Системы управления взаимоотношениями с клиентами
CRM (Customer relationship management) – модель взаимодействия, полагающая, что центром всей философии бизнеса является клиент, а основными направлениями деятельности являются меры по поддержке эффективного маркетинга, продаж и обслуживания клиентов.
CRM-система– это корпоративная информационная система, предназначенная для автоматизации CRM-стратегии компании, в частности, для повышения уровня продаж, оптимизации маркетинга и улучшения обслуживания клиентов путем сохранения информации о клиентах и истории взаимоотношений с ними, установления и улучшения бизнес-процедур и последующего анализа результатов.
Важно отличать CRM-стратегию как таковую и CRM-систему, как технологический инструмент реализации этой стратегии.
CRM-система включает следующие функциональные элементы:
1. автоматизация продаж (Sales Force Automation, SFA);
2. автоматизация маркетинга (Marketing Automation, MA);
3. автоматизация обслуживания клиентов (Customer Service and
Support, CSS).
Основой CRM-системы являются приложения автоматизации продаж.
На них возлагаются следующие функции:
• ведение базы данных клиентов с расширенным реквизитным
составом (фиксацией исчерпывающей информации о контрагенте);
• фиксация в базе данных истории взаимодействия с каждым
клиентом;
• ведение календаря событий и планирование работы;
• организация процесса продажи (создание и распределение списка
потенциальных клиентов, регистрация звонков и обращений, прием заказов); • ведение заказов от клиентов, подготовка коммерческих
|
|
|
предложений;
• мониторинг и прогнозирование потенциальных продаж; • формирование отчетов, в т. ч. специализированных;
• автоматизация мобильных продаж (передача информации в режиме реального времени через мобильные устройства удаленным сотрудникам) и др.
В современных CRM-системах SFA-приложения дополняются средствами автоматизации маркетинга, которые позволяют:
• организовывать маркетинговые кампании, отслеживать их эффективность (предусмотрены инструменты планирования, разработки, проведения и анализа результатов маркетинговых акций, в т. ч. интернет- кампаний);
• создавать целевые группы аудитории, проводить сегментирование клиентской базы;
• создавать прямые массовые рассылки информационных и т. п. материалов;
• вести маркетинговую базу знаний, содержащую информация о продуктах, услугах, ценах, конкурентах.
Приложения автоматизации обслуживания клиентов в последнее время приобрели первостепенное значение, т.к. в условиях жесткой конкуренции удержать прибыльного клиента можно, прежде всего, благодаря высокому качеству обслуживания. Приложения CSS позволяют:
|
|
|
• фиксировать заявки от клиента и осуществлять мониторинг прохождения заявок внутри компании;
• вести базу знаний – справочника типовых и часто встречающихся проблем и их решений;
• осуществлять контроль над исполнением сервисных соглашений (автоматическое отслеживание сроков и условий), управление гарантийным/контрактным обслуживанием.
Автоматизация стандартных функций отделов продаж, маркетинга и обслуживания позволяет значительно повысить продуктивность их деятельности. Специфическим для CRM-систем является то, что данные функции не просто автоматизируются, а становятся частью единой системы, ориентированной на клиента. Каждое взаимодействие происходит в контексте всей истории взаимоотношений клиента с компанией, что может быть использовано для оказания дополнительных услуг. Усовершенствование такого рода напрямую снижает расходы, повышает доход и прибыль. Качественно разработанная и внедренная программа CRM позволяет:
• собрать воедино важнейшую информацию о каждом клиенте и истории развития взаимоотношений с ним предприятия;
• определить целевых клиентов предприятия и разработать специальные маркетинговые программы повышения их лояльности;
|
|
|
• разработать персональный набор индивидуальной продукции и услуг предприятия для каждого клиента;
• повысить эффективность работы каждого отдела и сократить при этом удельные расходы на каждого клиента и торговую операцию;
• обеспечить более быструю и точную работу с потенциальными заказчиками, оперативные действия на запросы клиентов;
• практически исключить вероятность потери клиента, по причине неудовлетворенности сервисным обслуживанием;
• анализировать потребности клиентов и составлять перспективные и стратегические планы изготовления продукции;
• организовывать и выдавать отчетность любого уровня сложности о текущей и перспективной деятельности предприятия;
• составить для руководства предприятия подробную и точную картину работы отдела маркетинга по сбыту продукции;
• точно и быстро реагировать на изменения конъюнктуры рынка.
В настоящий момент практически любая современная CRM-система имеет в большей или меньшей степени все указанные выше возможности и уровни обработки информации. Примерами западных CRM-систем являются mySAP CRM, Microsoft Dynamics CRM, CRM Siebel eBusiness, ACT!, отечественных – 1С:Рарус «Управление продажами», Quick Sales, «Клиент- Коммуникатор», «Terrasoft CRM», «Монитор CRM», «Экспресс-Контакт».
|
|
|
Экспертные системы
Экспертная система (ЭС, expert system)– информационная система, способная заменить специалиста-эксперта в разрешении проблемной ситуации. Экспертные системы начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление.
Типичные применения экспертных систем включают в себя такие задачи, как медицинская диагностика, локализация неисправностей в оборудовании и интерпретация результатов измерений. Экспертные системы должны решать задачи, требующие для своего решения экспертных знаний в некоторой конкретной области. В той или иной форме экспертные системы должны обладать этими знаниями. Поэтому их также называют системами, основанными на знаниях.
Однако не всякую систему, основанную на знаниях, можно рассматривать как экспертную. Экспертная система должна также уметь каким-то образом объяснять свое поведение и свои решения пользователю, так же, как это делает эксперт-человек. Это особенно необходимо в областях, для которых характерна неопределенность, неточность информации (например, в медицинской диагностике). В этих случаях способность к объяснению нужна для того, чтобы повысить степень доверия пользователя к советам системы, а также для того, чтобы дать возможность пользователю обнаружить возможный дефект в рассуждениях системы. В связи с этим в экспертных системах следует предусматривать дружественное взаимодействие с пользователем, которое делает для пользователя процесс рассуждения системы «прозрачным».
Часто к экспертным системам предъявляют дополнительное требование – способность иметь дело с неопределенностью и неполнотой. Информация о поставленной задаче может быть неполной или ненадежной; отношения между объектами предметной области могут быть приближенными. Например, может не быть полной уверенности в наличии у пациента некоторого симптома или в том, что данные, полученные при измерении, верны; лекарство может стать причиной осложнения, хотя обычно этого не происходит. Во всех этих случаях необходимы рассуждения с использованием вероятностного подхода.
Экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний – как совокупность фактов и правил логического вывода в выбранной предметной области деятельности. В ответах на простейшие запросы экспертные системы выдают значения «истина» или «ложь» в зависимости от наличия соответствующих фактов. Ответы на сложные запросы формируются с помощью правил логического вывода, выполняющих роль определения понятий, а также логических процедур, состоящих из наборов правил логического вывода.
Иными словами, база знаний состоит из фактов (статических сведений о предметной области) и правил анализа и процедур обработки информации (набора инструкций, применяя которые к известным фактам можно получать новые факты). Экспертная система анализирует ситуацию и, в зависимости от направленности, дает рекомендации по разрешению проблемы.
База знаний экспертной системы создается при помощи трех групп людей:
• эксперты той проблемной области, к которой относятся задачи, решаемые данной экспертной системы;
• инженеры по знаниям, являющиеся специалистами по разработке информационных систем;
• программисты, осуществляющие реализацию экспертной системы.
Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы. При решении задач, требующих обработки большого объема знаний, возможность возникновения ошибки при переборе очень мала.
Выделим следующие преимущества экспертной системы перед человеком-экспертом:
1. Экспертные системы объективнее и не имеют предубеждений;
2. Экспертные системы работают систематизировано, рассматривая все детали, часто выбирая наилучшую альтернативу из всех возможных;
3. База знаний может быть очень и очень большой. Будучи введены в машину один раз, знания сохраняются навсегда. Человек же имеет ограниченную базу знаний, и если данные долгое время не используются, то они забываются и навсегда теряются;
4. Системы, основанные на знаниях, устойчивы к «помехам». Эксперт пользуется побочными знаниями и легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей. Экспертные системы, не обремененные знаниями из других областей, по своей природе менее подвержены «шумам».
С другой стороны, очевидно, что достоверность обобщенных сведений зависит от наличия необходимых фактов и достоверности данных в базах знаний. В связи с этим, наиболее важным свойством информации, хранящейся в базах знаний, является достоверность конкретных и обобщенных сведений в базе данных и релевантности информации, получаемой с использованием правил вывода, заложенных в базу знаний. Поэтому даже лучшие из существующих экспертных систем имеют определенные ограничения по сравнению с человеком-экспертом:
1. Большинство экспертных систем весьма сложны для применения конечным пользователем, а многие из них оказываются доступными только тем экспертам, которые создавали их базы знаний;
2. Вопросно-ответный режим, обычно принятый в таких системах, замедляет получение решений;
3. Сложность приведения знаний, полученных от эксперта, к виду, обеспечивающему их эффективную машинную реализацию.
4. Экспертные системы неприменимы в некоторых предметных областях и в тех областях, где отсутствуют эксперты (например, в астрологии).
5. Человек-эксперт при решении задач обычно обращается к своей интуиции или здравому смыслу, если отсутствуют формальные методы решения или аналоги таких задач. Экспертные системы не обладают здравым смыслом, поэтому они призваны являться инструментом в руках эксперта, а не замещать его.
Системы бизнес-аналитики
Системы класса Business intelligence (BI)– это информационные системы, предназначенные для построения отчетов и анализа информации о деятельности предприятия и его окружения в ходе работы над задачами, связанными с принятием решений на основе фактических данных. Системы BI включают также инструменты, используемые для преобразования, хранения, моделирования, доставки и трассировки информации. BI- технологии позволяют анализировать большие объемы информации, заостряя внимание пользователей лишь на ключевых факторах эффективности, моделируя исход различных вариантов действий, отслеживая результаты принятия тех или иных решений. С помощью ИС этого класса лица, принимающие решения, должны при использовании подходящих технологий получать нужные сведения и в нужное время.
Другие возможные и часто встречающиеся переводы термина на русский язык – бизнес-анализ и интеллектуальный анализ данных.
Использование программ финансового анализа позволяет организации:
• ускорить и упростить процесс получения прогнозов развития финансовой ситуации на предприятии. Компьютерная техника позволяет проводить сложные математические вычисления в максимально короткий промежуток времени, причем исключается «человеческий фактор» – ошибки, которые может сделать человек по невнимательности.
• иметь подготовленные на единой методологической основе варианты последствий управленческих решений. Использование комплекса компьютерных моделей позволит формировать единую стратегию финансового управления на предприятии и является стимулом к формированию аналитической службы предприятия как единого законченного подразделения.
• оптимизировать процесс обработки и получения необходимой финансовой информации. Данные для анализа экспортируются из программ бухгалтерского учета, обрабатываются, и сразу же выносится заключение о финансовом состоянии и прогнозная динамика на будущее как в табличной форме, так и, как правило, в виде графиков и диаграмм.
В основе технологии BI лежит организация доступа конечных пользователей и анализ структурированных количественных по своей природе данных и информации о бизнесе. BI порождает итерационный процесс бизнес-пользователя, включающий доступ к данным и их анализ, и тем самым проявление интуиции, формирование заключений, нахождение взаимосвязей, чтобы эффективно изменять предприятие в положительную сторону. BI имеет широкий спектр пользователей на предприятии, включая руководителей и аналитиков.
Сегодня BI-системы, как правило, включают следующие инструменты: генераторы запросов и отчетов, инструменты добычи данных (data mining), инструменты оперативной аналитической обработки (OLAP) и др.
Генераторы запросов и отчетов– инструменты, предоставляющие пользователям доступ к базам данных, выполняющие некоторый анализ и формирующие отчеты. Запросы могут быть как незапланированными, так и иметь регламентный характер. Современные BI-системы имеют возможности создания рассылок, публикации отчетов на Web, механизмы извещения о событиях или отклонениях.
Добыча данных (data mining)представляет собой процесс обнаружения скрытых корреляций, тенденций, шаблонов, связей и категорий между переменными в больших массивах необработанных данных. Она выполняется путем тщательного исследования данных с использованием технологий распознавания шаблонов, а также статистических и математических методов. При разведке данных многократно выполняются различные операции и преобразования над сырыми данными (отбор признаков, стратификация, кластеризация, визуализация и регрессия), которые предназначены:
1) для нахождения представлений, которые являются интуитивно понятными для людей, которые, в свою очередь, лучше понимают бизнес- процессы, лежащие в основе их деятельности;
2) для нахождения моделей, которые могут предсказать результат или значение определенных ситуаций, используя исторические или субъективные данные.
Английский термин «data mining» не имеет однозначного перевода на русский язык (добыча данных, вскрытие данных, разведка данных, информационная проходка, извлечение данных/информации) поэтому в большинстве случаев используется в оригинале. Наиболее удачным непрямым переводом считается термин «интеллектуальный анализ данных» (ИАД).
Важное положение data mining – нетривиальность разыскиваемых шаблонов. Это означает, что найденные шаблоны должны отражать неочевидные, неожиданные регулярности в данных, составляющие так называемые скрытые знания.
Инструменты data mining позволяют решать следующие задачи:
• классификация – отнесение входного вектора (объекта, события, наблюдения) к одному из заранее известных классов;
• кластеризация – разделение множества входных векторов на группы (кластеры) по степени «похожести» друг на друга;
• сокращение описания – для визуализации данных, лаконизма моделей, упрощения счета и интерпретации, сжатия объемов собираемой и хранимой информации;
• ассоциация – поиск повторяющихся образцов. Например, поиск «устойчивых связей в корзине покупателя» (англ. market basket analysis) – вместе с пивом часто покупают орешки;
• прогнозирование;
• анализ отклонений – например, выявление нетипичной сетевой активности позволяет обнаружить вредоносные программы;
• визуализация – наглядное пользователю представление данных.
OLAP(англ. online analytical processing, аналитическая обработка в реальном времени) – технология обработки информации, включающая составление и динамическую публикацию отчетов и документов. Используется аналитиками для быстрой обработки сложных запросов к базе данных.
Причина использования OLAP для обработки запросов – это скорость. Реляционные базы данных хранят сущности в отдельных таблицах, которые обычно хорошо нормализованы. Эта структура удобна для операционных баз данных, но сложные многотабличные запросы в ней выполняются относительно медленно. Более хорошей моделью для запросов, а не для изменения, является пространственная база данных. OLAP делает мгновенный снимок реляционной базы и структурирует ее в пространственную модель для запросов. Заявленное время обработки запросов в OLAP составляет около 0,1% от аналогичных запросов в реляционную базу данных.
OLAP-структура, созданная из рабочих данных, называется OLAP-куб. Куб создается из соединения таблиц с применением схемы звезды. В центре «звезды» находится таблица фактов, которая содержит ключевые факты, по которым делаются запросы. Множественные таблицы с измерениями присоединены к таблице фактов. Эти таблицы показывают, как могут анализироваться агрегированные реляционные данные. Количество возможных агрегирований определяется количеством способов, которыми первоначальные данные могут быть иерархически отображены.
Пример OLAP-куба представлен на рис. 4. Каждый срез такого отчета- куба называется измерением. Средства OLAP позволяют исследовать данные по различным произвольным измерениям. Пользователи могут выбрать, какие показатели анализировать, какие измерения и как отображать в отчете, обменять строки и столбцы, сделать срезы и вырезки («slice&dice»), чтобы сконцентрироваться на определенной комбинации размерностей. Можно изменять детальность данных, двигаясь по уровням с помощью детализации и укрупнения («drill down/roll up»), а также кросс-детализации («drill across») через другие измерения.
Отметим, что в отличие от использования OLAP разведка данных в значительно меньшей степени направляется пользователем, вместо этого полагается на специализированные алгоритмы, которые устанавливают соотношение информации и помогают распознать важные (и ранее неизвестные) тенденции, свободные от предвзятости и предположений пользователя. Средства data mining отличаются от средств OLAP тем, что вместо проверки предполагаемых взаимозависимостей, они на основе имеющихся данных могут производить модели, позволяющие количественно оценить степень влияния исследуемых факторов. Кроме того, средства data
Рис. 4. OLAP-куб
mining позволяют создавать новые гипотезы о характере неизвестных, но реально существующих отношений в данных.
Таблица 1. Примеры формулировок задач при использовании методов OLAP и Data Mining
| OLAP | Data Mining |
| Каковы средние показатели травматизма для курящих и некурящих? | Какие факторы лучше всего предсказывают несчастные случаи? |
| Каковы средние размеры телефонных счетов существующих клиентов в сравнении со счетами бывших клиентов (отказавшихся от услуг телефонной компании)? | Какие характеристики отличают клиентов, которые, по всей вероятности, собираются отказаться от услуг телефонной компании? |
| Какова средняя величина ежедневных покупок по украденной и не украденной кредитной карточке? | Какие схемы покупок характерны для мошенничества с кредитными карточками? |
Кроме перечисленных инструментов, в состав BI могут входить следующие средства анализа: пакеты статистического анализа и анализ временных рядов и оценки рисков; средства моделирования; пакеты для нейронных сетей; средства нечеткой логики и экспертные системы. Дополнительно нужно отметить средства для графического оформления результатов: средства деловой и научно-технической графики; «приборные доски», средства визуализации многомерных данных.
Несмотря на то, что модуль финансового планирования с системами бизнес-аналитики стал устанавливаться уже на системах MRP-II, многие российские предприятия предпочитают пользоваться отечественными разработками систем BI, которые лучше ориентированы под отечественные условия ведения бизнеса. В качестве примера систем бизнес-аналитики отметим российские разработки «ИНЭК-Аналитик», «Audit Expert», «Альт- Финансы», «АБФИ-Предприятие» и западные «титаны» рынка – Business Objects, Cognos, OLAP-сервисы MS SQL Server и др.
Дата добавления: 2018-04-15; просмотров: 296; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!