Adatbányászat az Oracle9i-ben. Fekete Zoltán vezető termékmenedzser

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "Adatbányászat az Oracle9i-ben. Fekete Zoltán vezető termékmenedzser Zoltan.Fekete@oracle.com"

Zsuzsanna Szekeres
8 évvel ezelőtt
Látták:

2 Agenda Az Oracle9i adattárház tulajdonságai Adatbányászat az Oracle9i-ben DM, Personalization az Oracle9i-ben, architektúra Integrált adatbányászat az Oracle CRM-ben Szünet Perszonalizációs felhasználási és alkalmazási lehetőségek Personalization esettanulmány Personalization demonstráció

adatbányászat az Oracle CRM-ben Szünet Perszonalizációs felhasználási és

3 Adatbányászat az Oracle9i-ben Fekete Zoltán vezető termékmenedzser

4 E-business Intelligence piaci trendek A teljes ügyfél életciklus során az összes értékesítési ponton felkeresni az ügyfelet a hűséges és jövedelmező ügyfelekért Az információ gyűjtési, elemzési, alkalmazási ciklus rövidítése valós időben 360 ºo -os ügyfél nézet Integrált alkalmazással

jövedelmező ügyfelekért Az információ gyűjtési, elemzési, alkalmazási

5 Az adatbányászat fogalmáról

6 Mi az adatbányászat? Röviden, az adatbányászat rejtett minták és kapcsolatok feltárása az adattömegben, a jobb üzleti döntések elősegítésére -- Robert Small, Two Crows

7 Lehetőség: adatbányászat az ügyfelek megértéséhez Ügyfél megtartás, elvándorlás csökkentés Ügyfelek csoportosítása és viselkedésük megértése Jövedelmezőség javítása Ügyfél megszerzési költségek csökkentése A jövedelmező ügyfelek megfelelő ajánlatokkal ellátása

viselkedésük megértése Jövedelmezőség javítása Ügyfél

8 Tipikus adatbányászati ágazatok és alkalmazások Adatbázis marketing Pénzügyi management Telekommunikáció Egészségügy Gyártás Biztosítás Kormányzat CRM Cross-Sell/Up-Sell Hitel Csalás ERP Minőség ellenőrzés

Telekommunikáció Egészségügy Gyártás Biztosítás

9 Miért szükséges az adatbányászat? Pénzügyi példa: Mely ügyfeleknek legnagyobb a hajlandósága részt venni az új arany hitelkártya programban? Telekommunikációs példa: Mely vevők akarnak a konkurenciához távozni? Államigazgatási példa: Melyek azok az egészségügyi igények, melyek mögött csalás lehet?

10 A válasz típusú tevékenység Teszt kampány egy részsokaságon A teszt kampány adatain modell építése Az egész szegmens pontozása a modellel A legvalószínűbben válaszolók megkeresése egy célzott kampánnyal A modell frissítése és újra alkalmazása

pontozása a modellel A legvalószínűbben válaszolók

11 Megtartás típusú tevékenység A churn figyelése Az ügyfelek egy részének adatai alapján modell építése A modellel a lehetséges elhagyók pontozása A nagy jövedelmezőségű nagy valószínűségel churn-ölők számára hűség program Modell frissítése és ismételt alkalmazása

elhagyók pontozása A nagy jövedelmezőségű nagy valószínűségel

12 Felügyelt (supervised) DM fogalmak Recordok Input adatok Attribútumok, mezők Név Bevétel Kor Jones 30, Smith 55, Lee 25, Rogers 50, X 1 X 2... Xm Y Független változók Vásárol? 1 =Igen, 0 =Nen Dependent Variable (target value (Y)) Modell Funkcionális függés: Y = F(X 1, X 2,, X m ) Jóslat Megbízhatóság 0,85 0,74 0,93 0,65

13 Data Mining példák Bank értékesítési hatékonyságát 1,1%-ról 20,5%-ra növelte Banki termék 4000 vásárlója mellé további lehetséges vásárlót találtak Telekommunikációs cég magas bevételt ígérő ügyfeleket talált a cégváltásra hajlamosak szegmensében Oracle Discoverer szemlélteti az adatbányászati eredményeket.

Telekommunikációs cég magas bevételt ígérő ügyfeleket talált a cégváltásra

14 Oracle9i Data Mining

15 Oracle9i Data Mining Az alkalmazásokat kiegészíti a rejtett minták felismerésével Az Oracle9i Database-be beágyazott adatbányászat Java-alapú API, amely megfelel a JDM (JSR-73) fejlődő szabványnak (SUN Java Community Process, CWM, PPML, SQL/MM for Data Mining) Data Mining

Java-alapú API, amely megfelel a JDM (JSR-73) fejlődő szabványnak

16 Beágyazott adatbányászat az Oracle9i adatbázisba Egyszerűsíti a folyamatot, Nincs adatmozgatás és nincs adatduplikáció Nagy teljesítményt és skálázhatóságot biztosít nem csupán mintavétellel Partitioning nagy adatmenny. SELECT SAMPLE Adatbányászat Beágyazott adatbányászat

teljesítményt és skálázhatóságot biztosít nem csupán mintavétellel

17 Az alkalmazások kiegészülnek predikcióval és betekintéssel az adatok mögé Oracle9i Data Mining Java API-val predikció alapú alkalmazások készülnek Az adatbányászat automatizálása az ügyfelek pontozására és valós idejű prediktálására Batch on-demand Az adatbányászati eredmények rögtön elemezhetők Oracle Discovererrel, OLAP kieg.

automatizálása az ügyfelek pontozására és valós idejű prediktálására Batch

18 Scoring az Oracle9i adatbázisban Batch futtatás Adatmozgatás nélkül Eredmények az adatbázisban, más adatokkal kombinálhatóak On-demand scoring az interaktív alkalmazásokhoz Példák: Call center, intelligens wireless alkalmazások Data Mining

adatokkal kombinálhatóak On-demand scoring az interaktív

19 Data Mining az Oracle9i Database-be ágyazva Alapértelmezett és részletes paraméterezés Több féle predikció Adott esemény valószínűsége A legvalószínűbb esemény Több algoritmus Naïve Bayes (osztályozás) - supervised Association Rules (asszociáció) - unsupervised Fejlődés: C&RT, neurális hálózatok, SOM... Data Mining

esemény Több algoritmus Naïve Bayes (osztályozás) - supervised Association

20 ODM és OP algoritmusok Tranzakciós Naïve Bayes (TNB) Feltételes valószínűségen alapul Association Rules (AR) A kereszt-értékesítés támogatására Termék asszociációhoz kapcsolódó pontozás

21 Predikció és klasszifikáció Korábban rejtett információk a hívóközpont kezelőnek. Predikció és valószínűség.

22 Asszociációs szabályok felhasználása Asszociációk meghatározása Népszerű termék összeállítások (pl. kosár elemzés) Együttes előfordulások Kosár következő elemének megjóslása

23 ODM tevékenységek Modell építés Teszt (Naïve Bayes prediktív modellekhez) Lift számítás (Naïve Bayes modellekhez) Modell alkalmazása (scoring a Naïve Bayeshez)

24 Oracle CRM integráltan az Oracle Data Mininggal Integrált Marketing Online Data Mining az üzleti marketing elemzőknek Automatikus modell template-ek , telemarketing és Direct Mail válasz Hűség/Megtartás Automatikus pontozás Létező listákra és szegmensekre ütemezett pontozás Történeti pontozási adatok Teljes predictív modellezés: pontok azonnali eflhasználása lista készítéshez és kampányokhoz

25 Oracle CRM integráltan az Oracle Data Mininggal Automatizált adatbányászat Modell építés Ütemezés Pontozás listák Minták felderítése Predikciók A célzott kampányok hatékonyságát nagy mértékben javítja

26 Oracle9iAS Personalization

27 Oracle Personalization Az Oracle9i adatbázisba integrált alkalmazás Módszet ad a web site látogatók személyre szabott megszólításához a viselkedés és demográfiai adatok alapján Valós idejű javaslatok (a böngészés során) A web viselkedési adatok az adatbázisban tárolódnak a jövőben végrehajtandó javaslatokhoz történő modell építéshez

28 Oracle9i Perszonalizáció Valós idejű ajánlási motor 1:1 marketing kapcsolatokhoz az Interneten Cross-selling és up-selling Web lap tartalom testreszabás, pl. hirdetések Tradicionális adatbányászat + Valós idejű Session környezet

29 Hol használható? E-kereskedelem (online katalógusok) Internetes pénzügyi szolgáltatások, E-bank Web marketing (banner hirdetések) Web információs helyek, portálok

30 Ajánlás - feladatok Melyik N terméket fogja A a legvalószínűbben megvásárolni? Akik megvették az X terméket, hajlamosak-e mást is vásárolni? Mennyire valószínű, hogy A megveszi az X terméket? Melyik N cikket legvalószínűbb, hogy A megveszi, feltéve, hogy egy másik X terméket vásárol? Melyik N termék hasonlít legjobban az X termékhez egy adott dimenzió mentén?

31 Hogyan szabályozható az Oracle Personalization Történeti és session adatok súlyozása Personalization index (szokásos vagy egyedi javaslatok) Hot pick kategóriák Az érdeklődés kiszolgálása Vásárol v. érdeklődik

32 Personalization bemeneti adatok Ügyfél profil és regisztrációs adatok Ügyfél kattintások Más értékesítési pontokon szerzett info call center,... Cégkatalógus Nem regisztrált ügyfelek viselkedése Web Data Mining és javaslatok

33 Personalization kimenetek Web Data Mining és javaslatok Melyik bannert Mely termékeket cross-sell, up-sell Termék regisztráció, szervizek, kiegészítők Kapcsolódó termékek, információk Termék vásárlási helyének felajánlása

Hasonló dokumentumok

Adatbányászat és Perszonalizáció az Oracle9i-ben

Adatbányászat és Perszonalizáció az Oracle9i-ben Oracle9i adatbányászat 2000. szeptember 6. Fekete Zoltán Palaczk Péter Agenda Oracle9i Database Teljes e-business Intelligence infrastruktúra Mi is az adatbányászat?