Новости
09.05.2023
с Днём Победы!
07.03.2023
Поздравляем с Международным женским днем!
23.02.2023
Поздравляем с Днем защитника Отечества!
Оплата онлайн
При оплате онлайн будет
удержана комиссия 3,5-5,5%








Способ оплаты:

С банковской карты (3,5%)
Сбербанк онлайн (3,5%)
Со счета в Яндекс.Деньгах (5,5%)
Наличными через терминал (3,5%)

ПРИМЕНЕНИЕ МЕТОДОВ DATA MINING В ДЕЯТЕЛЬНОСТИ ТОРГОВОГО ПРЕДПРИЯТИЯ

Авторы:
Город:
Москва
ВУЗ:
Дата:
25 мая 2018г.

Сегодня деятельность любой организации, будь то коммерческой, производственной, научной, медицинской и т.д., сопровождаются регистрацией и записью всех деталей. Крупные корпорации и небольшие компании, все они используют компьютерные системы, которые хранят и управляют огромными базами данных.

Так как технология записи и хранения данных совершенствуется, потоков информации из различных областей, которые поступают в процессе нашей жизнедеятельности становится всё больше.

Технология Data Mining предназначена для того, чтобы получить полезную информацию для принятия важных бизнес-решений, а также ранее неизвестную, практически полезную, нетривиальную, доступную интерпретацию знаний (закономерностей), необходимых для принятия решений в различных сферах деятельности, ведь наличие самих данных еще не способствует улучшению показателей работы.

Использование автоматизированного усовершенствованного интеллектуального анализа данных стало необходимым из-за огромных получаемых массивов собираемой информации.

Рост популярности Data Mining обусловлен объективностью получаемых результатов, так как субъективизм, присущий аналитику, в отличие от машины, часто приносит вред.

Более того, намного выгоднее вкладывать деньги в решения Data Mining, нежели содержать целый штат профессиональных, но дорогих статистиков и аналитиков.

Технология Data Mining, не исключая роль человека, сильно упрощает поиск знаний, делает его более доступным для широкого круга аналитиков, не являющихся специалистами в математике, статистике или программировании.

Нынешняя специфика говорит о том, что объем данных неограничен, они являются разнородными (текстовыми, количественными, качественными), результаты должны получаться конкретными понятными, инструментами, которыми обрабатываются «сырые» данные, должны просто использоваться.

Предметом и задачей технологии Data Mining является нахождение скрытых закономерностей, взаимосвязей между различными переменными в базах данных, моделирование и изучение сложных систем на основе истории их поведения.

Результатами Data Mining являются эмпирические модели, классификационные правила, выделенные кластеры и т.д. (затем их можно инкорпорировать в существующие системы поддержки принятия решений и использовать их для прогноза будущих ситуаций).

Data Mining — это совокупность большого числа различных методов обнаружения знаний, а выбор метода часто зависит от типа имеющихся данных и от того, какую информацию вы пытаетесь получить.

Существуют такие методы, как:

·          ассоциация (объединение);

·          классификация;

·          кластеризация;

·          анализ временных рядов и прогнозирование;

·          нейронные сети и т. д.

В основе Data Mining лежит концепция паттернов (шаблонов), в которых отражаются фрагменты многоаспектных взаимоотношений в данных. Они являются закономерностями, свойственными выборкам данных, при этом выраженные в той форме, которая понятна человеку.

Важная особенность Data Mining – это то, что разыскиваемые шаблоны нетривиальны. А значит, найденные шаблоны будут отражать неожиданные, неочевидные регулярности в данных, они и составляют скрытые данные.

Привлечение нового клиента для компании обходится гораздо дороже, чем удержание существующего. Методы технологии Data Mining помогают выделить таких потенциальных клиентов, на которых надо сосредоточить усилия для того, чтобы сделать их активными (перевести их в другое состояние). Такой способ значительно сэкономит усилия, а также ресурсы, и, как следствие, увеличит прибыль бизнеса.

Стоит также обратить внимание на тех клиентов, которые откажутся от услуг компании в большей вероятности, ведь возврат ушедшего клиента эксперты оценивают во много раз превышающими стоимость по их удержанию. Data Mining дает возможность вовремя определить прибыльных клиентов, которые собираются уходить, следовательно, появится шанс провести эффективную кампанию по удержанию таких клиентов.

Важной частью в работе маркетинговых отделов и отделов продаж является определение целостного представления о клиентах, их особенностях, характеристиках, структуре клиентской базы.

С помощью принципа Парето «80/20» можно провести сегментацию рынка: приблизительно 80% доходов приносят 20% клиентов, следовательно, большее внимание нужно уделить этим 20%. Но большое множество компаний не делают даже эту базовую сегментацию.

Условно, методы по выявлению потребностей покупателей делятся на «количественные» - такие методы, которые осуществляются на основе анализа данных о совершаемых покупках (к примеру чеков), и

«качественные» - они основаны на анализе результатов, специально проводимых для маркетинговых исследований. В двух этих вариантах большинство российских компаний пользуются лишь стандартными статистическими методами, даже при наличии самых сильных аналитических отделов.

Методы статистики в основном направлены не на глубокий анализ, который нужен для полного всестороннего изучения клиентов, а на обобщение информации. Если в компании есть бизнес-аналитики, то это рано или поздно подтолкнет руководство на использование средства Data Mining.

Data Mining везде, где есть какие-либо данные, сферы ее применения ничем не ограничиваются. С ее помощью можно получить значительные преимущества в конкурентной борьбе, ведь она дает возможность анализировать деятельность торговых точек, строить профили покупателей, управлять ресурсами и многое другое.

Сегодня, предприятиям розничной торговли возможно собрать детальную информацию о каждой покупке в отдельности, использую кредитные карточки с маркой магазина и компьютеризированные системы контроля.

С помощью Data Mining можно решить такие типичные задачи в сфере розничной торговли, как:

·          Анализ потребительской корзины (анализ сходства) он нужен для того, чтобы выявить товары, которые покупатели стремятся приобрести вместе. Знание корзины покупателя необходимо для разработки стратегии создания запасов товаров, улучшения рекламы, для усовершенствования способов раскладки товаров в торговых залах.

·          Исследование временных шаблонов оказывает помощь торговым предприятиям в принятии решений о создании товарных запасов. Также, она дает ответы на такие вопросы, как: «Если покупатель сейчас приобрел принтер, через какое время он вероятнее всего купит новые картриджи и бумагу для печати?»

·          Создание прогнозирующих моделей помогает торговым предприятиям узнавать характер потребностей разных категорий клиентов с определенным поведением, к примеру, посещающих распродажи или покупающих товары известных брендов. Эти знания позволяют разработать точно направленные мероприятия по продвижению товаров. Для того, чтобы успешно продвигать товар, всегда важно знать, что и как продается и кто является потребителем. На первый вопрос исчерпывающий ответ дают такие средства Data Mining, как анализ потребительских корзин и секвенциальный анализ. Можно оптимально регулировать предложение, зная связи между покупками и временные закономерности.

Маркетинг имеет возможность непосредственно управлять спросом, но для этого необходимо знать, как можно больше о потребителях - целевой аудитории маркетинга. Data Mining позволяет решать задачи выделения групп потребителей со схожими стереотипами поведения, то есть сегментировать рынок. Для этого можно применять такие технологии Data Mining, как кластеризацию и классификацию. Секвенциальный анализ помогает торговым предприятиям принимать решения о создании товарных запасов.

Таким образом, применение методов Data Mining является сегодня необходимым условием жизнедеятельности любого торгового предприятия.

 

Список литературы

 

1.        Алексеева Т. В., Лужецкий М. Г., Курганова Е. В. Информационно-аналитические системы. –2005.

2.        Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. — 382 с.

3.        http://www.bilab.ru/ Сайт компания «BILab», специализирующейся на внедрении и эксплуатации высокоэффективных решений бюджетирования, аналитической отчетности и интеллектуального анализа данных [Электронный ресурс, дата обращения 19.03.2018]

4.        https://ami.nstu.ru/ Сайт факультета прикладной математики и информатики Новосибирского государственного технического университета [Электронный ресурс, дата обращения 19.03.2018]