Разработка модели системы управления взаимоотношениями с клиентами на основе DATA MINING

1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ УПРАВЛЕНИЯ ВЗАИМООТНОШЕНИЯМИ С КЛИЕНТАМИ НА ОСНОВЕ DATA MINING 8
1.1 Понятие Data Mining 8
1.2 Исследование методов интеллектуального анализа данных применительно к CRM-системам 9
1.3 Этапы внедрения CRM-систем 13
2. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 18
2.1 Организационно-финансовая характеристика ООО «Инфоком-С» 18
2.2 Методология моделирования CRM-систем на основе интеллектуального анализа данных 23
2.2.1 Аналитический обзор методов и технологий интеллектуального анализа данных 23
2.2.2 Алгоритм k-средних 26
2.2.3 Алгоритм С4.5 28
2.3 Выбор технологии для анализа бизнес-процесса управления взаимоотношениями с клиентами 32
2.4 Концептуальное моделирование бизнес-процесса управления взаимоотношениями с клиентами 33
2.5 Обоснование выбора технологии моделирования CRM-системы 40
3. РАЗРАБОТКА CRM-СИСТЕМЫ 43
3.1 Моделирование CRM-системы 43
3.2 Реализация CRM-системы на основе Data Mining 49
3.2.1 Описание основного принципа работы CRM-системы 49
3.2.2 Реализация информационной безопасности CRM-системы 58
3.3 Расчет показателя эффективности CRM-системы 60
СПИСОК ИНФОРМАЦИОННЫХ ИСТОЧНИКОВ 65
ПРИЛОЖЕНИЕ А 69

Весь текст будет доступен после покупки

В управлении предприятием одним из главных процессов является умение взаимодействовать с клиентами. Повышение объема продаж, сокращение материальных ресурсов на обслуживание, повышение прибыли предприятия за счёт увеличения лояльности клиента, реализация управления, направленного на качественную работу с клиентами, на решение их потребностей, осуществляются с помощью CRM-систем (Customer Relationship Management Systems).
Сбор клиентских данных, а также последующий поведенческий анализ этих данных и прогнозирование, благоприятно сказываются на возрастании количества продаж и оптимизации коммуникации с клиентами. Все это становится возможным и достигается благодаря использованию передовых информационных технологий при реализации CRM - концепции.
Современный рынок программных продуктов предоставляет возможность выбора готовых решений в области CRM-систем как для маленьких и средних компаний в качестве отдельных ИС для автоматизации управления заказами клиентов, так и для крупных компаний в виде КИС известных вендоров. Стоит обратить внимание, что в малых компаниях широкие возможности функциональности CRM-систем упускаются из виду в следствие того, что преимущественно компании используют программное обеспечение в качестве АИС управления контактами, в которой структурируются только клиентские данные.
Для решения задач привлечения и удержания клиентов в ходе взаимодействия с ними предназначен операционный уровень CRM. Аналитические CRM оказывают содействие в разработке стратегии маркетинговой политики, основываясь на анализе имеющихся данных. Сложные аналитическиесистемы как отдельные ИС не осуществляются в связи с большими затратами на их разработку и внедрение. Такие возможности присутствуют лишь в функционале КИС. Data Mining лежит в основе таких аналитических систем.

Весь текст будет доступен после покупки

1.1 Понятие Data Mining

Проблеме управления взаимоотношениями с клиентами на основе Data Mining посвящены научные труды отечественных (Буянский С.Г., Митина О.А. и другие) и зарубежных исследователей (Bourgeois D. и другие).
«Технология интеллектуального анализа данных (Data Mining) является технологией, воплощающей аналитические функции систем управления взаимоотношениями с клиентами» [22].
Формированию больших массивов данных способствовали глобальная информатизация бизнес-процессов, быстрый темп образования данных, расширение возможностей Интернета, выступающего в качестве еще одного канала получения информации и способа коммуникации с клиентами.
В настоящее время «методы математической статистики не перспективны в задачах отыскания полезной информации в данных по причине усреднений по выборке, которые сводятся к операциям над фиктивными величинами» [33] (например, среднии? балл по экзамену по русскому языку в Самарскои? области). «Математическую статистику рациональнее применять для подтверждения гипотез, сформулированных заранее. Основная идея паттернов (шаблонов), которые включают фрагменты многоаспектных взаимоотношении? в данных (т.е. закономерности, принадлежащие подвыборкам данных, которые могут быть доступно интерпретированы), является базисом современнои? технологии Data Mining. Обнаружение шаблонов производится с помощью большого количества известных предположении? о виде распределении? значении? анализируемых показателеи? и структуре выборки» [33].
На сегодняшнии? день в трудах отечественных и зарубежных исследователеи? встречается несколько определении? понятия Data Mining:
? ¬«Data Mining – это процесс выделения из данных неявнои? и неструктурированнои? информации и представления ее? в виде, пригодном для реализации» [40];
? ¬«Data Mining – это процесс анализа, выделения и представления детализированных (detailed data) данных неявнои? конструктивнои? информации для решения проблем бизнеса» [35];
? ¬«Data Mining – это процесс автоматического выделения деи?ствительнои?, эффективнои?, ранее не известнои? и совершенно понятнои? информации из больших баз данных и использование ее? для принятия ключевых бизнес-решении?» [37].
В работе мы будем опираться на «определение Григория Пиатецкого-Шапиро, одного из основателеи? технологии интеллектуального анализа данных. Предложенная им трактовка содержит четыре ключевых момента, присутствующих в приведенных выше определениях» [19]:
«Data Mining – это процесс обнаружения в сырых данных:
? ранее неизвестных;
? нетривиальных;
? практически полезных;
? доступных интерпретации знании?, необходимых для принятия решении? в различных сферах человеческои? деятельности» [36].


1.2 Исследование методов интеллектуального анализа данных применительно к CRM-системам

Цель разработки и внедрения системы взаимоотношении? с клиентами - как накопление клиентскои? информации и реализация регламентных процедур, так и улучшение коммуникации с клиентами:
? ¬выделение целевои? аудитории;
? ¬определение потребительских характеристик;
? ¬анализирование алгоритма продаж;
? ¬анализ и оценка эффективности маркетинговои? деятельности предприятия.
Без последующего глубокого анализирования сбор информации, накапливающеи?ся со временем, не имеет оптимальнои? эффективности, отсюда имеется противоречие: обилие информации, а на практике от нее – минимум выгоды. Только аналитическая деятельность приведет к преобразованию данных в знания.
Анализирование данных берет начало как с визуализации (использование графиков, гистограмм, диаграмм), так и с аналитическои? отчетности, применения нестандартных запросов и использования технологии OLAP (On-Line Analytical Processing). Эти практичные инструменты направлены на изучение только явных связеи?.
В настоящее время предпринимательство характеризуется нетривиальными зависимостями, колоссальными объемами данных, стремительными преобразованиями. Инновационные инструменты анализа помогают обнаружить в больших объемах данных сложные закономерности.
По сути это является единственным вариантом получить пользу из накопленных сведении? и преобразовать знания в превосходство перед конкурентами.
«Data Mining – это технология, которая ориентирована на поиск в базах данных неочевидных, объективных и полезных на практике закономерностеи?» [14] (Рисунок 1.1).

Весь текст будет доступен после покупки

1. Федеральный закон Российской Федерации от 20 февраля 1995 г. № 24-ФЗ, ст.2. «Об информации, информатизации и защите информации».
2. ГОСТ 19.701-90. Схемы алгоритмов, программ, данных и систем. Условные обозначения и правила выполнения (ИСО 5807-85). Введ. 1992-01- 01. М. : Издательство стандартов, 1992. 14 с.
3. ГОСТ 34.003-90. Информационная технология. Комплекс стандартов на автоматизированные системы. Термины и определения. Взамен ГОСТ 24.003-84, ГОСТ 22487-77. Введ. 1992-01-01. М. : Издательство стандартов, 1992. 14 с.
4. ГОСТ 34.320-96. Информационная технология. Система стандартов по базам данных. Концепции и терминология для концептуальнои? схемы и информационнои? базы. Введ. 2001-07-01. М. : Издательство стандартов, 2001. 46 с.
5. ГОСТ 34.601-90. Информационные технологии. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Стадии создания. Введ. 1992-01-01. М. : Издательство стандартов, 1992. 6 с.
6. ГОСТ Р ИСО/МЭК 12207-99. Информационная технология. Процессы жизненного цикла программных средств. Введ. 2000-07-01. М. : Издательство стандартов, 2000. 30 с.
7. Абдикеев Н. М. Интеллектуальные информационные системы. Учебное пособие. М. : РЭА им. Плеханова, 2017. 205 с.
8. Аверкин А. Н. Нечеткие множества в моделях управления и искусственного интеллекта. М. : Наука, 2019. 104 с.
9. Арлазаров В. Л. Теория и методы создания интеллектуальных компьютерных систем / В. Л. Арлазаров, Ю. И. Журавлев, О. И. Ларичев // Информационные технологии и вычислительные системы. 2018. No1. С. 47-48.

Весь текст будет доступен после покупки