IBM Technical specialist team Pre Sale 26/10/2010 Profitabilita klienta v kontextu Performance management
Co všechno řadíme do PM? Automatická data Běžný reporting Pokročilé statistické modely Včera What if analýzy Zítra Doplění dat Plánování Sběr dat + INTEGRACE 2
Co předvedeme? Automatická data Běžný reporting Pokročilé statistické modely Včera Integration What if analýzy Zítra Sběr dat 3
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
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
Jak to funguje? Běžný reporting Sdílení výsledků IBM Cognos BI 6
Jak to funguje? Běžný reporting Sdílení výsledků IBM Cognos BI Pokročilé statistické modely Churn management IBM SPSS Modeler 7
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
Používané techniky Regresní analýza Rozhodovací stromy Asociační pravidla Neuronové sítě Shluková analýza 9
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
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
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
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
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
Demo ukázka 15
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
Alias Pozice Business Analytik Odděleni: Finanční oddělení Controlling Odpovědnosti: Výpočet nákladový náročnosti jednotlivých klientův Obsluha cost alokační aplikace 17
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
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
Cost Alokace Propočet nákladů (hodnot) na detailnější úroveň Na základe určitého parametru Driver Absolutní / relativní 5 000 000 Kč 10 000 000 Kč 3 000 000 Kč 2 000 Kč 5 000 hod. 3 000 hod. 2 000 hod. 20
Cost Alokace 80 nákladových typů 150 Cost Center 4 různe typy cost center 1000 klientů Každá položka 3 různé nastavení (driver, pořadí, vztah) Cca. 10 000 000 hodnot 21
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
Kroky alokace 4 typy cost center 3 podpůrné Poskytují služby (náklady) všem následujícím 23
Kaskadova alokace 24
Alokace mezi cost centrami Různý počet cost center Alokace všech nákladu na produkční CC 25
Alokace mezi cost centrami Nastavujeme: Ve kterem typu se CC nachází (Order) Kdo na Koho (Relation) Kolik (Driver) 26
Alokace mezi cost centrami Nastavujeme: Ve kterem typu se CC nachází (Order) Kdo na Koho (Relation) Kolik (Driver) 27
Alokace mezi cost centrami Nastavujeme: Ve kterem typu se CC nachází (Order) Kdo na Koho (Relation) Kolik (Driver) 28
Alokace mezi cost centrami Nastavujeme: Ve kterem typu se CC nachází (Order) Kdo na Koho (Relation) Kolik (Driver) CC5 CC6 CC7 CC8 CC1 0 1 1 0 CC2 0 0 0 1 CC3 0 CC4 0 29
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
Alokace na klienty customer 1 customer 2 customer 3 customer 4 customer 5 31
Alokace na klienty 3 5 2 7 4 customer 1 customer 2 customer 3 customer 4 customer 5 32
Alokace na klienty 5 000 12 000 30 000 85 000 0 5 2 7 4 customer 1 customer 2 customer 3 customer 4 customer 5 33
Výsledek Export rozalokovaných nákladů do databáze 34
Demo ukázka 35
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
??? Otázky??? Děkujeme za pozornost... 37