Отправляет email-рассылки с помощью сервиса Sendsay
  Все выпуски  

Прикладной менеджмент сегодня, завтра, всегда!


Служба Рассылок Subscribe.Ru
Workflow - организация успеха   Инвестиции: от потребности к получению  
Симпозиум в Гарварде: участвуем и получаем инвестиции Бухгалтерский учет: требование времени

Написать автору рассылки

 
Прикладной менеджмент сегодня, завтра, всегда!
 
    17 февраля 2002г. Выпуск 26
Людмила Григорьева
Дизайн: Иван Косяков (проект Business-Site.ru)
   
         
   

Добрый день, уважаемые читатели!

Перед Вами двадцать шестой выпуск рассылки Прикладной менеджмент сегодня, завтра, всегда!

Настоящая рассылка выпускается в рамах деятельности Некоммерческого партнерства "The Next Business Generation". Подробная информация о Партнерстве может быть предосталена по Вашему запросу авторами рассылки

Если же Вы не имели возможности получать нашу рассылку раньше, то все интересующие Вас выпуски можете найти в Архиве.

Сегодня мы совместно с компанией Мегапьютер Интеллидженс продолжаем серию выпусков, которые посвящены новому активно развивающемуся направлению проблеме обнаружения нового знания в хранилищах - knowledge discovery in databases (KDD, дословно - "обнаружение знаний в базах данных") - и основному этапу этого процесса - data mining (исследование данных или, дословно, "разработка данных").

   
         
    ПОЧЕМУ НУЖНО ИСПОЛЬЗОВАТЬ KDD    
         
   

Использование методов knowledge discovery in databases (KDD) может выделить узкую группу показателей, от которых зависит интересующая исследователя характеристика, и представить обнаруженную закономерность в аналитической форме. Даже если впоследствии выяснится, что обнаруженная закономерность не является универсальной и характеризуется ограниченной областью использования, безусловная ценность полученного нового знания заключается в выделении группы наиболее чувствительных показателей, в привлечении внимания исследователя к более детальному анализу именно этих показателей и взаимозависимостей между ними, в предоставленной возможности сконцентрировать внимание на более узкой области исследований.

С практической же точки зрения не всегда так уж важно, является ли установленная зависимость истинной, причинной, или только приближенной, аппроксимирующей истинную зависимость а, возможно, отражающей взаимосвязь только внешних проявлений некоторых глубинных причин. Главное, чтобы можно было прогнозировать поведение какого-либо параметра по имеющейся совокупности признаков, например, экономическая эффективность работы клиники. С этой точки зрения методы KDD, позволяющие выявлять скрытые закономерности в большой совокупности данных, представляют несомненный интерес, как для выработки практических рекомендаций так и для принятия организационно-управленческих решений на уровне фирмы в целом.

Например, использование технологии KDD, для компаний, ведущих бизнес с использованием глобальной компьютерной сети Интернет, может обеспечить эффективное решение таких задач, как:

  • Cross-selling и up-selling программы;
  • Сегментация рынка;
  • Анализ "покупательской корзины", совместно приобретаемых услуг;
  • On-line рекомендации по приобретению совместно покупаемых услуг на терминале компании или Интернет - индивидуально каждому потребителю;
  • Построение профиля потребителя, выявление характерных черт для выработки целенаправленной маркетинговой политики;
  • Индивидуальный интеллектуальный прогноз состояния счета потребителя (например, для случая предоплаты услуг компании);
  • Повышение эффективности рекламных кампаний путем выделения целевой аудитории (Direct marketing);
  • Выявление групп нелояльных потребителей, собирающихся "перейти" к конкуренту;
  • Анализ нетипичного поведения потребителя (например, детекция краж с использованием кредитных карт);
  • Анализ эффективности рекламных акций , в том числе Интернет -рекламы;
  • Анализ обращений потребителей, в том числе электронных (благодарности, отзывы, жалобы ) для выявления факторов, влияющих положительно или отрицательно на имидж компании.
  • Анализ эффективности деятельности отдельных офисов компании, выявление причин низкой эффективности.
  • Персонализация содержания web-сайта компании для привлечения и удержания посетителей сайта, увеличения продаж услуг через Интернет, анализа эффективности web-ресурса.
  • Контроль Интернет -.активности. сотрудников компании - оператора или ассоциированных компаний в целях выработки политики управления персоналом.
   
         
    ПРИМЕРЫ ЭФФЕКТИВНОГО ИСПОЛЬЗОВАНИЯ АЛГОРИТМОВ KDD    
         
   

Рассмотрим на примере страхового бизнеса возможности использования технологии KDD. При этом мы будем рассматривать примеры использования алгоритмов, которые реализованы в частности в программе PolyAnalyst

Алгоритм поиска законов может быть использован, например, для решения задачи нахождения типичного размера страховых выплат по страховым случаям, характеризуемым определенным набором параметров, для распознавания недобросовестности контрагента.

Практический пример решения такой задачи. Клиент, застрахованный по договору медицинского страхования, при наступлении страхового случая попытался вступить в сговор с врачом и ему был назначен курс лечения на сумму 1300 долл. США. Автоматический анализ данных по программе медицинского страхования показал, что типичный размер выплат по похожим случаям составлял около 800 долл. США. За год работы компании было проверено 67 подобных "подозрительных" случаев, "сэкономлено" средств на общую сумму 389 тыс. долл.

Алгоритм поиска зависимостей может быть использован, например, для: нахождения факторов, влияющих на эффективность работы филиалов страховой компании или отдельных агентов.

Практический пример решения такой задачи. В ходе исследования эффективности работы страховых агентов было выявлено, что агенты-женщины лучше продают услуги компании по страхованию жизни детей на северо-востоке Москвы, тогда как мужчины показывают хорошие результаты деятельности на юге по страхованию недвижимости. Данный факт взят на вооружение службой продаж и службой по подбору персонала. Прибыль от деятельности страховых агентов, работающих по контракту, возросла через год на 14%.

Алгоритм кластеризации может быть использован, например, для нахождения различных групп лиц или организаций, покупающих одну и ту же страховую услугу и выявление их типовых характеристик.

Практический пример решения такой задачи. Результаты анализа базы данных клиентов крупной страховой компании показали, что сделки по выполнению международных контрактов страхуют торговые фирмы с оборотом выше 1,5 млн. долл. в год, а также фирмы-логисты с оборотом выше 12 млн. долл. в год, расположенные в Москве, Московской области и Красноярском крае (всего на настоящий момент таких клиентов - 194), недвижимость на сумму, свыше 200 тыс. долл. страхуют физические лица, владеющие 3-я и более объектами недвижимости в Московской, Владимирской и Тверской области, а также фирмы, занимающие площади, свыше 1000 кв. м. в офисах класса "А" (таких клиентов на настоящий момент - 437).

Алгоритм построения многомерных полиномиальных иерархических регрессионных моделей и предсказания на их основе значений целевой переменной может быть использован, например, для построения прогноза изменения объема продаж страховых услуг при изменении внутренней политики и внешних факторов (в том числе макроэкономических).

Практический пример решения такой задачи. Исследования показали, что при сохранении тенденций развития регионов, в которых действуют филиалы компании и снижении страховых тарифов на 10%, объемы продаж возрастут на 17,5%, при сохранении же действующих тарифов, можно ожидать стагнации по показателям объемов продаж услуг, или даже снижения на 0,5 - 1,0%.

Алгоритм построения деревьев решений может быть использован, например, для построения характеристических портретов покупателей различных страховых услуг.

Практический пример решения такой задачи. Отдел маркетинга страховой компании проанализировал данные о клиентах и построил социальный портрет покупателя договоров страхования жизни. Наиболее типичным представителем этой группы оказалась женщина 35 -50 лет, имеющая 2 и более детей, проживающая в Северном или Северо-Западном АО Москвы, имеющая также договор страхования автомобиля. Информация учтена при разработке почтовых рекламных проспектов.

Алгоритм классификации может быть использован, например, для выбора наиболее вероятных покупателей для планирования прямых рекламных компаний.

Практический пример решения такой задачи. По построенному портрету покупателя договора страхования жизни (см. предыдущий пример) страховой компанией был проведен анализ базы данных настоящих и потенциальных клиентов. В результате из 300 000 человек отобрано 50 000 кандидатов, которые подходят по характеристикам к типовому портрету, и вероятнее всего откликнутся на акцию. В результате, компания сэкономила на расходах по изготовлению и рассылке рекламы около 40 тыс. долл. при сохранении уровня ожидаемых откликов.

Алгоритм многопараметрической линейной регрессии может быть использован, например, для соотнесения профессиональных характеристик сотрудника с данными его психологического тестирования, характеристик его/ее активности в Интернете с другими характеристиками.

Практический пример решения такой задачи. Отдел по работе с персоналом крупной страховой компании, где была внедрена система PolyAnalyst, задался вопросом, кто из сотрудников компании, скорее всего будет эффективен при построении карьеры по "горизонтальному" типу, а кто - по "вертикальному". По результатам анализа с помощью Data Mining инструментария текущей эффективности сотрудников, результатов проведения психологических тестов, а также карт Интернет-активности сотрудников, были выработаны предложения по планированию карьеры каждого специалиста с учетом как индивидуальных склонностей каждого из них, так и эффективности для компании.

Алгоритмы общей статистики могут быть использованы, например, для: анализа общих характеристик деятельности компании в разрезах по филиалам, страховым программам и пр.

Практический пример решения такой задачи. Исследование с применением данного метода позволяет регулярно "мониторить" состояние дел страховой компании. Оценивать доходность компании в целом и ее филиалов, а также отдельных программ страхования, отслеживать динамику объемов заключенных договоров, и т.д.

Алгоритм, реализующий метод ближайшего соседа может быть использован, например, для прогноза страховых выплат для данного случая на основе нахождения аналогичных страховых случаев в прошлом.

Практический пример решения такой задачи. Один из крупнейших страховых операторов при заключении каждого нового договора страхования предлагает клиентам заполнить небольшую анкету и оценивает предполагаемую выгодность контракта на основании MB-анализа полученных данных, после чего делается вывод о подписании этого договора с данным клиентом. Это позволяет исключить случаи, опасные финансово, с одной стороны, и не упустить выгодного клиента, с другой.

Алгоритм анализа покупательской корзины может быть использован, например, для анализа совместных покупок нескольких страховых программ одним и тем же клиентом.

Практический пример решения такой задачи. Всемирно известная страховая компания внедрила информационную систему класса CRM для улучшения взаимодействия с клиентом. Проанализировав данные о клиентах с помощью метода MBA, аналитики выявили зависимости совместных покупок договоров страхования жизни детей и страховании семьи на отдыхе, договоров страхования автомобилей от угона, гражданской ответственности водителя и страхования жизни, договоров страхования объектов недвижимости от пожаров и договоров страхования земельных участков, а также другие более сложные зависимости. Агенты при работе с клиентами, заключающими один из видов анализировавшихся договоров, стали предлагать дополнительно программы по тем видам страхования, которые часто покупаются совместно с приобретаемым в данный момент клиентом. В результате, объем заключенных договоров по этим видам вырос за полгода на 43%.

   
         
    О КОМПАНИИ МЕГАПЬЮТЕР ИНТЕЛЛИДЖЕНС    
         
   

Мегапьютер Интеллидженс - российская компания. Она специализируется на разработке и производстве аналитических систем для углубленного анализа числовых и текстовых баз данных Компания основана в 1993 году и прошла путь от небольшой исследовательской группы ученых-энтузиастов до высокопрофессиональной фирмы, прочно вошедшей в элиту мировых производителей систем Data mining. Продуты семейства PolyAnalyst известны и используются не только в России, но и в странах Европы, США, Канаде, Австралии, Бразилии, Новой Зеландии, Китае.

Мегапьютер также предлагает своим Заказчикам решения по корпоративным и локальным хранилищам данных, системам оперативного анализа OLAP c интеграцией в них Data и Text Mining.

   
         
    Астрологическое планирование Вашего бизнеса    
         
   

Некоммерческое партнерство представления интересов, защиты и содействия деятельности субъектов бизнеса "The Next Business Generation" рекомендует:

Уникальность астро предложения

  1. предложение действительно уникально, т. к. в мире стандартизации и конвейерного производства - это Ваш индивидуальный гороскоп.
  2. один месяц прогнозирования - бесплатно
  3. количество астро информации на 12 месяцев... около 10 000 слов
  4. качество на уровне мировых стандартов (проект представлен в Гарварде).
  5. цена астро услуг минимальная, не астрономическая - что приятно удивит Вас
  6. уникальное моделирование бизнес-процессов, экспертиза управленческих решений.
  7. сопровождение Вашего бизнеса все 12 месяцев, а если пожелаете, и дальше...

Более подробная информация на astrolog.com.ru.

   
         
    Рекомендуем    
         
   

Рекомендуем рассылку Управление 3000. Проект "Управление 3000" направлен на поддержку российских предприятий в освоении современных методов и технологий управления. Сайт содержит всестороннюю информацию о методах и технологиях управления, применяемых в отечественной и зарубежной практике, аналитические исследования, советы специалистов в области управления, "истории успеха" российских предприятий, рекомендации по выбору и применению информационных систем и аналитических программных продуктов, обзоры рынков, маркетинговые исследования.

Рекомендуем подписаться на рассылку
"Практика эффективного управления"!

"О стереотипах", "О демотивации", "О бизнес-процессах"
Каждую неделю - актуальные статьи
о различных аспектах менеджмента

Мы рекомендуем посмотреть сайт Школы своего Дела. Этот проект полезен не только тем, кто хотел бы создать Свое Дело, причем с нуля, без начального капитала, но и опытным предпринимателям.

Мы рекомендуем рассылку Помощь в решении проблем управления от Контур-ТМ.

Владельцам и Генеральным директорам компаний, менеджерам по персоналу - всем, для кого вопросы повышения эффективности управления компанией и ее персоналом стоят на первом месте.

Более подробную информацию о деятельности компании Вы можете получить на сайте компании Контур-ТМ www.konturtm.ru

   
         
         
   

На сегодня это все.

В данном выпуске использованы авторские материалы, любезно предоставленные нам Сергеем Арсеньевым, директором компании Мегапьютер Интеллидженс.

В следующем выпуске мы продолжим рассмотрение систем KDD и их практическое использование.

Мы предлагаем Вам поделиться своими проблемами, которые могли бы быть решены с помощью систем KDD и программой PolyAnalyst в частности. Вы можете приобрести эту программу. При этом Вам будет оказано содействие в ее внедрении и использовании. Более того, заказав эту программу и сославшись на данную рассылку, как источник информации, Вы получите дополнительные преференции. Мы будем Вам очень признательны, если Вы напишите нам, какие материалы по KDD Вы хотели бы прочитать в нашей рассылке.

До новых встреч и новых выпусков.

С уважением,

Людмила Григорьева
ru-wst-l@beep.ru

   
         
Рассылки Subscribe.Ru
Workflow - организация успеха
Бухгалтерский учет: требование времени
Инвестиции: от потребности к получению.


http://subscribe.ru/
E-mail: ask@subscribe.ru
Отписаться
Убрать рекламу

В избранное