D A T A C T I F D A T A M I N I N G S U I T E

Transcript

1 D A T A C T I F D A T A M I N I N G S U I T E

2 ΠΡΟΛΟΓΟΣ Το σύστημα παραγωγής γνώσης και πρόβλεψης DATACTIF είναι μια καινοτομία στο χώρο του data mining και της επιχειρηματικής ευφυΐας γενικότερα. Πέρα από ένα απλό σύστημα το DATACTIF είναι ένας «ζωντανός οργανισμός», ένας «συνεργάτης», που μπορεί και προσαρμόζεται, μαθαίνει, εκπαιδεύεται, εναρμονίζεται με τις αρχές, τις πρακτικές και τη φιλοσοφία κάθε επιχείρησης. Απευθύνεται στον ειδικό επιστήμονα στέλεχος του τομέα business intelligence, στους διευθυντές marketing, sales, after sales, ανάπτυξης δικτύου, επικοινωνίας αλλά και στον γενικό διευθυντή και τον διευθύνοντα σύμβουλο, παρέχοντας απαντήσεις, σε πραγματικό χρόνο δηλαδή τη στιγμή που η εμπορική, οικονομική και κοινωνική πραγματικότητα συντελείται επηρεάζοντας και την πορεία κάθε επιχείρησης. Η περιγραφή που ακολουθεί προσπαθεί με απλό τρόπο (όσο αυτό είναι εφικτό για μια εφαρμογή υψηλής τεχνολογίας και πολύπλοκου concept) να παρουσιάσει τον μελλοντικό συνεργάτη σας. Γρηγόρης Φιλιππάτος Γενικός Διευθυντής DIRECTING. Intelligence in business

3 ΠΕΡΙΕΧΟΜΕΝΑ 1. ΕΤΑΙΡΙΚΗ ΓΝΩΣΗ. Τι είναι ακριβώς στη πράξη 2. ΠΗΓΕΣ ΠΛΗΡΟΦΟΡΗΣΗΣ. Ποσοτική ποιοτική αξιολόγηση 3. Σουίτα data mining DATACTIF.

4 1. ΕΤΑΙΡΙΚΗ ΓΝΩΣΗ Οι ραγδαίες επιστημονικές εξελίξεις του 20ού αιώνα έφεραν την επανάσταση των νέων τεχνολογιών που στην ουσία είναι τεχνολογίες της διάνοιας. Η επανάσταση αυτή που στηρίζει και στηρίζεται από την παγκοσμιοποίηση, έχει θέσει τις βάσεις για μια οικονομία της γνώσης τοποθετώντας την στην καρδιά της ανθρώπινης δραστηριότητας, της ανάπτυξης και της κοινωνικής αλλαγής Ωστόσο πληροφορία δεν είναι γνώση. Τι είναι γνώση? Και μάλιστα τι είναι εταιρική γνώση? Εταιρική γνώση είναι η συνάρτηση τύπου : Φ = (αχ + βψ + γζ +. ). Όπου χ, ψ, ζ είναι αθροίσματα πακέτα ομοιογενών πληροφοριών και όπου α, β, γ, factors που καθορίζουν την σημαντικότητα. Ας μην μείνουμε όμως στην περαιτέρω ανάλυση του ορισμού. Η ερώτηση «τι είναι εταιρική γνώση και πως αυτή θα βοηθήσει στη καλύτερη διαχείριση της εταιρίας μου» στην ουσία είναι όλες οι απαντήσεις σε ερωτήσεις τύπου : Πως θα εφαρμόσω πιο αποτελεσματικά το τρίπτυχο acquisition, retention, loyalty? Ποια εμπορική πολιτική να εφαρμόσω μια δεδομένη στιγμή λαμβάνοντας υπ όψιν τις διαφορετικές φυλές πελατών μου, την κατάσταση των αντιπροσώπων ή/και point of sales σε σχέση με το κοινωνικό προφίλ της κάθε περιοχής και όλα αυτά σε σχέση με τον ανταγωνισμό? Άνοιξε νέο κατάστημα ανταγωνιστή σε μια Χ περιοχή. Τι επιπτώσεις θα έχει στην κερδοφορία μου?

5 Τα αποτελέσματα προηγούμενων προωθητικών ενεργειών έχουν αξία σαν σημεία αναφοράς για μελλοντικές ενέργειες? Εδώ απαντώ αμέσως. Ναι έχουν. Και φαίνεται ξεκάθαρα στα μοντέλα που επεξεργάζονται δεδομένα. Λανσάρω ένα νέο προϊόν /υπηρεσία. Με τι τρόπο (κίνητρα, επικοινωνία, κλπ ) να προσελκύσω υπάρχοντες πελάτες ώστε να μου δημιουργήσουν την απαραίτητη βάση κίνησης στα σημεία πώλησης κάνοντάς τους να αισθάνονται προνομιούχοι και παράλληλα να προσελκύσω νέους πελάτες με διαφορετικό προφίλ από αυτό των υπαρχόντων πελατών? Πώς να χρησιμοποιήσω το after sales service για δημιουργία συνθηκών presales? Σε μια δεδομένη περιοχή που σκέφτομαι να ανοίξω νέο υποκατάστημα ποιο είναι το ιδανικό σενάριο από άποψη είδος καταστήματος, (τετραγωνικά, προφίλ, παρεχόμενα προϊόντα, κλπ ) και εμπορικής πολιτικής και σε σχέση με περιοχή, ανταγωνισμό, σχέδια ανάπτυξης, κλπ Ο σχεδιασμός παρουσίασης προϊόντων στο ράφι λαμβάνοντας υπ όψιν μάρκες, τιμές, προσφορές, διάταξη, mix ανάμεσα σε επώνυμες μάρκες και own labels τι οικονομικές επιπτώσεις έχει και σε ποιες φυλές πελατών? Μπορώ να προβλέψω τις αλλαγές στην κερδοφορία μου αν κάνω κάποιες αλλαγές που κρίνω πιο κερδοφόρες σε μια δεδομένη στιγμή? Έχω λανσάρει το καλύτερο επενδυτικό προϊόν της αγοράς. Γιατί δεν έχω την ανταπόκριση που υπολόγιζα? Πως μπορώ να το διορθώσω?

6 Αύξησα τις τιμές των προϊόντων μου ενώ ο ανταγωνισμός τις κράτησε ίδιες δίνοντας παράλληλα άτοκες δόσεις. Πως μπορώ να κρατήσω το μερίδιο αγοράς που έχω όλο το χρονικό διάστημα μέχρι να απορροφηθούν οι αυξήσεις από την αυξημένη ποιότητα την οποία παρέχω? Η ανάκληση μοντέλων αυτοκινήτων έχει συνέπειες στους υπάρχοντες πελάτες μου. Με τι τρόπο μπορώ να το γυρίσω υπέρ μου βασιζόμενος σε σωστή ανάγνωση των πληροφοριών που έχω από το service και τα ανταλλακτικά? Και συγκεντρωτικά όλων των ανωτέρω : Μπορώ να έχω ΈΝΑ σύστημα που να επεξεργάζεται κάθε είδος πληροφορίας και να μου δίνει μια συνολική εταιρική γνώση αξιόπιστη και χρήσιμη για να κάνω τη δουλειά μου? Και εξ ίσου σημαντικό. Mπορώ να ΠΡΟΒΛΕΠΩ με ασφάλεια? Η απάντηση είναι απλή. Κάποια πράγματα γίνονται και κάποια άλλα όχι. Και αν δεν γίνονται οφείλεται όχι τόσο στην έλλειψη τεχνολογίας ή ανθρώπινης θέλησης και εμπειρίας. Οφείλεται κυρίως στην υπάρχουσα δομή των εταιριών και στον τρόπο λειτουργίας τους. Επειδή λάβαμε υπ όψιν μας και τις δεδομένες συνθήκες επιχειρηματικότητας γι αυτό και δημιουργήσαμε ένα concept-σύστημα που τοποθετήσαμε εξ αρχής σαν εν δυνάμει συνεργάτη μιας επιχείρησης αντί για ένα στατικό εργαλείο ανάλυσης (στην ουσία βέβαια πίσω από το απλό και φιλικό interface κρύβεται ένα από τα πιο σύνθετα συστήματα ανάλυσης!).

7 2.1. ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Τα συστήματα πληροφορικής που έχουν όλες οι εταιρίες είναι 3 ειδών. Τα συστήματα τα οποία αυτοματοποιούν διαδικασίες κυρίως παραγωγής προϊόντων, διαχείρισης στοκ και αποθήκης (ERP), πωλήσεων (Transactional CRM) και τιμολόγησης, αυτά τα οποία είναι βοηθητικά στις διαδικασίες πώλησης και επικοινωνίας με τους πελάτες όπως τα Contact Management CRM, CUSTOMER SERVICE SUPPORT, κλπ και τα συστήματα που αναλύουν πληροφορίες με στόχο την εξαγωγή γνώσης (Analytical CRM, data mining) Από τα πρώτα οι πληροφορίες είναι παράγωγα και όχι αυτοσκοπός. Έχουν όμως μηδενικό κόστος παραγωγής και εκφράζουν την πραγματική εικόνα μιας επιχείρησης. Τα δεύτερα έχουν ανάγκη την πληροφόρηση για να λειτουργήσουν σωστά διότι όλες οι επαφές με πελάτες, prospects, δίκτυο αντιπροσώπων, κλπ δεν μπορούν να είναι αποτελεσματικές αν δεν είναι και τυποποιημένες (συστηματικοποίηση του ιστορικού επαφών της εταιρίας) ώστε όλα τα στελέχη να εφαρμόζουν μια κοινή πολιτική αλλά και προσαρμόσιμες, προσωποποιημένες σε κάθε πελάτη ξεχωριστά Τα συστήματα που αναλύουν τις πληροφορίες με στόχο τη γνώση είναι τόσο πολύπλοκα, ακριβά, με απαιτήσεις σε εξειδικευμένο προσωπικό και αλλαγές σε όλη τη φιλοσοφία μιας επιχείρησης για να είναι αποτελεσματικά που τελικά είτε δεν χρησιμοποιούνται είτε υπολειτουργούν.

8 2.2. ΠΗΓΕΣ ΠΛΗΡΟΦΟΡΗΣΗΣ. Ποσοτική και ποιοτική αξιολόγηση Οι πηγές πληροφόρησης χωρίζονται σε 2 κατηγορίες. Συνεχούς ροής και περιοδικής (είτε σε τακτικά και προκαθορισμένα χρονικά διαστήματα είτε σε ad hoc περιπτώσεις). Αναλυτικά, οι πιο σημαντικές πηγές πληροφόρησης είναι οι ακόλουθες : Εμπορικές συναλλαγές (transactions, service). Πληροφόρηση σε μηχανογραφημένη μορφή, συνεχούς ροής. Αξιόπιστης και αντικειμενικής αξίας. Βασικό συστατικό της εταιρικής γνώσης. Επικοινωνία με πελάτες (contact management). Περιοδικής συχνότητας, μηχανογραφημένης μορφής σε όλο και περισσότερες εταιρίες. Η αξία της εξαρτάται από την κάθε εταιρία (στρατηγική ή όχι σχέσης με πελάτες, ίδιο main frame επαφών ή ad hoc, σωστή καταγραφή αντιδράσεων, κλπ ). Τακτικές ποσοτικές έρευνες όπως ικανοποίησης πελατών, κλπ Συνήθως μηχανογραφημένη αλλά μη συνδεδεμένη με την βάση πελατών (δηλαδή για κάθε πελάτη οι απαντήσεις του συνδεδεμένες μέσω του προσωπικού και αποκλειστικού του κωδικού (ID). Η αξιοπιστία και η εμπορική τους αξία εξαρτώνται από τον τρόπο διεξαγωγής, την δυνατότητα σύνδεσης με άλλες πληροφορίες (π.χ. transactions), κλπ..

9 Ποιοτικές έρευνες. Σημαντικές για την ανεύρεση του «γιατί» σε πολλά εμπορικά ερωτήματα αλλά και εδώ ισχύει ό,τι και για τις ποσοτικές. Απόψεις, προσωπικές εμπειρίες στελεχών, σενάρια δράσης. Πληροφόρηση σε μη μηχανογραφημένη μορφή. Σημαντικής αξίας αν συνδεθεί με πραγματικά δεδομένα Εξωγενή στοιχεία (στατιστικές μελέτες, κλπ ). Συνήθως περιοδικής συχνότητας, έγκυρης αξίας η οποία μεγιστοποιείται με σύνδεση με εταιρικά δεδομένα ΧΡΗΣΗ ΜΕΧΡΙ ΣΗΜΕΡΑ Οι ανωτέρω πηγές χρησιμοποιούνται μέχρι σήμερα από διαφορετικά τμήματα (εμπορικό, marketing, customer support, ανάπτυξη και διαχείριση δικτύου, κλπ ). Τα συμπεράσματα κοινοποιούνται στην διοίκηση ή/και στα άλλα τμήματα με μορφή περιοδικών εκθέσεων. Οι πρακτικές αυτές δεν προσφέρουν συνολική εταιρική γνώση. Η μεγαλύτερη δυσκολία, εκτός της παγιωμένης πλέον πρακτικής εκ μέρους των εταιριών, είναι η έλλειψη συστήματος που να μπορεί να διαχειρίζεται όλα τα δεδομένα προσφέροντας παράλληλα και τις επί μέρους γνώσεις που απαιτεί κάθε τμήμα αλλά και τη συνολική, δηλαδή αυτή που είναι απαραίτητη για πραγματικό decision making!

10 3.1. DATACTIF : ΜΙΑ ΔΙΑΦΟΡΕΤΙΚΗ ΠΡΟΣΕΓΓΙΣΗ Εδώ ακριβώς έγκειται η καινοτομία του concept DATACTIF το οποίο σχεδιάσθηκε εξ αρχής για να καλύπτει τις σύγχρονες επιχειρηματικές ανάγκες. Το DATACTIF σχεδιάσθηκε με βάση επιχειρηματικά concept. Παράδειγμα ο τραπεζικός τομέας. Εδώ ορίσαμε σαν μονάδα γνώσης την προσωπική οικογενειακή οικονομία η οποία ορίζεται στους ακόλουθους άξονες INCOME SAVINGS INVESTMENTS Clusters of CLIENTS CARD USAGE (Consumption) TIME Για όλες τις versions του DATACTIF που αφορούν τους διαφορετικούς επιχειρηματικούς τομείς ορίσαμε ένα ξεκάθαρο και αποδεκτό από την αγορά business concept. Το DATACTIF σχεδιάσθηκε και για decision makers προσφέροντας γνώση και πρόβλεψη τόσο για συγκεκριμένες απαιτήσεις που χρειάζονται μια εις βάθος ανάλυση αλλά και σε σφαιρικές οι οποίες απαιτούν μια ολοκληρωμένη εικόνα της επιχείρησης ή μια σύνθεση γνώσεων!

11 3.2. DATACTIF : CONCEPT Το Concept του DATACTIF βασίσθηκε στις ακόλουθες αρχές : Οι πληροφορίες παράγωγα μηχανογραφημένων διαδικασιών (άρα πληροφoρίες χωρίς κόστος απόκτησης) πρέπει να χρησιμοποιούνται κατά προτεραιότητα Οι συναλλαγές λένε πάντα την αλήθεια. Οι όποιες έρευνες είναι διευκρινιστικές και συμπληρωματικές Όλα τα δεδομένα μιας επιχείρησης όχι μόνο πρέπει να αξιοποιούνται αλλά και να συνδυάζονται μεταξύ τους. Οι παραγόμενες γνώσεις και προβλέψεις πρέπει να είναι άμεσες και τούτο διότι οι εξωτερικές συνθήκες της αγοράς αλλάζουν γρήγορα. Η γνώση δεν μπορεί παρά να είναι δυναμική και συνεχής Επομένως μια από τις συνθήκες sine qua non για την υλοποίηση ενός συστήματος που θα ακολουθούσε τις ανωτέρω αρχές δεν μπορούσε παρά να είναι η χρησιμοποίηση των ευφυών συστημάτων. Η άλλη καθοριστική συνθήκη ήταν ότι έπρεπε το σύστημα να προσαρμόζεται σε κάθε εταιρία ξεχωριστά. Έτσι δημιουργήσαμε 4 βασικές εκδόσεις του συστήματος για : 1. Χρηματοπιστωτικό τομέα Ασφαλιστικά προϊόντα 2. Κινητή σταθερή τηλεφωνία 3. Retail 4. Προϊόντα Μακράς διαρκείας

12 3.3. DATACTIF : ΛΕΙΤΟΥΡΓΙΑ DATACTIF είναι ένα ολοκληρωμένο σύστημα επιχειρηματικής ευφυΐας που μετασχηματίζει ετερογενείς πληροφορίες σε γνώση. Το πλεονέκτημα του συστήματος είναι η ικανότητα να προσαρμόζεται σε διαφορετικά και πολύπλοκα ζητήματα επιχειρησιακού περιβάλλοντος, παρέχοντας λειτουργίες clustering, συσχέτισης, κατηγοριοποίησης και πρόβλεψης. Η μοναδικότητα του DATACTIF που προσαρμόζεται κάθε φορά στις ανάγκες και προδιαγραφές κάθε εταιρίας έγκειται στο ότι : 1. Υιοθετεί τις πιο προηγμένες τεχνικές στον τομέα των ευφυών συστημάτων (νευρωνικά δίκτυα, ασαφή λογική και γενετικούς αλγόριθμους) 2. Εξάγει τη γνώση άμεσα από τα δεδομένα παρουσιάζοντάς την και ως λογικές εκφράσεις (κανόνες και συσχετισμούς) και ως οπτικές αντιπροσωπεύσεις επιτρέποντας μια άμεση, απλή ανάγνωση σε decision makers. 3. Μπορεί να επιλύσει περίπλοκους στόχους με ένα υψηλό επίπεδο εμπιστοσύνης ακόμα και με σετ δεδομένων που έχουν ελλιπή στοιχεία ή/και λανθασμένες τιμές 4. Μπορεί να υπερνικήσει προβλήματα όπου τα κοινά στατιστικά εργαλεία αδυνατούν 5. Μπορεί να χειριστεί ποιοτικά και ποσοτικά στοιχεία ταυτόχρονα 6. Μπορεί να αναλύσει τις ιδιαίτερες και συνεχείς μεταβλητές και να μαθαίνει από αυτά τα ίδια τα στοιχεία 7. Μπορεί να ενσωματώσει την υπάρχουσα γνώση που αποκτιέται από το επιχειρησιακό περιβάλλον σε οποιαδήποτε μορφή ακόμα και αν είναι αυτή προφορική

13 3.4. DATACTIF. ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ Νευρωνικά δίκτυα, Νευροασαφή συστήματα, Γενετικοί Αλγόριθμοι Τα Τεχνητά Νευρωνικά Δίκτυα είναι μαθηματικά, υπολογιστικά μοντέλα, που η κύρια λειτουργία τους είναι η επεξεργασία πληροφοριών και δεδομένων. Η ανάπτυξη των Τεχνητών Νευρωνικών Δικτύων είχε ως άξονα την προσπάθεια δημιουργίας «μηχανισμών» που βασίζονται στην δομή και λειτουργία του εγκεφάλου. Οι τρόποι επεξεργασίας των δεδομένων προσομοιάζουν τεχνικές λειτουργίας του ανθρώπινου εγκεφάλου είτε σε νευρο-φυσιολογικό επίπεδο είτε σε λογικό επίπεδο. Έως πρόσφατα η θεωρία αυτή είχε ως κύριο πεδίο εφαρμογών την Βιολογία και την Ιατρική. Τα Νευρωνικά Δίκτυα και γενικότερα τα ευφυή υπολογιστικά συστήματα μοιάζουν με τον ανθρώπινο εγκέφαλο κυρίως γιατί αποκτούν γνώση μέσω της εκμάθησης. Τα Τεχνητά Νευρωνικά Δίκτυα, ακολουθώντας τα πρότυπα της οργάνωσης του εγκεφάλου, κληρονομούν κάποιες από τις βασικές ιδιότητες των βιολογικών νευρωνικών δικτύων όπως είναι η υψηλή παραλληλία στη λειτουργία, η κατανεμημένη επεξεργασία, η ανοχή σε βλάβες και διάφορα άλλα. Στόχος τους είναι να υλοποιήσουν μορφές τεχνητής ευφυΐας και να εφαρμοστούν σε προβλήματα που η επίλυση τους απαιτεί στοιχεία νοημοσύνης και δεν αρκεί η απλή εφαρμογή μίας μαθηματικής διαδικασίας. Το κύριο χαρακτηριστικό που διαφοροποιεί τα νευρωνικά δίκτυα από άλλες μαθηματικές προσεγγίσεις (π.χ. στατιστική) στα διάφορα προβλήματα είναι ότι ενσωματώνουν το βασικό χαρακτηριστικό της νοημοσύνης, την μάθηση.

14 3.4. DATACTIF. ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ Νευρωνικά δίκτυα, Νευροασαφή συστήματα, Γενετικοί Αλγόριθμοι Οι διάφοροι τύποι νευρωνικών δικτύων επεξεργάζονται τα δεδομένα και μαθαίνουν από αυτά. Δηλαδή συγκεντρώνουν γνώση από τα δεδομένα, την οποία χρησιμοποιούν για την επεξεργασία των επόμενων δεδομένων που και αυτά προσθέτουν γνώση στο δίκτυο. Δύο είναι οι κύριο τρόποι με τους οποίους να μπορεί να αποκτήσει γνώση ένα νευρωνικό δίκτυο, με μάθηση χωρίς επίβλεψη και με επιβλεπόμενη μάθηση. Στην πρώτη περίπτωση το δίκτυο μαθαίνει από τα δεδομένα και μόνο, ενώ στην δεύτερη περίπτωση στο δίκτυο παρέχεται και έτοιμη γνώση η οποία θα επιβλέψει κατευθύνει την διαδικασία της μάθησης. Αυτό το χαρακτηριστικό είναι πολύ σημαντικό γιατί παρέχει την δυνατότητα να ενσωματωθεί γνώση που προϋπάρχει από εμπειρογνώμονες του εκάστοτε χώρου. Ένα άλλο χαρακτηριστικό που ισχυροποιεί την θέση των νευρωνικών δικτύων είναι η δυνατότητα μη γραμμικής συσχέτισης των δεδομένων που είναι σημαντική καθώς στα περισσότερα προβλήματα του πραγματικού κόσμου συσχέτιση των δεδομένων είναι μη γραμμική.

15 3.4. DATACTIF. ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ Νευρωνικά δίκτυα, Νευροασαφή συστήματα, Γενετικοί Αλγόριθμοι Τα νευρωνικά δίκτυα και σε αντιδιαστολή με τα άλλα προγράμματα έχουν τα εξής πλεονεκτήματα : 1. Παρουσιάζουν αυξημένη ανεκτικότητα σε ελλιπή δεδομένα (άρα δεν επηρεάζονται τα τελικά πορίσματα) 2. Παρέχουν την δυνατότητα εξαγωγής γνώσης τόσο σε οπτικοποιημένη μορφή όσο και σε μορφή κανόνων και συσχετίσεων. 3. Εκπαιδεύονται από τα δεδομένα αλλά επίσης μπορούν να ενσωματώσουν γνώση που προϋπάρχει στο εταιρικό περιβάλλον και στα στελέχη της εταιρίας. 4. Μπορούν και γενικεύουν σε νέα προβλήματα και απαντούν σε νέα ερωτήματα βασιζόμενα στην γνώση που έχουν αποκομίσει από την διαδικασία εκπαίδευσής τους, ερωτήματα που ίσως να μην έχει σκεφτεί κάποιο στέλεχος.

16 3.5. DATACTIF : ΟΠΤΙΚΟΠΟΙΗΣΗ Η απεικόνιση της πληροφόρησης με τρόπο συμβατό με την λειτουργία του ανθρώπου είναι το πιο σημαντικό στάδιο στο data modeling. Οι συνθήκες αγοράς απαιτούν από Marketers και Decision makers να κάνουν περισσότερα από το να βελτιστοποιούν απλά την καθημερινή εργασία τους, εργασία η οποία αλλάζει συνεχώς λόγω της δυναμικής της αγοράς. Το να μπορούν να αναγνωρίσουν πρώτοι τις αλλαγές και να αντιδράσουν άμεσα και σωστά είναι πλέον καθοριστικό τόσο για τους ίδιους όσο και για τις επιχειρήσεις. Το DATACTIF επιτρέπει άμεση, εύκολη και επί της ουσίας αξιολόγηση της εταιρικής γνώσης μέσω της οπτικοποίησης την οποία προσφέρει και σε όλα τα επίπεδα : g από τη συνολική εικόνα της εταιρίας (σε σχέση με πελάτες, πωλήσεις, ανταγωνισμό, εξωγενείς παράγοντες, κλπ,) g σε αυτή την ειδική ενός καταστήματος (σε σχέση με πελάτες και μη πελάτες, πωλήσεις, ανταγωνισμό, στοιχεία γεωγραφικής περιοχής όπως δημογραφικά, οικονομικά, κλπ,), g στην εικόνα των ομάδων πελατών που απαρτίζουν το δυναμικό του συγκεκριμένου καταστήματος g στην εικόνα μιας συγκεκριμένης ομάδας g μέχρι και στην απόλυτα εξειδικευμένη αυτής του ενός μόνο πελάτη.

17 DATACTIF : ΟΠΤΙΚΟΠΟΙΗΣΗ Συνολική εικόνα σουίτας DATACTIF

18 DATACTIF : ΟΠΤΙΚΟΠΟΙΗΣΗ CLUSTER 262 Κυρίαρχες Μάρκες που το διαμορφώνουν CLUSTERING ΤΙΜΗ Cluster 262 ΤΙΜΗ ΣΥΝΟΛΟΥ ΠΕΛΑΤΩΝ

19 DATACTIF : ΟΠΤΙΚΟΠΟΙΗΣΗ CLUSTERING Το κόκκινο χρώμα στην επιφάνεια συμβολίζει την ομοιότητα μεταξύ γειτονικών clusters, ενώ το μπλε το αντίθετο. Οι γκρι κουκκίδες στον χάρτη είναι οι εντοπισμένες ομάδες ανθρώπων. Το μέγεθος των γκρι κουκκίδων είναι ανάλογο με το μέγεθος του πληθυσμού του cluster. 1 CLUSTER 1 Τα clusters που συμπεριλαμβάνονται στην κόκκινη περιοχή σχηματίζουν μια ομάδα cluster.

20 DATACTIF : ΟΠΤΙΚΟΠΟΙΗΣΗ Αναλυτική παρουσίαση όλων των δεδομένων που έχει μια εταιρική βάση δεδομένων. Περιγραφή της ομάδας CLUSTERS GROUP OF CLUSTERS Characteristics GROUP A Demographics # Customers 901 Income Level Education Level Residence - Class High High Whealthy Suburbs - Elderly Age (mean) 56+ Basket Basket segment Light Daiy - Female Care - Spirits -Ready Meals - Frozen Basket GP (%) 29,09% AVG Price / unit 2,3 Distinct products / shopping trip 18,8 Basket value 8,7

21 DATACTIF : ΟΠΤΙΚΟΠΟΙΗΣΗ Αναλυτική παρουσίαση όλων των δεδομένων που έχει μια εταιρική βάση δεδομένων. Παράδειγμα :CLUSTER 1 Basket Content Κυρίαρχα Προϊόντα Κατηγορίες Fresh Products Basket Value Cluster A Basket Value Company AVG

22 DATACTIF : ΟΠΤΙΚΟΠΟΙΗΣΗ Αξιολόγηση σημείων πώλησης και Site Location «Αυτόματες Τιμές» συμπληρώνουν τις πραγματικές τιμές για Έσοδα, Νοικοκυριά και Επίπεδο μόρφωσης που πήραμε απευθείας από την DT για την επιλεγμένη Περιοχή. Επιλέγουμε έναν ήδη υπάρχοντα τύπο καταστήματος. Πληκτρολογούμε τις όποιες λεπτομέρειες, αν είναι απαραίτητο, για να αντικαταστήσουμε την τυπική φόρμα..συγκεντρώνουμε τα πιθανά επιλεγμένα κριτήρια για το συγκεκριμένο κατάστημα. Το αποτέλεσμα παρουσιάζεται και σαν λογική απόφαση και σαν αριθμητική τιμή με μικρότερο το 0 και μεγαλύτερο το 1.Μία εκτίμηση των Πωλήσεων παρουσιάζεται επίσης βασισμένη και σε παρόμοιες περιπτώσεις. Ανταγωνιστικά καταστήματα επιλέγονται από τον χρήστη για να μπορέσει να δει την επιρροή που ασκεί το καθένα στο τελικό αποτέλεσμα, καθώς και να του προσφέρει υποθετικά σενάρια.

23 DATACTIF : ΟΠΤΙΚΟΠΟΙΗΣΗ Συσχέτιση δεδομένων πωλήσεων με ποιοτικά χαρακτηριστικά που προέρχονται από έρευνες σε δείγμα πελατών. Οι έρευνες αποκτούν πλέον δυνατότητα γενικευμένης επιχειρηματικής χρήσης CLUSTER 3 [ πελάτες] : g Τύπος ΤΟΥΟΤΑ : model ABC g Τύπος καταναλωτή : GOLF g Other models : A, S, F g Ιδιωτικοί υπάλληλοι g Μέση Μόρφωση g Οικονόμοι, Ρεαλιστές, Προσγειωμένοι, Οικογενειάρχες g Θα αγόραζαν σήμερα ανά κατηγορία : YARIS, GOLF - COROLLA, AVENSIS RAV με τα ακόλουθα ποσοστά βεβαιότητας την δεδομένη χρονική στιγμή (Ιαν Μάρτιος 2005)

24 DATACTIF : ΠΡΟΒΛΕΨΗ Με βάση ΜΗ ΚΑΤΕΥΘΥΝΟΜΕΝΗ από τον χρήστη ΓΝΩΣΗ Πρόβλεψη για πώληση τραπεζικού προϊόντος σε μη πελάτες. Έστω Χ προϊόν. Θέλουμε να μάθουμε πόσοι και ποιοι από την πελατειακή μας βάση και με ποια βεβαιότητα θα μπορούσαν σήμερα να αγοράσουν το προϊόν αυτό και μάλιστα να έχουμε μια μη κατευθυνόμενη απάντηση που να μας δίνει το ίδιο το σύστημα. Η ειδική λειτουργία του DATACTIF μας επιτρέπει αποτελέσματα με αξιοπιστία μέχρι και 540% καλύτερη από οποιαδήποτε άλλη μεθοδολογία και συστήματα.

25 DATACTIF : ΠΡΟΒΛΕΨΗ Με βάση ΚΑΤΕΥΘΥΝΟΜΕΝΗ από τον χρήστη ΓΝΩΣΗ Πρόβλεψη για πώληση τραπεζικού προϊόντος σε μη πελάτες. Έστω Χ προϊόν. Θέλουμε να μάθουμε πόσοι και ποιοι από την πελατειακή μας βάση και με ποια βεβαιότητα θα μπορούσαν σήμερα να αγοράσουν το προϊόν αυτό. Θα θέλαμε όμως εμείς οι ίδιοι να ορίσουμε τους κανόνες δηλαδή ποιοι είναι καλοί πελάτες, ποιοι μέτριοι και ποιοι αρνητικοί με βάση ένα σκεπτικό, μια προσωπική εμπειρία ή κάποιες άλλες μετρήσεις ή απλώς ενδείξεις Το αποτέλεσμα του DATACTIF είναι από 150% έως και 185% καλύτερο από κλασσικά εργαλεία και μεθόδους 60% 50% 40% 30% 20% 57,3% Κλασσικά εργαλεία DATACTIF 10% 20% 0% ΕΠΙΤΥΧΙΑ ΠΡΟΒΛΕΨΗΣ

26 DATACTIF : ΕΑΞΓΩΓΗ ΛΙΣΤΑΣ ΜΕ ΚΡΙΤΗΡΙΑ Ο χρήστης έχει την δυνατότητα να δημιουργήσει ο ίδιος τα κριτήρια με τα οποία επιθυμεί να εξάγει μια λίστα πελατών