Программа лояльности для турбизнеса и директ-маркетинг
Продолжаем рассказ о том, что такое программы лояльности и зачем они нужны в туризме (см. RATA-news от 14, 21 мая, 10,11 июня 2004). Сегодня речь пойдет о том, как наиболее эффективно использовать базу данных, какие сведения, содержащиеся в базе, помогут лучше спланировать процесс продаж, увеличить их объем; какие новые технологии используются при составлении баз данных.
Корпоративная база данных любого современного туроператора обычно содержит набор таблиц, хранящих записи о тех или иных фактах либо объектах (например, о продажах, клиентах, счетах). Как правило, каждая запись в подобной таблице описывает какой-то конкретный объект или факт. Например, запись в таблице продаж отражает тот факт, что такая-то услуга продана такому-то клиенту тогда-то таким-то менеджером и источник получения этого клиента. Cовокупность большого количества таких записей, накопленных хотя бы за год, может стать источником дополнительной, гораздо более ценной информации, которую нельзя получить на основе одной конкретной записи, а именно – сведений о закономерностях, тенденциях или взаимозависимостях в базе данных. Примерами подобной информации являются сведения о том, как зависят продажи определенного тура от времени года, какие категории покупателей чаще всего приобретают тот или иной продукт.
Подобного рода информация обычно используется при прогнозировании и стратегическом планировании, и ценность ее для предприятия очень высока. Видимо, поэтому процесс ее поиска и получил название Data Mining (mining в переводе с английского означает «добыча полезных ископаемых»). Термин Data Mining обозначает не столько конкретную технологию, сколько сам процесс поиска тенденций, взаимосвязей и закономерностей. Цель этого поиска – представить данные в виде, четко отражающем бизнес-процессы, а также построить модель, при помощи которой можно прогнозировать процессы, критичные для планирования бизнеса (например, динамику спроса на те или иные услуги по организации путешествий, либо зависимость их приобретения от каких-то характеристик потребителя).
В основу современной технологии Data Mining положена концепция шаблонов, отражающих закономерности, свойственные подвыборкам данных. Поиск шаблонов производится методами, не использующими никаких априорных предположений об этих подвыборках. Применение Data Mining, как правило, подразумевает ответы на вопросы типа «существует ли типичная категория клиентов, приобретающая тот или иной тур или выбирающая для отдыха ту или иную страну?». При этом именно ответ на второй вопрос нередко обеспечивает более нетривиальный подход к маркетинговой политике и к организации работы с клиентами. Например, если бы вы отмечали в базе, к примеру, цвет глаз клиента, то однажды получили бы что-то вроде такого результата: клиенты с голубыми глазами на 47% чаще ездят в одну страну, а с зелеными на 28% - в другую.
Важной особенностью Data Mining является нестандартность и неочевидность разыскиваемых шаблонов. Применение Data Mining оправдано при наличии достаточно большого количества данных, в идеале – содержащихся в корректно спроектированном хранилище данных (собственно, сами хранилища данных обычно создаются для решения задач анализа и прогнозирования, связанных с поддержкой принятия решений). Данные в хранилище представляют собой пополняемый набор, единый для всего предприятия и позволяющий восстановить картину его деятельности на любой момент времени.
Четыре стандартных типа закономерностей, выявляемых методами Data Mining: ассоциация – высокая вероятность связи событий друг с другом; последовательность – высокая вероятность цепочки связанных во времени событий; классификация – имеются признаки, характеризующие группу, к которой принадлежит то или иное событие или объект (обычно при этом на основании анализа уже классифицированных событий формулируются некие правила); временные закономерности – типичный пример – сезонные колебания спроса, хотя это видно и невооруженным взглядом. (Продолжение следует).
Источники информации:
