Возможности предиктивной аналитики...

Возможности предиктивной аналитики SAP

для анализа клиентских данных Михаил Аветисов, эксперт SAP, прогнозная аналитика 9 апреля 2015 Public

© 2015 SAP SE or an SAP affiliate company. All rights reserved. 2 Public

• Клиенты

• Маршруты

• Сотрудники

• Парк ВС

Что такое прогнозное моделирование?

Данные бизнеса

«ХОРОШО» «ПЛОХО»

ID Пол ВозрастГражданствоДоход Статус Канал продажСегмент Дата посл.покупкиОтклик Дебошир

1020 М 45 РФ 75000 Новый Прямая Бизнесмен 20.07.2014 Нет Да

1021 Ж 26 Казахстан 45000 Активный Интернет Путешественник 10.07.2014 Да Нет

Прогнозное моделирование:

1. По известным историческим результатам процесса (бизнес- или технологического) выявить закономерности, влияющие на его результат (построить модель).

2. На основе выявленных закономерностей сделать прогноз о результатах процессов в будущем

3. Оптимизировать процесс, на основе сделанного прогноза

Примеры задач:

• Оптимизация рассылки по прогнозу отклика на

предложение

• Прогноз загрузки рейса

• Прогноз вероятности отказа узла или агреагата

• Прогноз рентабельности рейса на новом

направлении


• Новые

• Прогнозирование загрузки

• Влияние тарифов на загрузку

• Оптимизация расписания

• Привлечение

• Развитие

• Удержание

• Прогнозирование отказов

• Оптимизация ремонтов

Земля Пассажиры

Маршруты Тарифы.

Расписание

Возможности для оптимизации с помощью прогнозной аналитики

в авиакомпании

Анализ KPI


Анализ KPI

1. Анализируя информацию за прошлые периоды, выявить показатели, в наибольшей

степени влияющих на главные бизнес-индикаторы (прибыль, маржинальный доход, доля

рынка).

2. Используя полученную модель для «что-если» анализа, подобрать значения KPI и

драйверов процесса, необходимых для достижения требуемого результата

3. Оптимизировать

отдельные процессы

для достижения

установленных

плановых KPI

Драйверы

KPI

Основные бизнес-индикаторы

Прибыль

Пассажирокм

Ср. плечо рейса

Ср. загрузка рейса

… Выручка

/ пассажира


Пассажиры

Привлечение Анализ эффективности каналов массовой рекламы

– Связать исторические данные о продажах билетов в регионе с данными о рекламе (затраты, доля по сравнению с конкурентами…)

– Установив влияние каждого канала на продажи, сократить неэффективные затраты или перенаправить их в другие каналы.

– Метод позволяет, например, определить верхние границы вложений в массовую рекламу, повышение затрат выше которых не ведёт к росту продаж

Москва и Санкт-Петербург Города миллионники Города < 900000

Лето

Щиты: 70% ТВ: 30%

Щиты: 50% ТВ: 50%

И-нет: 30%ТВ: 70%

Зима

Щиты: 80% ТВ: 20%

Щиты: 30% ТВ: 70%

ТВ: 100%

http://filurin.ru/wp-content/uploads/2013/03/eldorado11.jpg





Пассажиры – Программа лояльности

Целевые рассылки

Выбор оптимального предложения, канала и времени обращения на основе прогноза отклика (по

результатам прошлых кампаний или тестовых рассылок)

Удержание – Выбор клиентов с высокой вероятностью оттока для действий по удержанию

– Выбор действия по удержанию, с наибольшей вероятностью удерживающего клиента.

Рекомендации на сайте

Выбор для отображения на сайте направлений и услуг, наиболее подходящих посетителю сайта

Предложение 2 Интернет

Готов к оттоку

Предложение 1

Традиционные

Готова для

предложения 1

Предложение 3

Социальные сети

Уже получила

предложение и

сказал «нет».

?


Пассажиры – рекомендации на сайте

• Микросегментация клиентской базы

• Выявление групп клиентов, связанных между собой сходным поведением на сайте

(приобретают/просматривают одинаковые продукты)

• Рекомендации клиентам

• Выявление продуктов (отели, такси, апгрейды класса), отсутствующей в корзине клиента, но

присутствующей в корзинах связанных клиентов. Индивидуальные рекомендации каждому

клиенту.


Пассажиры – Сегментация клиентов

Данные по клиентам:

Пол

Возраст

Гражданство

Семейное положение

Адрес проживания

Регион

Статус участия

Бизнес-сегмент

Канал продаж

Продолжительность участия

Кол-во полетов за период с разбивкой

Транзакции по карте лояльности

Накопленные/списанные баллы за

период

Участие в мероприятиях

Факты обращений в компанию

Новизна (дата последнего полета)

Частота (кол-во транзакций)

Интенсивность (чистая стоимость

билетов)

ID Пол ВозрастГражданствоДоход Статус Канал продажСегмент Дата посл.покупкиОтклик Дебошир

1020 М 45 РФ 75000 Новый Прямая Бизнесмен 20.07.2014 Нет Да

1021 Ж 26 Казахстан 45000 Активный Интернет Путешественник 10.07.2014 Да Нет


Маршрутная сегментация пассажиров


Помогает повышать отдачу от клиентской базы, используя предсказательную аналитику на

огромных объемах данных, накопленных в корпоративных хранилищах данных или CRM

системах, адресно воздействуя на клиентов на всех этапах жизненного цикла.

Используя передовые достижения математики, позволяет строить прогнозные модели в

десятки раз быстрее чем SAS, SPSS или R, основанные на традиционных алгоритмах.

Позволяет учитывать в моделях десятки тысяч параметров, что незаменимо в моделировании

технических процессов.

Дает возможность пользователям-специалистам в прикладных отраслях (технологам,

маркетологам, специалистам по планированию сети) самим решать все задачи, не прибегая к

помощи профессиональных статистиков/аналитиков.

SAP Predictive Analytics 2.0 – решение SAP для прогнозной аналитики

Возможности предиктивной аналитики...

Documents