Profitabilita klienta v kontextu Performance management

Transkript

1 IBM Technical specialist team Pre Sale 26/10/2010 Profitabilita klienta v kontextu Performance management

2 Co všechno řadíme do PM? Automatická data Běžný reporting Pokročilé statistické modely Včera What if analýzy Zítra Doplění dat Plánování Sběr dat + INTEGRACE 2

3 Co předvedeme? Automatická data Běžný reporting Pokročilé statistické modely Včera Integration What if analýzy Zítra Sběr dat 3

4 Jak to funguje? Běžný reporting Sdílení výsledků IBM Cognos BI What If Nákladová alokace IBM Cognos TM1 Pokročilé statistické modely Churn management IBM SPSS Modeler 4

5 Kdo a co? HW Kdo Tři serverovářešení na jednom NB: 64 bitový systém, 8 GB RAM 2 nezávislé image, data zapisována do jedné databáze DB2 demo probíhá on-line = žádná data nejsou předpočítána a nebo vygenerována předem Pracovník Manažerských informačních systémů Klientský dashboard Pracovník marketingu Část analýzy spokojenosti klienta Pracovník financí Část náklady 5

6 Jak to funguje? Běžný reporting Sdílení výsledků IBM Cognos BI 6

7 Jak to funguje? Běžný reporting Sdílení výsledků IBM Cognos BI Pokročilé statistické modely Churn management IBM SPSS Modeler 7

8 Data mining Objem ukládaných dat ve firmách neustále roste Pomocí data miningu získáme netriviální vzory chování a užitečnější informace než při reportování Analyzuje závislosti, trendy a predikuje budoucí vývoj 8

9 Používané techniky Regresní analýza Rozhodovací stromy Asociační pravidla Neuronové sítě Shluková analýza 9

10 Optimalizace marketingových kampaní Kteří zákazníci budou pozitivně reagovat na danou marketingovou kampaň Data Historická data o provedených kampaních Data o zákaznících (sociálně-demografická data a vzorce chování) Výstup Nižší náklady na kampaň Vyšší efektivita kampaně 10

11 Analýza nákupního koše Hledání kombinací produktů, které se ve vstupních datech (v nákupním koši spotřebitelů) vyskytují často spolu Data Záznamy z prodejních terminálů Web logy internetových obchodů Výstup Reorganizace prodejní plochy, katalogu Vytváření balíčků produktů Vyškolení prodavačů na cílené nabízení zboží 11

12 Fraud detection Na základě dat o pojistných událostech se sestavují modely, které mohou definovat buď rizikové, nebo anomální segmenty Data Data o nahlášených pojistných událostech Výstup Identifikace potenciálních podvodů 12

13 IBM SPSS Modeler Přehledné vizuální rozhraní není nutná znalost programování Automatizované procesy rychlé výsledky díky automatické přípravě dat automatizace modelování nástroje naleznou nejlepší model pro konkrétní úlohu nebo kombinují několik modelů dohromady Podporuje zavedenou metodologii CRISP-DM dataminingovým standard, který umožňuje získávat informace z dat opakovaně a správným způsobem 13

14 Churn management Odhalení potenciálního přechodu zákazníka ke konkurenci Náklady na udržení stávajícího zákazníka jsou podstatně nižší než náklady na získání zákazníka nového. Na zákazníka, u kterého očekáváme odchod, lze cíleně působit tak, aby se potenciálnímu přechodu ke konkurenci předešlo. Data Historická data (kteří klienti odešli a kteří zůstali) Sociálně-demografická data a vzorce chování klientů Výstup Snížení počtu odcházejících klientů Udržení podílu na trhu 14

15 Demo ukázka 15

16 Jak to funguje? Běžný reporting Sdílení výsledků IBM Cognos BI What If Nákladová alokace IBM Cognos TM1 Pokročilé statistické modely Churn management IBM SPSS Modeler 16

17 Alias Pozice Business Analytik Odděleni: Finanční oddělení Controlling Odpovědnosti: Výpočet nákladový náročnosti jednotlivých klientův Obsluha cost alokační aplikace 17

18 IBM Cognos TM1 Multidimenzionální in-memory what-if analytický nástroj MOLAP Prace s daty v paměti RAM Parametrizace a online analýzy Plánovaní Vhodné pro business užívátele Excel, Web, Contributor 18

19 What-if analýza Změna vstupu (parametru) se okamžitě projeví ve výstupe (výsledku) Online propočet In-memory Vhodné pro modely s mnoho parametry Cost alokace Profitabilita Výrobní postupy Řízení portfolia... 19

20 Cost Alokace Propočet nákladů (hodnot) na detailnější úroveň Na základe určitého parametru Driver Absolutní / relativní Kč Kč Kč Kč hod hod hod. 20

21 Cost Alokace 80 nákladových typů 150 Cost Center 4 různe typy cost center 1000 klientů Každá položka 3 různé nastavení (driver, pořadí, vztah) Cca hodnot 21

22 Cost Alokace 2 etapy 1. etapa Kaskádové prolévaní nákladu v krocích podle jednotlivých typů cost center Z podpůrných na produkční (přímo přispívající k výkonu) 2. etapa Rozpad nákladů z produkčních cost center na jednotlivé klienty Procesně řízené přes webové rozhraní 22

23 Kroky alokace 4 typy cost center 3 podpůrné Poskytují služby (náklady) všem následujícím 23

24 Kaskadova alokace 24

25 Alokace mezi cost centrami Různý počet cost center Alokace všech nákladu na produkční CC 25

26 Alokace mezi cost centrami Nastavujeme: Ve kterem typu se CC nachází (Order) Kdo na Koho (Relation) Kolik (Driver) 26

27 Alokace mezi cost centrami Nastavujeme: Ve kterem typu se CC nachází (Order) Kdo na Koho (Relation) Kolik (Driver) 27

28 Alokace mezi cost centrami Nastavujeme: Ve kterem typu se CC nachází (Order) Kdo na Koho (Relation) Kolik (Driver) 28

29 Alokace mezi cost centrami Nastavujeme: Ve kterem typu se CC nachází (Order) Kdo na Koho (Relation) Kolik (Driver) CC5 CC6 CC7 CC8 CC CC CC3 0 CC4 0 29

30 Alokace mezi cost centrami Nastavujeme: Kdo na Koho Kolik 30 % 45 % 10 % 15 % CC5 CC6 CC7 CC8 CC1 0 % 50 % 50 % 0 % CC2 100 % CC3 CC4 30

31 Alokace na klienty customer 1 customer 2 customer 3 customer 4 customer 5 31

32 Alokace na klienty customer 1 customer 2 customer 3 customer 4 customer 5 32

33 Alokace na klienty customer 1 customer 2 customer 3 customer 4 customer 5 33

34 Výsledek Export rozalokovaných nákladů do databáze 34

35 Demo ukázka 35

36 Jak to funguje? Běžný reporting Sdílení výsledků IBM Cognos BI What If Nákladová alokace IBM Cognos TM1 Pokročilé statistické modely Churn management IBM SPSS Modeler 36

37 ??? Otázky??? Děkujeme za pozornost... 37