlavně investovaný čas. Jak můţeme vidět u dnešních obchodních řetězců. Budují se promyšlené loajální programy, eventy a vytvářejí se speciální soutěţe pro zákazníky. Vše jen z důvodu navázání dlouhodobého vztahu se zákazníkem. Pokud však firma dobře zná zvyklosti, myšlení a jednání svých zákazníků, můţe se tato investice brzy zúročit. Důleţité však není jen to, jak firma se zákazníky komunikuje, jak se prezentuje, důleţité také je, jak firma provozující věrnostní program vyuţívá svá data a jakými metodami je proměňuje v hodnotné informace. Právě z těchto důvodu jsem si vybral téma „Aplikace Data miningu v marketingu“. Při bádání a hledání inspirace mě nejvíce oslovil obchodní řetězec Tesco, který se díky poznatkům o zákaznících a práci s nimi vyšplhal aţ do špičky ve svém oboru. Samozřejmě, ţe věrnostní programy provozuje nemalá část úspěšných firem. Tesco se však díky tomuto kroku rozrostlo na evropská měřítka a dnes o něm můţeme říci, ţe je jedním z hlavních hráčů ve sféře obchodních řetězců. Vše díky programu Clubcard. Tento nástroj a pro zákazníky oblíbený „bonus“ se stal velkým hitem díky své propracovanosti.

12

To byl jeden ze stimulu, který mě přesvědčil, abych se problematikou věrnostních programů začal podrobněji zabývat a zkoumat jí. Proto jsem si tuto problematiku zvolil jako hlavní téma své diplomové práce. Po čase, kdy jsem uţ měl určitý pohled na tuto problematiku, zamyslel jsem se nad tím, jestli existují moţnosti, aby firma malých a středních rozměrů byla schopná investovat do těchto programů, správně je nastavit a dobře je pouţívat. To stojí i za mým cílem práce, kdy jsem si vybral střední českou firmu a přesvědčil jí o vyuţívání dat pomocí analytických nástrojů data miningu. Mým cílem diplomové práce tak je aplikovat data mining na interní data společnosti

a

následně

navrhnout

jejich

další

začlenění

do

strategických

marketingových kroků, direct marketingu nebo jiných marketingových nástrojů spojených s data miningem a věrnostními programy. Dokonce se mi podařilo společnost přesvědčit o zavedení věrnostního programů, inspirovat se obchodním řetězcem Tesco a vytvoření vlastních zákaznických karet za podmínek malé investice. Diplomová práce je povinně rozdělená do tří částí, kde první část zobrazuje metodologii a teoretické popsání problematiky dolování dat, vyuţívání metod, algoritmu, analytických nástrojů a hlavního procesu při dolování dat. Část druhá je soustředěná na analytickou část práce. Zde jsou zobrazeny určité analýzy, postupy a metody právě při vyuţití metodologie Data miningu. Začátku práce figuruje krátká historie společnosti Tesco, která mi poslouţila jako inspirace k naplnění hodnot diplomové práce. Dále jsem provedl situační analýzu, která znázorňuje a přibliţuje současný stav společnosti Jitex Comfort. Jsou zde následně provedeny analýzy týkající se jihočeské firmy Jitex Comfort, Tato společnost figuruje na českém trhu od roku 2010 a vyrábí vlastní oblečení zaměřené na několik kategorií. Má však dlouholetou historii zaloţenou na značce Jitex, kterou zná většina generace X i starší (sociology označovaná jako generace „Baby boomers“) populace v České republice. Návrhovou část, část třetí, povaţuji za nejdůleţitější. Pokud by byli jen výpočty a analýzy, ničeho by se nedocílilo. V této části se pokusím sjednotit získaná data

13

z analýz a následně popsat jejich vyuţití v praxi tj. v marketingové komunikaci. Zde se pokusím navrhnout několik řešení problému. Jelikoţ firma zrovna neprosperuje, budou to převáţně ekonomicky nenáročná řešení.

14

1. Teoretická část

1.1. Historie Data miningu Přestoţe termín Data mining (těţba dat) byl představen v roce 1990, koncept dolování dat má své kořeny jiţ mnoho let. Sběr a ukládání dat na počítače, magnetické pásky a disky začali jiţ v roce 1960. Další důleţitý krok nastal začátkem 80 let zavedením relačních databází a strukturovaných dotazovacích jazyků. Hlavní příčinou rozvoje databází byli obchodníci a jejich ukládána obchodní data v počítačích. Cílem bylo a je, aby byla zodpovězena nejen jednoduchá otázka „Jaký je můj celkový zisk za poslední 3 roky?“, ale i „Co se pravděpodobně bude prodávat v příštích měsících a proč?“.1

1.1.1 Databáze, datové sklady „Společnosti svá data shromaţďují v databázích zákazníků, výrobků a prodejcůa pak tato data dávají do vzájemných souvislostí. Databáze zákazníků bude obsahovat jméno, adresu, předchozí transakce a někdy i demografické a psychologické charakteristiky (aktivity, zájmy a názory) kaţdého zákazníka. Místo rozesílání direct mailů s novou nabídkou všem zákazníkům můţe společnost své zákazníky nejprve seřadit podle charakteristik, jako je čas uplynulý od posledního nákupu, frekvence nákupů a monetární hodnota, a nabídku následně poslat jen určitému počtu zákazníků z horní části seznamu. Kromě úspory poštovného podobně zpracované kampaně často dosahují dvouciferné míry odezvy. Společnosti se snaţí učinit tato data co nejúčinnějšími pro své rozhodovatele. Analytici mohou při data miningu nashromáţděná data vyhodnotit a získat neotřelé pohledy na dosud zanedbávané segmenty zákazníků, zjistit aktuální trendy a další 1

SQL Data Mining [online]. rok vyd. 2012 [cit. 2014-03-23]. Dostupné http://www.sqldatamining.com/index.php/data-mining-basics/history-of-data-mining

15

z:

uţitečné informace. Manaţeři mohou propojit zákaznické informace s daty o výrobcích a prodejcích a získat ještě hlubší poznatky.“2 „V datovém skladu jsou data integrována a ukládána, ať uţ se jedná o data z interních nebo externích zdrojů. Konečným cílem je poskytnout čitelné, organizované a v reálném čase dostupné informace z maxima podnikových databází i externích zdrojů, které jsou ve velkém rozsahu vyuţitelné při řízení firmy. Datový sklad (DS) je dlouhodobým úloţištěm, kam data shromáţděná klasickými informačními systémy přibývají po jednotlivých dávkách.“3 1.1.1.2. Typy datových skladů 1. Podnikový sklad (enterprice warehouse) je uloţištěm všech informací, které obklopují společnost. Jeho funkcí je integrovat a zpřístupnit data z informačního systému společností, které jsou obvyklé navrţené soukromou firmou. Velikost těchto dat se můţe pohybovat od několika Megabitu aţ po terrabity Tento typ skladu vyţaduje rozsáhlé modelování a jeho návrh a vytvoření můţe trvat i několik let. 2. Datové tržiště (data mart) Vztahuje se pod data podniková, avšak zde jsou data více specializována (data v oddělení marketingu budou obsahovat informace týkající se zákazníků a prodejnosti zboţí). Znamená to, ţe rozsah dat je omezen na určité vybrané subjekty.4 „Do datového trţiště se z datového skladu přesouvají data relevantní pro určitý typ analýz. Princip datových trţišť je obdobný jako v případě datových skladů. rozdíl je v tom, ţe datová trţiště- Data Marts jsou určena pro omezený okruh uţivatelů (oddělení, divize, pobočka, závod apod.). Podstatou jsou tak decentralizované datové sklady, které se budou postupně integrovat do celopodnikového řešení. V některých případech slouţí dále Data Marts, i po vytvoření celopodnikového datového skladu,

2

KOTLER, Philip a Kevin Lane KELLER. Marketing management. [4. vyd.]. Překlad Tomáš Juppa, Martin Machek. Praha: Grada, 2013, 814 s. ISBN 978-80-247-4150-5. 3 TVRDÍKOVÁ, Milena. Aplikace moderních informačních technologií v řízení firmy: nástroje ke zvyšování kvality informačních systémů. 1. vyd. Praha: Grada, 2008, 107-109 s. ISBN 978-80247-2728-8. 4 Data Warehousing: Concepts,techniques, products and aplications. 3. vyd. Nové Dillí: PHI Learning Private Limited, 2008, 184 s. ISBN 978-81-203-3627-8. Dostupné z: http://books.google.cz/books?id=rvXb6EgO6AC&hl=cs&source=gbs_navlinks_s

16

jako mezistupeň při transformacích dat z produkčních databází. Datové Marty slouţí k uchovávání podmnoţin dat z centrálního uloţiště, která byla vybrána a připravená pro určité koncové uţivatelé. (Často se také označují i oborové datové sklady). Analytik, jenţ chce získat data pro určitý cílený model, pak přistupuje k odpovídajícímu datovému martu. Výsledkem vytvoření datových trţišť je zkrácení doby návratnosti investic, sníţení nákladů a podstatné zmenšení rizika při jejich zavádění“5

1.2. Sběr dat Společnosti získávají data vlastním shromaţďováním nebo nákupem. Obě metody však mají své klady i zápory. Interní zdroje dat- tyto data si firma shromaţďuje sama a mají pro firmu nejvyšší vypovídající hodnotu. Shromaţďování dat se liší vzhledem k výrobě a nabízeným sluţbám v daném regionu. Zdrojem dat jsou databáze zákazníků a transakcí, nabídka poţadavků, popřípadě datové sklady. Data externích zdrojů- bývají v mnoha případech levnější. Důvodem je, ţe firma nemusí vyčleňovat lidi a prostředky na jejich sběr. Důleţite je, jestli data získáme od jiné firmy zabývající se výzkumem pouze pro své účely. V tomto případě data nemusí být pro firmu dobrá. Pokud se však data získají od firmy, která uţívá data miningové nástroje a svá data třídí, čistí a opravuje, potom mají data lepší prediktivní hodnotu a jsou i draţší.6 1.2.1. Sběr dat pomocí zákaznických karet „Zákaznické karty patří mezi nejstarší, nejjednodušší a nejčastěji vyuţívané nástroje pro podporu a management věrnosti klientů. Jejich princip je jednoduchý: klient, který splní tzv. kvalifikační podmínky (typicky je to nákup v určité hodnotě) získá plastovou kartu, která jej opravňuje buď k trvalému čerpání výhody, nebo 5

BÍNOVÁ, Dagmar. Vyuţití vybraných statistických metod při zpracování dat metodami Data Miningu.str.26. Praha, 2006. Disertační práce. Česká zemědělská univerzita v Praze. 6 DOSTÁL, Petr. Pokročilé metody manaţerského rozhodování: pro manaţery, specialisty, podnikatele a studenty : konkrétní příklady vyuţití metod v praxi. 1. vyd. Praha: Grada, 2005, 166 s. ISBN 80-2471338-1.

17

k akumulaci „bodů“, jeţ pak můţe proměnit ve výhodu, například ve slevu. Karta můţe být spojena s konkrétním jménem a identitou klienta, nebo můţe být anonymní. Ať tak či tak, umoţňuje obchodníkovi poznat aktivitu konkrétního člověka a má tohoto člověka motivovat k pravidelným nákupům u téhoţ obchodníka či jeho partnera.“7 Příkladem vyuţívání zákaznických karet můţou být supermarkety. Pomocí těchto karet je moţné udrţovat informace o zboţí a zákaznících, kteří toto zboţí nakupují. Tímto způsobem můţou řetězce individualizovat zákazníky a sledovat jejich nákupní zvyklosti.8

1.4. Hlavní úlohy Data Miningu Segmentace a klasifikace – klasifikace rentgenových snímků pacienta, rozpoznávání problémových a bonitních klientů bank a pojišťoven Predikce – vývoje kurzů akcií, spotřeby energie, vody, plynu v dané lokalitě Analýza příčin – onemocnění pacientů, účinnost léků, poruchy technický zařízení Hledání zajímavých výjimek v datech – analýza dopravních nehod, hledání chyb v datech 9

1.3. Metody dolování dat Zaměříme se na metody pouţívané v odvětví marketingu. Pro vyuţití dolování dat musí firma vytvářet a provozovat informační systémy a vlastnit ať uţ malou nebo velkou databázi údajů. „Při řešení marketingových problémů nalézají největšího uplatnění úlohy zaměřené na metody asociačních a rozhodovacích pravidel. Díky aplikaci těchto pravidel na rozsáhle datové soubory o nákupech realizovaných jednotlivými zákazníky jsou obchodní společnosti schopny popsat typické chování 7

Jak udělat zákaznické karty, aby nebyly jen efektní, ale i efektivní. Podnikatel.cz [online]. 6.1.2011 [cit. 2014-05-08]. Dostupné z: http://www.podnikatel.cz/clanky/jak-udelat-dobre-zakaznicke-karty/ 8 MALACH, Antonín. Jak podnikat po vstupu do EU: právo a podnikání, podnikatelské řízení, podpora podnikání v ČR a EU, podnikatelské a podpůrné instituce, podnikání a veřejná správa. 1. vyd. Praha: Grada, 2005, s. 60. ISBN 80-247-0906-6. 9 BERKA, Petr: Dobývání znalostí z databází. Vyd. 1. Praha : Academia, 2003. 366 s. [cit. 2014-03-29]. ISBN 80-200-1062-9.

18

svých zákazníků a odpovědět na otázky, které se jej týkají. Pro marketingové účely jsou pak firmami nejčastěji pouţívané tyto techniky: 1. Analýza nákupního koše (Market Basket Analysis) 3. Detekce shluků (Cluster Detection) 4. Analýza závislostí (Link Analysis) 5. Rozhodovací stromy a indukce (Decision Trees and Rule Induction) 6. Neuronové sítě (Artifical Neural Networks)

1.3.1. Analýza nákupního koše (market basket analysis) Identifikace spotřebního chování. Z dat o prodejích, jako jsou záznamy z prodejních terminálů nebo web logy internetových obchodů lze odvodit informace o nákupním chování zákazníků. Znalost těchto informací napomáhá efektivněji uspořádat obchod či katalog – ať uţ fyzický, nebo elektronický.“10 Dnes jiţ existují společnosti, které data miningové sluţby nabízejí externí formou. Jednou takovou je i česká společnost WBI systems, která na zakázku analyzuje sociální sítě. Pokud firma chce začít prodávat nový produkt nebo sluţbu, musí nejdříve provést průzkum trhu. Nejlepším prostředím bývají sociální sítě, kde vidíte, o čem lidé komunikují, jaké mají názory a co mají a nemají rádi. V ČR je denní návštěvnost Facebooku 4,2 milionu uţivatelů.11Společnost WBI systems pomocí technologií od společnosti Microsoft vyhledává a skenuje příspěvky českých uţivatelů facebooku a tím

10

PILAŘ, Pavel. Data mining - Přeměna dat v hodnotné informace. In: Sophia Solution [online]. 2006 [cit. 2014-03-29]. Dostupné z: http://sophias.cz/cs/co-delame/publikacni-cinnost/data-mining-premenadat-v-hodnotne-informace.html 11 10 let Facebooku: Jak změnil podnikání i ţivoty uţivatelů?. Česká televize [online]. 4.2.2014 [cit. 2014-04-18]. Dostupné z:http://www.ceskatelevize.cz/ct24/ekonomika/260838-10-let-facebooku-jakzmenil-podnikani-i-zivoty-uzivatelu/

19

zjišťuje názory na určité téma, o čem se mluví nebo co se líbí. Tato metoda můţe skvěle poslouţit jak obchodníkům, tak i politické, na míru šité, marketingové kampani.12 Prostřednictvím analýzy nákupního koše je nahlíţeno na shluky produktů, jeţ jsou současně nakupovány zákazníky. Tato analýza má původ na poli obchodních firem. Průkopníkem ve vyuţití této metody, kdy jsou klientům nabízeny související produkty, byl americký, dnes uţ globální, internetový obchod Amazon. Zanedlouho se tato metoda rozšířila i do dalších oborů. V současné době, bez ohledu na sortiment, tuto techniku vyuţívají všechny velké elektronické obchody. Mezi kamennými a elektronickými obchody existuje pochopitelně zásadní rozdíl ve způsobu získávání dat pro analýzu chování zákazníků. Při nakupování v kamenné prodejně se tak děje na základě výsledného souboru nakoupených produktů. Chování zákazníka a jeho počínání při návštěvě virtuálního prostředí elektronického obchodu pak lze monitorovat efektivněji, kdy jsou v rámci e-shopu uskutečněné transakce sledovány vedle výsledného obsahu „nákupního košíku“ také jednotlivé kroky, jimiţ se zákazník „proklikal“ k výsledným produktům. Rovněţ jsou zaznamenávány údaje typu „které další produkty si návštěvník v souvislosti s jejich nákupem prohlédl“ nebo také „jaká byla posloupnost kroků vedoucích k danému nákupu“. Rozborem uvedených sekvencí se pak zabývá samostatná disciplína tzv. clickstream analýza (patří do podoblasti web mining). Díky analýze nákupního koše můţeme dále aplikovat metodu nazývanou kříţový, resp. následný prodej (cross-selling).“13 Křížový prodej (cross-selling) Od stánkařů po korporace se kaţdý snaţí prodat více na základě znalosti o předchozích nákupech zákazníka. Cross-sell znamená prodat dodatečný produkt,

12

O WBI. WBI Systems, a.s. [online]. c 2014 [cit. 2014-04-03]. Dostupné z: http://www.wbi.cz/o-wbi/ Cíle supervizovaného učení. Acrea- analytical creativity [online]. 2011 [cit. 2014-04-20]. Dostupné z:http://fit.cvut.cz/sites/default/files/ondrej-hava_priprava-dat-v-komercnim-dataminingovemprojektu.pdf 13

20

někomu kdo uţ nějaký produkt od nás má. Podmínkou je souvislost nového prodeje s původně prodaným produktem.14 V tomto modelu jsou nejčastěji pokládané otázky typu: 1.“Které produkty jednotliví odběratelé za sledované období nakoupili?“ 2.“V jakém pořadí se nákupy uskutečňují“ „Společnosti mají zájem o prodej, up-selling a cross-selling svých výrobků a sluţeb. Vytvářejí kritéria popisující ideálního cílového zákazníka pro určitou nabídku. Pak pátrají ve svých databázích zákazníků po všech, kteří se nejvíce podobají ideálnímu typu. Sledováním míry reakcí dokáţe společnost za čas zlepšit přesnost zacílení. po prodeji můţe spustit automatický sled aktivit: po týdnu poslat poděkování, po pěti týdnech poslat novou nabídku, po deseti týdnech (pokud zákazník nereagoval) zákazníkovi zatelefonovat a nabídnout mu zvláštní slevu. Kříţový prodej vyuţívají společnosti hlavně k rozhodování, kteří zákazníci by měli obdrţet určitou nabídku. Pan Kotler ve své knize popisuje další čtyři způsoby vyuţití databází společnostmi: K identifikaci potenciálních zákazníků. Mnohé společnosti si vytvářejí prodejní příleţitosti pomocí inzerce svého výrobku nebo sluţby. Reklamy obvykle obsahují způsob, jak můţe oslovený zákazník reagovat- odpovědní formuláře nebo zákaznickou linkou- a společnosti pak vyuţívají této odezvy zákazníků k vytvoření své databáze. Poté společnost vzniklou databázi prohledá ve snaze identifikovat ty nejnadějnější potenciální zákazníky, které následně písemně nebo telefonicky kontaktuje a předloţí jim určitou nabídku. K prohloubení věrnosti zákazníků. Společnosti mohou podporovat zájem a nadšení svých zákazníků tím, ţe si zapamatují jejich preference a posílají jim vhodné dárky, slevové kupóny a zajímavé materiály ke čtení.

14

PRODÁVEJTE JABLKA S HRUŠKAMI! (JAK NA CROSS SELL ANALYTICKÝMI TECHNIKAMI). Data Mind [online]. 27. srpen 2009 [cit. 2014-05-10]. Dostupné z: http://www.datamind.cz/cz/blog/Jak-na-cross-sell-analytickymi-technikami

21

K opětovné aktivaci zákazníků. Automatické mailingové programy mohou rozesílat blahopřání k narozeninám nebo výročí, vánoční nabídky či posezónní slevy a akce. Databáze můţe společnosti pomoci formulovat atraktivní a správně načasované nabídky. K eliminaci závažných chyb souvisejících se zákazníky. Jedna velká banka přiznala, ţe se dopustila řady chyb v důsledku nesprávného vyuţívání své databáze zákazníků. V jednom případě naúčtovala zákazníkovi penále za pozdní splátku hypotéky, aniţ by si všimla, ţe je zároveň ředitelem společnosti, která byla jedním z největších zákazníků banky. Zákazník od banky odešel. Ve druhém případě volaly dvě zaměstnankyně témuţ hypotečnímu klientovi a nabídly mu úvěr na financování bydlení, kaţdá za jinou cenu. Ani jedna z nich nevěděla, ţe zákazníkovi jiţ volala její kolegyně. Ve třetím případě pak banka poskytla váţenému klientovi v zahraničí jen standartní sluţby.15 „Odhad pravděpodobnosti daného chování zákazníka. Pro optimální zacílení přímé reklamní kampaně je nesmírně cenná znalost pravděpodobnosti, s níţ daný zákazník zareaguje pozitivně na konkrétní nabídku. Metodami data miningu lze tuto pravděpodobnost odhadnout na základě dostupných dat o průběhu předchozích srovnatelných

kampaní.

Se

znalostí

této

informace

lze

sníţit

náklady

na cílenou reklamní kampaň o desítky procent při zachování její účinnosti.

1.3.2. Detekce shluků (Cluster Detection) První, kdo publikoval detekci shluků byl J.B: MacQuenn v roce 1967. Dnes jiţ tato metoda má mnoho variant.16 Detekce shluků nevychází z předem definovaných skupin shluků a její počet je vyhledáván na základě podobnosti zkoumaných dat.17

15

KOTLER, Philip, Kevin Lane KELLER. Marketing management. 12. vyd. Praha: Grada, 2007, s. 203. ISBN 978-80-247-1359-5. 16 BREZANY, Peter. Automatic cluste detection: Data mining engineering. Univerzita ve Vídni,Fakulta počítačové vědy, 2001. 407431. Dostupné z: https://docs.google.com/viewer?url=http%3A%2F%2Fartemis.wszib.edu.pl%2F~brezany%2Fclusterhandout.pdf. Přednáška. Univerzita ve Vídni. 17 Business Intelligence: Jak využít bohatství ve vašich datech. s. 206 Praha: Grada Publishing, a.s., 2005. ISBN 80-247-1094-3.

22

1.3.3. Analýza závislostí (Link Analysis) „Při zkoumání závislosti např. mezi dvěma veličinami nás zajímá, jak se při změně hodnot jedné veličiny mění podmíněné pravděpodobnostní rozdělení druhé veličiny (jak se při změně hodnot jedné veličiny mění podmíněné střední hodnoty druhé veličiny – např. prospěch v matematice a ve fyzice, tělesná váha a výška, výkon ve sprintu a skoku do dálky)“.18

1.3.4 Rozhodovací stromy a indukce (Decision Trees and Rule Induction) Jsou to klasifikační metody prezentující podsekce (obr. 1). Principiálně rozhodovací stromy roztřiďují a predikují hodnoty v objektech, které jsou klasifikované.19 „Řešení problémů pak vede k vícepatrovým rozhodovacím procesům, tj. procesům skládajících se z určitého počtu časově navázaných etap. Řešení víceetapového

rozhodovacího

problému

pak

tvoří

posloupnost

rozhodnutí

v jednotlivých etapách, která představuje strategii rozhodování.“20

1.3.5. Neuronové sítě (Artifical Neural Networks) Jsou počítačové nástroje inspirované funkcí nervových buněk v mozku. Jsou sloţeny z několika paralelních vzájemně propojených počítačových jednotek. Kaţdá z těchto vykonáva pár jednoduchých operací a předává výsledek sousedící jednotce. V kontrastu ke konvenčním počítačovým programům kde jsou podané instrukce krok za krokem tak aby vykonávali konkrétní úkol, neuronové sítě se můţou naučit vykonávat úkoly procesem tréningu na spoustě rozdílných příkladů. Obvykle uzly neuronové sítě jsou organizovány do vrstev. Kaţdý uzel v jedné vrstvě má propojení s kaţdým uzlem v další vrstvě. Kaţdý uzel má svojí aktivační

18

NEUBAUER, Jiří. Analýza závislostí: Statistika 2- Ekonometrie [Přednáška]. 2014 [cit. 20.4.2014]. Dostupné z: https://docs.google.com/viewer?url=http%3A%2F%2Fk101.unob.cz%2F~neubauer%2Fpdf%2Fanalyza_ zavislosti.pdf 19 FLORIN, Gorunescu. Data mining: concepts, models and techniques. Berlin, Heilelberg: SpringerVerlag, 2011, s. 159. Intelligent systems reference library, v.12. ISBN 3642197205. 20 Aplikovaná analýza rizika ve finančním managementu a investičním rozhodování. Praha: Grada Publishing, a.s., 2014, s. 211. ISBN 978-80-247-5104-7.

23

hodnotu. Během poznávání vzorů kaţdý uzel operuje jako jednoduchý přístroj. Uzel sčítá všechny vstupy a poté uplatňuje aktivační funkci. 21

1.4. Algoritmy „Techniky data miningu se dají pouţít u téměř všech typů firemních aplikací a mohou odpovídat na různé typy otázek. Aplikací data miningu můţe být řízení rizika, rozdělení zákazníků do skupin, cílená reklama, předvídání budoucího vývoje, hledání anomálií (např. hledání pojistných podvodů), tvorba doporučení (nabídka zboţí, o které by mohl mít klient zájem v online obchodech) a další. Základem je takzvaná data miningová struktura. Ta se skládá z tabulky dat, která chceme analyzovat (v softwarech „case table“), a z data miningových modelů, coţ jsou algoritmy, které se dělí do skupin podle pouţití.“22 Klasifikační algoritmy předvídají jednu nebo více diskrétních veličin na základě vstupních atributů. Příkladem můţe být potřeba marketingového oddělení identifikovat charakteristiky současných zákazníků, zda si koupí produkt v budoucnosti. Na takovéto zákazníky potom můţe firma efektivněji zacílit reklamu. Na obrázku 1 vidíte moţný výstup práce takovéhoto algoritmu: rozhodovací strom atributů, jeţ měly vazbu na nákup produktu.

21

Bouncken, R, Sungsoo, P, Cho, V, & Leung, P 2002, 'Towards Using Knowledge Discovery Techniques in Database Marketing for the Tourism Industry',Knowledge Management In Hospitality & Tourism, 3, 3/4, pp. 109-131, Hospitality & Tourism Complete, EBSCOhost, viewed 21 April 2014. 22 NEORAL, Jiří. DAQUAS. Data mining aneb dolování dat [online]. 2011 [cit. 2014-05-09]. Dostupné z:http://www.daquas.cz/articles/452-data-mining-aneb-dolovani-dat

24

Obr. 1. (rozhodovací strom atributů) Regresní algoritmy na základě atributů předvídají jednu nebo více spojitých veličin,

jako je například zisk či ztráta. Příkladem můţe být potřeba managementu předvídat měsíční prodeje produktu pro nadcházející rok. Pokud má management k dispozici informace o prodejnosti produktu za posledních pár let, dají se předvídat prodeje budoucí. V průběhu roku je moţné předvídané hodnoty zpřesňovat na základě nově získaných informací. Na obrázku 3 vidíte graf předvídání budoucích prodejů vygenerovaný v Excelovém doplňku pro data mining.

Obr.2 (příklad- předvídání budoucích prodejů)

25

Asociační algoritmy hledají souvislosti mezi různými atributy v souhrnu dat. Nejčastějším pouţitím takovéhoto typu algoritmu můţe být analýza nákupního koše. Představte si online obchod sbírající informace, které produkty kupují uţivatelé pohromadě. A kdyţ přijde zákazník nový a hází věci do košíku, nabídneme mu nevtíravou reklamou produkt, o který měli zájem zákazníci před ním. Co kdyby jej náhodou koupil? No, to by bylo príma. Sekvenční algoritmy hledají a sumarizují sekvence v datech. Opět příklad s online obchodem. Provozovatel obchodu sbírá informace o uţivatelích, zajímá ho, které stránky a v jakém pořadí uţivatel navštíví. Můţe pak z nasbíraných informací vytvořit skupiny uţivatelů s podobnými nakupovacími návyky, vytipovat stránky, které mají nejsilnější vazby na nákup konkrétních produktů, a pak s těmito informacemi dále pracovat. Segmentační algoritmy rozdělují data do skupin s podobnými charakteristikami. Představte si skupinu zákazníků s podobnými demografickými vlastnostmi, kteří kupují podobné produkty. Tato skupina představuje tzv. „trs“ dat. V datech můţe existovat několik takovýchto „trsů“. Pokud se podíváme na atributy, které dohromady tvoří tento trs, můţeme lépe porozumět jednotlivým záznamům a pochopit souvislosti.“23

1.5. Segmentace zákazníků. V řadě velkých firem platí, ţe 90 % obratu firmy tvoří 10 % nejvýznamnějších zákazníků. Tuto základní formu segmentace na základě vybraných parametrů (v tomto případě výše obratu) umoţňuje uţ většina analytických nástrojů. Segmentace metodami data miningu umoţní nalézt a identifikovat segmenty napříč desítkami atributů zákaznické databáze. Marketingová práce s jednotlivými dílčími segmenty je pak podstatně efektivnější neţ práce s kompletní zákaznickou databází. 23

NEORAL, Jiří. DAQUAS. Data mining aneb dolování dat [online]. 2011 [cit. 2014-05-09]. Dostupné z:http://www.daquas.cz/articles/452-data-mining-aneb-dolovani-dat

26

Výhody segmentace trhu: Díky dobré segmentaci trhu společnosti oslovují pouze zákazníky, pro které je nabídka určená. Mění se tím i reklamní aktivity. Stanou se učelnější a účinnější. Ušetří náklady financování díky přesnějšímu zacílení. Distribuce a komunikace se stanou efektivnější. Určitým způsobem se eliminuje nebezpečí konkurenčních válek. Společnosti díky segmentaci získají určitou konkurenční výhodu.24

Obr. 3. (jeden ze způsobu, jak jde segmentovat zákazníky)25

24

MATULA, Vladimír. Segmentace trhu. Vladimír Matula- reklama, marketing, internetový marketing [online]. 2009 [cit. 2014-03-10]. Dostupné z: http://www.vladimirmatula.zjihlavy.cz/segmentace-trhu.php 25 MATOUŠEK, Jan. SEGMENTACE ZÁKAZNÍKŮ. Data Mind [online]. 2. duben 2014 [cit. 2014-0410]. Dostupné z:http://www.datamind.cz/cz/blog/segmentace-zakazniku

27

1.5.1. Kritéria segmentace spotřebních trhů „Segmentace trhu dělí trh na jasně definované dílky. Trţní segment je tvořen skupinou zákazníků sdílejících podobné potřeby a přání. Úkolem marketéra je identifikovat vhodný počet a povahu trţních segmentů a rozhodnout, na který/které zacílit. K segmentaci spotřebních trhů vyuţíváme dvě široké skupiny proměnných. Někteří výzkumníci se snaţí definovat segmenty pomocí deskriptivních charakteristik: geografie, demografie a psychografie. Poté analyzují, zda takto vymezené segmenty vykazují odlišné potřeby nebo reakce na výrobek. Mohou například zkoumat odlišnost postojů „profesionálů“, „modrých límečků“ (výraz používaný pro dělnické profesepozn. red.) a dalších skupin k bezpečnosti coby vlastnosti výrobku. Jiní výzkumníci se na druhou stranu snaţí vymezit segmenty pomocí behaviorálních charakteristik, jakými jsou reakce spotřebitele na různé benefity, příleţitosti pouţívání výrobku nebo značky. Výzkumníci pak sledují, zda jsou s kaţdým segmentem zaloţeným na reakci spotřebitelů spjaty nějaké odlišující charakteristiky. Například, zda se skupina lidí, kteří u svého automobilu upřednostňují kvalitu před nízkou cenou, odlišuje svým demografickým, geografickým a psychografiským sloţením. Ať uţ zvolíme jakoukoliv formu segmentace, klíčem je následná úprava marketingového programu způsobem, který odráţí odlišnost zákazníků26

1.6. Proces dolování dat Proces dolování dat a jeho jednotlivé fáze jsou znázorněny na jednoduchém cyklickém diagramu (obr. 1.2.2.). Tento proces je neustálý.

26

KOTLER, Philip a Kevin Lane KELLER. Marketing management. [4. vyd.]. Praha: Grada, 2013, s. 252. ISBN 978-80-247-4150-5.

28

1. Definice problému- prvním krokem v procesu dolování dat je jasně definovat problém a zváţit, zda údaje mohou poskytnout odpověď na problém.27 2. Výběr dat- po definování přesné definice problému je zapotřebí vybrat data, která jsou pro to potřebná. 3. Příprava dat- zde je data potřeba roztřídit, očistit a správně připravit pro následnou analýzu. 4. Dolování dat- ačkoliv část tohoto procesu je nejkratší, informace z této části jsou zásadním zdrojem pro další postup. 5. Zprovoznění modelu- informacím poskytnutým z dolování je zapotřebí porozumět. V této části se informace zpracují tak, aby je pochopili i další pracovníci firmy. 6. Obchodní akce- z výsledků se navrhnou další obchodní a marketingové kroky.

Obr. 4 - Proces dolování dat včetně obchodní akce.(Autor)

27

Data Mining Concepts. Microsoft [online]. 2014 [cit. 2014-05-02]. z: http://technet.microsoft.com/en-us/library/ms174949.aspx#DefiningTheProblem

29

Dostupné

1.6.1. Definice problému „Cely proces začíná vymezením problému, který je potřeba řešit. Podle toho se určí zdroje dat potřebných pro analýzu a zvolí se typ modelu, který bude pouţit. V průběhu dalšího postupu se můţe ukázat, ţe vybraný postup nevede k uspokojivému závěru a je nutné buď znovu provést některé kroky jinak, nebo projekt zastavit. Také se můţe stát, ţe při řešeni úlohy se neočekávaně projeví nějaké překvapivé skutečnosti, které dají podnět k dalším analýzám. Po nasazení modelu do provozu se potom průběţně hodnocení modelu provádí v rámci údrţby modelu a je východiskem pro rozhodování, zda vyvinutý model ještě stále dobře vyhovuje poţadavkům, pro které byl vytvořen, a můţe být pouţíván nadále, nebo by jiţ měl být nahrazen modelem novým.“28 1.6.2. Výběr dat Poté, co definujeme problém, musíme definovat zdroje dat. Ne kaţdý zjištěný datový zdroj slouţí jako řešení a nemusí být důleţitý pro danou oblast pozorování. Data jsou obvykle extrahovaná ze zdrojových systémů nebo datových skladů na speciální datový server, kde je následně realizován Data mining.29 „V této fázi musí odborníci vytvořit datový model pro modelování. Sbírají, čistí a formátují data, protoţe některé z dolovacích funkcí můţou přijímat data pouze v určitém formátu. Taktéţ můţou vytvářet nové odvozené atributy, například průměrnou hodnotu.“30 1.6.3. Příprava dat Příprava dat je časově nejnáročnější částí kaţdého projektu dolování dat. Vyţaduje aţ 80% celkových zdrojů. Prostředí a okolí ve většině případu vyţadují, aby data, která byla analyzována, byla připravená do podoby jednoduché a srozumitelné 28

KASPŘÍKOVÁ, Nikola. Analýzy databází a data mining. In: Analýzy a data mining [online]. 2010 [cit. 2014-05-10]. Dostupné z: http://data.tulipany.cz/dataminingCRM.php 29 NOVOTNÝ, Ota. Business intelligence: jak vyuţít bohatství ve vašich datech. 1. vyd. Praha: Grada, 2005, s. 205. ISBN 80-247-1094-3. 30 The data mining process. IBM [online]. 2008 [cit. 2014-05-10]. Dostupné z:http://publib.boulder.ibm.com/infocenter/db2luw/v9r5/index.jsp?topic=%2Fcom.ibm.im.easy.doc%2Fc _dm_process.html

30

tabulky. Tato metodologie umoţňuje vytvoření stovek a občas i tisíců proměnných, které budou vstupovat do modelování. Tato projektová fáze je nejkritičtější- kvalita výsledných modelů je úměrně závislá kvalitě vybraných dat. Expertíza v této oblasti spočívá hlavně v tom, aby reprezentace podrobných dat měla formu odpovídající všem aspektům řešeného obchodního problému. 1.6.4. Data mining Tato fáze zahrnuje vyuţití statistických i nestatistických nástrojů pro vytvoření matematických a data miningových modelů. Je nejkratší a nejjednodušší částí Data Mining projektu. Většina organizací, která zaměstnává analytiky, je schopná si v tomto směru postupně vystačit i sama. 1.6.5. Zprovoznění modelu Zde se matematické modely implementují do operačního systému, aby mohly být vyuţity ke zlepšení obchodních výsledků. 1.6.6. Obchodní akce Zde je zahrnuto vyuţití zprovozněných modelů pro zajištění lepších výsledků v rámci identifikovaného obchodního problému nebo příleţitosti. Ve své analytické části budu popisovat podnik středního typu, a proto se zaměřím i na otázku, zdali se vyplatí střednímu podniku zavádět data miningové nástroje pro vyuţití pro marketingové aktivity.

1.7. Software jako nástroj pro dolování dat Magazín Financial Post ve svém článku „New weapon for small businesses: data mining“ udělal rozhovor s Corrine Sandler, generální ředitelkou společnosti „Fresh Inteligence“ a autorkou knihy „Wake Up Or Die“. Paní Sandler v rozhovoru říká, ţe díky niţším nákladům na technologie a širším přístupům k údajům mohou i malé firmy

31

začít vyuţívat dolovacích metod. Začátkem podle ní je správné vyuţívání jednoduchých nástrojů, jako jsou Microsoft Access nebo Excel.31 Dnes je celá řada nástrojů určených k dolování dat. Společnosti se předhánějí v propagaci svých programů určených pro BI. Ceny jsou jim odpovídající. Popíšu jen jeden, ve kterém budu aplikovat dolovací metody v analytické části. Tím je Microsoft Excel 2007 a jeho doplňkové nástroje určené právě pro dolování dat, které jsou volné ke staţení na oficiálních stránkách společnosti Microsoft (http://www.microsoft.com/enus/download/confirmation.aspx?id=7294). K tomu, abychom mohli tyto funkce zprovoznit, je zapotřebí nejen tento doplněk. Dále musíme nainstalovat MS SQL server ve verzi, která obsahuje Analysis services- coţ je i půlroční trial verze Evaluation. Výpočty modelů v rámci dataminingu se totiţ fakticky neprovádějí v Excelu, ale na SQL Serveru. Z uţivatelského pohledu to ale práci nijak neovlivňuje. Uţivatel se stále pohybuje v Excelu.

Obr. č. 5 (Doplňky pro Data Mining v MS Excel) Jakmile doplněk nainstalujeme, zobrazí se nová karta v horní části programu s názvem Data mining. Dále je zapotřebí připojení k serveru. K tomuto účelu slouţí třetí tlačítko zprava s názvem . Před tímto krokem musíme spustit nainstalovanou verzi SQL Serveru a vytvořit v něm databázi.32 Technické kroky tohoto procesu popíšu v analytické části.

31

New weapon for small businesses: data mining. Financial Post [online]. 07.04.2014, April [cit. 201404-22]. Dostupné z:http://business.financialpost.com/2014/04/07/how-small-businesses-can-find-successin-their-data/ 32 BERAN, Jiří. Data Mining v Excelu. In: EXCELentní triky a návody [online]. 25. února 2013 [cit. 2014-02-03]. Dostupné z:http://www.excelentnitriky.com/2013/02/data-mining-v-excelu.html

32

2. Analytická část V této části krátce popíšu vývoj společnosti Tesco ve Velké Británii a její vyuţití data miningových metod pro vlastní růst. Dále představím jihočeskou společnost Jitex Comfort, s.r.o., jejíţ data budu vyuţívat. K této problematice si poloţím tři hypotézy, které v průběhu analytické části potvrdím nebo vyvrátím. Hypotézy:

1. Data sesbíraná z e-shopu se dají vyuţít v prostředí B2B. 2. Prostřednictvím e-shopu lidé nakupují více z velkých měst, neţ z měst malých. 3. Společnost nabízí své produkty ve všech městech České republiky, která mají počet obyvatel větší neţ 10 tisíc.

2.1. Společnost Tesco. „Pokud se zeptáte zákazníka britského řetězce Tesco, jak vypadalo nakupování na začátku osmdesátých let, pak jen sotva uslyšíte, ţe „To byla příjemná zkušenost“. Třebaţe v roce 1983 začala společnost vylepšovat své obchody a rozšiřovat sortiment, i nadále trpěla pověstí levných obchodů zaostávajících za hlavním konkurentem, společností Sainsburi, jejíţ obchody byly povaţovány za luxusnější. Aby Tesco dokázalo získat trţní podíl na úkor Sainsbury, muselo změnit negativní pohled veřejnosti na své prodejny. Rozhodlo se proto zlepšit nákupní zkušenosti zákazníků a dosaţená zlepšení zdůrazňovalo ve své imageové kampani usilující o „pozvednutí Tesca ze dna trhu“, jak její motto zformulovala reklamní agentura v roce 1989. Mezi roky 1990-1992 Tesco spustilo 114 samostatných iniciativ usilujících o zlepšení kvality jejich obchodů, a to včetně přebalovacích místností pro děti, nabídky specialit, jako jsou francouzská kuřata, a zavedení nové řady výrobků s dobrým poměrem ceny a hodnoty. Připravilo taky kampaň „Every Little Helps“, komunikující tato zlepšení ve 20 spotech, z nich kaţdý se zaměřil na jiný z aspektů zrealizovaných

33

zlepšení. Díky tomuto úsilí Tesco mezi roky 1980-1985 přilákalo 1,3 miliónů nových zákazníků, kteří pomohli zvýšit trţby a trţní podíl společnosti a posunulo Tesco v roce 1995 před Sainsbury na první příčku britského trhu. Tesco poté představilo iniciativu, Která z něj měla učinit prvotřídní příklad dobře zvládnutého vytváření dlouhodobých vztahů se zákazníky: Věrnostní program Tesco Clubcard. Ten nabízel nejen slevy a speciální nabídky ušité na míru jednotlivým zákazníkům, ale slouţil také, jako výkonný nástroj pro sběr dat, umoţňující Tescu pochopit nákupní zvyklosti a preference svých zákazníků lépe, neţ to dokázal jakýkoliv z konkurentů. Pomocí dat z programu Clubcard si Tesco vytvořilo „DNA profil“ kaţdého zákazníka na základě jeho nákupních zvyků. Pro účely vytvoření těchto profilů klasifikovalo kaţdý výrobek zakoupený určitým zákazníkem podle 40 dimenzí, včetně ceny, velikosti, značky, ekologičnosti, pohodlnosti a zdraví. Na základě svého DNA profitu pak zákazníci Tesca dostávali jednu ze 4 milionů variant měsíčního výpisu, obsahující cílené speciální nabídky a další akce. Data z programu Clubcard pomohla Tescu zefektivnit provoz. Sledování nákupů členů programu Clubcard odhalilo cenovou elasticitu kaţdého výrobku a pomohlo zlepšit plánování promo-akcí, coţ společnosti ušetřilo 500 mil. USD. Tesco vyuţilo data o zákaznících k určení vhodného sortimentu a dokonce i pro vytipování lokalit pro nové obchody. Během 15 měsíců od spuštění programu bylo vydáno 8 milionů karet Clubcard, z nichţ 5 milionů bylo pouţíváno pravidelně. Na zákazníky zaměřená strategie společnosti Tesco podpořená programem Clubcard ji dovedla k ještě většímu úspěchu, neţ jakého dosáhla na začátku devadesátých let. Trţní podíl společnosti ve Velké Británii vzrostl na 15 % v roce 1999 a v hlasování všech britských společností bylo Tesco druhý rok po sobě zvoleno nejobdivovanější společností. Popsat vývoj této společnosti jsem se rozhodl z prostého důvodu. Je jasným příkladem toho, ţe správný sběr dat a následná aplikace napomáhají k zlepšení výsledku. V případě Tesca k rozšíření na evropské trhy. Pokud si všimneme, Tesco ve svých začátcích nebylo gigantem, jak je tomu dnes. Moje otázka proto zní: Dokáţou i české malé a střední podniky sbírat správná data o zákaznících a následně je dolovat.

34

Představím společnost Jitex comfort s.r.o., nástupce bývalé společnosti Jitex a.s.

2.2. Historie Jitexu Národní podnik Jitex Písek vzniknul v roce 1948. Tenkrát přinesl pro město čtyři tisíce nových pracovních míst. Postupně závod rostl na popularitě a výroba se rozrostla do dalších menších měst v okolí- Týn nad Vltavou, Vodňany, Horaţďovice, Roţmitál pod Třemšínem, Milevsko a Bechyně. V roce 1987 se z národního podniku stal státní podnik. Pádem komunistického reţimu je následně privatizován. Majetek je rozdělen do dvou částí- textilní výroba a majetek zajišťující udrţitelná aktiva akcionářů. V letech 1989-1998 se podniku pořád dařilo. Export do západních zemí roste o 80%. Hlavními odběrateli byli Německo, Francie a USA. Oproti tomu export na východ klesl téměř na nulu. Od roku 1998 začalo docházet k postupnému poklesu exportované produkce expanzí obchodních řetězců. Jitex se stáva dominantním dodavatelem například pro společnosti Prima, OP Prostějov, Carrefour nebo Tesco. Po roce 2006 se ruší poslední pobočky v Milevsku a Vodňanech, výroba se soustřeďuje do Písku.33 V roce 2009 bylo zahájeno na společnost Jitex a.s. insolvenční řízení a společnost končí v konkurzu.34

2.3. Jitex Comfort s.r.o. V roce 2010 vzniká společnost Jitex Comfort s.r.o. v čele s majitelem Ing Slavíčkem (bývalý předseda představenstva Jitex a.s.), který si pronajímá část strojního vybavení. V současné době činí roční obrat 65 mil. korun a společnost zaměstnává sto zaměstnanců. Je zavedena nová marketingová strategie zaměřená na stabilizaci výroby a produkci funkčního prádla. Společnost se začala zaměřovat na B2B sektor. Aktuálně spolupracuje s šedesáti čtyřmi obchodními partnery. Zároveň však rozšiřuje B2C sektor. Mimo stávající dva maloobchody v Písku investovala do vytvoření e-shopu a otevření

33

WIMMER, Roman. Historie úpravy textilních materiálů [online]. 2013 [cit. 2014-04-29]. Bakalářská práce. JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH, Pedagogická fakulta. Vedoucí práce Alena Poláchová. Dostupné z: . 34 Výpis obchodního rejstříku Jitex a.s. Ministerstvo spravedlnosti České republiky: Veřejný rejstřík a sbírka listin [online]. 2012-2014 [cit. 2014-04-29]. Dostupné z: https://or.justice.cz/ias/ui/vypisvypis?subjektId=isor%3a300000229&typ=actual&klic=lus9mq

35

dalších dvou kamenných prodejen v Praze a v Českých Budějovicích. V analytické části se budu zabývat právě firemním e-shopem.

2.3.1. Profil společnosti Název obchodní firmy:

Jitex Comfort, s.r.o.

Sídlo:

U Vodárny 1506, 397 01 Písek

IČO:

25166255

Právní forma:

Společnost s ručením omezeným

Předmětem podnikání je:

Výroba, obchod a sluţby neuvedené v přílohách 1- 3 ţivnostenského zákona

Statutárním orgánem společnosti je jednatel Ing. Radek Slavíček, který je i jediným společníkem společnosti.

Logo společnosti

Obr č. 6-( logo značky za dob socializmu)

Obr. č.7 (logo společnosti Jitex a.s.)

36

Obr. č. 8 (Logo společnosti Jitex Comfort) Jitex Comfort, s.r.o. vlastní svojí vlastní pletárnu, úpravnu i konfekční dílnu, včetně vyšívacího střediska a oddělení sítotisku. Všechno zboţí, které nabízí pochází jen od nich- jsou prvovýrobci. Znaméná to, ţe celý výrobní proces- od výroby úpletu aţ po ušití hotových výrobků probíhá v Písku v sídle společnosti. Pod značkou Jitex Comfort společnost nabízí pletené zboţí- mikiny, trička, spodní a noční prádlo, plyšové soupravy a ţupany, froté prostěradla, funkční termoprádlo a další funkční zboţí. Společnost vlastní certifikát ISO 9001:2008, který zákazníkovi zaručuje kvalitu. Společnost Jitex Comfort jiţ řadu let vyuţívá informační systém spravovaný brněnskou IT firmou BENEFIT CZ.

2.3.2. Informační systém BENEFIT Společnost Benefit CZ, s. r. o. vznikla v roce 1998. Společnost poskytuje řešení informačních technologií a podpůrné sluţby (evidence zásob, účetnictví apod.). Poskytované systémy a technologie se mohou uplatnit zejména ve středních a větších průmyslových podnicích. Podle poţadavků zákazníků společnost je schopná připravit originální softwarové aplikace a další sluţby v oboru informačních Firma se snaţí orientovat se na střední a větší podniky s velikým objemem zpracovávaných dat. Toto se projevuje především ve firmách se sloţitým sortimentním řízením (obuvnické a oděvní) a velkým počtem zpracovávaných dokladů (distribuční).35

35

O firmě. Benefit firm%C4%9B.aspx

CZ [online].

2012

[cit.

37

2014-05-11].

Dostupné

z: http://benefitcz.cz/o-

2.4. Situační analýza společnosti Jak jiţ jsem psal, společnost Jitex Comfort, s.r.o. byla zaloţená v roce 2010 podnikatelem Ing. Slavíčkem, který dříve byl v dozorčí radě Jitex, a.s. a po rozloţení společnosti odkoupil značku Jitex export a přejmenoval jí na Jitex Comfort. Textilní průmysl je mu dobře znám z předchozích zkušeností a z vystudované školy. Hlavně vyuţívané techniky úpletů. Společnost vstoupila do čtvrtého roku svého fungování. Funkční prádlo a oblečení jsou stále populárnější uţ nejen pro profesionální vyuţití, ale také pro osobní potřebu. Konkurence je v tomto segmentu stále silnější a postupem času společnost sestupuje po řebříčku dolů. Prvním úderem pro společnost byla kupónová privatizace, kdy se majetek rozdělil na nemovité prostory a prostory movité (stroje). Společnosti se stále dařilo, neţ se otevřel východní trh a dovoz levného zboţí z Asie. To společnosti zabrzdilo a postupem času úplně zhroutilo export. Dnes kdy společnost funguje pod jménem Jitex Comfort (dále jen JC), přichází další problémy. Společnost je ve stále větším konkurenčním boji. Prostory, ve kterých se nachází, musí pronajímat. Nemůţe čerpat finance z aktiv vycházejících z pronájmu těchto prostor. Tím pádem jí pořád částečně chybí kapitál a investice pro větší rozvoj a stabilizaci.

2.4.1. Přehled trhu Trh, na němţ společnost aktuálně působí, se skládá ze spotřebitelů a firemních uţivatelů neboli obchodních partnerů, kteří dávají přednost českému zboţí. Konkrétní segmenty spotřebních trhu, na které firma aktuálně působí, se hledají těţko. Firma vyrábí a nabízí velmi široký sortiment a tím pádem má i velmi široký záběr. Tímto záběrem však zákazníky oslovuje jen z malé části. Bude na dalších krocích společnosti si určit konkrétní zákazníky a diverzifikovat produkty právě na tyto spotřební trhy. Společnost však disponuje daty z e-shopu, kde má přehledy o nákupech, zákaznících a městech, ze kterých se v minulých obdobích prodávalo. To můţe společnosti poslouţit pro základní segmentaci svých zákazníků a zjistit i nejcennější zákazníky- věrné zákazníky.

38

Základní moţné cílové trhy: Letní sporty, letní koníčky, městské sportovní kluby, rekreační, volný čas. 2.4.1.1. Demografie trhu Profil typického zákazníka můţeme určit pomocí následujících geografických, demografických a behaviorálních charakteristik. Geografie- JC není omezen ţádnou geografickou oblastí. V zásadě můţe dodávat kamkoliv. Díky vyuţití stále pouţívanější povahy internetu a zásilkové přepravy dokáţe obslouţit všechny domácí i zahraniční zákazníky. Demografie- Cílovou populaci můţeme rozdělit na muţe a ţeny. Věkový rozptyl populace činí 15- 60 let, přičemţ větší šance oslovených zákazníků, podle typu zboţí, náleţí rozmezí 25-50 let. Před rokem 2010 společnost Jitex spolupracovala s velkým mnoţstvím sportovních klubů po celé ČR. Dnes tomu uţ tak není. Bohuţel kvůli malým poţadavkům na informace o zákaznících nemůţeme více konkretizovat cílovou věkovou kategorii. Behaviorální faktory- Uţivatelé vnímají sportovní aktivity, při kterých nosí funkční oblečení spíše jako zábavu a kvalitní trávení volného času. Uţivatelé utrácejí více peněz za typicky sportovní oblečení neţ za bavlnu. Podle výzkumu veřejného mínění 62% Čechů sportuje alespoň jednou měsíčně. Alespoň jednou týdně pak sportuje 45% lidí. Z výzkumu vyplívá i věková kategorizace: ve věku 18-30 let sportuje 80% populace, ve skupině 30-50 let je to uţ jen okolo 60% populace a ve věkové kategorii 50+ se sportu věnuje jen 37% lidí. Na serveru navzduch.cz je taktéţ zobrazen výzkum zaměřený na oblíbenost sportů. Mezi nejoblíbenější sportovní aktivity v ČR patří pěší turistika, plavání,

39

cykloturistika, fotbal a sjezdové lyţování. V průměru pak jsou lidé ochotni vydat za sport 25 000,- Kč ročně.36

2.4.2. Tržní potřeby Společnost JC poskytuje trhu široký sortiment oblečení určeného pro volný čas. Zaměřuje se však především na prodej funkčního oblečení a oblečení z merino vlny. V současné době se společnost snaţí nabídnout zákazníkům tyto benefity: Kvalitní a různorodé zpracování. Zákazníci nejsou stejní. Společnost nabízí svým zákazníkům kvalitně ušité oblečení a velkou nabídku velikostí. Od S aţ po XXL. To se jeví zajímavé především pro ţeny silnějších postav. Jednoduchý a nenáročný design. Zde si zákazníci můţou vybrat mezi klasickými typy střihů. Na oblečení nejsou ţádné náročné módní doplňky. Vše působí klidně.

2.4.3. Analýza slabých a silných stránek, příležitostí a hrozeb (SWOT) Společnost JC má několik výrazných silných stránek, na kterých můţe stavět. Slabinou společnosti je však nedostatek povědomí o ní. Lidé vědí co je Jitex a ţe pochází z Písku. Nevědí však, ţe ještě stále vyrábí a ţe se dnes jmenuje Jitex Comfort. Hlavní příleţitostí je stále větší poptávka po evropském zboţí, v našem případě po zboţí z ČR. Musíme také stále čelit ohroţení z nové a stávající konkurence a tlaků na sniţování cen. Silné stránky Hluboká znalost a zkušenost s odvětvím- společnost staví na předešlých poznatcích společnosti Jitex, a.s. a zároveň vlastní stroje, na kterých je schopná ušít takřka cokoliv (podle slov Ing Slavíčka: „vše kromě košil a setrů“) Cena- výrobky společnosti jsou prodávány za niţší ceny (merţe max. 50%) Vytvořená základna jak spotřebních zákazníků (aktuálně čítá 3000 zákazníků), tak i B2B firemních zákazníků, kterých je v ČR aktuálně 424. 36

HALADA, Andrej. Jak Češi sportují a který sport je nejoblíbenější?. NAvzduchu.cz [online]. c 2009 [cit. 2014-04-12]. Dostupné z: http://www.navzduchu.cz/ostatni/archiv-ostatni/jak-cesi-sportuji-a-kterysport-je-nejoblibenejsi/

40

Český výrobek- společnost vše šije v jedné fabrice v jihočeském Písku. Pro marketingovou propagaci vyuţívá loga „Český výrobek“ Slabé stránky Společnost musí pronajímat prostory od společnosti Jitex Písek, a.s., s tím jsou spojené i vyšší náklady na výrobu. Závislost na extrémním kapitálu potřebném pro růst společnosti. Nedostatek obchodních zástupců pro vytvoření větší databáze firemních zákazníků Velmi diverzifikované zboţí, které nemá určenou přesnou cílovou skupinu Nepropracovaný a zastaralý typ e-shopu (podle slov Ing. Slavíčka je to „krabicová verze“) Malé aktivity v oblasti marketingové komunikace slouţící k větší propagaci produktů a k vytvoření povědomí o značce. Málo propracované nabízené zboţí. Kolekce vznikají bez výzkumů trhu a bez dobrých a zkušených designerů. Příležitosti Účast na dalších trzích sousedících s ČR. Dobré politické podmínky. Rostoucí poptávka po sportovním oblečení. Moţnost vyuţití marketingové snahy firem z jiného odvětví k růstu celkového trhu (benchmarking) Investovat do ještě neobsazených měst ČR. Ohrožení Budoucí konkurence ze strany jiţ zavedených hráčů na trhu. Tlaky na nové nabídky zboţí, na nový sortiment.

41

Všechny tyto poznatky si společnost musí přehodnotit a zváţit jejich rizika a výhody. Hlavním přínosem těchto poznatků by měla být snaha o lepší segmentaci stávajících i nových zákazníků.

2.4.4. Konkurence Jitex Comfor vytváří na českém trhu své vlastní produkty, které však nabízí i konkurence. V tomto segmentu je konkurence obzvlášť veliká. Ať uţ to jsou velké sportovní obchodní řetězce nebo samostatné menší firmy. Mezi nejdůleţitějšími konkurenčními hráči v tomto odvětví pokládám tyto společnosti: MOIRA CZ, a.s.- společnost sídlící ve Strakonicích, jen 25km od společnosti JC, má dlouhou tradici s výrobou a prodejem funkčního oblečení. Investovala do perfektního eshopu, vytváří pravidelné kolekce a katalogy. Má 22 vlastních poboček v ČR37 Progress sportwear, s.r.o.- další společnost sídlící v Písku. Podle slov Zdeňaka Zunta, zakladatelé společnosti, společnost za rok prodá 200- 300 tisíc kusů funkčního oblečení. Svým zboţím zásobuje 185 firemních zákazníků po celé ČR. Dodává také do sportovního řetězce Sportisimo.38 JTX Jihočeská textilní- společnost, která taktéţ vznikla po rozpadu společnosti Jitex, a.s. Tváří se jako prvovýrobce značky JTX, avšak je to pouze obchodní společnost. Vyuţívá kolekcí Jitex Comfort, kdy tyto kolekce kopíruje a prodává pod svým jménem.39 Klimatex technology- obchodní společnost pocházející z Brna. Své prodejny zaměřuje do obchodních center.

37

O firmě. Moira CZ, a.s. [online]. c 2008-2014 [cit. 2014-05-12]. Dostupné z: http://firma.moira.cz/af32-profil-spolecnosti.html 38 O nás. Progress sportwear, s.r.o. [online]. c 2012 [cit. 2014-05-12]. Dostupné z: http://www.progresscz.cz/o-nas 39 O nás. JTX Jihočeská textilní, s.r.o. [online]. 2012 [cit. 2014-05-12]. Dostupné z: http://eshop.jtx.cz/cs/content/4-o-nas

42

2.4.5. Nabídka výrobků Jak je zmíněno v dalších provedených analýzách, společnost nabízí přes 40 druhů výrobků. Mezi hlavní kategorie patří funkční oblečení, merino oblečení, trička, bederní pásy, čepice, prostěradla, noční košile, nátělníky, termo oblečení, ţupany, pulovry, kalhoty a sportovní prádlo a oblečení. Klíčem k úspěchu je podle společnosti navrhování a výroba produktů, které si trh skutečně ţádá.

2.4.6. Distribuce Výrobky se značkou Comfort distribuovány třemi způsoby. Prostřednictvím maloobchodů a obchodních zástupců v ČR a SK. Prostřednictvím e-shopu společnosti, kde zákazníci vidí často aktualizovanou nabídku. Třetím způsobem je distribuce do vlastních čtyř obchodních poboček. Bohuţel společnost nemá ţádného velkého distribučního partnera (supermarkety, sportovní řetězce). 40

2.5. Analýza E-shopu společnosti Oficiální

elektronický

obchod

společnosti

najdeme

na

adrese

jitex-

comfort.cz/textil. Je zde nabízeno přes 400 produktů. Tento e-shop je v provozu od roku 2012. V horním panelu najdeme políčka „Přihlášení“ a „Nová registrace“. V současné době je zde registrovaných 2500 uţivatelů. Pod těmito panely se dál nachází: „Úvodní strana“, „O firmě“, „Materiály, úplety“, „Rozměrové tabulky“, „Správná údrţba zboţí“, „Kontakty“, „Prodejny“, „Nákupní řád“. V postranním panelu je následné rozdělení zboţí do kategorií: „Comfortní oblečení“, „Funkční výrobky“, „Prostěradla“, „Novinky“ a „Akční nabídka“. Obchod je v nádechu odstínu modrých barev a působí příjemně na oči. Zvolený styl písma je „Comic sans“ laicky nazývaný Comics. Z tohoto důvodu působí obchod jednoduše a neprofesionálně. Je zde zobrazené logo Nadačního fondu „Český výrobek“. Je to ochranná známka, která zákazníkovy zajišťuje, ţe Firma je stoprocentně česká, vlastněná výhradně českými fyzickými nebo právnickými osobami. Na úvodní straně se vţdy zobrazuje sezónní zboţí s popisem pouţitých

40

KOTLER, Philip a Kevin Lane KELLER. Marketing management. [4. vyd.]. Praha: Grada, 2013, 9295; 708-711. ISBN 978-80-247-4150-5.

43

materiálu a ilustračními snímky modelů. V pravém postranním panelu firma zobrazuje zboţí v akci. Tento e-shop působí velmi jednoduše a uţ na první pohled je zřejmé, ţe do něj společnost investovala málo času i financí.41

2.5.1. Obchodní výsledky e-shopu Nejdůleţitějšími daty, s kterými budu pracovat, jsou data prodejnosti e-shopu. Tyto data se sbírají nejlépe. Pokud zákazník chce nakoupit přes elektronický obchod, musí se nejprve zaregistrovat. Důleţité je, jaká data jsou vyţadována při registraci. U tohoto portálu při registraci je zapotřebí vyplnit: jméno a přímení, telefon, email a adresu. Pro firemní zákazníky název firmy, IČ, DIČ. Data o nákupech jsou potom pomocí informačního systému sbíraná a zálohována v podobě tabulek v Microsoft Excelu. Společnost v současné době vyuţívá informační systém BENEFIT. Poskytovatelem je brněnská společnost, která se zaměřuje na výrobu kompletních informačních systému na míru. Díky tomuto systému je pak společnost schopná propojit data z výroby s daty v e-shopu a skladu. Společnost zálohuje data o prodejnosti e-shopu od roku 2012. Nabízí pomocí tohoto e-shopu přes 400 produktů. Zjišťoval jsem proto obchodní výsledky e-shopu. Společnost mi poskytla data za období 2012, 2013 a první kvartál roku 2014. Z těchto dat jsem udělal následující graf:

41

Jitex Comfort. [online]. 2012 [cit. 2014-05-01]. Dostupné z: http://jitex-comfort.cz/textil

44

Prodeje E-shopu

1200 1000 800

2012

600

2013 400

2014

200 0 1

2

3

4

5

6

7

8

9

10

11

12

Graf č.1 - (Prodeje E-shopu)(Autor) Na tomto grafu vertikální osa znázorňuje prodaný počet výrobku a osa horizontální měsíce. V prvních dvou kvartálech za poslední dva roky společnost prodávala pod úrovní 500ks/měsíc. Od srpna se prodeje rapidně zvedají a tento růst se drţí aţ do prosince. Důvodem jsou tradiční předvánoční nákupy, kdy všechny obchodní společnosti pociťují velkou poptávku. Ačkoliv Jitex comfort neinvestoval do propagace a reklamy je zřetelné zlepšení prodeje v porovnání roku 2012 s rokem 2013, kde prodejnost dosáhla 1000ks/měsíc. Není to způsobeno lepším jménem nebo menší konkurencí. Hlavním důvodem je všeobecný růst spotřebitelů, kteří nakupují přes internet. Magazín Forbes CZ prezentoval data o růstu českých e-shopu a výsledky jsou:

45

Obr.č. 9 (Zdroj: Forbes: Online obchod- Jak nakupují Češi. Praha: MediaRey, SE, únor 2013. ISSN 1805-059x.) Na tomto obrázku vidíme vývoj českých e-shopů od roku 2009 do roku 2013. Nás však zajímají pouze roky 2012 a 2013 a jejich společné srovnání. V roce 2012 byl obrat českých e-shopu 51 miliard a v roce 2013 dělal 58 miliard. Počet českých e-shopů v roce 2012 činil 34 tisíc a v roce 2013 37 tisíc. Celkový počet objednávek v roce 2012 byl 26 milionu a v roce 2013 31 milionu. Znamená to tedy, ţe Češi čím dál více kupují přes elektronické obchody. Zajímavostí taky je, ţe v roce 2009 byla průměrná cena objednávky 3500,- Kč. Naproti tomu v roce 2013 byla průměrná cena objednávky 1840,- Kč. Vrátím se ke grafu číslo 1. Rozhodně rok 2014 nezačal pro firmu dobře. Jak můţeme vidět, prodeje za první kvartál nedosáhly prodejnosti let předešlých. Skončily pod úrovní 400ks/měsíc. To určitě není dobré znamení a je zapotřebí zjistit důvody tohoto propadu. Podle slov ředitele společnosti Ing. Slavíčka za to můţe počasí, které je proměnné a nezvyklé. Lidé podle něj vyčkávají s nákupem letní sezóny, zároveň však váhali, jestli si pořizovat oblečení jarní.

46

2.5.2. Analýza prodeje funkčního oblečení Od roku 2013 je v elektronickém obchodu nabízeno i funkční prádlo. Vývoj tohoto typu prádla sahá aţ ke koncům socialismu. Jak jiţ jsem psal, nový ředitel společnosti se chce zaměřit právě na růst výroby této materie. Zajímala mě proto poptávka po funkčním prádlu. Z poskytnutých dat jsem vytáhl právě ty informace týkající se prodejnosti funkčního oblečení a výsledky za minulý rok a první čtvrtletí roku 2014 jsou: 1200 1000 800 600 počet prodaných kusů

400

Celkový prodej 200 duben 14

březen 14

únor 14

leden 14

prosinec 13

listopad 13

říjen 13

září 13

srpen 13

červenec 13

červen 13

květen 13

duben 13

březen 13

únor 13

0

Graf č. 2- (Počet prodaných kusů) Tyto data jsem metodou komparace srovnal s daty celkového prodeje zboţí za období od února 2013 do dubna 2014. Výsledky jsou překvapivé. V obdobích sníţené poptávky (tj. únor-srpen) je zřetelné, ţe prodej funkčního prádla dělá 1/3 celkového prodeje. Velmi důleţitým faktorem jsou prodeje od září do prosince. Zde prodejnost funkčního zboţí dosahovala jednu polovinu celkového prodeje zboţí. Pro firmu je to velmi důleţitý signál z pohledu následující propagace a to nejen v B2C prostředí. Díky těmto výsledkům společnost můţe oslovovat své obchodní partnery s nabídkami doplňujícího sortimentu a podkládat tuto nabídku právě těmito daty s argumenty např.: V období předvánočních prodejů naše obraty tvoří z poloviny funkční oblečení. Je to informace o zvýšené poptávce. Doporučujeme zavést do vaší prodejny právě toto oblečení. Tím se potvrzuje moje první hypotéza, která říká: Data sesbíraná z e-shopu se

47

dají vyuţít v prostředí B2B. Ano, tato hypotéza je platná za podmínky, ţe tyto data jsou správně sesbírána a je provedena správná analýza těchto dat.

2.5.3. Analýza sortimentu e-shopu Podíváme se teď na sortiment, který společnost Jitex Comfort prodáva. Na elektronickém e-shopu je sortiment rozdělen do tří hlavních částí. „Comfortní oblečení“, „Funkční výrobky“ a „Prostěradla“. Tyto nabídky se dále rozevírají a v kaţdé z nich je jiţ konkrétní rozdělení zboţí. Společnost s těmito názvy velmi aktivně pracuje a mění je podle kolekce nebo potřeby prodeje posezónního zboţí. Podle slov Ing. Slavíčka, ředitele společnosti, společnost je schopná a má zařízení na to, aby ušila jakékoliv oblečení kromě svetrů a košilí. Také společnost vyrábí svoje vlastní látky, které nabízí pouze na určitou reakci poptávek. Látky nejsou předmětem analýzy. Z tabulky prodejů jsem roztřídil názvy produktů podle klíčových slov a následně jsem spočítal jejich sumu. Všechny data jsem pak spojil a převedl do grafické podoby.

3000 2757 2500 2233 2000 1500 9911192 1000 788 500 337 94 49 37 0 151 225 345

85

456

Graf č. 3- (Analýza sortimentu) (Autor)

48

Podle výsledků tohoto grafu můţeme říci, ţe společnost Jitex Comfort má velmi diverzifikovaný produkt. Prodává tyto typy zboţí: funkční oblečení, merino oblečení, trička, bederní pásy, čepice, prostěradla, noční košile, nátělníky, termo oblečení, ţupany, pulovry, kalhoty a sportovní prádlo a oblečení. Největší podíl prodejnosti náleţí funkčnímu oblečení s prodejem za celkové období 2757 kusů. Hned za nim se nachází termo oblečení, kterého se za měřené období prodalo 2233 kusů. Překvapením jsou merino výrobky a trička. Tohoto zboţí se prodalo okolo 1000 kusů. Zajímavostí pak jsou nátělníky, kterých se za měřené období prodalo 788 kusů.

2.5.4. Analýza nejprodávanějších produktů Zaměříme se na minulé období, tj. rok 2013. Zde nás bude zajímat, kterého zboţí se prodalo nejvíce. Prvním zboţím je termo spodky pro muţe BIBIS 701 TEX, kterého se prodalo 77 kusů. Dalším hitem bylo funkční tričko pro ţeny IGOTA 801 TES. Tohoto trička se prodalo 95 kusů.

2.5.5. Analýza odběratelů e-shopu podle rozdělení na města V tabulce e-shopu je 9741 objednaných poloţek. U kaţdé poloţky je město a jeho PSČ. Objednávky náleţící městům ve většině případů jsou jedné nebo dvěznamená to, ţe zákazník nakoupil více zboţí pod jednou objednávkou. Je to výsledkem prodejní strategií společnosti. Pokud si zákazník objedná zboţí nad určitou částku (1000,- Kč), neplatí poštovné. V této analýze jsem vybral města, která mají alespoň 3 různé objednávky. Takových měst je v tabulce 163. Dále jsem tato města, pro budoucí analýzu, roztřídil podle počtu nákupu. Pro další analýzu jsem zvolil města s odběrem více dvaceti kusů zboţí za měřené období (1. 1. 2012- 20. 4. 2014). Měst s počtem nákupu více neţ dvaceti kusů je 81. Z toho Hradec Králové měl 97 nákupů, Třebíč taktéţ 97, Ostrava 147, Plzeň 165, Brno 429 a Praha 1381 nákupů. Další zpracovaná a roztříděna data zobrazím metodou komparace v analýze obchodních partnerů (2.7.1.).

49

2.6. Data v MS Excel Pro dolování dat jsem zvolil data pořízena z firemního e-shopu, která společnost Jitex Comfort (dále jen JC) zálohuje od roku 2012. Tyto data jsou zobrazená v tabulce a obsahují následující poloţky: 1. Číslo objednávky- jsou zde seřazená čísla podle toho, jak zákazníci nakupují. Některá čísla se opakují- znamená to, ţe zákazníci v rámci jedné objednávky nakoupili více druhů zboží. 2. Město- zdej jsou seřazená města podle data objednávky. Tato poloţka je důleţitá pro mapování prodeje. 3. Psč 4. Datum objednávky – je zde konkrétní rok, měsíc, den a čas objednání. 5. Měsíc- slouţí pro lepší přehled objednávek 6. Celkem s DPH- informace o tom, kolik zboţí stálo před slevou. 7. Sleva %- přiřazuje ke zboţí slevu v procentech, pokud je zboţí zlevněno. 8. Sleva v Kč 9. Název produktů- důleţitá data pro následné analýzy prodejnosti. 10. Číslo produktu- slouţí k lepší filtraci v tabulce. 11. Cena s DPH produktu- dobrá informace pro finanční analýzy a dataminingové analýzy. 12. Kusů- říká, kolik kusů zároveň zákazník objednal. 13. Celková cena objednávky- slouţí pro lepší přehlednost.

50

V této databázi jsou i další údaje, týkající se zákazníkova jména, příjmení a telefonního čísla. Společnost však respektuje zákazníkovo soukromí a dodrţuje zákony týkající se ochrany osobních údajů. Z těchto důvodu tyto informace neposkytla.

Obr.č.10 (Ukázka tabulky E-shopu; zdroj: interní data společnosti)

2.6.1. Zprovoznění nástrojů pro dolování dat Jelikoţ jsou data v MS Excelu, zvolil jsem metody dolování dat pomocí excelových doplňku pro datamining, které jsem stáhnul z oficiálního webového portálu společnosti Microsoft. Tento doplněk funguje tak, ţe uţivatel v Excelu vytvoří tabulku a následně jí analyzuje. Excel data odešle do Analysis services, tam se data zpracují a do Excelu se vrátí výsledky, které jsou prezentované v přehledné formě. Doplněk tedy nemůţe správně pracovat bez Analyses Services, který je součástí MS SQL Serveru. Ne však všech verzí. Pro analýzy jsem stáhnul půlroční zkušební verzi MS SQL Server 2008 Evalution, která je zdarma ke staţení na: http://www.microsoft.com/enus/download/details.aspx?id=1279. Zde je velmi důleţité vybrat typ podporovaného systému. X64 podporuje 64bitový operační systém a X86 32bitový operační systém. Já jsem zvolil X86. Nejprve je zapotřebí nainstalovat podporovaný OS. Před instalací SQL

51

Serveru se zobrací instalační centrum. Zde je potřeba zvolit „option“ a zadat cestu k nainstalovanému X86 nebo X64. Dalším důleţitým krokem je propojení SQL Serveru s Excelem. V první části (po instalaci SQL Serveru) je zapotřebí vytvoření nové databáze. Otevřením nabídky „Start“ otevřeme SQL Server Management Studio. Zobrazí se nám nabídka „Connect to Server“. „Server type“ zvolíme Database Engine. U Server Name rozklikneme nabídku a zvolíme „Browse for more“. Zde rozklikneme Database Engine a zvolíme server. Autentication změníme na Windows Autenticatin. Zmáčknutím „Connect“ vytvoříme databázi. Po vytvoření databáze musíme znova přejít do nabídky „Start“. Zde otevřeme jiţ nainstalovaný doplněk s „default“ názvem „Microsoft SQL 2008 Data Mining Add-ins“. Dále „Server Configuration utility“. „Server name“ zkopírujeme z vytvořené databáze v SQL Serveru 2008. Zvolíme next a následně „Use existing database“. Ostatní nabídku přeskočíme a program uţ sám propojí náš SQL Server Analysis Services s Excelem. Teď můţeme otevřít MS Excel a v hlavním panelu vybrat „Data Mining“. Zmáčkneme třetí políčko zprava, kde se zobrazí nabídka na připojení nového serveru. Název tohoto serveru se rovněţ musí shodovat s názvem serveru v SQL 2008 Server Management Studio. Po zdárném připojení k serveru můţeme začít aplikovat data miningové nástroje.

2.6.2. Data mining doplněk pro MS Excel Microsoft SQL Server Data Mining Add-in pro Microsoft Office 2007 a 2010 pomáhají odvodit vzorce a trendy, které existují ve sloţitých datech, vizualizovat tyto vzory v grafech a interaktivních tabulkách a vytvářet bohaté souhrny pro prezentaci a pro obchodní analýzy. Tyto doplňky vyuţívají prediktivní analytiku SQL Server v aplikaci Microsoft Excel a Microsoft Office Visio Microsoft SQL Server Data Mining Add-Ins pro Microsoft Office 2007 obsahuje 3 základní doplňky:

52

• Table Analysis Tools for Excel- Nabízí jednoduché modelování přímo v sešitě MS Excel • Data Mining Client for Excel- Nabízí plnohodnotné modelování • Data Mining Templates for Visio- Tento doplněk umoţňuje vykreslení a přehledné zobrazení rozhodovacích stromů, závislostí nebo clustrových diagramů.42

2.7. Aplikace dolování dat Jak jiţ jsem popisoval v teoretické části, prvním krokem v procesu dolování dat je správná definice problému. V následujících krocích analyzuji elektronický obchod společnosti Jitex Comfort. V analytické části zobrazím proces do kroku „Dolování dat“. Zprovoznění modelu a následnou obchodní akci popíši v části návrhové. Aplikace dolování dat nemusí probíhat pouze klasickými metodami. V další části provedu dolování dat z databází zákazníků B2C a B2B, zobrazím je na mapu České republiky a tím se pokusím zjistit, jaké další kroky společnosti navrhnout. Pokud to však data a výsledné informace z dat dovolí. Také se můţe stát, ţe data budou špatná, nebo jich bude nedostatek.

2.7.1. Definice problému Zaměříme se přímo na e-shop. Je zde hned několik důsledků, na které společnost potřebuje znát odpověď. 1. Na firemním e-shopu je málo objednávek. Jakými nástroji zvýšit prodeje e-shopu? 2. Pokud si zákazník koupí zboţí v eshopu, jaký další sortiment zákazníkovi nabídnout.

2.7.2. Výběr dat Budu vyuţívat data z e-shopu, které mi společnost poskytla. Nebudou to však všechny poloţky. Data jsou pořízená z firemního informačního systému BENEFIT a budou analyzováná pomocí SQL Analysis Service. 42

Data Mining Add-ins. Microsoft Office [online]. 2008 [cit. 2014-04-11]. z: http://office.microsoft.com/en-us/excel-help/data-mining-add-ins-HA010342915.aspx

53

Dostupné

2.7.3. Příprava dat Pořízená data jsem sjednotil a shrnul pomocí kontingenční tabulky, nástroje v Excelu. Kontingenční tabulka mi usnadní uspořádání a shrnutí dat se zaměřením na detaily. Další přípravou bude filtrace dat.

2.7.4. Data Mining Na tabulku s objednávkami zákazníků aplikuji analýzu nákupního koše (Shopipng Basket Analysis). Tato analýza je přímo obsaţená v doplňku „Data Mining“ pro Excel. V podstatě je pro nás důleţitý jen první sloupec „číslo objednávky“ a „typ produktu“. Nejprve se provede filtrace „čísla objednávky“ seřazením od nejmenšího k největšímu. Následně zvolíme poloţku Shopipng Basket Analysis. Zde se zobrazí nabídka pro výběr sloupců, které chceme porovnávat. Důleţité je zvolit správné sloupce, aby analýza měla správný efekt. Srovnáváme čísla objednávek s názvy produktů. Výsledkem je:

Obr. č. 11 – (Analýza nákupního koše) 2.7.4.1. Analýza nákupního koše Analyzované období bylo od 1. 1. 2012 do 20. 4. 2014. Můţeme vidět, ţe nástroj nám vytvořil tabulku, ve které jsou vybrané poloţky a k nim doporučené spojené poloţky. Další sloupce obsahují prodeje zboţí prvního sloupce a další spojený prodej zboţí. Nejúspěšnějším zboţím z této analýzy je poslední poloţka. Funkční tričko pro ţeny IGORA. Z třiceti osmi zákazníků, kteří si toto zboţí pořídili, si 22 z nich následně koupili i funkční tričko pro ţeny IGOTA. Poslední sloupec pak znázorňuje, kolika

54

procentní spojený prodej zboţí má. Slouţí převáţně pro velké prodeje, kde není tak přehledné srovnání. U těchto funkčních triček je společný prodej na 57,89% úspěšnosti. Velkou výhodou této analýzy je právě zmíněné doporučení, které nám doslova říká: Pokud si zákazník objedná „Vybrané poloţky“, doporučte mu poloţky „Doporučení“. Máte „% spojeného prodeje“ statistický předpoklad, ţe si zákazník koupí i doporučené zboţí. Následně nám „% propojeného prodeje“ říká, jaká je statistická moţnost, ţe si zákazník toto zboţí taktéţ objedná. Vrátím se, znovu, ke své první hypotéze, která zní: „Data sesbíraná z e-shopu se dají vyuţít v prostředí B2B“. Díky této tabulce můţeme hypotézu jen znovu potvrdit. Pokud si obchodní partneři objednají zboţí, které se nachází v prvním sloupci, můţeme je pomocí této tabulky přesvědčit, aby si taktéţ vzali i zboţí nacházející se v sloupci „Doporučení“. Následně partnerům ukázat, jaká je procentuální jistota, ţe zboţí prodají společně. Dále jim navrhnout, aby své prodejce informovali o nabízeném zboţí. Při tvorbě této analýzy program vytváří další připojenou tabulku, která nás informuje přímo o společných objednávkách. Sloupce „Vybrané poloţky“ a „Doporučení“ jsou zde spojeny a jsou zobrazeny pouze společné nákupy. Celkové zhodnocení výsledků, zprovoznění modelů a obchodní akci detailně rozeberu v části návrhové.

2.8. Analýza prodejů se zaměřením na města a obce Další analýzou bude analýza prodejů se zaměřením na města a obce. Zde chci zjistit, které části regiónu České republiky nakupují více a které méně. Podle výsledků se společnost můţe dále rozhodovat v obchodních a marketingových krocích. Tuto analýzu je moţné dělat dvěma způsoby. Prvním způsobem je moţnost pomocí nové verze softwaru od společnosti Microsoft. Je to program Microsoft Excel 2013 s doplňky Power Viev a Power Map. Tyto dva doplňky umoţňují exportovat tabulku měst a obcí přímo na mapu a tak zjistit odběr regionu. Problematické však je nainstalovat program a

55

doplňky do operačního systému. Je vyţadována vysoká výkonnost systému a minimální základním poţadavkem je minimální verze Windows 8. Další překáţkou je nemoţnost staţení MS office 2013 zkušební verze. Je poţadovaná nemalá částka za staţení a společnost v současné situaci si tento software z ekonomických důvodů nemůţe dovolit. Druhým způsobem, sloţitějším, je pouţití geografické mapy České republiky a ruční zobrazování měst, které máme jako zdroj v tabulce. Tento postup je však zdlouhavější a časově náročný. Pro tuto analýzu zvolím druhou metodu. K tomu je potřeba mapa České republiky a špendlíky pro zobrazování měst a obcí. Mapa musí být geografická nebo dopravní. Pro analýzu jsem zvolil mapu dopravní a velikost mapy 1:500 000.

2.8.1. Analýza obchodních partnerů V současné době společnost spolupracuje s pěti obchodními zástupci. Tito obchodní zástupci jsou externí, společnost je přímo nezaměstnává a vše je řešeno provizemi z prodeje. Obchodní zástupci mají rozdělené území na tyto části: Jiţní a západní Čechy, severní Čechy, Praha, Karlovarsko, severní Morava a jiţní Morava. Pátý obchodní zástupce má na starosti Slovenskou Republiku. Z rozdělených krajů a regionů můţeme vyčlenit nejmenované: Královehradecký kraj, Pardubický kraj, kraj Vysočina a kraj Středočeský. Je to významná část České Republiky. Pokud se podíváme na zobrazenou mapu, všimneme si menšího mnoţství špendlíků v těchto krajích. Je to taktéţ dáno tím, ţe je zde menší hustota měst středního typu. Prvním krokem bude analýza obchodních partnerů společnosti, kteří jsou vypsány na webových stránkách v sekci „Prodejny“. Další nové obchodní partnery mi poskytl pan Ing. Slavíček, ředitel společnosti. Výsledky této analýzy budou slouţit i pro firemní účely. Obchodní partneři nakupují u společnosti za velkoobchodní ceny. Ve většině případů to jsou malé nebo střední maloobchody s textilem, XXL textilem nebo se zaměřením na sportovní oblečení. V současné chvíli společnost má 420 obchodních partnerů po celé České republice i mimo ní.

56

Podle výsledků analýzy trţeb, která je interními daty společnosti a proto jí zde nebudu konkrétně zobrazovat, vyplívá skutečnost, ţe trţby z obchodních partnerů v měřeném období 2011-2013 mírnou klesající tendenci. Pro tuto analýzu pouţiju mapu České republiky a zobrazím na ní aktuální dodavatele. Následně tyto dodavatele porovnám s výsledky analýzy odběratelů e-shopu se zaměřením na města (2.4.4.). Tento způsob jsem zvolil kvůli velké vypovídající hodnotě.

Obr. 12 – (obchodní partneři v ČR) Mapa zobrazuje obchodní partnery společnosti Jitex Comfort na území České republiky, kterých aktuálně je 384. Zlaté kloboučky znamenají jednoho odběratele. Bíle kloboučky znamenají 5 dodavatelů. Kromě České republiky společnost dodává své zboţí i do zahraničí. Obchodní partneři se nachází na Slovensku (30), v Německu (3),

57

Rakousku (1), Bulharsku (1) a Švédsku (1). Tyto odběratele nebudu zobrazovat, protoţe se chci zaměřit pouze na Českou republiku. Mapa nám zobrazuje regiony, kde je nejvíce obchodních partnerů. Mezi nejsilnější regiony patří Jihomoravský kraj, kraj Zlínský a část Moravskoslezského kraje (Ostravsko) a Liberecko. Jiné obchodní partnery rozdělíme podle hlavních tahů a cest. V této kategorii je nejsilnější cesta České Budějovice- Benešov, Mladá BoleslavTrutnov, Přerov- Valašské Meziříčí, Praha- Mělník a Zábřeh- Losiny. Toto rozdělení je způsobeno obchodní strategií společnosti. Podle slov Ing. Slavíčka, ředitelé společnosti, společnost preferuje obchodní zástupce s ţivnostenským oprávněním a ti jsou ohodnocováni na základě marţe. Z logistických důvodu tito obchodní zástupci vytvořili portfolio podle cest, kdy zásobování pro samotné zástupce je finančně méně náročné.

Obr. 13 – (vyznačení nejsilnějších částí) Mapu taky rozdělíme podle velkých měst, kde je větší mnoţství B2B odběratelů. Město s největším počtem B2B zákazníku je Praha, kde je 27 klientů. Dalšími jsou Liberec (7), Ústí nad Labem (7), Ostrava (6), Brno (5) a Plzeň (4). Jsou to města, která

58

leţí na prvních příčkách v České republice, co se týče počtů obyvatel. Pokud se zaměříme na tuto skutečnost, chybí zde Olomouc (3 obchodní partneři), Hradec Králové (2), a České Budějovice (2). Červená barva znázorňuje obchodní partnery, kteří vznikli podle logisticky nenáročných cest. Modrá barva znázorňuje oblasti s největší hustotou obchodních partnerů. Zelená barva pak znázorňuje města s největším mnoţstvím obchodních odběratelů. Tato města přesahují 100 tisíc obyvatel. Ţlutá barva zobrazuje části České republiky, které mají nejmenší hustotu partnerů, nebo ţádné partnery. Tato barva by pro společnost měla slouţit, jako vykřičník, který říká, kde je ještě moţnost rozšíření. Pokud se důkladně podíváme na mapu, vidíme, ţe jsou poměrně dobře pokryty všechny důleţitá a větší města. Stále však najdeme holá místa. Jsou to hlavně místa, kde je malé mnoţství větších měst. Přesto, ţe je mapa poměrně zaplněná, stále najdeme větší města, kde společnost nemá obchodního partnera. Tato města budeme nazývat „Města nových příleţitostí“. Města (počet obyv. 10.000<), kde společnost nemá obchodního partnera: Čáslav, Kutná Hora, Nymburk, Čelákovice, Most, Brandýs nad Labem, Havlíčkův Brod, Ústí nad Orlicí, Turnov, Náchod, Jirkov, Beroun, Vysoké Mýto, Neratovice, Kladno, Vrchlabí, Litomyšl, Svitavy, Moravská Třebová, Český Těšín, Jeseník, Roţnov pod Radhoštěm, Kopřivnice, Otrokovice a Holešov. Zjistili jsme, ţe společnost nemá obchodního zástupce ve dvaceti pěti městech v České republice, která mají více neţ 10 tisíc obyvatel. Tato města pojmenujeme městy nových příleţitostí. Touto analýzou se vyvrátila hypotéza: Společnost nabízí své oblečení ve všech městech České republiky, která mají nad 10 tisíc obyvatel. Tato hypotéza je vyvrácena. Podle této analýzy jsme určili města, která přicházejí v úvahu, jako nová města pro rozvoj firmy. Není to však jednoduchý úkol a v případě investic je ještě náročnější, proto provedu další analýzu a porovnám označená města na mapě s městy, která podle analýzy e-shopu mají nejlepší odběry. Tato města jsou vybrána podle počtu prodaného zboţí za uplynulé období. Nesměly za uplynulé období překročit dolní hranici dvaceti

59

kusů. Zboţí se muselo prodat více neţ 20 kusů. 82 měst splnilo tuto podmínku (2.4.4.). Tato města zobrazím na mapě a následně analyzují výsledky, které z této analýzy budou vycházet.

Obr. č. 14 (Odběry e-shopu vs. B2B odběratelé) Na tento obrázek jsem přidal špendlíky barvy modré, červené a zelené. Tyto barvy zobrazují počty objednávek 20< za měřené období. Z obrázku číslo 14 vyplívá, která města společnost nemá podchycená a kde je příleţitost otevřít pobočku firemní, nebo začít spolupráci s místními obchodními partnery. Vymezím města, která splnila následující podmínky. Počet obyvatel v těchto městech je větší neţ 10 tisíc. Ve městě není ţádný obchodní partner společnosti. Počet nákupů v tomto městě převýšil 20 kusů za měřené období. Most, Beroun, Čelákovice, Jeseník, Náchod a Český Těšín. Tato města splnila podmínky výběru a pro společnost jsou velmi důleţitou informací o tom, kde začít.

60

Jelikoţ Slovenská republika má 30 obchodních partnerů, rozhodl jsem se provést analýzu i u této mapy.

2.7.2. Analýza obchodních partnerů ve Slovenské republice Pro region Slovensko společnost spolupracuje s jedním obchodním zástupcem, který zajišťuje prodeje v těchto městech: Bratislava, Brestovec, Filakovo, Holič, Humenné, Hurbanovo, Komárno, Kysucké Nové Město, Levice, Limbach, Lučenec, Malacky, Michalovce, Nitra, Nová Dubnica, Nové Zámky, Povaţská Bystrica, Prešov, Prievidza, Púchov, Senec, Sereď, Skalica, Snina, Spišská Nová Ves, Svit, Šáľa, Trnava, Zvolen, Ţiár nad Hronom, Ţilina.

Obr. č.15. (Obchodní odběratele- Slovensko) (Zdoj: Google) Na této mapě vidíme pokrytí Slovenské republiky. Je zřetelné, ţe města jsou rozdělená podle hlavních cest. Dalším poznatkem jsou města, ve kterých společnost zatím nemá obchodní zastoupení. Znamená to, ţe je zde hodně místa pro rozvoj.

61

2.9. Shrnutí analýz Všechny analýzy jsou pro společnost důleţité jak z informačních důvodů, tak i z důvodu strategických určených pro další plánování a rozšiřování společnosti. První analýza, analýza e-shopu společnosti, nám řekla, jak společnost obchodovala během minulých období, jakých obchodních výsledků dosáhlo funkční zboţí ve srovnání s celkovými prodeji, jaký sortiment společnost aktuálně nabízí a jaká je poptávka po aktuálním sortimentu, kam společnost hlavně prodává (města) a v jakém mnoţství. Druhou analýzou nákupního koše jsme se dozvěděli, jaké zboţí je prodáváno společně. Tato analýza je důleţitá pro tvorbu portfolia produktů. V analýze prodejů se zaměřením na města a obce jsem vyuţil mapu České republiky, na kterou jsem nanesl města, která jsem vydoloval z interních dat společnosti. Tato data jsem před vydolováním musel roztřídit, přefiltrovat, seřadit a vybrat pouze data, která mají dobrou vypovídající hodnotu. Mapy nám zobrazují města, kde se výrobky společnosti aktuálně prodávají a zároveň jsou zde zobrazeny části, které jsou dobré pro vypracování dalších obchodních strategií. Poslední analýzou byla Slovenská republika. Zde jsem taktéţ zobrazil města, kde se nacházejí firemní zákazníci.

Ve své práci jsem taktéţ ověřil tyto tři hypotézy: 1. Data sesbíraná z e-shopu se dají vyuţít v prostředí B2B. Tuto hypotézu jsem potvrdil, za podmínek, ţe společnost sbírá správná data a je schopná je analyzovat pomocí data miningových metod. 2. Prostřednictvím e-shopu lidé nakupují více z velkých měst, neţ z měst malých. Tuto hypotézu jsem také potvrdil. Zákazníci z velkých měst vykázali větší počet objednávek za měřené období, neţ zákazníci z měst malých.

62

3. Společnost nabízí své produkty ve všech městech České republiky, která mají počet obyvatel větší neţ 10 tisíc. Tato hypotéza není pravdivá. V ČR má společnost 26 neobsazených měst, která mají počet obyvatel 10000<.

63

3. Návrhová část V návrhové části zhodnotím zjištěné informace z provedených analýz a navrhnu společnosti postupné kroky, se vzhledem k časovému období. Navrhnu marketingové kroky zacílené na všechny distribuční cesty tak, aby byl marketingový komunikační mix pohromadě a nepřekřikoval se. Zhodnotím celkový pohled na firmu a navrhnu cesty pro vytvoření věrnostních programů.

3.1. Zprovoznění modelu Z výsledků Analýzy nákupního koše (2.7.4.1) vyplývá, ţe ve většině případů zákazníci nekupují další zboţí v jedné objednávce. Je to také způsobeno tím, ţe společnost nevyuţívá dolovacích nástrojů, jen základní funkce programu Excel. Kvůli tomu nemá ve svém elektronickém obchodu ţádné nabídky vycházející z analýzy prodeje. Chybí zde pole, kde by se zákazníkovi zobrazovali pole s nabídkami k dalšímu nákupu, které by měli nějakou souvislost s předešlými nákupy. Pokud chce společnost zvýšit prodeje e-shopu, toto je jedná z variant, která není náročná a je snadno měřitelná.

3.2. Obchodní akce Prvním krokem je zavedení společných políček, aby zákazník věděl, co se k danému oblečení hodí. Pokud se zaměříme na samotnou problematiku dat a data miningu, společnost nemá jiné zdroje dat, ze kterých by bylo moţné čerpat. Znamená to, ţe by společnost měla zvolit variantu sběru nových dat. K tomuto účelu se společnost můţe inspirovat právě zmíněným obchodním řetězcem Tesco, který jiţ řadu let vyuţívá takzvané Clubcard. Tato oblast marketingu se odborně nazývá loyalty marketingy neboli věrnostní marketing. Z analyzovaných výsledků jsem usoudil, ţe společnost pracuje pouze s daty z eshopu. Pokud však chce zaujmout větší škálu nových klientů a z těchto klientů si vytvořit věrné klienty, musí nabídnout něco navíc. Jednou z cest je vytvoření

64

zákaznického klubu a zákaznických karet. Tyto karty by měli slouţit správně pro firmu a ještě lépe pro zákazníka.

3.3. Vytvoření věrnostního programu Věrnostní program slouţí dvěma stranám. Zákazníkovi a firmě. Pokud by firma uvaţovala o zavedení těchto zákaznických karet, jsem ochotný se podílet na detailním provedení a realizaci těchto zákaznických karet. Je zapotřebí však říci, jaké důleţité kroky by měla společnost dodrţet při zavedení těchto karet.

3.3.1. Výběr dat a informací V první řadě by si společnost měla určit, jaké informace potřebuje o zákaznicích vědět. Jak jiţ jsem popsal v teoretické části, je několik variant segmentace zákazníků. Pro společnost bych doporučil získávat tyto informace: *Jméno a přímení, *pohlaví, *datum narození, *bydliště, *psč, *email, *nejvyšší dosaţené vzdělání, *děti, *stát, telefon, *oblíbené sporty. U povinných údajů jsem zobrazil hvězdičky, jediný nepovinný údaj je telefonní číslo. Pokud si všimneme, jsou zde poloţky nejvyšší dosaţené vzdělání, děti a oblíbené sporty. Tyto informace společnosti poslouţí pro mnohem lepší segmentaci a zacílení skupin pomocí direct marketingu. Další informace o zákaznících společnost můţe získávat postupem času pomocí přímého prodeje a správného zaškolení personálu.

3.3.2. Technické provedení Technické zavedení zákaznických karet se můţe zdát v první fázi drahé. Pokud však najdeme ty správné dodavatelé a zdroje, potom se náklady můţou sníţit. U zavedení karet je zapotřebí se rozhodnout jaký bude způsob získání karty a co od ní zákazník můţe očekávat. My chceme, aby karty zákazníkovi navnadili pocit výjimečnosti a aby věděl, ţe ne kaţdý můţe kartu získat. Pokud si zákazník koupí nebo objedná zboţí, potom je na místě nabídnout mu členství v klubu. Pokud takový zákazník bude chtít vstoupit do klubu, jak to provést technicky?

65

Prvním krokem je navrţení správného loga pro karty a způsobu čtení karet. Asi nejjednodušším způsobem je čtení karet pomocí čárového kódu. Pokud se podíváme na současnou nabídku karet nabízených českými společnostmi, můţeme konstatovat, ţe karty jsou poměrně drahé. Existuje i jiná moţnost- objednání karet z Číny. Podle vlastních výpočtů vím, ţe karty objednané z Číny vychází o polovinu levněji. Víme tedy, ţe karty objednáme z Číny. Budou obsahovat logo společnosti, adresu společnosti a čárový kódy, které budou originální. Není zapotřebí na kartu zadávat jméno zákazníka, je to zbytečně nákladné. V databázi je zapotřebí vytvořit sloupec „ID karty“. Znamená to, ţe zákazníkovi, který si objedná zákaznickou kartu, přiřadíme čárový kód připravené karty a tuto kartu mu následně pošleme, například s objednaným zboţím. Od této chvíle se v databázi zákazník stává přehlednějším a můţeme snadněji pozorovat jeho činnost.

3.3.3. Hodnota pro zákazníka Pokud zákazník vstoupí do zákaznického klubu, musí očekávat nějakou přidanou hodnotu. Jedním ze způsobu, jak klienty nalákat je takzvaný bodový systém, který například pouţívá spol. Tesco nebo Moira CZ. Pokud si pořídíte zákaznickou kartu Clubcard, dostáváte při placení za kaţdých 10,- Kč jeden bod. Tyto body zhodnocují kaţdé tři měsíce, kdy vám přijde slevový kupón a sleva na produkty, které jste si v poslední době kupovali. U společnosti Moira CZ je způsob trochu odlišný, avšak principiálně stejný. Pokud si zákazník pořídí zákaznickou kartu u této společnosti, při kaţdém provedeném nákupu se mu za 1,- Kč načte 1 bod. Za kaţdých 2000 bodů člen získává poukázku na nákup zboţí v hodnotě 100,- Kč. Tento výdej poukázek probíhá v březnu a září. Tento výdej je zvolen velmi strategicky. Pokud se podíváme na na analytickou část a graf č. 1, vidíme, ţe v období březen jsou prodeje oblečení nejniţší. Na druhou stranu v průběhu srpna a září počet objednávek roste a proto společnost pomocí těchto poukázek jaksi přikládá do ohně. Je jen na společnosti, jakou metodu oceňování zákazníků zvolí. Důleţité je, aby zákazník cítil potřebu kupovat právě zde. Výsledky se však neobjeví okamţitě. S tím musí společnost také počítat.

66

3.4. První důležité kroky Protoţe JC v České republice začal podnikat teprve nedávno, nachází se pořád v počátečních stádiích. Pokud nechce přijít o stávající zákazníky a oslovit zákazníky nové, měla by pravidelně monitorovat spokojenost zákazníků a zajistit, aby strategie růstu negativně neovlivňovala úroveň sluţeb a spokojenosti. Společnost by si také měla určit základní poslání. Z důvodu mládí společnosti a její návaznosti na předešlou společnost Jitex, a.s. bych zvolil poslání typu: „Jsme zde proto, abychom znovu pozvedly jméno píseckému textilu“ nebo „Naše výrobky předčí očekávání zákazníků“.

3.5. Komunikační mix Konkurence, kterou jsem jmenoval v situační analýze, vyuţívá několik způsobů komunikace se zákazníky. Ţádná z nich nevyuţívá všechny nástroje komunikačního mixu jako balíček. Společnost JC měla nějaké základní pokusy, které však nebyli měřitelné, protoţe se na ně společnost správně nepřipravila. Investice do komunikace se zákazníky není v současnosti levná. Jsou však způsoby, kdy je moţné investovat do komunikace méně. Pokud se Jitex Comfort podaří pouţít všech pět nástrojů, potom můţeme mluvit o úspěchu.

3.5.1. Reklama Co se týče reklamy v televizi, o tom řeč nebude. Nebo aspoň ne teď. Reklama v televizi je nejnákladnější poloţkou a společnost si nemůţe dovolit prezentovat současný stav. Internetový obchod V současnosti JC provozuje jeden internetový obchod, který zároveň slouţí i jako firemní internetové stránky. Jejich zpracování je však na nízké úrovni. Jestliţe chce firma působit kvalitně a profesionálně, takový internetový obchod si nemůţe dovolit. Po tlaku a kritice aktuálního e-shopu společnosti mi ředitelem společnosti bylo prozrazeno, ţe se jiţ na novém e-shopu pracuje.

67

Reklamy na internetu Výsledky analýzy nákupního koše nám ukázaly zboţí, které se prodává společně a analýza nejprodávanějšího zboţí za uplynulé období zjistila dva produkty, které měli nejlepší prodejnost. Tato fakta by měla být klíčem k úspěchu pro toto období. Reklama na internetu představuje jedno z nejlevnějších médií pro reklamu jako takovou. Proto by ho měla společnost naplno vyuţít. O volbě internetového portálu, kde by měla být reklama umístěna, je těţké mluvit, protoţe nebyl provedený výzkum této volby. Uţ teď však můţeme říci, ţe pro společnost budou vhodné portály zaměřující se na sporty a volný čas: www.kudyznudy.cz, www.nakole.cz, www.kam-na-vylet.cz, www.vyletnik.cz a jiné. V kaţdém případě by reklamní sdělení neměli „otravovat“ potenciální zákazníky, ale měli by je zaujmout. Například designem, stylem zpracování, sloganem nebo zajímavou nabídkou. Další novou formou propagace a udrţování dlouhodobých vztahů se zákazníky jsou sociální sítě. Prekérním problémem společnosti je fakt, ţe název a logo společnosti na facebookové stránce vytvořila osoba, která jiţ dříve pracovala ve společnosti Jitex, a.s. Tato osoba pracovala ve firmě velmi dlouhou dobu a dostala se aţ do managementu společnosti. Ačkoliv její vytvořené stránky mají pouze malé mnoţství fanoušku, pro společnost toto představuje velký problém do budoucna. Tato osoba se o stránky stará velmi základním způsobem a uţ na první pohled je viditelné nezkušené zacházení s nástrojem. Společnost v tomto případě má dvě moţnosti. Konkrétní osobu můţe upozornit a dokonce i ţalovat pro porušení autorských práv a úmyslné poškozování společnosti, nebo vytvořit nové stránky a poţádat technickou podporu facebooku o smazání dosavadních stránek. Využití novin a časopisů Ačkoliv dnes lidé všeobecně nečtou, noviny a časopisy jsou v České republice velmi oblíbené. V tomto směru můţe společnost zvolit balíček novin a časopisů, který bude oslovovat uţ dříve zmíněnou skupinu lidí.

68

Další moţností je vyuţití poznatků z analýz provedených na mapě ČR. Tyto analýzy jsem dělal z velmi podstatného důvodu. Víme, ţe v kaţdém regionu a kaţdém městě České republiky pravidelně vychází regionální a městské noviny. Pokud je ve městě velký odběr a taktéţ je zde obchodní partner, můţe společnost vyuţít pro inzerci právě noviny tohoto regionu nebo města a tím podpořit prodeje jak sama sobě tak přispět k prodejům obchodního zástupce. Tato moţnost můţe být uţitečná jak pro firmu, tak pro jejího obchodního zástupce. Byl by to způsob kooperace, který by maloobchodní prodejce velmi ocenil. Tato metoda se můţe vyuţít i pro rozvoj nových poboček. Můţe to být nabízeno i přímo obchodníkům při nabízení výrobků. Náklady na inzerci v tomto případě jsou malé. Pokud společnost investuje do výroby kvalitních marketingových materiálu, můţe to být jeden ze způsobu růstu společnosti. Reklamy v rádiu Zde bych nevolil nabídky určitých produktů. Nástroj reklamy v rádiu bych zvolil pro informovanost zákazníku o nějaké určité akci nebo eventů. Tím se dostávám právě k tvoření akcí pro zákazníky. Společnost uţ doposud realizovala cenové akce a výprodeje, které realizovala a komunikovala prostřednictvím svého e-shopu. Byli to vesměs posezónní akce. Pokud by však zvolila oslovení posluchačů regionálního rádia a správné skupiny těchto posluchačů, mohla by mít i tato metoda své plody. Rozhodnutí však stojí na vedení společnosti.

3.5.2. Public relations Někteří marketingoví odborníci povaţují tento způsob komunikace se zákazníkem za nejdůleţitější, protoţe má vysokou věrohodnost. Proto bych společnosti doporučil uspořádat tiskovou konferenci například u příleţitosti výročí nebo jiné společensky zajímavé události (zorganizovat módní přehlídku, charitativní akci apod.) a interními nástroji novináře přesvědčit, aby o této události napsali v novinách a časopisech. Společnost však tuto akci musí detailně naplánovat, aby zvýraznění společnosti bylo pozitivní.

69

3.5.3. Direct marketing Pro tuto formu komunikace je zapotřebí základna věrných zákazníků. Podle slov Ing. Slavíčka, společnost takovou základnu má, která aktuálně čítá okolo 3000 zákaznických emailů. To můţe společnosti, v kombinaci se zákaznickými kartami, vytvořit perfektní nástroj pro oslovování s novými nabídkami a slevami. Pomocí nástrojů pro data mining společnost můţe zjistit, jaké typy produktů nabízet tak, aby byly správné ohlasy a výsledky. Společnost by si však měla dávat pozor, aby oslovování zákazníků prostřednictvím emailů nepřešlo v regulérní spamování. To potom je nejhorší výsledek, jaký můţe nastat.

3.5.4. Osobní prodej Tento nástroj zahrnuje jak obchodní partnery společnosti, tak vlastní kamenné maloobchodní prodejny. Při rozhovorech s Ing. Slavíčkem mi pár krát bylo řečeno, ţe návštěvnost jeho maloobchodních prodejen bývá i nulová (myšleno za den). Pokud je tomu tak, není potřeba hledat důvod, proč tam lidé nechodí. Je potřeba hledat příčinu, proč by tam zákazník měl přijít. Jedním z taháku jsou slevové akce, které na zákazníky útočí dennodenně ze všech stran. Další moţností je kreativní způsob řešení, čím zákazníky zaujmout. Setkání maminek, jóga nebo jiné způsoby, jak zákazníkům říci: pojďte do našeho obchodu. Další důleţitou práci musí vykonat prodejce obchodu při komunikaci s klientem. Všechny metody jsou moţné k prozkoumání, pokud to bude v zájmu společnosti. Všechny tyto nástroje jsou důleţité. Měli by se vyuţívat společně a vyrovnaně. To společnosti pomůţe docílit maximální efektivnosti a větších trţeb. V knize Marketing a Management je zobrazena nákladová efektivita v různých stádiích připravenosti zákazníka.

70

Nákladová efektivita

reklama a publicita podpora prodeje osobní prodej

povědomí

porozumění přesvědčení objednávka

opakovaná objednávka

Stádia připravenosti kupujících

Graf č. 443 Tento graf zobrazuje, jak důleţité jsou faktory reklama, publicita, podpora prodeje a osobní prodej pro zákazníkovo povědomí, porozumění, přesvědčení objednávku a následnou opakovanou objednávku.

3.6. Rozpočet Roční obrat společnosti činí 65 mil. korun. Podle slov Ing. Slavíčka by společnost potřebovala 100 mil. korun, aby mohla kvalitně investovat do marketingových aktivit. Nemůţeme předem určit, jaké budou výdaje na marketingovou kampaň. Je zapotřebí propočtů, aktuálních cen sluţeb a zohlednit další důleţité okolnosti.

43

KOTLER, Philip. Marketing management. 1. vyd. Praha: Grada, 2007, s. 596. ISBN 978-80-247-1359-

5.

71

3.7. Shrnutí Všechny zmíněné kroky můţe společnost realizovat postupně nebo najednou. Důleţité je, aby se společnost znovu ukázala zákazníkům, kteří mají názor, ţe „jitexové“ zboţí zaniklo. Také vzdělat zákazníky o tom, ţe JTX a Jitex není jedno a totéţ. Je zapotřebí, aby se společnost začala vskutku pomalu zvedat a postupně realizovat naplánované kroky. Pokud tomu tak nebude, hrozí společnosti převálcování konkurencí a jejím následným vítězstvím. Ve své práci jsem dokázal zobrazit nástroje a metody, které jsou pro firmy malých a středních rozměrů dostupné. Tím jsem potvrdil svůj cíl práce a dokázal, ţe vyuţití data miningových metod je pro střední firmu velkým přínosem a měla by do těchto nástrojů investovat.

72

Závěr Cílem kaţdé společnosti je být nejlepší nebo vůdčí značkou na trhu, u výrobků v dané kategorii. Image značky je budována názory široké veřejnosti. Při budování značky jsou vyuţívány nástroje komunikačního mixu. Výsledná image je pak výsledkem zvolených nástrojů. Společnost Jitex Comfort, s.r.o. působí na českém trhu čtvrtým rokem. Za tu dobu zvládla vybudovat zákaznickou základnu, více neţ čtyři sta obchodních partnerů a čtyři vlastní prodejny. Nabízí přes 400 produktů. To společnosti dává základní jistotu i přes to, ţe zaměstnává v současné době 100 zaměstnanců. Hlavním cílem mé diplomové práce bylo dokázat přizpůsobit data miningové nástroje ve stření firmě v českém prostředí a dokázat, ţe tyto nástroje jsou pro firmu dobrým strategickým kokem a firma můţe být schopná je začít pouţívat pro vlastní marketingovou komunikaci. Součástí teoretické části je rozdělení metod vyuţívaných pro dolování dat z databází. Přehled moţných metod poukazuje na jejich různorodost, a proto je vţdy důleţité zvolit pro daný účel tu nejvhodnější metodu. Následně jsou charakterizovány algoritmy vyuţívané při dolování dat a je zde definovaná správna degmentace zákazníků. Na konci části teoretické je popsán software MS Excel, který je výborným pomocníkem při procesu dolování dat. V části analytické jsem charakterizoval společnost pomocí situační analýzy, kde mi pomohla analýza SWOT a dále jsem pouţil několik data miningových metod, abych zjistil současný stav e-shopu a stav B2B zákazníků. Dále jsem se zaměřil na vyuţití dat při práci s mapou ČR. Zde jsem označil obchodní partnery společnosti a našel další „města nových příleţitostí“. Tato data budou dál slouţit společnosti Jitex Comfort pro další manaţerská rozhodování. Třetí část, část návrhovou, jsem zaměřil informace z poskytnutých analýz. Díky těmto datům jsem navrhnul nová řešení, nástroje a metody, které by společnost měla

73

začít aplikovat. Dále jsem navrhnul základní komunikační mix, který taktéţ vychází z poznatků analytické části. Všechny návrhy jsem se pokusil navrhnout tak, aby pro společnost byly z ekonomického pohledu nejméně nákladné. V souhrnu jsem popsal další moţnosti přistupování společnosti k marketingovým nástrojům a shrnul jsem kompletně celou práci.

74

Přílohy Tabulka se zákazníky společnosti.(ukázka)

Tabulka obchodních partnerů (ukázka)

75

Použitá literatura [1] Aplikovaná analýza rizika ve finančním managementu a investičním rozhodování. Praha: Grada Publishing, a.s., 2014, s. 211. ISBN 978-80-247-5104-7 [2] BÍNOVÁ, Dagmar. Vyuţití vybraných statistických metod při zpracování dat metodami Data Miningu.str.26. Praha, 2006. Disertační práce. Česká zemědělská univerzita v Praze.. [3] BERKA, Petr: Dobývání znalostí z databází. Vyd. 1. Praha : Academia, 2003. 366 s. [cit. 2014-03-29]. ISBN 80-200-1062-9. [4] Bouncken, R, Sungsoo, P, Cho, V, & Leung, P 2002, 'Towards Using Knowledge Discovery Techniques in Database Marketing for the Tourism Industry',Knowledge Management In Hospitality & Tourism, 3, 3/4, pp. 109-131, Hospitality & Tourism Complete, EBSCOhost, viewed 21 April 2014. [5] Business Intelligence: Jak vyuţít bohatství ve vašich datech. s. 206 Praha: Grada Publishing,a.s., 2005. ISBN 80-247-1094-3. [6] BREZANY, Peter. Automatic cluste detection: Data mining engineering. Univerzita ve

Vídni,Fakulta

počítačové

vědy,

2001.

407431.

Dostupné

z:

https://docs.google.com/viewer?url=http%3A%2F%2Fartemis.wszib.edu.pl%2F~brezan y%2Fcluster-handout.pdf. Přednáška. Univerzita ve Vídni. [7] Data Warehousing: Concepts,techniques, products and aplications. 3. vyd. Nové Dillí: PH Learning Private Limited, 2008, 184 s. ISBN 978-81-203-3627-8. Dostupné z: http://books.google.cz/books?id=rv-Xb6EgO6AC&hl=cs&source=gbs_navlinks_s [8] DE VILLE, Barry. Microsoft data mining: integrated business intelligence for eCommerce and knowledge management. Boston: Digital Press, c2001, xx, 315. ISBN 15-555-8242-7.

76

[9] DOSTÁL, Petr. Pokročilé metody manaţerského rozhodování: pro manaţery, specialisty, podnikatele a studenty : konkrétní příklady vyuţití metod v praxi. 1. vyd. Praha: Grada, 2005, 166 s. ISBN 80-247-1338-1. [10] FLORIN, Gorunescu. Data mining: concepts, models and techniques. Berlin, Heilelberg: Springer-Verlag, 2011, s. 159. Intelligent systems reference library, v.12. ISBN 3642197205. [11] KOTLER, Philip a Kevin Lane KELLER. Marketing management. [4. vyd.]. Překlad Tomáš Juppa, Martin Machek. Praha: Grada, 2013, 814; 92-95; 708-711 ISBN 978-80-247-4150-5. [12] KOTLER, Philip, Kevin Lane KELLER. Marketing management. 12. vyd. Praha: Grada, 2007, s.. ISBN 978-80-247-1359-5. [13] LINOFF, Gordon. Data mining techniques /: Gordon S. Linoff, Michael J. A. Berry. 3rd ed. Indiana: Wiley, c2011, xl, 847 s. ISBN 978-0-470-65093-6. [14] MALACH, Antonín. Jak podnikat po vstupu do EU: právo a podnikání, podnikatelské řízení, podpora podnikání v ČR a EU, podnikatelské a podpůrné instituce, podnikání a veřejná správa. 1. vyd. Praha: Grada, 2005, s. 60. ISBN 80-247-0906-6. [15] NEUBAUER, Jiří. Analýza závislostí: Statistika 2- Ekonometrie [Přednáška]. 2014 [cit.

20.4.2014].

Dostupné

z:

https://docs.google.com/viewer?url=http%3A%2F%2Fk101.unob.cz%2F~neubauer%2 Fpdf%2Fanalyza_zavislosti.pdf [16] NOVOTNÝ, Ota. Business intelligence: jak vyuţít bohatství ve vašich datech. 1. vyd. Praha:Grada, 2005, s. 205. ISBN 80-247-1094-3. [17] TVRDÍKOVÁ, Milena. Aplikace moderních informačních technologií v řízení firmy: nástroje ke zvyšování kvality informačních systémů. 1. vyd. Praha: Grada, 2008, 107-109 s. ISBN 978-80-247-2728-8.

77

[18] WIMMER, Roman. Historie úpravy textilních materiálů [online]. 2013 [cit. 201404-29].

Bakalářská

práce.

JIHOČESKÁ

UNIVERZITA

V

ČESKÝCH

BUDĚJOVICÍCH, Pedagogická fakulta. Vedoucí práce Alena Poláchová. Dostupné z: .

Internetové zdroje: [1] BERAN, Jiří. Data Mining v Excelu. In: EXCELentní triky a návody [online]. 25. února

2013

[cit.

2014-02-03].

Dostupné

z:http://www.excelentnitriky.com/2013/02/data-mining-v-excelu.html [2] Cíle supervizovaného učení. Acrea- analytical creativity [online]. 2011 [cit. 201404-20].

Dostupné

z:http://fit.cvut.cz/sites/default/files/ondrej-hava_priprava-dat-v-

komercnim-dataminingovem-projektu.pdf [3] Data Mining Add-ins. Microsoft Office [online]. 2008 [cit. 2014-04-11]. Dostupné z: http://office.microsoft.com/en-us/excel-help/data-mining-add-ins-HA010342915.aspx [4] Data Mining Concepts. Microsoft [online]. 2014 [cit. 2014-05-02]. Dostupné z: http://technet.microsoft.com/en-us/library/ms174949.aspx#DefiningTheProblem [5] HALADA, Andrej. Jak Češi sportují a který sport je nejoblíbenější?. NAvzduchu.cz [online]. c 2009 [cit. 2014-04-12]. Dostupné z: http://www.navzduchu.cz/ostatni/archivostatni/jak-cesi-sportuji-a-ktery-sport-je-nejoblibenejsi [6] Jitex Comfort. [online]. 2012 [cit. 2014-05-01]. Dostupné z: http://jitexcomfort.cz/textil [7] Jak udělat zákaznické karty, aby nebyly jen efektní, ale i efektivní. Podnikatel.cz [online]. 6.1.2011 [cit. 2014-05-08]. Dostupné z: http://www.podnikatel.cz/clanky/jakudelat-dobre-zakaznicke-karty/

78

[8] KASPŘÍKOVÁ, Nikola. Analýzy databází a data mining. In: Analýzy a data mining [online].

2010

[cit.

2014-05-10].

Dostupné

z:

http://data.tulipany.cz/dataminingCRM.php [9] MATOUŠEK, Jan. SEGMENTACE ZÁKAZNÍKŮ. Data Mind [online]. 2. duben 2014 [cit. 2014-04-10]. Dostupné z:http://www.datamind.cz/cz/blog/segmentacezakazniku [10] MATULA, Vladimír. Segmentace trhu. Vladimír Matula- reklama, marketing, internetový

marketing

[online].

2009

[cit.

2014-03-10].

Dostupné

z:

http://www.vladimirmatula.zjihlavy.cz/segmentace-trhu.php [11] NEORAL, Jiří. DAQUAS. Data mining aneb dolování dat [online]. 2011 [cit. 2014-05-09].

Dostupné

z:http://www.daquas.cz/articles/452-data-mining-aneb-

dolovani-dat [12] NEORAL, Jiří. DAQUAS. Data mining aneb dolování dat [online]. 2011 [cit. 2014-05-09].

Dostupné

z:http://www.daquas.cz/articles/452-data-mining-aneb-

dolovani-dat [13] New weapon for small businesses: data mining. Financial Post [online]. 07.04.2014,

April

[cit.

2014-04-22].

Dostupné

z:http://business.financialpost.com/2014/04/07/how-small-businesses-can-find-successin-their-data/ [14] O firmě. Benefit CZ [online]. 2012 [cit. 2014-05-11]. Dostupné z: http://benefitcz.cz/o-firm%C4%9B.aspx [15] O firmě. Moira CZ, a.s. [online]. c 2008-2014 [cit. 2014-05-12]. Dostupné z: http://firma.moira.cz/af32-profil-spolecnosti.html [16] O nás. Progress sportwear, s.r.o. [online]. c 2012 [cit. 2014-05-12]. Dostupné z: http://www.progress-cz.cz/o-nas

79

[17] O nás. JTX Jihočeská textilní, s.r.o. [online]. 2012 [cit. 2014-05-12]. Dostupné z: http://eshop.jtx.cz/cs/content/4-o-nas [18] O WBI. WBI Systems, a.s. [online]. c 2014 [cit. 2014-04-03]. Dostupné z: http://www.wbi.cz/o-wbi/ [19] PILAŘ, Pavel. Data mining - Přeměna dat v hodnotné informace. In: Sophia Solution [online]. 2006 [cit. 2014-03-29]. Dostupné z: http://sophias.cz/cs/codelame/publikacni-cinnost/data-mining-premena-dat-v-hodnotne-informace.html [20]

PRODÁVEJTE

JABLKA

S

HRUŠKAMI!

(JAK

NA

CROSS

SELL

ANALYTICKÝMI TECHNIKAMI). Data Mind [online].27. srpen 2009 [cit. 2014-0510].

Dostupnéz:

http://www.datamind.cz/cz/blog/Jak-na-cross-sell-analytickymi-

technikami [21] SQL Data Mining [online]. rok vyd. 2012 [cit. 2014-03-23]. Dostupné z:http://www.sqldatamining.com/index.php/data-mining-basics/history-of-data-mining [22] The data mining process. IBM [online]. 2008 [cit. 2014-05-10]. Dostupné z:http://publib.boulder.ibm.com/infocenter/db2luw/v9r5/index.jsp?topic=%2Fcom.ibm.i m.easy.doc%2Fc_d m_process.html [23] Výpis obchodního rejstříku Jitex a.s. Ministerstvo spravedlnosti České republiky: Veřejný rejstřík a sbírka listin [online]. 2012-2014 [cit. 2014-04-29]. Dostupné z: https://or.justice.cz/ias/ui/vypisvypis?subjektId=isor%3a300000229&typ=actual&klic=lus9mq [24] 10 let Facebooku: Jak změnil podnikání i ţivoty uţivatelů?. Česká televize [online].

4.2.2014

[cit.

2014-04-18].

Dostupné

z:http://www.ceskatelevize.cz/ct24/ekonomika/260838-10-let-facebooku-jak-zmenilpodnikani-i-zivoty-uzivatelu/

80