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 Oracle9i-ben Fekete Zoltán vezető termékmenedzser Zoltan.Fekete@oracle.com
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
Az adatbányászat fogalmáról
Mi az adatbányászat? Röviden, az adatbányászat rejtett minták és kapcsolatok feltárása az adattömegben, a jobb üzleti döntések elősegítésére -- Robert Small, Two Crows
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
Tipikus adatbányászati ágazatok és alkalmazások Adatbázis marketing Pénzügyi management Telekommunikáció Egészségügy Gyártás Biztosítás Kormányzat CRM Cross-Sell/Up-Sell Hitel Csalás ERP Minőség ellenőrzés
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?
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
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
Felügyelt (supervised) DM fogalmak Recordok Input adatok Attribútumok, mezők Név Bevétel Kor....... Jones 30,000 30 Smith 55,000 67 Lee 25,000 23 Rogers 50,000 44 X 1 X 2... Xm Y Független változók Vásárol? 1 =Igen, 0 =Nen 1 1 0 0 Dependent Variable (target value (Y)) Modell Funkcionális függés: Y = F(X 1, X 2,, X m ) Jóslat 1 0 1 0 Megbízhatóság 0,85 0,74 0,93 0,65
Data Mining példák Bank értékesítési hatékonyságát 1,1%-ról 20,5%-ra növelte Banki termék 4000 vásárlója mellé további 26 000 lehetséges vásárlót találtak Telekommunikációs cég magas bevételt ígérő ügyfeleket talált a cégváltásra hajlamosak szegmensében Oracle Discoverer szemlélteti az adatbányászati eredményeket.
Oracle9i Data Mining
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
Beágyazott adatbányászat az Oracle9i adatbázisba Egyszerűsíti a folyamatot, 80-20 Nincs adatmozgatás és nincs adatduplikáció Nagy teljesítményt és skálázhatóságot biztosít nem csupán mintavétellel Partitioning nagy adatmenny. SELECT SAMPLE Adatbányászat Beágyazott adatbányászat
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.
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
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
ODM és OP algoritmusok Tranzakciós Naïve Bayes (TNB) Feltételes valószínűségen alapul Association Rules (AR) A kereszt-értékesítés támogatására Termék asszociációhoz kapcsolódó pontozás
Predikció és klasszifikáció Korábban rejtett információk a hívóközpont kezelőnek. Predikció és valószínűség.
Asszociációs szabályok felhasználása Asszociációk meghatározása Népszerű termék összeállítások (pl. kosár elemzés) Együttes előfordulások Kosár következő elemének megjóslása
ODM tevékenységek Modell építés Teszt (Naïve Bayes prediktív modellekhez) Lift számítás (Naïve Bayes modellekhez) Modell alkalmazása (scoring a Naïve Bayeshez)
Oracle CRM integráltan az Oracle Data Mininggal Integrált Marketing Online Data Mining az üzleti marketing elemzőknek Automatikus modell template-ek E-mail, 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
Oracle CRM integráltan az Oracle Data Mininggal Automatizált adatbányászat Modell építés Ütemezés Pontozás listák Minták felderítése Predikciók A célzott kampányok hatékonyságát nagy mértékben javítja
Oracle9iAS Personalization
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
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
Hol használható? E-kereskedelem (online katalógusok) Internetes pénzügyi szolgáltatások, E-bank Web marketing (banner hirdetések) Web információs helyek, portálok
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?
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
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
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