Metody data mining w CRM analitycznym

Rodzaje analiz w praktyce wykonuje się za pomocą technik data mining. Pod tą nazwą kryje się w rzeczywistości szereg różnego rodzaju metod analitycznych. Ich zastosowanie zwykle się różni, dlatego też wprowadzono szereg klasyfikacji porządkujących te metody. Najbardziej odpowiedni z punktu widzenia przedstawionych zastosowań wydaje się podział na ukierunkowany data mining (uczenie z nauczycielem) oraz nieukierunkowany data mining (uczenie bez nauczyciela). Metody ukierunkowanego data mining są wykorzystywane w przypadkach, gdy interesujący nas podział został już zaobserwowany i zapisany w próbie uczącej. Wykorzystując te dane, budujemy model, który ma na celu przewidzieć ten podział dla nowych danych. Mamy na przykład zbiór zawierający pewne dane o klientach oraz informację, czy dany klient odpowiedział na naszą specjalną promocję (mamy więc podział na klientów, którzy odpowiedzieli, i tych, którzy nie odpowiedzieli). Na podstawie zgromadzonych danych budujemy model, którego celem jest postawienie prognozy, kto z nowej grupy klientów (nieuczestniczących w starej promocji) byłby skłonny odpowiedzieć na podobną akcję promocyjną. Tego typu modele mogą znacznie obniżyć koszty naszych działań, nie obniżając naszej skuteczności, ponieważ nasze wysiłki kierujemy jedynie do osób, wobec których istnieje szansa, że odpowiedzą na naszą ofertę. Techniki ukierunkowanego data mining stosujemy w segmentacji predykcyjnej, jak również we wszystkich analizach odnoszących się do cyklu życia klienta. Do metod ukierunkowanego data mining zalicza się m.in: drzewa decyzyjne, sieci neuronowe, MARSplines, Naive Bayes oraz Support Vector

Machine. W sytuacji nieukierunkowanego data mining sytuacja jest inna. Mamy pewne dane o kliencie, które jednak nie zawierają żadnego podziału narzuconego z góry. Naszym celem jest wyjaśnienie struktury tych danych, na przykład określenie skupisk czy zależności niewidocznych na pierwszy rzut oka. Możemy przykładowo dysponować bazą danych klientów zawierającą różnego typu zmienne, które potencjalnie mogą mieć duży wpływ na zachowanie klientów. Celem analizy może być odnalezienie segmentów rynku, czyli grup osób podobnych do siebie, bądź odnalezienie związków pomiędzy kupowanymi towarami. Do technik nieukierunkowanego data mining zaliczyć można m.in.: analizę skupień, analizę koszykową (asocjacji), analizę sekwencji i połączeń, sieci neuronowe oraz analizę czynnikową i składowych głównych.