बिक्री में डेटा खनन का उपयोग

कई कंपनियां हैं जो ग्राहकों को सामान बेचती हैं या किसी प्रकार की सेवा प्रदान करती हैं। अक्सर, विक्रेता सहजता से यह तय करते हैं कि संपूर्ण मौजूदा लाइन से कौन सा उत्पाद ग्राहक के लिए सबसे उपयुक्त है। यह सहज रूप से निर्धारित किया जाता है कि कंपनी के लिए ग्राहकों का कौन सा सरणी अधिक दिलचस्प है, और जिसके लिए ग्राहकों को बिक्री और आगे की सेवा बहुत महंगा और नुकसानदेह होगी।
इन सभी मुद्दों की तकनीकी समझ के लिए, डेटा माइनिंग तकनीक का उपयोग करके सूचना विश्लेषण अच्छी तरह से अनुकूल है। डेटा माइनिंग क्लस्टरिंग का उपयोग करके ग्राहक विभाजन प्रक्रिया को स्वचालित करके, एक कंपनी कई सवालों के जवाब पा सकती है।
विकल्प पर विचार करें जब कंपनी माल या सेवाओं की बिक्री में लगी हुई है और आगे बिक्री के बाद सेवा। तदनुसार, कंपनी के पास संभावित ग्राहक हैं जो बेच रहे हैं। ऐसे ग्राहक भी हैं जो पहले सेवित थे या पहले से सेवित थे, अर्थात्। जो पहले बिक चुका है। सादगी के लिए, हम उन्हें ग्राहक सेवा कहेंगे।
उद्देश्य और विचार का संक्षेप में वर्णन करें। विश्लेषण के लिए, कई संकेतक (15-20) लेना आवश्यक है, जो एक ही समय में संभावित और सेवा वाले ग्राहक हैं। आपको 2-3 संकेतक भी चुनने होंगे जो केवल सेवित ग्राहकों के पास हों - ये लक्षित संकेतक हैं। सर्विस्ड क्लाइंट की एक सरणी पर डेटा खनन की क्लस्टरिंग का विश्लेषण करने के लिए। आउटपुट पर, हमें अपनी विशेषताओं के साथ कई क्लस्टर मिलते हैं। अगला, हम समूहों को लक्षित संकेतकों के अनुसार खंडों में समूहित करते हैं और कुछ परिभाषाएँ देते हैं जो विपणक के लिए समझ में आती हैं। हम परिणामस्वरूप मॉडल का विश्लेषण करते हैं, और संभावित ग्राहकों पर परिणामी समूहों को प्रोजेक्ट करते हैं। आउटपुट पर हमें संभावित ग्राहक मिलते हैं। प्राप्त खंडों के आधार पर, आप प्रत्येक ग्राहक खंड के लिए बिक्री रणनीति और कार्यप्रणाली का निर्माण कर सकते हैं।
आइए इस तकनीक और परिणाम प्राप्त करने के लिए चरणों के अनुक्रम पर अधिक विस्तार से विचार करें।

विश्लेषण करने के लिए ग्राहक मैट्रिक्स का चयन करें

जाहिर है, इस तरह के विश्लेषिकी को स्वचालित करने के बारे में सोचने वाली कंपनी के पास एक अच्छी सूचना प्रणाली (आईएस) होनी चाहिए, जो ग्राहकों पर बहुत अधिक डेटा संग्रहीत करेगी, उदाहरण के लिए, कंपनी में कितने कर्मचारी हैं, किस तरह की गतिविधि है, क्या लेखांकन है, वकील हैं, आदि। सामान्य तौर पर, आईपी ऐसे दर्जनों संकेतकों को संग्रहीत कर सकता है, लेकिन एक विशिष्ट विश्लेषण के लिए, 15-20 संकेतक पर्याप्त हो सकते हैं।
उन संकेतकों का चयन करें जो एक ही समय में प्रस्तुत किए गए हैं और संभावित ग्राहक हैं।
चयनित संकेतक प्रासंगिक होना चाहिए, अर्थात इन संकेतकों पर डेटा को नियमित रूप से अपडेट करना संभव होना चाहिए। यदि आप कुछ संकेतक पर जानकारी एकत्र नहीं कर सकते हैं, तो विश्लेषण में इसका उपयोग न करें। विश्लेषण शुरू करने से पहले, अप-टू-डेट जानकारी इकट्ठा करें, भले ही यह कदम 1-2 महीने लगे, यह इसके लायक है।

ग्राहक सेवा लक्ष्य चुनें

सेवित ग्राहकों के लिए कई लक्ष्यों को परिभाषित करें जो स्पष्ट रूप से यह निर्धारित करेंगे कि एक ग्राहक आपके लिए आकर्षक है या नहीं, उदाहरण के लिए, ग्राहक सेवा की अवधि, ग्राहक लाभप्रदता, सेवित उत्पाद, आदि। जाहिर है, ये संकेतक केवल सेवा वाले ग्राहकों के लिए विशिष्ट होंगे। ऐसे कुछ संकेतक (2-3) हो सकते हैं, मुख्य बात यह है कि यह संकेतक आपके लक्ष्यों के आधार पर वांछित खंड की विशेषता रखता है, उदाहरण के लिए, दीर्घकालिक लाभप्रदता के संदर्भ में व्यापार के लिए एक आकर्षक ग्राहक।

समूह सूचक मान

आईपी ​​में, चयनित संकेतकों के मूल्यों को संख्यात्मक डेटा या विभिन्न क्षेत्रों के सेट के रूप में संग्रहीत किया जा सकता है। विश्लेषण के लिए, इन मूल्यों को समूहों में संयोजित करना सबसे अच्छा है, उदाहरण के लिए, एकाउंटेंट की संख्या: 1, 2-5, 6-9, 10 या अधिक।

मॉडल बनाने के लिए ग्राहकों का चयन करें।

सबसे पहले, काम केवल सेवित ग्राहकों की एक सरणी के साथ किया जाता है। कई वर्षों के लिए ग्राहक संबंध इतिहास चुनना सबसे अच्छा है, उदाहरण के लिए, 5 या अधिक वर्षों के लिए। नमूने में जितने अधिक ग्राहक होंगे, परिणाम उतना ही सटीक होगा।
अपनी विशेषताओं के साथ चयनित ग्राहकों को डेटाबेस में रखा जाना चाहिए, उदाहरण के लिए, एमएस SQL ​​सर्वर में। सबसे सरल मामले में, यह एक तथ्य तालिका होगी, जहां एक पंक्ति एक ग्राहक है, और प्रत्येक तालिका फ़ील्ड पिछले चरण में चयनित संकेतक है।



डेटा को भरने के दौरान, सबसे अधिक संभावना है कि उन्हें विश्लेषण के लिए तैयार रहने की आवश्यकता होगी, पहले किए गए संकेतक मूल्यों के समूह के अनुसार परिवर्तित।
और तालिका में आप इन मूल्यों को पाठ के रूप में संग्रहीत कर सकते हैं, लेकिन कोड के रूप में अधिक सही ढंग से - निर्देशिका के लिंक। तथ्य तालिका में, आप SQL सर्वर एकीकरण सेवाओं (SSIS), या अन्य तरीकों से T-sql में स्क्रिप्ट के साथ डेटा भर सकते हैं।

विश्लेषण के लिए एक मॉडल बनाएं

अगला, आपको डेटा खनन के विश्लेषण के लिए एक मॉडल बनाने की आवश्यकता है, उदाहरण के लिए, SQL सर्वर बिजनेस इंटेलिजेंस डेवलपमेंट स्टूडियो (BIDS) का उपयोग करते हुए। BIDS में मॉडल बनाने का एक विस्तृत विवरण इस लेख के दायरे से परे है; मैं केवल ध्यान देता हूं कि मैं मानक Microsoft क्लस्टरिंग एल्गोरिथ्म का उपयोग करता हूं।
आउटपुट पर, हमें एक निश्चित संख्या में क्लस्टर मिलते हैं, जिनमें से प्रत्येक को चयनित ग्राहक संकेतकों की विशेषता है।

परिणामी समूहों के लिए विशेषता मूल्यों को हाइलाइट करें

प्रत्येक क्लस्टर को विश्लेषण में उपयोग किए जाने वाले सभी संकेतकों के लिए विशिष्ट मूल्यों द्वारा वर्णित किया जाना चाहिए, जो संभावित और सेवा वाले ग्राहकों की विशेषता है। उदाहरण के लिए, क्लस्टर 1 में खाताधारकों की संख्या 2-5, बजट प्रकार का कराधान और स्वास्थ्य देखभाल गतिविधि का प्रकार है। यह महत्वपूर्ण है कि क्लस्टर विवरण में सभी संकेतकों के लिए मान शामिल हैं। यह संभव है कि एक संकेतक में कई मान शामिल होंगे, उदाहरण के लिए, एकल क्लस्टर में, गतिविधि स्वास्थ्य सेवा और शिक्षा के प्रकार के साथ ग्राहकों की करीबी संभावना होगी। यह सामान्य है, दोनों मान लें।

समूह समूह

अगला, हम परिणामी क्लस्टर्स का विश्लेषण उसी सेवित क्लाइंट के 2-3 लक्ष्य संकेतकों के संदर्भ में करते हैं जो पहले चुने गए थे। वास्तव में, आप एक तालिका बना सकते हैं जिसमें प्रत्येक क्लस्टर को एक ऐसी भाषा में वर्णित किया जाएगा जो विक्रेताओं के लिए समझ में आता है। उदाहरण के लिए, क्लस्टर 1 - औसत जीवन प्रत्याशा वाले ग्राहकों के साथ और औसत से ऊपर की मासिक आय अर्जित करने वाले, क्लस्टर 2 - औसत से अधिक रहने वाले ग्राहकों के साथ और औसत से कम आय अर्जित करने वाले ग्राहक। ये सभी विवरण और सूत्र विपणन विश्लेषण के सक्षम क्षेत्र में निहित हैं। कुछ समूहों को समूहित किया जा सकता है यदि वे लक्ष्य के अनुसार एक ही समूह से संबंधित हैं। परिणामी क्लस्टर समूहों को सेगमेंट कहा जाएगा।

संभावित ग्राहक चुनें

आपको उन सभी संभावित ग्राहकों की एक सरणी का चयन करने की आवश्यकता है, जिन्हें हम खंडित करना चाहते हैं। सामान्य स्थिति में, ये सभी ग्राहक हैं जो बिक्री के लिए कर्मचारियों के काम में प्रवेश कर सकते हैं।

संभावित ग्राहकों को क्लस्टर में वितरित करें

अगला, प्रत्येक क्लस्टर के लिए विशेष रूप से लिखित प्रोग्राम कोड का उपयोग करते हुए, हम विश्लेषण किए गए संकेतकों के मूल्यों के आधार पर क्रमिक रूप से संभावित ग्राहकों का चयन करते हैं जो सूचना प्रणाली में संग्रहीत होते हैं। उदाहरण के लिए, क्लस्टर 1 में खाताधारकों की संख्या 2-5, बजट प्रकार का कराधान और गतिविधि स्वास्थ्य सेवा का प्रकार है। हम सभी ग्राहकों को खोजते हैं जिनके पास समान आईपी फ़ील्ड में ऐसे मान हैं और उन्हें क्लस्टर 1 में रखा गया है।
व्यवहार में, तीन स्थितियाँ उत्पन्न होती हैं:

1. क्लाइंट विशिष्ट रूप से केवल एक क्लस्टर से मेल खाता है;
2. एक ग्राहक दो या अधिक समूहों से मेल खाता है;
3. क्लाइंट किसी भी क्लस्टर में नहीं आता है।

इन स्थितियों पर विचार करें:

1. जब एक ग्राहक केवल एक क्लस्टर में आता है, तो हम वांछित क्लस्टर मूल्य को नीचे रख देते हैं और इसके बारे में भूल जाते हैं।
2. जब एक ग्राहक दो या अधिक समूहों से मेल खाता है, तो यह विश्लेषण करना आवश्यक है कि ग्राहक किस क्लस्टर से काफी हद तक मेल खाता है। हम जानते हैं कि संकेतकों के मूल्य एक डिग्री या दूसरे से तुलना किए गए समूहों की विशेषता क्या है। और हम एक विशेष ग्राहक के लिए संकेतक के मूल्यों को जानते हैं। यहां से हम निश्चित रूप से निर्धारित कर सकते हैं कि क्लाइंट किस क्लस्टर के करीब है, और हम इसे वहां रखते हैं। जाहिर है, यह सभी ग्राहकों के लिए मैन्युअल रूप से नहीं किया जाना चाहिए, लेकिन क्लस्टर के बीच संभावित चौराहों के लिए विकल्पों का क्रमिक विश्लेषण करना।
3. जब क्लाइंट स्पष्ट रूप से किसी क्लस्टर में नहीं आता है, तो क्लस्टर को चिह्नित करने वाले संकेतकों के मूल्यों के लिए विकल्पों का विस्तार करना आवश्यक है। इसके अलावा, उन्नत विशेषताओं द्वारा, यह निर्धारित करना संभव है कि क्लाइंट किस क्लस्टर से संबंधित है। उदाहरण के लिए, "खाताधारकों की संख्या" सूचक के संदर्भ में क्लस्टर 1 को "2-5" के मूल्य से अधिक हद तक विशेषता है, लेकिन यह क्लस्टर "6-9" मूल्य की कम विशेषता भी है। यह मान उन्नत विश्लेषण में जोड़ा जाता है।

सभी तुलनाओं का तर्क SQL सर्वर बिजनेस इंटेलिजेंस डेवलपमेंट स्टूडियो में क्लस्टर भेदभाव टैब से स्पष्ट है।

परिणाम

बाहर निकलने पर, सभी संभावित ग्राहकों को विभिन्न खंडों में वितरित किया जाता है। इन खंडों के मूल्यों को आईसी में दर्ज किया गया है। प्रत्येक खंड के लिए, विपणन विभाग एक बिक्री रणनीति और कार्यप्रणाली निर्धारित करता है।
यह महत्वपूर्ण है कि क्लस्टर जानकारी नियमित रूप से अपडेट की जाती है। संभावित ग्राहकों के लिए आईपी में जानकारी दैनिक बदलती है, नए ग्राहक दिखाई देते हैं और उन्हें उपयुक्त सेगमेंट को लागू करने की आवश्यकता होती है। उपरोक्त सभी तर्क प्रोग्राम कोड के एक सेट के रूप में रखे गए हैं। इसलिए, नए ग्राहकों के लिए खंड की स्वचालित रूप से गणना करना संभव है। किसी को "फ्लाई पर" ऐसा करने की आवश्यकता होती है, जब एक ग्राहक को आईपी में पेश किया जाता है, तो किसी को बस दिन में एक बार करने की आवश्यकता होती है, यह सब किसी विशेष व्यवसाय की जरूरतों पर निर्भर करता है।
भविष्य में, परिणामी एल्गोरिथ्म को सीधे आईपी में डेटा खनन तकनीक को एकीकृत करके स्व-शिक्षण किया जा सकता है। इस मामले में, क्लस्टरिंग मॉडल सर्विस्ड और डिस्कनेक्ट किए गए क्लाइंट के बदलते डेटा से प्राप्त आईएस से मिली नई जानकारी के आधार पर लगातार सेल्फ-लर्निंग करेगा, और क्लस्टर भर में संभावित ग्राहकों के वितरण को समायोजित करेगा।