Εργαλεία επιχειρηματικής ευφυΐας στο εμπορικό τμήμα Marketing Τραπεζικού Οργανισμού

Εργαλεία επιχειρηματικής ευφυΐας στο εμπορικό τμήμα Marketing Τραπεζικού Οργανισμού 0

Περιεχόμενα Εισαγωγή... 2 Δομή βάσης Data Warehouse... 3 Δημιουργία ενδεικτικής σχεσιακής βάσης δεδομένων... 3 Δημιουργία ενδεικτικού μοντέλου πολυδιάστατης ανάλυσης... 6 Εφαρμογή εργαλείων επιχειρηματικής ευφυΐας... 7 End Users Queries... 7 Πολυδιάστατη ανάλυση... 8 GIS... 9 Data mining... 11 Συσχέτιση (associate)... 11 Ομαδοποίηση (clustering)... 14 Ταξινόμηση (classification)..18 Predictive Analytics... 24 Text Mining... 25 1

Εισαγωγή Η παρούσα μελέτη έχει ως στόχο να παρουσιάσει πώς εφαρμόζονται & αξιοποιούνται διάφορα εργαλεία επιχειρηματικής ευφυΐας από το εμπορικό τμήμα Marketing ενός Τραπεζικού Οργανισμού. Οι αρμοδιότητες του εν κειμένω τμήματος αφορούν στο σχεδιασμό, υλοποίηση και εποπτεία των ενεργειών που σχετίζονται με τα 4P s: product, place, price & promotion. Στα πλαίσια της λειτουργίας του τμήματος, τα στελέχη καλούνται να πάρουν διάφορες αποφάσεις οι οποίες συμβάλλουν στην επίτευξη των στόχων της Διεύθυνσης και της Τράπεζας. Για την ορθότερη λήψη διοικητικών αποφάσεων το τμήμα έχει στη διάθεση του διάφορα εργαλεία επιχειρηματικής ευφυΐας. 2

Δομή βάσης Data Warehouse Η Τράπεζα έχει στη διάθεση της μεγάλο όγκο δεδομένων τα οποία προέρχονται από πρωτογενείς πηγές όπως: 1. Βάση του κεντρικού συστήματος της τράπεζας: μέσω του κεντρικού συστήματος της τράπεζας εκτελούνται οι περισσότερες εργασίες των καταστημάτων [ήτοι άνοιγμα καρτέλας πελάτη, άνοιγμα λογαριασμών (Καταθετικών & δανειακών), καταχώρηση των προϊόντων που χρησιμοποιεί ο πελάτης (πιστωτικές κάρτες, ασφαλιστικά προϊόντα κοκ)] καθώς επίσης και πληθώρα εργασιών των κεντρικών υπηρεσιών. 2. Τοπικές βάσεις: οι διάφορες Διευθύνσεις της Τράπεζας και τα καταστήματα τηρούν τοπικές βάσεις για να καλύψουν τις λειτουργικές τους ανάγκες. 3. Βάσεις τρίτων: η Τράπεζα αντλεί δεδομένα από βάσεις τρίτων όπως η Τράπεζα της Ελλάδος, η Ένωση Ελληνικών Τραπεζών, η Στατιστική Υπηρεσία και η ICAP. 4. Μέσα κοινωνικής δικτύωσης Ο τεράστιος όγκος δεδομένων που καλείται να επεξεργαστεί και να διαχειριστεί ένας οργανισμός όπως μια Τράπεζα, καθιστά απαραίτητη τη συλλογή, δόμηση και αποθήκευση των δεδομένων σε Data Warehouse. Δημιουργία ενδεικτικής σχεσιακής βάσης δεδομένων Τα δεδομένα που θα επεξεργαστούμε αφορούν 4εκ. πελάτες όλων των καταστημάτων του δικτύου της Τράπεζας και είναι: Cid πελάτη, Κατάστημα ένταξης, Ταχ. Κώδικας, Νομός, Πόλη, Καταθετικά προϊόντα (αποταμιευτικά, προθεσμιακά), Δανειακά προϊόντα (καταναλωτικά, στεγαστικά), Bank Insurance (ζωής, αυτοκινήτου), Ηλικία, Κατοχή αυτοκινήτου, Ιδιοκτησία σπιτιού, Επάγγελμα, Ετήσιο εισόδημα, Θέση πελάτη. Τελικός στόχος είναι η δημιουργία μιας σχεσιακής βάσης δεδομένων στην οποία αφενός θα μπορούμε να εφαρμόσουμε απευθείας διάφορα εργαλεία όπως end user queries, αφετέρου θα μπορούμε να προχωρήσουμε στον κατάλληλο μετασχηματισμό της ώστε να προβούμε σε πολυδιάστατη ανάλυση. Θα δημιουργήσουμε πίνακες που θα εισαχθούν σε σχεσιακή βάση δεδομένων (Microsoft SQL Server) μέσα από μία διαδικασία Extract (εξαγωγή δεδομένων από CRMs, ERPs, αρχεία ICAP), Transform (κατάλληλη μορφή δεδομένων για εισαγωγή σε σχεσιακή βάση δεδομένων) & Load (εισαγωγή των δεδομένων σε σχεσιακή βάση δεδομένων με τη μορφή πινάκων και τη δημιουργία κλειδιών & σχέσεων μεταξύ των πινάκων). 3

EXTRACT Αρχικά θα πρέπει να δημιουργήσουμε ένα αρχείο excel με τα εξής φύλλα: 1. Βασικός Πίνακας Πελατών με τις εξής στήλες: CID, Κωδ. Καταστήματος, Κωδ. Ηλικίας, Κωδ. Επαγγέλματος, Κωδ. Εισοδήματος, Πόλης Καταστήματος, Νομού Καταστήματος, Κάτοχος αυτοκινήτου, Κάτοχος σπιτιού, Υπόλοιπα καταθέσεων, θέσεων (αποταμιευτικός), Κάτοχος αποταμιευτικού προϊόντος (με συνάρτηση If και κωδικοποίηση 1:ναι & 0:όχι), Υπόλοιπα καταθέσεων (προθεσμίας), Κάτοχος προθεσμιακού προϊόντος (με συνάρτηση if και κωδικοποίηση 1:ναι & 0:όχι), Θέση Πελάτη, Κάτοχος ασφαλιστικού προϊόντος (1: ζωής, 2: σπιτιού, 0: όχι) 2. Καταστήματα 3. Ηλικία 4. Επάγγελμα 5. Εισόδημα 6. Νομός 7. Πόλη TRANSFORM Κανονικοποίηση δεδομένων (data normalization) Τα data δεν είναι κανονικοποιημένα καθώς υπήρχαν πολλές επαναλήψεις δεδομένων (κατάστημα, επάγγελμα κτλ), διαφορετικό λεκτικό για την ίδια κατηγορία και επιβάρυνση του πίνακα με μεγάλου όγκου δεδομένα. Δημιουργούμε λοιπόν 6 πίνακες αναφοράς (ένα σε κάθε sheet) και στην συνέχεια με vlookup συνάρτηση προσθέτουμε τους κώδικες αναφοράς. Σε κάποια data όπως εισόδημα και ηλικία θα χρειαστεί να κάνουμε κάποιες ομαδοποιήσεις [Εισόδημα 1: Υ<15.000, 2: 15.000 Υ<25.000, 3: 25.000 Υ<35.000, 4: 35.000 Υ<50.000, 5: 50.000 Υ<80.000, 6: Υ 80.000, Ηλικία 1: Η <20, 2: 20-25, 3: 25-35, 4: 35-45,5: 45-55, 6: Η >55]. Δημιουργία στηλών υπολογισμού Από την ημερήσια θέση του Πελάτη και έχοντας στη διάθεσή μας υπόλοιπα προθεσμιακών και αποταμιευτικών προϊόντων μπορούμε να υπολογίσουμε και τα δανειακά υπόλοιπα του πελάτη. Δημιουργούμε μία στήλη με δανειακά Υπόλοιπα και μία στήλη Κάτοχος δανειακού προϊόντος και κωδικοποίηση 1: ναι 2: όχι (συνάρτηση ΙF). Αλλαγή τιμών στηλών Υπάρχουν στήλες με κενές τιμές στις στήλες Υπόλοιπα Καταθέσεων, Υπόλοιπα Χορηγήσεων, Ημερήσια θέση (στο δείγμα μας έχουμε και πελάτες με ανοιχτά βιβλιάρια χωρίς υπόλοιπα) επομένως πρέπει να αντικαταστήσουμε το null με 0. 4

Αυτό που έχουμε καταφέρει με τον μετασχηματισμό των πρωτογενών δεδομένων είναι η κανονικοποίηση των δεδομένων και η ποιοτική τους αναβάθμιση (data quality) για την περαιτέρω επεξεργασία τους με τα διάφορα εργαλεία αναζήτησης. Ο μετασχηματισμός δεδομένων (Transformation) είναι απαραίτητος για να εισαχθούν (Load) σε μία σχεσιακή βάση δεδομένων που θα χρησιμεύσει ως πηγή πληροφόρησης στη συνέχεια. LOAD Το αρχείο που δημιουργήσαμε θα χρησιμοποιηθεί για την εισαγωγή σε μία σχεσιακή βάση δεδομένων στην εφαρμογή SQL Management Studio. Στη νέα βάση, οι πίνακες που δημιουργούνται είναι τα sheets του αρχείου excel που αποθηκεύσαμε. Το επόμενο βήμα είναι να δημιουργήσουμε κλειδιά και σχέσεις για να έχουμε μία λειτουργική σχεσιακή βάση δεδομένων. Έχουμε λοιπόν τους εξής πίνακες ΣΤΟΙΧΕΙΑ ΠΕΛΑΤΩΝ-ΕΙΣΟΔΗΜΑ-ΗΛIΚΙΑ- ΕΠΑΓΓΕΛΜΑ-ΚΑΤΑΣΤΗΜΑΤΑ-ΝΟΜΟΣ-ΠΟΛΗ με primary keys τους κωδικούς των πινάκων. Επόμενο βήμα είναι ο ορισμός των σχέσεων μεταξύ των πινάκων. Καταφέραμε λοιπόν να δημιουργήσουμε μία σχεσιακή βάση δεδομένων στο SQL management studio. O καταναλωτής πληροφοριών μπορεί να αντλήσει την πληροφορία που θέλει με την δημιουργία ερωτημάτων που συνδυάζουν δεδομένα από τους πίνακες της σχεσιακής βάσης δεδομένων που δημιουργήσαμε. 5

Δημιουργία ενδεικτικού μοντέλου πολυδιάστατης ανάλυσης Η τεχνολογία πολυδιάστατης ανάλυσης δομεί τα δεδομένα σε διαστάσεις και δίνει τη δυνατότητα ανάλυσης σε οποιοδήποτε συνδυασμό διαστάσεων επιθυμεί ο χρήστης των πληροφοριών. Θα δημιουργήσουμε μία OLAP βάση (πολυδιάστατη) στο πρόγραμμα SQL Server Business Intelligence Development Studio. Αρχικά, θα συνδεθούμε με τη σχεσιακή βάση δεδομένων που δημιουργήσαμε για άντληση δεδομένων και εν συνεχεία θα δημιουργήσουμε τη σχεσιακή δομή από την οποία θα προκύψουν οι διαστάσεις & τα δεδομένα του πολυδιάστατου μοντέλου. Επιλέγουμε όλους τους πίνακες από τη σχεσιακή βάση που δημιουργήσαμε στο προηγούμενο στάδιο. Αποτέλεσμα είναι η δημιουργία ενός fact table (πίνακας περιγραφή πελάτη) και 5 dimensional tables (διαστάσεις). Το επόμενο βήμα είναι η δημιουργία ενός πολυδιάστατου κύβου. Τελικά, θα καταλήξουμε σε ένα κύβο με τα εξής χαρακτηριστικά: Fact table στοιχεία πελατών Dimensions καταστήματα, εισόδημα, επάγγελμα, ηλικία, γεωγραφία Measures Υπόλοιπα Καταθέσεων, Υπόλοιπα Χορηγήσεων, Θέση πελάτη, CID counts Διαστάσεις Καταστήματα Εισόδημα Ηλικία Επάγγελμα Γεωγραφία Επίπεδα 1 Κατάστημα 1: Υ<15.000 2: 15.000 Υ<25.000 3: 25.000 Υ<35.000 4: 35.000 Υ<50.000 5: 50.000 Υ<80.000 6: Υ 80.000 1: Η <20 2: 20-25 3: 25-35 4: 35-45 5: 45-55 6: Η >55 1. Σπουδαστής 2. Άνεργος 3. Συνταξιούχος 4. Ιδιωτικός Υπάλληλος 5. Δημόσιος Υπάλληλος 6. Ελεύθερος Επαγγελματίας Νομός 2 Πόλη 6

Εφαρμογή εργαλείων επιχειρηματικής ευφυΐας Η οργάνωση των δεδομένων σε σχεσιακές και πολυδιάστατες βάσεις δεδομένων μας επιτρέπει να επεξεργαστούμε περαιτέρω τα data μας με τη χρήση των κατάλληλων εργαλείων και να «χτίσουμε» την απαραίτητη πληροφορία για τη λήψη των επιχειρηματικών αποφάσεων. Η ανάλυση των αποφάσεων ξεκινάει από top down analysis: ορίζουμε το είδος της απόφασης που πρέπει να λάβουμε, την απαιτούμενη Πληροφορία που θα χρειαστούμε και εν συνεχεία τα κατάλληλα δεδομένα και ολοκληρώνεται με Bottom up analysis: συγκεντρώνουμε τα δεδομένα, επιλέγουμε το κατάλληλο εργαλείο επιχειρηματικής ευφυΐας & παράγουμε την Πληροφορία και τέλος λαμβάνουμε την κατάλληλη απόφαση βάσει αυτής. Ενδέχεται βέβαια η Πληροφορία που θα παραχθεί να μας οδηγήσει και σε άλλες αποφάσεις ή/και συμπεράσματα πέρα από αυτή που αρχικά στοχεύσαμε. Επιπλέον, τα εργαλεία end user queries και η πολυδιάστατη ανάλυση χρησιμοποιούνται σε τακτική βάση για εξαγωγή διάφορων αναφορών, παρακολούθηση αποτελεσμάτων των καταστημάτων κοκ. End Users Queries Στόχος: Αύξηση των υπολοίπων προθεσμιακών καταθέσεων του καταστήματος Καλαμάτας στο επίπεδο του μέσου όρου του δικτύου καταστημάτων Από τη σχεσιακή βάση που αναπτύξαμε ενδεικτικά παραπάνω θα δημιουργήσουμε το ακόλουθο query: Κατάστημα equals του 198 (κωδικός καταστήματος) Εισόδημα equals to 6 (Y 80.000 ) Κάτοχος προθεσμιακού προϊόντος equals to 0 (όχι) 7

Επιλέγουμε με αυτό τον τρόπο τους πελάτες που ανήκουν στο κατάστημα Καλαμάτας, έχουν εισόδημα υψηλότερο των 80.000 και δεν είναι κάτοχοι προθεσμιακών προϊόντων στην Τράπεζα μας. Οι συγκεκριμένοι πελάτες, δεδομένου του υψηλού εισοδήματός τους & των χαμηλών υπολοίπων σε καταθετικούς λογαριασμούς, ενδέχεται να διατηρούν υψηλά υπόλοιπα σε άλλη τράπεζα. Συμπερασματικά, το εμπορικό τμήμα Marketing πρέπει να ξεκινήσει καμπάνια προώθησης προθεσμιακών προϊόντων στο κατάστημα Καλαμάτας έτσι ώστε να προσεγγίσει το μέσο όρο της Τράπεζας. Με το συγκεκριμένο query που μόλις τρέξαμε έχουμε εντοπίσει τους πελάτες στους οποίους θα πρέπει να στοχεύσει το κατάστημα. Όπως αναφέρθηκε παραπάνω, ενδέχεται η Πληροφορία που θα παραχθεί μέσω ενός query να μας οδηγήσει σε επιπλέον αποφάσεις & συμπεράσματα πέρα από αυτά που στοχεύσαμε εξ αρχής. Αν επεξεργαστούμε περαιτέρω τα δεδομένα στο πίνακα excel που δημιουργήθηκε μπορούμε: να αθροίσουμε την ημερήσια θέση των πελατών και να δούμε τα συνολικά υπόλοιπα αποταμιευτικών προϊόντων που κατέχουν οι Affluent πελάτες στο κατάστημα της Καλαμάτας να βρούμε το μέσο υπόλοιπο καταθέσεων ταμιευτηρίου των affluent πελατών και να εξάγουμε διάφορα συμπεράσματα για την αποτελεσματικότητα του καταστήματος. Πολυδιάστατη ανάλυση Σε μηνιαία βάση το εμπορικό τμήμα της Διεύθυνσης Marketing εξάγει λίστα-αναφορές με τα 10 καταστήματα που έχουν τη χειρότερη επίδοση για κάθε ένα προϊόν ξεχωριστά. Για την εξαγωγή αυτών των αναφορών χρησιμοποιούμε τον κύβο που ενδεικτικά δημιουργήσαμε παραπάνω. Έστω ότι θέλουμε να εστιάσουμε στις προθεσμιακές καταθέσεις. Αντίστοιχα εξάγουμε από τον κύβο λίστα των 10 καταστημάτων που παρουσιάζουν τα χαμηλότερα μέσα υπόλοιπα προθεσμιακών καταθέσεων η οποία περιλαμβάνει και το πελατολόγιο. Η λίστα αυτή μπορεί να επεξεργαστεί περαιτέρω με κάποιο εργαλείο επιχειρηματικής ευφυΐας με στόχο την εξαγωγή χρήσιμων συμπερασμάτων ή την δημιουργία πιο στοχευμένης πληροφορίας. Π.χ. με το εργαλείο επιχειρηματικής ευφυΐας rapid miner προχωράμε σε ομαδοποίηση των πελατών αυτών των καταστημάτων. Χρησιμοποιώντας όλα τα διαθέσιμα πεδία εκτός του καταστήματος & της κατοχής σπιτιού, μπορούμε να καταλήξουμε σε διάφορα συμπεράσματα. 8

Cid πελάτη Καταστήματα Προϊόντα Ηλικία Εισόδημα Γεωγραφία ΙΧ Κατάστημα Προθεσμιακή κατάθεση 1 2 3 4 5 6 1 2 3 4 5 6 Πόλη Ναι Όχι GIS η σημαντικότερη ομάδα από άποψη μεγέθους είναι η ομάδα 1 με υψηλό υπόλοιπο αποταμιευτικών προϊόντων, ηλικίας 40-55, έχουν στην κατοχή τους ΙΧ βρίσκονται στην Αθήνα και δευτερευόντως στη Θεσσαλονίκη μεγάλο ενδιαφέρον παρουσιάζει η ανάλυση & αξιοποίηση εκείνης της ομάδας πελατών που διαθέτει το υψηλότερο εισόδημα αλλά παράλληλα χαμηλά υπόλοιπα σε προθεσμιακές καταθέσεις. Μεταφέρουμε τα δεδομένα μας στο excel (drill through) και βρίσκω κατάστημα και cid πελάτη. Αυτό που έχω τελικά καταφέρει είναι από ένα τεράστιο αριθμό πελατών να καταλήξω σε συγκεκριμένους πελάτες και συγκεκριμένα καταστήματα για τους οποίους θα «τρέξει» καμπάνια για προώθηση της προθεσμιακής κατάθεσης. Εναλλακτικά, μπορούμε να χρησιμοποιήσουμε κάποιο εργαλείο επιχειρηματικής ευφυΐας GIS για να δούμε τα παραπάνω δεδομένα μας από διαφορετική οπτική γωνία. Εισάγουμε στο εργαλείο επιχειρηματικής ευφυΐας GIS το χάρτη της Ελλάδος ανά πόλη. Τα διαθέσιμα δεδομένα πίσω από το χάρτη είναι ο κωδικός πόλης, ο πληθυσμός και το κατά κεφαλήν εισόδημα. Ο κωδικός νομού θα χρησιμοποιηθεί για τη δημιουργία σχέσεων με τα δεδομένα των πελατών που έχουμε στη διάθεσή μας. Ομαδοποιούμε τις πόλεις σε 5 κατηγορίες βάσει του πληθυσμού, οι όποιες θα εμφανίζονται με διαφορετικό χρώμα. Προσθέτουμε μία ακόμα στιβάδα πόλεων ώστε να συγκρίνουμε και τα εισοδήματα. Θα ομαδοποιήσουμε τα δεδομένα του εισοδήματος και αντί για διάκριση με διαφορετικό χρώμα θα χρησιμοποιήσουμε διαφορετικού μεγέθους σύμβολα. Με την απεικόνιση των δεδομένων σε χάρτη GIS συμπεραίνουμε ότι υπάρχουν περιοχές με χαμηλό πληθυσμό αλλά με υψηλό κατά κεφαλή εισόδημα. Η πληροφορία αυτή είναι σημαντική για την λήψη διαφόρων αποφάσεων που αφορούν αρκετές Διευθύνσεις μίας Τράπεζας από τη Διεύθυνση Δικτύου για το άνοιγμα ενός νέου καταστήματος σε μία 9

φαινομενικά μικρή περιοχή αλλά με affluent 1 πελάτες, μέχρι την Εμπορική Διεύθυνση για έναρξη ενεργειών προώθησης καταθετικών προϊόντων, καρτών, ασφαλιστικών προϊόντων. Σ ένα κενό βιβλίο εργασίας ανοίγουμε την πολυδιάστατη βάση που δημιουργήσαμε στο προηγούμενο στάδιο. Θα χρησιμοποιήσουμε τα εργαλεία πολυδιάστατης ανάλυσης Pivot Table για να δημιουργήσουμε ένα πίνακα που μας δείχνει το πλήθος και τα συνολικά υπόλοιπα ανά είδος καταθέσεων σε επίπεδο πόλεων. Από αυτές τις στήλες μπορώ να υπολογίσω το μέσο υπόλοιπο καταθέσεων ανά πελάτη ανά πόλη. Καταλήγω στο συμπέρασμα ότι πόλεις όπως η Ρόδος και η Καλαμάτα έχουν πελάτες με υψηλές καταθέσεις προθεσμίας ενώ πόλεις όπως η Αθήνα και Θεσσαλονίκη έχουν χαμηλό average και στις δύο κατηγορίες καταθέσεων. Αν συνδέσω το αρχείο excel που δημιούργησα με την εφαρμογή GIS μπορώ να επιβεβαιώσω το συμπέρασμα στο οποίο κατέληξα με την πολυδιάστατη ανάλυση και να εντοπίσω στο χάρτη με διαφορετικές διαβαθμίσεις χρωμάτων τα καταστήματα των πόλεων που έχουν το μεγαλύτερο και το μικρότερο μέσο υπόλοιπο ανά πελάτη. Αν τώρα χρησιμοποιήσουμε και τις στιβάδες που δημιουργήσαμε σε προηγούμενο στάδιο καταλήγουμε στο συμπέρασμα ότι υπάρχουν πόλεις με υψηλό κατά κεφαλήν εισόδημα στις οποίες το δίκτυο της Τράπεζάς μας έχει πολύ χαμηλό μέσο υπόλοιπο καταθέσεων. Αυτό πρακτικά σημαίνει ότι τα καταστήματα αυτών των περιοχών έχουν την δυναμική να προσελκύσουν κεφάλαια από τους υφιστάμενους αλλά και νέους πελάτες. Καταλήγουμε στην απόφαση έναρξης προωθητικών ενεργειών προσέλκυσης κεφαλαίων στα καταστήματα αυτών των περιοχών. Με τον ίδιο τρόπο μπορούμε να ομαδοποιήσουμε τις πόλεις σύμφωνα με τον πληθυσμό και να το συγκρίνουμε με το πλήθος των πελατών μας στις πόλεις αυτές. Μπορούμε να καταλήξουμε σε λογικά συμπεράσματα, όπως για παράδειγμα ότι η το Δίκτυο μας στην Αθήνα έχει το υψηλότερο αριθμό πελατών αλλά και σε μη αναμενόμενα όπως πχ ότι στο Ηράκλειο Κρήτης το Δίκτυο μας έχει χαμηλότερο αριθμό πελατών από τα καταστήματά μας στην πόλη της Τρίπολης. Αν στο Ηράκλειο διαθέτουμε 5 καταστήματα και στη Τρίπολη μόλις 2 θα πρέπει να ξεκινήσουμε καμπάνιες προσέλκυσης πελατείας. 1 πελάτες που έχουν θέση πελάτη στην Τράπεζα μεγαλύτερη των 50.000 10

Data mining Συσχέτιση (associate) Στόχος: Κατασκευή ενός εργαλείου που θα προτείνει στους υπαλλήλους των καταστημάτων της Τράπεζας για το τι προϊόν να προωθήσουν στον πελάτη που εξυπηρετούν (cross selling). Χρήση εργαλείου data mining και συγκεκριμένα του αλγόριθμου συσχετισμός ή ανάλυση καλαθιού marketing. Επιθυμούμε να εντοπίσουμε ποια είναι τα κυριότερα τραπεζικά προϊόντα που πωλούνται στο ίδιο καλάθι αγορών και ως εκ τούτου μέσω του εργαλείου αυτού και του προφίλ του κάθε πελάτη να εντοπίσουμε ποιο προϊόν να του προτείνουμε (cross selling). Κεντρικός Πίνακας Πελάτης Περιφερειακός πίνακας Προϊόντα * Πελάτη * Πελάτη Φύλλο Ηλικία Εκπαίδευση Ετήσιο Εισόδημα Οικογενειακή κατάσταση Ιδιοκτησία κατοικίας Ιδιοκτησία αυτοκινήτου Αριθμός τέκνων Πιστωτική κάρτα Στεγαστικό δάνειο Καταναλωτικό δάνειο Δάνειο αγοράς αυτοκινήτου Λογαριασμός μισθοδοσίας Καταθετικό προϊόν Αποταμιευτικό πρόγραμμα Ασφάλεια αυτοκινήτου Ασφάλεια ζωής Ασφάλεια υγείας Επιλέγοντας σαν κωδικό συναλλαγής (Transaction ID) τον κωδικό του πελάτη και σαν είδος συναλλαγής τα προϊόντα, θα εντοπίσουμε τις αλληλεξαρτήσεις μεταξύ των διάφορων προϊόντων πχ εντοπίζουμε θετική συσχέτιση μεταξύ «Δάνειο αγοράς αυτοκινήτου» και «Ασφάλεια αυτοκινήτου» ή «Λογαριασμός μισθοδοσίας» και «Αποταμιευτικό πρόγραμμα». 11

Με βάση τους κανόνες αλληλεξάρτησης που θα προκύψουν από το data mining και ανάλογα με τη θέση του κάθε πελάτη θα προτείνουμε το προϊόν με την ισχυρότερη αλληλεξάρτηση (απόφαση) και αν είναι κάτοχος αυτού του προϊόντος το προϊόν με την αμέσως ισχυρότερη αλληλεξάρτηση. Έστω με βάση το δείγμα (πελατολόγιο τράπεζας) οι κανόνες αλληλεξάρτησης ταξινομημένοι ως προς την ισχύ τους έχουν ως εξής: κατά 82% όσοι έχουν Δάνειο αγοράς αυτοκινήτου» έχουν και «Ασφάλεια αυτοκινήτου» κατά 50% όσοι έχουν πρόγραμμα». «Λογαριασμός μισθοδοσίας» έχουν και «Αποταμιευτικό. Έστω ο πελάτης Παπαδόπουλος Γεώργιος ο οποίος έχει δάνειο αγοράς αυτοκινήτου, ασφάλεια αυτοκινήτου και λογαριασμό μισθοδοσίας θα του προτείνουμε Αποταμιευτικό πρόγραμμα. Η πρωτογενής πηγή δεδομένων είναι το κεντρικό σύστημα της Τράπεζας στο οποίο ανοίγει η καρτέλα πελάτη, καταχωρούνται όλες οι συναλλαγές και οι πωλήσεις των προϊόντων. Ενώ για το συγκεκριμένο λόγο αρκεί μια σχεσιακή βάση δεδομένων στη data warehouse: 12

Πελάτες Πελάτη Επώνυμο Όνομα ΑΦΜ Φύλλο Ηλικία Εκπαίδευση Ετήσιο Εισόδημ α Οικογενειακή κατάσταση Ιδιοκτησία κατοικίας Ιδιοκτησία αυτοκινήτου 1 Τόκα Άννα 999999 Άρρεν 30 ΑΕΙ 18.9 Έγγαμος ΝΑΙ ΝΑΙ 2 2 3 Προϊόντα 100 Περιγραφή Καταναλωτικό Δάνειο Πελάτη Προϊόντα Πελατών 1 100 200 Στεγαστικό Δάνειο 1 200 300 2 100 3 Προϊόντος Αριθμός τέκνων 13

Ομαδοποίηση (clustering) Απόφαση 1 Στόχος: Επιλογή πελατών στους οποίους θα προωθήσουμε τα εναλλακτικά δίκτυα (ATM, e-banking, phone banking) Η πρωτογενής πηγή δεδομένων είναι το κεντρικό σύστημα της Τράπεζας στο οποίο ανοίγει η καρτέλα του πελάτη & καταχωρούνται όλες οι συναλλαγές, ενώ για την ανάλυσή μου θα αντλήσω τα στοιχεία που χρειάζομαι από έναν κύβο OLAP αντίστοιχο με αυτόν που περιγράφηκε παραπάνω. Τα δεδομένα τα οποία χρειάζομαι για την ανάλυσή μου είναι: Cid πελάτη Επισκεψιμότητα στο κατάστημα Ηλικία Μορφωτικό Επίπεδο Επάγγελμα 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 Μορφωτικό Επίπεδο: 1: Μεταπτυχιακό / Διδακτορικό, 2: Ανώτατη μόρφωση (ΑΕΙ/ΤΕΙ), 3: Ανώτερη μόρφωση (ΙΕΚ κλπ), 4: Απόφοιτος Λυκείου, 5: Απόφοιτος Γυμνασίου, 6: Απόφοιτος Δημοτικού Επισκεψιμότητα στο κατάστημα: 1: Υψηλή, 2: Μέτρια, 3: Χαμηλή Χρήση εργαλείου data mining και συγκεκριμένα του αλγόριθμου clustering. Επιθυμούμε να εντοπίσουμε ποιοι είναι οι πελάτες που επισκέπτονται συχνά τα καταστήματα της τράπεζας για τις συναλλαγές τους, ενώ βάσει των χαρακτηριστικών τους (ηλικία, μορφωτικό επίπεδο, επάγγελμα) θα μπορούσαν να κάνουν χρήση των εναλλακτικών δικτύων. Επιλέγουμε τους πελάτες με Επισκεψιμότητα στο κατάστημα <3. 14

Το σύστημα θα τρέξει την ομαδοποίηση στο σύνολο των δεδομένων και θα προτείνει τον αριθμό των ομάδων. Με την ολοκλήρωση εμφανίζεται το διάγραμμα των ομάδων. Το σύστημα προτείνει 12 ομάδες. Επιλέγουμε να εμφανίζονται οι ομάδες με την ισχυρότερη συνάφεια. Στη συνέχεια επιλέγουμε να μελετήσουμε το προφίλ κάθε ομάδας (cluster characteristics), ενδεικτικά: Στην ομάδα 5 συγκεντρώνονται οι πελάτες που επισκέπτονται πολύ συχνά την τράπεζα, είναι μεγάλης ηλικίας και χαμηλού μορφωτικού επιπέδου (απόφοιτοι δημοτικού και γυμνασίου). Έχουμε μία ομάδα πελατών η οποία θεωρείται κατάλληλη για την ενίσχυσης χρήσης των ΑΤΜ s. Στην ομάδα 8 συγκεντρώνονται οι πελάτες που έχουν μέτρια επισκεψιμότητα στο κατάστημα, είναι μέσης ηλικίας, ενώ το μορφωτικό επίπεδο και το επάγγελμα είναι χαρακτηριστικά μικρότερης σημασίας. Λόγω του περιορισμένου budget για τη συγκεκριμένη καμπάνια δε θα προχωρήσουμε προς το παρόν σε προσέγγιση αυτής της ομάδας. Στην ομάδα 2 συγκεντρώνονται οι πελάτες με υψηλή επισκεψιμότητα και μικρής ηλικίας. Κάνοντας Drill Through, θα επιλέξουμε εκείνους τους πελάτες της ομάδας 2 που έχουν μέτριο & υψηλό μορφωτικό επίπεδο. Σύμφωνα με την τελική διαμόρφωση του πίνακα, έχουμε μία ομάδα πελατών η οποία ενδείκνυται κατάλληλη για την προώθηση e-banking και phone-banking. 15

Απόφαση 2 Στόχος: Κατασκευή ενός εργαλείου που θα εντοπίσει τους πελάτες που εμφανίζουν την ισχυρότερη σχέση με την Τράπεζα «πιστοί πελάτες» με σκοπό να πραγματοποιηθούν προωθητικές ενέργειες επιβράβευσης της Πιστότητας Πελατών. Χρήση εργαλείου data mining και συγκεκριμένα του αλγόριθμου ομαδοποίησης (clustering). Επιθυμούμε να εντοπίσουμε ποιοι είναι εκείνοι οι πελάτες που έχουν την ισχυρότερη σχέση με την Τράπεζα. Οι πελάτες που έχουν ισχυρή σχέση με την Τράπεζα είναι οι πελάτες που διατηρούν πλήθος τραπεζικών προϊόντων όπως πιστωτικές κάρτες, τραπεζικούς λογαριασμούς (μη μηδενικούς) καθώς επίσης και δανειακά προϊόντα. Η πρωτογενής πηγή δεδομένων είναι το κεντρικό σύστημα της Τράπεζας στο οποίο ανοίγει η καρτέλα του πελάτη, καταχωρούνται όλες οι συναλλαγές και οι πωλήσεις των προϊόντων. Για την εφαρμογή της ομαδοποίησης θα αντλήσω από μια πολυδιάστατη βάση δεδομένων (κύβος) τα εξής δεδομένα: CID-Αριθμός πιστωτικών καρτών-αριθμός δανείων-αριθμός προϊόντων- μέσο ετήσιο ύψος καταθέσεων. Cid πελάτη Αριθμός πιστωτικών καρτών Αριθμός Δανείων (Καταναλωτικών, Στεγαστικών, Δάνεια αγοράς αυτοκινήτου) Αριθμός προϊόντων (αποταμιευτικά, καταθετικά, ασφάλειες αυτοκινήτου, ζωής, υγείας, 1 2 3 4 25.4 2 1 2 2 120.3 3 1 2 1 250.3 4 5 0 ο 85.2 *Σε χιλιάδες Μέσο ετήσιο ύψος Καταθέσεων* 16

Το σύστημα θα τρέξει την ομαδοποίηση στο σύνολο των δεδομένων και θα προτείνει τον αριθμό των ομάδων. Με την ολοκλήρωση, θα εμφανιστεί το διάγραμμα των ομάδων. Όσο μεγαλύτερη είναι η γραμμή συσχέτισης, τόσο μεγαλύτερη θα είναι και η συνάφεια των ομάδων. Εμείς θα επιλέξουμε να μελετήσουμε το προφίλ κάθε ομάδας. Τα δεδομένα που θα προκύψουν θα περιλαμβάνουν ομάδες οι οποίες ενδεικτικά θα εμφανίζουν χαρακτηριστικά όπως: Cluster1: Υψηλός αριθμός πιστωτικών καρτών, χαμηλός αριθμός δανείων, χαμηλός αριθμός προϊόντων, μέτριες καταθέσεις (μεταξύ 50.000-100.000). Cluster2: Χαμηλός αριθμός πιστωτικών καρτών, χαμηλός αριθμός δανείων, υψηλός αριθμός προϊόντων, υψηλές καταθέσεις (άνω των 100.000). Cluster3: Χαμηλός αριθμός πιστωτικών καρτών, καθόλου δάνεια, καθόλου καταναλωτικά προϊόντα, χαμηλό ύψος καταθέσεων (κάτω των 50.000). Επιλέγοντας τα χαρακτηριστικά μιας ομάδας μπορούμε να μελετήσουμε ποιες μεταβλητές χαρακτηρίζουν περισσότερο την κάθε ομάδα ενώ επιλέγοντας τα στοιχεία διαφοροποίησης μπορούμε να συγκρίνουμε δύο ομάδες. Από την παραπάνω ομαδοποίηση μπορούμε να καταλήξουμε σε συγκεκριμένες προωθητικές ενέργειες επιβράβευσης ανάλογα με τα χαρακτηριστικά της ομάδας. Ενδεικτικά: Cluster 1: Επιβράβευση με επιστροφή πρόσθετων πόντων στις επόμενες αγορές. Cluster2: Επιβράβευση με δωρεάν χρήση ασφαλιστικού προγράμματος υγείας εξωνοσοκομειακής περίθαλψης για ένα χρόνο. Cluster3: Καμία επιβράβευση: οι πελάτες αυτοί δεν θεωρούνται «πιστοί πελάτες». Μπορούμε να προχωρήσουμε ένα βήμα παρακάτω σε περίπτωση που η προωθητική ενέργεια πρέπει να περιοριστεί σε ακόμα μικρότερη ομάδα λόγω συγκεκριμένων πόρων που μπορούν να διατεθούν για το σκοπό αυτό. Έστω λοιπόν ότι αποφασίζεται ότι η επιβράβευση θα είναι ένα δωρεάν προϊόν εξωνοσκομειακής περίθαλψης για έναν χρόνο. Οι πελάτες στους οποίους θα απευθυνθούμε θα είναι αυτοί που έχουν μεγάλο πλήθος προϊόντων, μεταξύ των οποίων υψηλές καταθέσεις και είναι κάτοχοι Ασφάλειας Ζωής ή Αποταμιευτικού προγράμματος ενώ δε διατηρούν ασφάλεια υγείας. Για τους σκοπούς της παραπάνω απόφασης θα ακολουθήσουμε τη διαδικασία drill through για να μελετήσουμε τα πρωτογενή δεδομένα της ομάδας. Θα επιλέξουμε την ομάδα που παρουσιάζει τον υψηλότερο αριθμό προϊόντων και ταυτόχρονα υψηλές καταθέσεις. Στα παραδείγματα που παρατέθηκαν παραπάνω αυτή η ομάδα είναι η ομάδα 2. Θα έχουμε έτσι στη διάθεσή μας πίνακα φύλλο εργασίας (Drill Through) το οποίο περιλαμβάνει όλα τα δεδομένα (πρωτογενή) της ομάδας 2. Χρησιμοποιώντας φίλτρο στη στήλη με τα 17

προϊόντα θα επιλέξουμε αυτά με την ονομασία Ασφάλεια Ζωής και αυτά με την ονομασία Αποταμιευτικό Πρόγραμμα. Απομονώσαμε έτσι τους πελάτες τους οποίους θέλουμε να πριμοδοτήσουμε. Ταξινόμηση (Classification) Οι πελάτες που αποφασίζουν να διακόψουν τη σχέση τους με την Τράπεζα καλούνται να συμπληρώσουν συγκεκριμένο ερωτηματολόγιο αποχώρησης. Τα ερωτηματολόγια που συμπληρώνουν οι πελάτες είχαν τα εξής πεδία: Επώνυμο και Όνομα πελάτη,cid, φύλο (Άνδρας/ Γυναίκα), ηλικία, κανάλι εξυπηρέτησης που χρησιμοποιήθηκε συχνότερα από τον πελάτη (Δίκτυο Καταστημάτων, e-banking, phone banking, mobile banking, ATM), ικανοποίηση από τα κανάλια εξυπηρέτησης (Ναι / Όχι), πιθανότητα νέας συνεργασίας με τη Τράπεζα (Ναι / Όχι), Αιτία αποχώρησης (Ελλιπής Εξυπηρέτηση, Λανθασμένη Ενημέρωση, Αναμονή). Στόχος: Ανάλυση αποχωρήσεων (με σκοπό την περαιτέρω αξιοποίησή της). Το εργαλείο BI που θα χρησιμοποιήσουμε είναι το Data Mining και ειδικότερα ο αλγόριθμος ταξινόμησης. Οι πρωτογενείς πηγές δεδομένων για την ανάλυσή μας είναι μια τοπική βάση δεδομένων στην οποία έχουν καταχωρηθεί τα ερωτηματολόγια βάθους 5ετίας που έχουν συμπληρώσει πελάτες που έχουν διακόψει τη συνεργασία τους με τη Τράπεζα και τα οποία καταχωρήθηκαν σε τοπικά ERP, το κεντρικό σύστημα της Τράπεζας και μια τοπική βάση δεδομένων στην οποία καταχωρούνται τα παράπονα των πελατών. Για την ανάλυση των αποχωρήσεων θα χρειαστούμε μια σχεσιακή βάση της ακόλουθης δομής: 18

Ερωτηματολόγιο PK : Ερωτηματολογίου, Πελάτη Ερωτηματολογίου Πελάτη Ικανοποίηση από Κανάλια Εξυπηρέτησης Πιθανότητα νέας Συνεργασίας 1 00001 Ναι Όχι 2 00002 Όχι Όχι Πελάτης PK : Πελάτη Πελάτη Επώνυμο Όνομα Αφμ Φύλο Ηλικία Ετήσιο Εισόδημα Οικογενειακή κατάσταση 00001 Τόκα Άννα 999999 Άρρεν 30 18.9 Έγγαμος 00002... 00003... Παράπονα Πελατών PK : Πελάτη, Κατηγορίας Παραπόνου Πελάτη Κατηγορίας Παραπόνου 00001 1 00001 2 Κανάλια Εξυπηρέτησης Πελάτη PK : Πελάτη, Καναλιού Πελάτη Καναλιού 00001 1 00001 2 00002 2 Προϊόντα Πελάτη PK : Πελάτη, Προϊόντος Πελάτη Είδους Λογαριασμού 00001 1 00001 2 00002 1 Κατηγορία Παραπόνου PK : Κατηγορίας Κανάλια Εξυπηρέτησης PK : Καναλιού Είδη Προϊόντων PK : Είδους Κατηγορίας 1 2 Περιγραφή Ελλιπής Εξυπηρέτηση Λανθασμένη Ενημέρωση 3 Αναμονή Καναλιού Περιγραφή 1 e-banking 2 Δίκτυο Καταστημάτων 3 ATM Είδους 1 2 3 Περιγραφή Λογαριασμός Μισθοδοσίας Αποταμιευτικός Λογαριασμός Στεγαστικό Δάνειο 19

Με το δένδρο αποφάσεων επιδιώκουμε να επιλύσουμε τη μεταβλητή στόχευσης (Διακοπή συνεργασίας) σαν συνάρτηση των υπόλοιπων μεταβλητών εισόδου ήτοι: τα κανάλια εξυπηρέτησης (δίκτυο καταστημάτων, e-banking, ATM) που χρησιμοποιούσε κυρίως ο πελάτης τα είδη των προϊόντων που διατηρούσαν οι πελάτες που έφυγαν αν έχουν υποβάλει ή όχι παράπονα πριν την αποχώρησή τους το είδος του-ων παραπόνου-ων Το δίκτυο αλληλεξάρτησης μας δείχνει ότι το βασικότερο κριτήριο για το αν ένας πελάτης διέκοψε τη συνεργασία του με την Τράπεζα είναι το κανάλι εξυπηρέτησης που χρησιμοποιούσε κυρίως ο πελάτης. Αμέσως επόμενο κριτήριο τα είδη των προϊόντων που είχε και τέλος αν είχε υποβάλει παράπονο και ποιο ήταν αυτό. 20

21

22

Από το δένδρο απόφασης εξάγουμε τα εξής συμπεράσματα: Οι πελάτες οι οποίοι αποχωρούν έχουν ως κύριο κανάλι εξυπηρέτησης το κατάστημα σε ποσοστό 75%. Οι πελάτες οι οποίοι αποχωρούν έχουν κατά βάση ως κύριο προϊόν τον αποταμιευτικό λογαριασμό (60-70%). Δεδομένου ότι το στεγαστικό δάνειο είναι ένα προϊόν που δύσκολα μεταφέρεται σε άλλη Τράπεζα και η επιλογή της Τράπεζας που κατατίθεται η μισθοδοσία πολλές φορές δεν είναι επιλογή του εργαζόμενου αλλά του εργοδότη, τα % αυτά είναι πολύ λογικά. Οι πελάτες οι οποίοι αποχωρούν έχουν εκφράσει παράπονο σε πολύ μικρό ποσοστό (20%) Για τα προϊόντα Μισθοδοσίας και Αποταμιευτικός λογαριασμός τα περισσότερα παράπονα αφορούν σε αναμονή. Δεδομένου ότι τα παραπάνω προϊόντα εξυπηρετούνται από τα ταμία της Τράπεζας αυτό σημαίνει ότι υπάρχει έλλειψη προσωπικού για αυτή τη θέση. Για τα στεγαστικά δάνεια τα περισσότερα παράπονα αφορούν σε ελλιπή εξυπηρέτηση και λανθασμένη ενημέρωση. Ενδεχομένως ελλιπής εκπαίδευση των στεγαστικών συμβούλων. Λαμβάνοντας υπόψη τα παραπάνω θα μπορούσαμε να προχωρήσουμε στις εξής αποφάσεις-ενέργειες: Πρόσληψη προσωπικού και καμπάνια ανακατεύθυνσης των πελατών στα εναλλακτικά δίκτυα. Ανάπτυξη εργαλείου για την καταχώρηση των παραπόνων των πελατών που εκφράζονται προφορικά στους υπαλλήλους. Εκπαίδευση των στεγαστικών υπαλλήλων σε θέματα εξυπηρέτησης πελατείας και σεμινάρια σχετικά με τα προϊόντα. 23

Predictive Analytics Το περασμένο εξάμηνο έτρεξε πιλοτικά μια καμπάνια για ένα νέο τραπεζοασφαλιστικό προϊόν. Εστάλη ταχυδρομικά διαφημιστικό υλικό σε 2.000 πελάτες (συνολικό πελατολόγιο τριών συγκεκριμένων καταστημάτων) και μετά από μια εβδομάδα ο επενδυτικός σύμβουλος του καταστήματος στο οποίο ανήκει επικοινώνησε με τους υποψήφιους πελάτες σχετικά. Στόχος: Επιλογή του Target group που θα προωθήσω το νέο τραπεζοασφαλιστικό προϊόν. Αξιοποιώντας τα τελικά αποτελέσματα της πιλοτικής καμπάνιας (αγορά ή όχι του προϊόντος) θα προσπαθήσουμε να εκτιμήσουμε την πιθανότητα το υπόλοιπο πελατολόγιο μας να αγοράσει το συγκεκριμένο προϊόν, και με βάση τις πιθανότητες να προσεγγίσουμε στοχευμένα πλέον συγκεκριμένους πελάτες (να ορίσουμε το επιθυμητό Target group). Για το συγκεκριμένο σκοπό θα γίνει χρήση ενός εργαλείου PREDICTIVE ANALYTICS και συγκεκριμένα του RAPID MINER. Αρχικά εκπαιδεύουμε το σύστημα με βάση τα ιστορικά δεδομένα των 2.000 πελατών οι οποίοι προσεγγίστηκαν πιλοτικά. Το αρχείο το οποίο θα χρησιμοποιηθεί για αυτό το σκοπό περιλαμβάνει τα ακόλουθα πεδία: Αν αγόρασε το προϊόν ( Yes or No) Φύλλο Ηλικία Ετήσιο Εισόδημα Οικογενειακή Κατάσταση και θα μας δώσει το δένδρο αποφάσεων. Η πρωτογενής πηγή δεδομένων είναι μια τοπική βάση στην οποία καταχωρήθηκαν από τα καταστήματα τα αποτελέσματα της προσέγγισης των πελατών και το κεντρικό σύστημα της τράπεζας από το οποίο αντλούνται τα στοιχεία όπως ηλικία, οικογενειακή κατάσταση, ετήσιο εισόδημα και φύλλο. Δεδομένου ότι η καμπάνια έτρεξε πιλοτικά σε συγκεκριμένα καταστήματα και όχι σε ομάδα πελατών με συγκεκριμένα χαρακτηριστικά (πχ εισόδημα, ηλικία κλπ) το δένδρο αποφάσεων 24

θα μας δώσει γνώση αναφορικά με τα χαρακτηριστικά των πελατών που αγόρασαν το προϊόν ως προς τις παραμέτρους ηλικία, φύλλο, εισόδημα και οικογενειακή κατάσταση. Η γνώση που μας προσφέρει το δένδρο αποφάσεων θα χρησιμοποιηθεί για την εκτίμηση της πιθανότητας αγοράς του προϊόντος από το υπόλοιπο πελατολόγιο της Τράπεζας. Χρησιμοποιώντας το δέντρο αποφάσεων, τον τελεστή Apply Model (πρόβλεψη), το αρχείο με τους υποψήφιους πελάτες και τον τελεστή X-Validation (αξιοπιστία και ακρίβεια του μοντέλου) στο Rapid miner θα λάβουμε τη λίστα των υποψήφιων πελατών εμπλουτισμένη από το πρόγραμμα με την πληροφορία αν θα αγοράσουν το προϊόν ή όχι και με τι πιθανότητα (Confidence (yes) Confidence (no)). Text Mining Η τράπεζα έχει δημιουργήσει στο μέσο κοινωνικής δικτύωσης «Α» την επίσημη σελίδα της, στην οποία αναρτεί τις δραστηριότητες που πραγματοποιεί στα πλαίσια της Εταιρικής Κοινωνικής Ευθύνης. Το μέσο κοινωνικής δικτύωσης παρέχει την επιλογή απενεργοποίησης/ενεργοποίησης των σχολίων των επισκεπτών. Στόχος: δημιουργία ενός εργαλείου με το οποίο αυτοματοποιημένα θα κατηγοριοποιούνται τα σχόλια. Για το συγκεκριμένο σκοπό θα γίνει χρήση ενός εργαλείου Text Mining και συγκεκριμένα του RAPID MINER. 25

Για τη δημιουργία του μοντέλου βάσει του οποίου αυτοματοποιημένα πλέον θα χαρακτηρίζονται τα σχόλια ως αρνητικά, θετικά ή ουδέτερα θα χρησιμοποιήσουμε τα σχόλια τα οποία συντάχθηκαν τον προηγούμενο μήνα Απρίλιο. Τα σχόλια είναι στο σύνολό τους 600 και έχουν καταχωρηθεί σε τρεις κατηγορίες: Θετικά (420) Αρνητικά (150) Ουδέτερα (30) Χρησιμοποιούμε τον τελεστή Process Documents from files και δημιουργούμε τρεις κλάσεις (positive, negative, neutral) ορίζοντας τις περιοχές με τα χαρακτηρισμένα σχόλια του προηγούμενου μήνα. Σταδιακά προσθέτουμε όλους τους τελεστές επεξεργασίας κειμένου και στη συνέχεια στον τελεστή αξιοπιστίας-ακρίβειας του μοντέλου. Τέλος προχωρούμε στη δημιουργία και την αξιολόγηση του μοντέλου. Πλέον έχει δημιουργηθεί μια εκτεταμένη λίστα λέξεων οι οποίες χρησιμοποιούνται σε κάθε μια από τις κατηγορίες σχολίων. Σε μηνιαίο επίπεδο θα κατηγοριοποιούνται τα νέα σχόλια σε θετικά, αρνητικά και ουδέτερα βάσει του μοντέλου που αναπτύξαμε παραπάνω. Η απόφαση για την απενεργοποίηση της δυνατότητας σχολιασμού γίνεται βάσει των αποτελεσμάτων της εφαρμογής του μοντέλου και των business κριτηρίων που έχουν τεθεί πχ: ποσοστό αρνητικών σχολίων του περασμένου μήνα υψηλότερου του 50% ποσοστό αρνητικών σχολίων των δυο τελευταίων μηνών μεταξύ 40-50% 26