DATA MINING Irma Macháčová

PROČ DATA MINING?

„We are drowning in data, but starving for knowledge.“

CO JE DATA MINING? Objevování nových, potenciálně užitečných znalostí (z velkého množství již dostupných) dat.

Otázky a zase otázky Kteří zákazníci se nejvíce vyplatí? Které produkty se vyplatí a které máme stáhnout? Komu máme nabízet které zboží / služby? Jaké marketingové aktivity máme používat? Proč od nás zákazníci odcházejí a jak tomu zabránit? Jak máme nastavit obchodní procesy? Kde máme šetřit?

Jak na to? Začněte od konce: DEFINUJTE SVÉ POTŘEBY

Jak na to? CÍL MÁME DATA? ANALÝZA CO S TÍM? KONTROLA

Jak využít data mining? Maximální potenciál zákazníka Současná hodnota zákazníka X Budoucí hodnota zákazníka X Maximální hodnota zákazníka

Jak využít data mining? Cross-selling

Cross-selling / vývoj nového produktu

Jak využít data mining? Kritéria výběru

Jak využít data mining? Atraktivita poptávek

Jak využít data mining? Hrozí odchod?

Jak využít data mining? Segmentace

Slévárna oceli

Slévárny Hlavní řešené problémy: Přetíženost obchodního oddělení Malá úspěšnost nabídek Jak máme dělat lépe marketing a obchod? Navíc: problém s termíny dodávek problém se včasným podáním nabídek nedokáží definovat své konkur. výhody

Slévárny Doporučení: různá péče pro různé zákazníky - termíny, inovace, osobní péče (segmentace) výrazná péče o největší zákazníky (vč. přednosti při dodržování termínů dodávek) rozšíření spolupráce s potenciálně nejzajímavějšími klienty (maximální X současná hodnota) systém vyhodnocování atraktivity poptávek konkrétní termíny pro „subdodavatele“ podkladů pro nabídky formulace jasných konkurenčních výhod – „posbírání“ s řady zdrojů

Dodavatel hygienického vybavení

Řešené problémy: obchod v ČR vázne, ačkoliv celosvětově jde o lídra každá nová dtb potenc. klientů je rychle vyčerpána bez výrazného efektu

Dodavatel hygienického vybavení Analyticky: obchod v ČR vázne, ačkoliv celosvětově jde o lídra = 1. nedaří se oslovit celosvětově „osvědčený segment“ 2. „osvědčený segment“ je v ČR malý (analýza dle typu firmy, oboru, objemu dodávek, počet firem takového typu v ČR)

Dodavatel hygienického vybavení Analyticky: každá nová dtb potenc. klientů je rychle vyčerpána bez výrazného efektu = nevíme, proč od nás nechtějí zákazníci odebírat nevíme, jestli oslovujeme správné zákazníky (obor, typ firmy, velikost firmy, kraj...)

Jak využít data mining? Nové kontakty

Příklad: Rozvoz obědů Obědy v krabičce určené pro ohřev v mikrovlnce Rozvoz do průmyslových zón, max. 20 km od provozovny Ideálně velké kanceláře (hodně obědů na 1 místo) Nyní 150 obědů denně, maximum je 200 obědů. Cíl: MAXIMALIZOVAT ZISK PŘI SOUČASNÉ MAX. KAPACITĚ PROVOZOVNY

Příklad: Rozvoz obědů ZÍSKAT NOVÉ KLIENTY (FIRMY)? VÍCE OBĚDŮ DO KAŽDÉ FIRMY? VYŠŠÍ HODNOTA OBJEDNÁVKY? PODPORA PRODEJE JÍDEL S VYŠŠÍ MARŽÍ? DOPLŇKOVÝ PRODEJ? (dezerty, nápoje) ZDRAŽENÍ?

Příklad: Rozvoz obědů CO SLEDOVAT? Ziskovost každého jídla Ziskovost každého jednotlivce Ziskovost každé firmy Maximální potenciál každé firmy Sezónnost objednávek, denní vývoj Která jídla se objednávají nejčastěji

Příklad: Rozvoz obědů

ZJIŠTĚNÍ: 40 jídel ve stálé nabídce je zbytečných, pravidelně se objednává cca 25 druhů některá jídla nejsou zisková a ani se neprodávají prodejnost nezávisí na ceně 1x za dva měsíce prudký nárůst objednávek v souvislosti se „sezónní nabídkou“

Příklad: Rozvoz obědů OPATŘENÍ: Redukce na 25 stálých jídel Ze zbytku menu vytvoření sezónních nabídek a zvýšení jejich frekvence na 1x za týden V sezónních nabídkách pravidelně zařazovat menu s vysokou marží U 15 zákazníků je značný potenciál pro rozšíření objednávek i do dalších oddělení firmy - > motivace klientů, aby doporučovali Zákazníci slyší na „věrnostní program“ – > rozšířit na všechny firmy úprava cen podle analýzy prodejnosti a ziskovosti