Тема 5 Процесс управления информацией

ЛЕКЦИЯ 5

Процесс управления информацией состоит из двух основных действий: сбора ин­формации о клиентах во всех точках контакта и ее проверки и составления с исполь­зованием этой информации полного, обновляемого профиля клиента, который будет использоваться компанией для улучшения впечатления клиента и, таким образом, внесет вклад в процесс создания ценности. По мере роста компании и учащения ее контактов с растущим числом клиентов по самым разным каналам возникает потреб­ность в систематическом подходе к организации и использованию информации. Особенно значимы для процесса управления информацией два вопроса:

1.Как нам следует организовать информацию о клиентах?

2.Как можно имитировать способ мышления клиента, чтобы использовать эту информацию для CRM?

Когда информация о клиентах рассеяна по разным отделам компании, взаимо­действия с клиентами строятся на частичном знании о них или при полном отсутствии таких знаний, даже если клиенты контактируют с компанией многие годы. Фрагментированное знание создает две проблемы для компании. Во-первых, общение с кли­ентом обезличивается, что часто приводит к неудовлетворенности клиента или его уходу к конкуренту. Во-вторых, отсутствует единая унифицированная картина кли­ента, на основе которой можно строить планы и действовать в дальнейшем.

Пытаясь справиться с нарастающим объемом данных о клиентах, компании часто увеличивают объем или количество баз данных. Это ведет к накоплению огромной, но разрозненной информации, и тогда компаниям приходится принимать решения в области менеджмента на основе фрагментированной и часто громоздкой массы данных. Чтобы CRMиз отдельного приложения (скажем, для Саll-центра) превратил­ся в общекорпоративную стратегию, необходима интеграция данных о взаимодейс­твиях с клиентами по всем каналам коммуникации, во всех приложениях для торговли и делопроизводства и о всех бизнес-функциях. Чтобы наладить такую интеграцию, нужна система, которая сводит воедино данные, компьютеры, процедуры и людей, — так называемая «интегрированная CRM-система». Создание этого решения — итог ра­боты процесса управления информацией.

Процесс управления информацией можно считать тем мотором, который приво­дит в движение деятельность в области CRM. Он состоит из нескольких элементов, работающих сообща. Информация должна подпитывать, помогать формулировать и облегчать стратегические и тактические действия в CRM.

Как показано на рисунке выше, все другие процессы, входящие в стратегическую структуру CRM, зависимы от процесса управления информацией. Процесс разработ­ки стратегии касается всестороннего анализа данных о клиентах, чтобы выявить пути получения конкурентного преимущества. Процесс создания ценности исполь­зует информацию о клиентах для разработки наилучших предложений ценности и оп­ределения того, насколько можно увеличить ценность, получаемую компанией. Про­цесс многоканальной интеграции напрямую зависит от систем, которые собирают, хранят и распространяют информацию о клиентах. Процесс оценки эффективности требует информации о финансах, продажах, клиентах, операциях и др. для оценки ус­пешности работы CRMивыявления областей, нуждающихся в улучшении.

Чтобы сполна оценить значение процесса управления информацией в рамках CRM-стратегии, вначале надо составить ясное и четкое понятие о роли информации, информационных технологий и управлении информацией в CRM.

 

Роль информации, информационных технологий и управления информацией

Информация. CRMосновано на предпосылке, что взаимоотношения с клиентами можно выстраи­вать искусственно и управлять ими к взаимной пользе их участников или всех заин­тересованных сторон. Однако поставщики и партнеры в цепочке доставки ценности не взаимодействуют и не прорабатывают взаимоотношения с клиентами, если они ничего или почти ничего про них не знают. К тому же, недостаточно просто иметь информацию о клиентах, чтобы строить взаимоотношения. Гораздо важнее – дейс­твовать и решать на основе этой информации. Иными словами, реальная ценность информации состоит не в наличии, а в использовании, и это очевидно: множество компаний владеет массой информации о клиентах, но мало кто использует эту сокро­вищницу максимально выгодно.

Информационные технологии

Многие ставят знак равенства между CRMиинформационными технологиями. Например, говорят, что чем боль­ше база данных компании, тем более продвинут ее CRM. Эта прямая корреляция вводит в заблуждение, поскольку CRM – метод управления, a информационные технологии– инструмент управления. Более того, с точки зрения определения CRM, можно иметь высокоразвитый CRM, не имея высокоразвитых информационных технологий. Так, владелец магазинчика на углу улицы строит тесные взаимоотношения с регулярными клиентами, удовлетворяя их индивидуаль­ные запросы и подгоняя под них услуги. Он не заносит привычки и предпочтения покупателей в базу данных (которой никогда и не было), полагаясь вместо этого на свою память. Владелец мелкого магазина знает самых прибыльных клиентов и то, как их удержать, предлагая соответствующего размера ценность.

Сегодня компании конкурируют в гораздо более сложных условиях. У них могут быть миллионы клиентов, никогда не вступавших с ними в личный контакт. Поэтому информационные технологиистановятся крайне важным средством управления взаимоотношениями. Однако «принцип уличного магазинчика» остается в силе – рабочая «память» о клиентах, подкрепленная двусторонним диалогом, и является тем, что позволяет налаживать взаимоотношения. Таким образом, технологический аспект CRMдолжен восприни­маться в правильной перспективе – как средство для достижения цели, а не как самоцель.

Управление информацией

Управление информацией касается создания приемлемого баланса между дейс­твиями прагматическими и действиями идеалистическими. Функция управле­нияинформациейв контексте CRMсостоит в превращении информации в практи­ческое знание и применение этого знания эффективным и этичным образом в про­цессе создания потребительской ценности. Правильная информация не в тех руках или не в то время практически неконструктивна. Вдобавок, из-за своего «скоропор­тящегося» характера она нуждается в постоянном уточнении и обогащении. Итак, управление информацией охватывает собой организацию (сбор, хранение и распространение), использование (анализ, интерпретацию, применение) и регулирование (мониторинг, контроль и защиту) информации.

 

Процесс управления информацией

Этот процесс следует рассматривать на двух стадиях. Во-первых, стратегия CRM(или ее компонент) должна быть проанализирована в контексте потребностей ин­формационного менеджмента компании. Во-вторых, следует выяснить, какие пона­добятся технологические решения для внедрения принятой стратегии. Первая стадия касается стратегического обзора текущего состояния, возможностей и емкости инф­раструктуры информационного менеджмента с учетом стратегий в отношении клиен­тов, каналов и продукции, определенных предыдущими процессами CRM.

Здесь надо рассмотреть следующие стратегические вопросы. Собирается ли информация о клиентах при каждом взаимодействии/трансакции независимо от ка­нала? Централизуется ли эта информация, распределяется и используется ли она во всех каналах и бизнес-функциях? Подходящая ли выбрана информационная платформа, и оста­нется ли она таковой в будущем? Результаты этой ревизии выявят сильные и слабые стороны в существующей системе управления информацией, полноту информации (объем хранимой информации о клиентах и то, насколько полон ее анализ) и степень индивидуализации клиентов (в какой мере данные используются для оказания кастомизированных услуг).

Число каналов возрастает с развитием новых электронных средств (например, Интернет-телевидения и мобильной связи третьего поколения), и одновременно рас­тет важность процесса управления информацией для управления взаимоотношения­ми с клиентами, а значит, и для достижения клиент-ориентированных стратегических целей. Ключевая роль этого процесса состоит в обеспечении «центральности» кли­ента и адекватности компании этой задаче путем внедрения «перспективы клиента» во все стороны деятельности. По сути дела, компания должна как бы «снять копию» с сознания клиента, если желает предложить ему индивидуализированный или кастомизированный сервис, который привлечет, удержит выгодных клиентов и укрепит отношения с ними. Все внимание необходимо обратить не на совершенствование и утончение технологий, а на поиск путей проактивного использования информации для укрепления взаимоотношений. Следовательно, разработку технологических при­ложений CRMдолжны двигать не интересы в области информационных технологий, а стратегия компании по ис­пользованию данных о клиентах для усиления своей конкурентоспособности.

Инфраструктура для информационной поддержки и реализации избранной стра­тегии CRMдолжна разрабатываться с учетом всех вышеперечисленных факторов. Для большинства компаний эта задача будет состоять во внедрении той или иной тех­нологии. Как видно из стратегической матрицы CRM, главные технологические ком­поненты процесса управления информацией включают: репозиторий данных, анали­тические средства, IT-системы, приложения для отдела продаж и документооборота. Эти пять компонентов вносят весомый вклад в укрепление взаимоотношений: бла­годаря им компания становится рыночно осведомленной, компетентной в сервисе и уверенной в стратегии. При разработке технологической структуры необходимо учесть проблемы, касающиеся ограничений данного этапа развития технологий, а также шесть составных частей процесса:

- технические препятствия на пути CRM;

- репозиторий данных;

- аналитические средства;

- информационные системы;

- приложения для отделов продаж и документооборота;

- вызовы, связанные с появляющимися новыми технологиями.

Технические препятствия но пути CRM

Технические препятствия для CRMощущаются как разрыв между ожиданиями и ре­зультатами. Когда оказывается, что технологические средства не отвечают ожидани­ям, мы начинаем воспринимать их, скорее, как преграду, а не как средство. На са­мом деле в возникновении преград повинны не сами средства, а наша неспособность подобрать тактический способ для реализации стратегической воли. Даже если IT-средства оказались адекватными, наши требования к ним могли измениться, а с ними и ожидания. Было время, когда успешность взаимоотношений с клиентами означала, что на почтовом отправлении клиенту стоял верный адрес, и каждый клиент получал по письму; сегодня она предполагает, прежде всего, знание о потребительских при­вычках клиента, предпочтительных способах контакта и стратегически верный вы­бор каналов для коммуникации с ним. Для преодоления технических барьеров нужно иметь точное представление о том, чего мы хотим добиться и какими средствами. Для иллюстрации приведем пример автомобильной промышленности.

Исследование ведущих автопроизводителей, импортеров и автодилеров Брита­нииобнаружило существенные дефекты, изъяны даже в самых компьютеризированных базах данных о клиентах: в базах не фиксировались ни сведения о жизненном стиле и интересах клиентов, ни важная демографическая информация. А если эти данные и собирались, то были просто недоступны отделам маркетинга, а также другим отделам, работающим с кли­ентами. Вот итоговое заключение исследователей о последствиях этих недостат­ков для бизнеса: «Данные изъяны вызывали стратегические проблемы в маркетинге и продажах компаний, становясь причиной неспособности последних эффективно отслеживать информацию о наличных и потенциальных клиентах, точно нацеливать рекламные кампании и эффективно разрабатывать кампании по персонализирован­ному прямому маркетингу». Несмотря на проведенные в течение последних лет усо­вершенствования, эти проблемы остаются банально неотъемлемой частью автомо­бильной и других отраслей.

Этот факт наглядно поясняет, как скудная информация о клиентах может огра­ничить успех CRMи другой деятельности. Сталкиваясь с такими проблемами, мы вы­нуждены задавать себе фундаментальные вопросы. Действительно ли мы собираем именно ту информацию о клиентах, которая нам нужна? Доступна ли она тем, кто способен на ее основе увеличить объем продаж и нарастить потребительскую цен­ность? Наилучшим ли образом мы обрабатываем собранную информацию, или наши аналитические средства нуждаются в усовершенствовании?

Репозиторий данных

Для превращения компании в клиентоориентированную недостаточно просто соби­рать данные о клиентах или извлекать полезную для менеджмента информацию из от­дельных баз данных – они дают лишь частичное представление о клиенте. Чтобы от­носиться к каждому клиенту как к самостоятельной и уникальной единице, крупной компании необходим орган корпоративной «памяти» о них – интегрированное общекорпоративное хранилище данных, на основе которого будет проводиться анализ и создаваться приложения.

Роль репозитория данных – сбор, хранение и интеграция информации о клиен­тах для эффективного построения и управления взаимоотношениями; под этим тер­мином мы подразумеваем всю совокупность баз, витрин и хранилищ данных. Прежде чем начать разговор об их роли в CRM, мы рассмотрим главные составные части ре­позитория данных.

Репозиторий данных крупной компании, работающей с множеством клиентов, обычно состоит из двух частей: базы данных и хранилища данных. Последнее бы­вает двух видов: обычное хранилище данных и операционное хранилище данных.

Базы данных – это пакеты программного обеспечения для хранения данных, собранных из разных источников, например, Саll-центра, наблюдений торгового персонала, исследований рынка и опросов клиентов, точек электронной торговли и т. д. Каждая из тактических баз данных работает отдельно от других и подстроена под нужды конкретных пользователей. Следовательно, информация для управления и планирования, полученная из отдельной базы данных, всегда будет иметь ограни­ченную ценность, поскольку дает неполное представление о клиентах. Однако цен­ность базы данных определяется не только ее функциями по сбору данных о кли­ентах, на основе которых мы строим взаимоотношения с настоящими и будущими клиентами. При правильном использовании база данных способна обеспечить нам необходимую проверку на релевантность, помогая лучше соответствовать потреб­ностям существующих и потенциальных клиентов.

Хранилище данных – это набор реляционных баз, объединенных таким обра­зом, который позволяет извлекать из них максимальную ценность. Это единое храни­лище данных с полной и логически связной информацией о клиентах и деятельности компании. В этой лекции термином «витрина данных» мы будем обозначать единое те­матическое хранилище данных, а термином «хранилище данных» – всю корпоратив­ную систему хранилищ данных. Хотя принцип устройства хранилища данных прост, процесс его создания бывает очень сложным из-за фрагментированности составляю­щих его баз данных и масштабности задачи. Для сведения данных воедино требуется особый процесс их преобразования. В техническом плане хранилище данных при­способлено для выдачи ответов на запросы пользователей.

Операционное хранилище данных (ОХД) – это особая разновидность хранили­ща данных, намного меньшая по размеру, чем обычное хранилище данных, предна­значенная для единой идентификации всех клиентов вне зависимости от того, сколько различных идентификаций они имеют в разных системах документооборота. В тех­ническом плане ОХД предназначено для выполнения трансакций. Оно использует­ся, главным образом, системами и процессами продаж и обеспечивает единый взгляд на клиента. К примеру, ОХД предоставляет единую картину действий клиента Call-центру, системам автоматизации продаж и приложениям для электронной торговли.

В процессе преобразования данных они копируются из тактических баз в хра­нилище данных, и при этом дублирование данных сводится к минимуму, а все раз­ногласия между базами снимаются. Сам процесс основан на корпоративной моде­ли представления данных, которая описывает содержание каждой из тактических баз данных и предписывает правила объединения всей полученной из разных баз информации после соответствующей очистки данных и устранения дублирования. Выгода от использования корпоративной модели представления данных состоит в том, что все правила их копирования и интеграции находятся в одном месте. Это делает управление ими намного легче, чем при использовании копирующих про­грамм, соединяющих отдельные части баз данных для создания систем поддержки принятия решений или витрин данных. Централизация правил облегчает ра­боту персонала, обслуживающего информационные системы, снижает издержки и трудоемкость представления комплексной информации для решения задач, в час­тности, CRM.

После того как хранилище данных успешно создано, к нему применяются анали­тические средства для поиска путей создания ценности и для клиентов, и для компа­нии.

 

Выбор и сочетание технологических опций для CRM

Как уже было отмечено, выбор технологии для CRMбудет непосредственно за­висеть от СRМ-стратегии компании. Известны следующие четыре общих варианта CRM-стратегии в отношении репозитория данных:

- тактическая база данных с системой поддержки принятия решений;

- витрины данных (или тематические хранилища данных);

- корпоративное хранилище данных;

- интегрированные CRM-решения.

При выборе одного из вариантов другие не обязательно исключаются. Даже наоборот – самым крупным компаниям лучше творчески комбинировать эти раз­работки. Уровень развития CRMв них последовательно возрастает при перехо­де от продукт-ориентированных продаж к индивидуализированному маркетингу на матрице стратегий CRM. Теперь рассмотрим, как отмеченные технологии работают на пользу CRM– речь идет о ключевых позициях в стратеги­ческой матрице CRM.

Тактическая база данных и система поддержки принятия решений. Большинство компаний уже имеют ту или иную форму продукт-ориентирован­ных продаж – маркетинговые базы данных, базы данных о продажах и связанные с ними системы поддержки принятия решений. В самом примитивном случае есть маркетинговая база данных с именами и адресами клиентов. К ней может прила­гаться базовый программный пакет, и база данных, как правило, включает начальные сведения о сегментации (место жительства, профессия, размер организации клиен­та). Часто база данных и программы хранятся на одном персональном компьютере.

Создание баз данных для обслуживания специальных задач, например, состав­ления списков рассылки, или проведения простого анализа с составлением отчета, стало обычным делом. Такая база способна хранить данные лишь короткое вре­мя и не имеет обратной отсылки к клиенту. Чаще всего она создается, управляется и принадлежит маркетинговому отделу. Наряду с базами данных отделов маркетинга существуют и базы, созданные дру­гими отделами. Так, например, в распоряжении торгового отдела, имеется своя база для рассылок, а у отдела продаж – своя для обслуживания работающих с клиентами менеджеров. Списки почтовой рассылки могут составляться как на основе каждой отдельно взятой базы, так и путем сведения всех данных воедино.

Преимущества

Все эти системы могут быстро создаваться и не требуют больших инвестиций в информационные технологии. Но даже на таком уровне более глубокий анализ данных способен принести зна­чительные выгоды, например, более точно нацелить почтовую рассылку или лучше понять поведение потребителей.

Использование современных инструментов для составления запросов и отчетов, а также развитых аналитических средств (часто называемых «онлайновой аналити­ческой обработкой», иначе – инструменты для добычи данных) открывает новые возможности для продаж или маркетинга. Эти средства способны представлять дан­ные многомерно, более адекватно для бизнеса и имеют удобные пользовательские интерфейсы для прямого интерактивного доступа к данным.

Данные средства анализа – очень важные элементы для любого технологичес­кого решения, выбранного компанией для CRM. Они помогают отыскивать «крупицы золота» в массиве данных и анализировать клиентов либо индивидуально, либо в со­ставе сегментов, сформированных по признаку потребляемого продукта.

Недостатки

Тем не менее, использование этих простейших систем серьезно ограничивает уровень стратегий продаж и маркетинга компании. Ввод данных и поддержание так­тических маркетинговых баз требует значительного ручного труда, а это оттягивает ресурсы от главных задач по анализу и часто не позволяет расширять системы.

Непосредственное использование средств по составлению запросов и отчетов в рамках существующих операционных систем также ограничивает возможности для анализа, так как не позволяет связывать данные, хранимые в разных операционных системах. Обширные запросы и аналитические операции могут, кроме того, негатив­но сказываться на работе самих операционных систем, что вряд ли вызовет восторг у программистов из отдела информационных технологий.

Любой анализ хорош настолько, насколько хороши качество и охват данных, до­ступных компании. Если доступны только данные о продуктах и финансовых пото­ках, они пригодятся для контроля продаж и выявления хорошо продаваемых позиций, но не смогут предоставить компании единую картину клиента, благодаря которой все отделы компании будут иметь одинаковый взгляд на клиента (касаемо данных) и по­лучат возможность выстраивать и реализовывать подходящие маркетинговые страте­гии в области взаимоотношений.

Витрины данных. Как раз способность выступать в качестве гигантского резервуара памяти, ох­ватывающей всю информацию о клиентах, и стала движущей силой внедрения приложений для CRM. Эта способность плюс быстро падающие цены и растущая мощность компьютеров снизила входной порог для множества компаний и сделала IT-приложения доступными.

Для перехода от продукт-ориентированных продаж к клиент-ориентированному маркетингу требуется усовершенствованная система CRM. Пользователям нужны бо­лее мощные аналитические средства, а компании – более структурированный метод сбора, сортировки и хранения данных о клиентах. Для этого обычно создается так называемое хранилище данных. Оно отделено от операционных систем, в которых хранятся данные, и создается единственно лишь для «складирования» собираемых данных, необходимых для поддержания CRM-системы. Самая простая разновидность хранилища данных называется витриной данных.

В техническом смысле витрина данных – это репозиторий для информации об одном источнике. Иными словами, это тематическое хранилище данных, намного меньшее по масштабу, чем его «старший брат» – корпоративное хранилище данных для нужд всей организации. Витрина данных, по су­ти, – естественное продолжение базы данных с приложением более мощной техно­логии. В случае маркетинга тема обычно связана с клиентом.

Витрины данных можно приобрести в пакете с другими прикладными програм­мами или как интегрированный набор программ по добыче данных из операционных систем. Однако, сортировка, организация и представление этих данных доступны лишь в форме, оптимизированной для анализа, а не для совершения бизнес-опера­ций. Значит, для представления данных в удобных и понятных для пользователя гра­фических формах может потребоваться дополнительное программное обеспечение.

Пакет с витриной данных часто включает и инструменты для запросов и анализа. Некоторые из них позволяют напрямую анализировать данные из предыдущих, уста­ревших систем. Хотя все перечисленное очень полезно, данные инструменты часто ограничены с точки зрения мощности анализа.

Преимущества

Витрина данных обычно устанавливается не на персональные компьютеры, а на серверы отделов. Благодаря этому к ней подключается и использует ее данные множество пользователей.

Витрины данных получили широкое распространение в тех отделах или направ­лениях бизнеса компаний, которые обязаны быстро реагировать на открывшуюся возможность на рынке или в бизнесе. Другие компании устанавливают витрину дан­ных, чтобы без задержек получать работающий пилотный проект и видеть воочию окупаемость затрат.

Недостатки

Компании должны предотвращать появление множества несвязанных между со­бой витрин данных в разных уголках компании, иначе составить единую картину кли­ента будет очень трудно.

Для придания всей компании ориентации на клиента должно быть создано мно­жество тематических баз данных, к примеру, о финансах и трансакциях. Это значит, что в конечном итоге понадобится создавать общекорпоративное хранилище данных, где будет сведена воедино вся информация о клиенте.

Многие хранилища данных возникают как витрины данных в рамках той или иной пилотной схемы для апробирования выгод компании. Здесь важно то, что с самого начала они строятся как хранилище данных, хотя внешне и выглядят как витрины данных.

Любой анализ хорош настолько, насколько хороши качество и охват доступных для этого анализа данных. Если доступны лишь данные о финансовых потоках и про­дажах продукта, на этой основе могут быть выявлены самые выгодные клиенты. Од­нако эти данные едва ли помогут в построении единой картины клиента для использо­вания всеми отделами компании.

Именно эта единая картина клиента незаменима в определении подлинной ценнос­ти клиента (в том числе — весомости клиента и полной прибыли от клиента) и обеспе­чивает правильный выбор уровня обслуживания. Она достижима лишь с внедрением более значимых для бизнеса компьютерных решений и технологий баз данных, спо­собных увеличивать свой объем и масштаб. Эти разработки часто классифицируются как хранилище данных, хотя, если подходить к определению термина строго, они, ско­рее, являются пусть и очень большими, но все же витринами данных.

Корпоративное хранилище данных. Когда компания переходит от продукт-ориентированных продаж к более раз­витым формам клиент-ориентированного маркетинга или регулируемого сервиса и поддержки, возникает потребность в интеграции больших массивов данных. Эта потребность возникает как у отделов, работающих с клиентами (Call-центры, прикладные программы для работы с клиентами), так и у операционных отде­лов (общая бухгалтерия, кадры, операции). По мере роста объема данных и их слож­ности возникает множество баз и витрин данных. Здесь логичнее и выгоднее всего будет иметь единое место хранения данных. В системах CRM им становится корпора­тивное хранилище данных. После создания такого хранилища, содержащего очищенные и выверенные дан­ные, к нему применяются средства извлечения и анализа информации, которые помо­гают компании лучше понять поведение клиентов и планировать более продвинутые стратегии CRM.

Впоследствии хранилище данных может превратиться в многоуровневую струк­туру, которую разные отделы компании смогут использовать в качестве источника информации для своих систем. В их числе – аналитические базы данных и зависи­мые витрины данных (тематические репозитории, получающие данные из централь­ного хранилища данных).

Пока мы не затрагивали вопрос о других клиентских базах, используемых для поддержки Call-центра или любого другого сервисного приложения. Они имеют от­ношение к стратегии «регулируемого сервиса и поддержки» в правом нижнем углу стратегической матрицы. В этом случае данные о клиентах собираются при работе сервисного приложения. Первое время это приложение может работать само по себе. Однако по мере оформления CRM-стратегии компании и ее хранилища данных информация, собранная приложениями, например, программами Саll-центра, собирается и обогащается из хранилища данных.

На первых порах работы хранилища данных понадобится обмен различными файлами между существующими приложениями и общекорпоративным хранилищем данных: например, наработанной информации из Саll-центра в хранилище данных и из хранилища в Саll-центр (файл с обновленными данными о клиентах и их покуп­ках, списка перспективных для телефонного маркетинга клиентов или списка «флаж­ков-индикаторов» кредитного рейтинга).

По мере роста хранилища данных и способностей компании собирать информа­цию о взаимодействиях с клиентами возрастает и изощренность стратегий CRM. Это возможно потому, что хранилище данных позволяет отслеживать взаимодействия с клиентами за все время взаимоотношений с ними.

Преимущества

Хранилище данных дает компании несколько преимуществ. Во-первых, комп­лексный анализ данных перестает мешать обычному течению бизнеса, поскольку снимаются постоянные запросы к базам данных. Во-вторых, данные в хранилище меняются лишь с определенной периодичностью (обычно раз в сутки), что позволяет проводить сравнения на основе стабильных наборов данных между обновлениями. Если бы анализировались базы данных, то анализ, сделанный в разное время, выда­вал бы разные результаты, а это препятствовало бы сравнению, к примеру, динамики продаж продуктов или объема продаж в разных регионах. Еще одно преимущест­во – компания получает в свое распоряжение единственную и логически связную версию данных, которые затем могут поступать в витрины данных.

Недостатки

Корпоративные хранилища данных – крупные и сложные информационные системы, требую­щие значительных инвестиций. Иногда возникают длительные задержки для освое­ния этих инвестиций. Поскольку компания желает принимать решения прямо сейчас и не в состоянии ждать полного внедрения хранилища данных, она часто внедряет более дешевые и менее подходящие системы.

Интегрированные CRM-решения

Интернет-технологии, в дополнение к емкости памяти компьютеров и баз данных, начинают играть все более важную роль для большинства компаний. Интернет спо­собен связать любого индивида с любым другим индивидом или компанией на пла­нете. Его привлекательность как инструмента для управления взаимоотношениями с клиентами очевидна. Сайты электронной торговли значительно отличаются друг от друга: одни из них очень простые, другие – излишне сложные. Самые развитые из них собирают информацию о клиентах и обслуживают их на индивидуальной ос­нове. Этот высокотехнологичный подход к CRM открыл массу путей для индивидуаль­ного взаимодействия с клиентами.

Чтобы эффективно использовать Интернет для развитых приложений CRM, ком­пания должна интегрировать свои системы электронной торговли с клиент-ориен­тированным хранилищем данных, который обменивается информацией о клиентах с онлайновыми источниками. Как правило, без этого условия – наличия той или иной разновидности хранилища данных – развитая электронная торговля невозможна.

Компании, желающей первой привлечь некую группу клиентов или маркетин­говые притязания которой заставляют открывать новый канал распределения, пот­ребуется гораздо более совершенный набор технологий CRM, чтобы использовать Интернет для обслуживания клиентов.

Для внедрения подобного решения компании не понадобятся новые витрины или хранилища данных. Часто все необходимые данные и IT-архитектура уже имеются в наличии – требуется лишь более грамотное их использование. Единственное, что понадобится добавить, – это ряд интегрированных приложений CRM. Скажем, может понадобиться приложение для интерактивной электронной торговли, позво­ляющее клиентам в реальном времени взаимодействовать с веб-сайтом компании и делать там покупки. Основой этого подхода является корпоративное хранилище данных, которое действует как устройство по сбору данных и одновременно являет­ся памятью всей системы, обеспечивая полностью индивидуализированное обслу­живание клиента в координации со всеми интерфейсами CRM. Для этого нужны не­сколько компонентов: веб-сайт, устройство которого позволяет взаимодействовать с клиентом, мощные программы для сбора, навигации, обработки данных и поиска продуктов/услуг, связь с другими клиентскими системами (например, Саll-центром и системами поддержки торговых представителей на местах) и главными операцион­ными системами.

Полная интеграция означает тесную связь всего перечисленного с приложени­ями для работы с клиентами и документооборота. Возможности целостных систем с таким высоким уровнем интеграции постоянно расширяются, открывая компани­ям пути для скорейшего внедрения CRM, при этом потенциальные риски, связанные с его освоением, значительно снижаются.

Преимущества

Наличие интегрированного CRM-решения позволяет компании переместиться в верхний правый угол матрицы стратегий CRM – к «индивидуализированному CRM». В итоге, компании станет доступен целый спектр стратегий CRM, а связанные с информационными технологиямиограничения исчезнут. Перед теми, кто первым достигнет этой позиции, откроется множество путей развития бизнеса.

Недостатки

Как и корпоративное хранилище данных, интегрированные системы CRMслож­ны в устройстве и требуют весомых инвестиций и в создание хранилища данных, и в операционные системы. Компании в состоянии снижать риски и издержки, свя­занные с этими системами, покупая доступные пакеты и сотрудничая с проверенны­ми поставщиками высоких технологий.

Сегодня известно много примеров организаций, внедривших самые распростра­ненные разработки для электронной торговли. Сайты электронной торговли находятся на самых разных уровнях развития. На­иболее продвинутые из них способны собирать информацию о клиентах и обеспе­чивать им индивидуализированное обслуживание. Этот подкрепленный технологи­ями подход к CRMзначительно расширил возможности взаимодействия с клиентами на индивидуальной основе.

 

Выбор технологических решений

Выбирая технологическое решение для своей компании, менеджеры, до этого использовавшие тактические базы данных, обычно спрашивают: «В каких ситуациях нам нужны простые средства для запросов и анализа, а в каких – витрина данных? Зачем мне хранилище данных, если в мою базу встроены вполне достаточные средс­тва для запросов и отчетов?»

Если все, что компании нужно, – это получать отчеты по запросам к своей базе данных (а она действительно приобретает легкость в использовании и компания по­лучает те ответы, которые хочет получить при помощи средств составления отчетов по запросам), то ей ни к чему витрина или хранилище данных. У нее уже есть техно­логические решения для текущих нужд. Однако если компании нужен доступ к ин­формации из нескольких систем, если пользователи сталкиваются с невозможностью внести правки в запрос, собирающий данные из двух разных систем (например, све­дения об имени клиента могут быть представлены двояко в двух источниках данных), то простейшей базы данных окажется недостаточно. А если, к тому же, компания же­лает иметь под рукой дополнительную информацию (например, историю предшест­вующих контактов), понадобится уже витрина данных.

Витрина данных как технологическое решение подойдет, если компании нужна лишь одна-единственная витрина данных. Но если витрина данных нужна каждому из отделов (торговому, финансовому, маркетинговому), то проблемы не исчезнут. Управлять витринами данных для каждой из этих бизнес-функций будет сложно в техническом плане. Кроме того, они с трудом позволяют масштабирование (любые изменения в операциях или бизнесе требуют очень трудоемкой работы по преобра­зованию и добыче данных). В этой ситуации больше подойдет хранилище данных.

С практической точки зрения удобнее, особенно для крупных компаний, твор­чески комбинировать оба эти решения. К примеру, развитая система CRMможет включать стратегическое приложение с витринами данных, зависящими от хранили­ща данных, а также тактическое приложение, позволяющее сотрудникам создавать независимые тактические витрины данных для принятия тактических решений. Так­тическая витрина данных, не требующая интеграции с остальными системами компа­нии, может вдруг остро понадобиться для той или иной бизнес-деятельности.

При выборе технологических решений важно принимать в расчет их способность к масштабированию. Технологическая архитектура должна быть настолько гибкой, чтобы отвечать не только текущим, но и будущим потребностям бизнеса. Надо учиты­вать, из каких блоков система строится сейчас и, непременно, какие требования к ней могут появиться через два года. Менеджеры могут не знать, какие запросы к системе возникнут в будущем, возможно, даже технологии для их удовлетворения пока не существует. Архитектуру необходимо создавать такую, чтобы она соответствовала бу­дущим требованиям к CRM, которые обязательно ужесточатся.

Ключом к успеху станет принцип «думать о большом, но начинать с малого». Ком­пания должна увидеть и четко осознать, чего она хочет достичь и что ей потребуется в будущем, а затем разбить это видение на составные части.

Изучая способность системы к расширению, компания может проверить, на­сколько внедренные технические решения масштабируемы и управляемы. Лучшим подходом для этого станет предвосхищающее планирование интеграции информационных систем – их про­диктуют будущие потребности бизнеса. Это может касаться постепенного появле­ния одной или нескольких витрин данных с описанной выше архитектурой, возника­ющих эволюционным путем с целью максимизации выгод и минимизации рисков для компании.

Аналитические средства

Аналитические средства для эффективного использования хранилища данных и прочих элементов репозитория данных поставляются как в пакетах общих программ по добыче данных, так и в пакетах специальных программ. Добыча данных – это метод поиска полезной информации в огромных массивах путем их классификации, кластеризации (причем данные часто берутся из разных и, иногда несовместимых баз данных) и поис­ка ассоциаций. В первую очередь это форма статистического анализа, которая иногда включает элементы искусственного интеллекта. Методы добычи данных применяются для выявления имеющих смысл паттернов (которые иначе остались бы незамеченны­ми) в покупательских привычках клиентов, их жизненных стилях, демографической информации и т. д. – так открываются пути улучшения взаимоотношений с клиентами. Специализированные прикладные программы содержат аналитические средства, пред­назначенные для выполнения таких узких задач, как управление рекламными кампания­ми, составление кредитных рейтингов и профилей клиентов. Эти специализированные программные пакеты, наряду с общими функциями по добыче данных, поддерживают функцию, которая отсутствует в стандартных программах по добыче данных.

Хотя технологии добычи данных являются очень мощными и могут привести к зна­чительным открытиям в области поведения клиентов, так исторически сложилось, что многие из них очень сложны в использовании – настолько, что извлечь из них ре­альную пользу умеют лишь очень опытные пользователи. Впрочем, этот недостаток исчезает уже по мере встраивания аналитических средств в специализированные па­кеты программ, облегчающие их использование.

Стандартные программы добычи данных обычно включают некоторые (или все) из перечисленных ниже приемов:

- визуализация: гистограммы, столбчатые и линейчатые графики, диаграммы раз­броса данных, диаграммы-боксы и другие виды визуального представления;

- кластеризация/сегментирование, прогнозирование, фиксация отклонений и анализ связей;

- нейронные сети и «деревья решений».

Специализированные пакеты программ сочетают эти общие типы анализа дан­ных с маркетинговой поддержкой, давая такие аналитические средства, как:

- анализ сегментации рынка;

- группировка по родственным признакам;

- управление текучестью клиентов;

- профилирование клиентов;

- анализ прибыльности.

Средства онлайновой аналитической обработки – это, скорее, средства от­четности, нежели добычи данных, но и они используются для анализа информации из хранилища данных.

Теперь каждый из этих аналитических приемов будет рассмотрен чуть подроб­нее, чтобы оценить масштаб и возможности доступных компаниям технологий.

Стандартная добыча данных

Средства визуализации. Благодаря средствам визуализации результаты комплексных анализов данных предстают в простой форме. Это не только способствует лучшему их пониманию, но и вносит вклад в точное истолкование разных аспектов анализируемых данных. К примеру, столбчатые графики выявляют колебание значений в равные интервалы времени, а круговые диаграммы подчеркивают вклад данных конкретного типа в це­лое. Эти наглядные графики облегчают групповое обсуждение результатов анализа, давая каждому участнику дискуссии одну и ту же картинку.

Сегментация, прогнозирование, фиксация отклонений и анализ связей. Сегментациякасается деления данных из базы на основе их сходных характе­ристик (например, ряд клиентов покупает сходные продукты в супермаркете). Сег­ментация может контролироваться пользователем, чтобы проверить, насколько четко очерчены существующие кластеры, или производиться автоматически для выявления новых кластеров.

Прогнозированиекасается создания модели, скажем, поведения клиентов, и применения ее к историческим данным о клиентах для оценки реакции, напри­мер, на рекламную кампанию или выпуск нового продукта. Прогностическая модель может строиться на основе опросов клиентов. Если, к примеру, опросы принесли данные о половой принадлежности клиентов, их возрасте, роде занятий, наличии/ отсутствии компьютера, пользовании Интернетом дома/на работе, выписываемых газетах и журналах, то на их основе можно построить модель для оценки вероятного успеха той или иной онлайновой услуги или для нацеливания рекламной кампании в обычных СМИ.

Средства фиксации отклоненийрасширяют возможности средств сегментиро­вания, анализируя данные, которые выпадают за рамки четко очерченных кластеров. Эти средства полезны в решении множества задач — от выявления необычных отве­тов на вопросы анкеты до обнаружения необычных последовательностей трансак­ций в рамках борьбы с мошенничеством. Для некоторых случаев фиксации отклоне­ний могут использоваться нейронные структуры, а статистический анализ выявляет, насколько значимы найденные отклонения.

Анализ связейвыявляет взаимосвязи между разными множествами данных в базе. Он используется для обнаружения связей между покупками клиента за какой-то пери­од времени, а в виде так называемого анализа потребительской корзиныпомогает вычислить, какие комбинации продуктов покупатель приобретает, чтобы расположить эти продукты рядом в зале супермаркета. Анализ связей основан на том, что некоторые события связывают воедино людей, места и предметы. Например, когда человек летит из Лондона в Нью-Йорк, самолет связывает два города друг с другом, а статус пасса­жира связывает человека с самолетом. Аналогично, телефонный звонок связывает друг с другом два телефона. Большинство приемов анализа данных игнорирует образова­ние связей, концентрируясь не на взаимоотношениях объектов (клиентов), а на самих объектах. Однако понимание этих связей иногда приносит важные находки в области взаимодействия с клиентами, что делает анализ связей ценным инструментом.

Анализ связей очень дорогостоящ и часто вызывает перегрузку базы данных запросами. Один из его примеров, имеющий ценность для электронной торговли – это использование анализа связей для поиска онлайновых сообществ в Интернете. При анализе гиперссылок на веб-страницах вычисляются ресурсы, связанные друг с другом, и страницы, на которые ссылаются чаще всего. Перекрестные ссылки на веб-страницах говорят об общих интересах, а множество ссылок на какую-то одну страницу говорит о ней как о важном для сообщества ресурсе. Анализ связей в применении к Интернету, используемый, впрочем, не часто, способен приносить информацию, полезную для нацеливания и размещения онлайновой рекламы и про­чих маркетинговых действий.

Нейронные сети

Нейронные сети – это компьютерные модели, построенные по аналогии с про­цессами в головном мозге. По сути, это статистические расчеты со встроенными ме­ханизмами обратной связи, наделяющими их способностью «обучаться». Эти средства широко доступны в составе готовых программных пакетов и используются для реше­ния широкого круга задач в бизнесе. Нейронные сети способны выявлять различные типы взаимосвязей, в том числе и кластеры. Однако, поскольку внутренние механиз­мы сетей настраиваются автоматически, найденные взаимосвязи никак не объясняются. Это одна из их слабостей, которая устраняется, если нейронные сети исполь­зуются сначала для выявления взаимосвязей, а затем другие средства добычи данных объясняют, почему эти взаимозависимости возникли.

Нейронная сеть обучается на множестве примеров, описываемых в терминах «информация на входе» и «информация на выходе». Например, мы можем описать кли­ентов в терминах возраста, половой принадлежности, дохода и других параметров, а на выходе описать банковские услуги, используемые ими. Затем нейронной сети на входе можно предложить имеющиеся у компании данные о клиентах, и нейронная сеть спрогнозирует, какие банковские услуги станет использовать каждый из клиен­тов. Со временем точность прогнозов возрастает. В процессе тренировки нейронной сети ее можно испытывать на свежей информации о клиентах для получения про­гнозов, на основе которых затем будут действовать специалисты по маркетингу или другие принимающие решения лица.

Нейронные сети потенциально являются мощнейшими средствами прогнозиро­вания действий клиентов. Однако использовать их надо с известными оговорками, поскольку их предсказания основаны лишь на данных, полученных на входе. К при­меру, если количество детей в семье – это важная переменная в прогнозе пользова­ния финансовыми услугами, то нейронная сеть сработает эффективно, только если она запрограммирована на включение количества детей в информацию на входе.

Еще одно ограничение связано с тем, что нейронные сети лучше всего работают, ког­да взаимосвязи между данными на входе и выходе стабильны. Однако бывает, что поведение клиентов резко меняется. Нейронные структуры в этом случае в опреде­ленной степени перенастроятся, но не смогут радикально отступить от того, что было запрограммировано. Когда условия для бизнеса резко меняются, то от нейронных сетей будет мало пользы и их потребуется заменить более адекватными аналитичес­кими средствами.

«Деревья решений»

«Деревья решений» структурируют данные согласно четко оговоренным прави­лам. Они снискали широкую популярность, поскольку, в отличие от нейронных сетей, объясняют причины того, почему тот или иной результат будет предпочтительным. Эти аналитические средства классифицируют данные в поисках правил, которые приведут к выработке действенных и обоснованных рекомендаций. Затем эти прави­ла используются для поддержки принятия решений.

Автоматизированные средства для построения «деревьев решений» работают пу­тем такого разбиения данных, при котором все объекты (продукты, клиенты, транс­акции и др.) распределяются наиболее равномерно. Например, если группа клиен­тов составлена на 90 % из мужчин и на 50 % из людей, не состоящих в браке, то для классификации данных вначале будет использован брачный статус. Цель построе­ния дерева – разделение объектов на группы со сходными характеристиками. После образования «дерева решений», которое точно классифицирует все индивидуальные случаи, полученное дерево можно преобразовать в правила принятия решений и ис­пользовать их для поддержки этого процесса.

Специализированные аналитические средства

Анализ сегментации рынка. Множество клиентов мо­жет сегментироваться и без специального анализа – на основе их базовых характе­ристик (место жительства, род занятий). Для этого просто задают почтовые индексы или названия профессий и извлекают данные из базы. Такой вид сегментации очень ограничен и не способен дать никаких указаний о предпочтениях и покупательском поведении клиентов. Чтобы узнать это, мы должны детально проанализировать ис­торическую информацию о продажах. Если удается вычислить значимый кластер клиентов, этому кластеру может быть сделано специальное предложение, которое, вероятнее всего, привлечет внимание. Подобная разработка продуктов/услуг, на­илучшим образом отвечающих потребностям клиентов, стимулирует рост продаж и клиентской лояльности. Для выявления новых сегментов на основе хранимых в репозитории данных могут помочь два аналитических средства.

Во-первых, это визуализация, описанная выше. При сопоставлении диаграмм, составленных для различных параметров, иногда обнаруживаются группы клиентов со сходными характеристиками. Если, к примеру, мы сопоставляем возраст клиентов с покупками кофе, то можем обнаружить, что одни возрастные группы потребляют больше молотого кофе, а другие пьют только кофе без кофеина. К сожалению, ви­зуализация полезна при анализе лишь двух-трех параметров. В огромной массе слу­чаев требуется выявлять кластеры на основе множества самых различных данных.

Здесь предпочтительнее прибегнуть ко второму методу –автоматическому поиску кластеров.

Существует несколько видов автоматического обнаружения кластеров. Самый распространенный (известен как K-means) разбивает базу данных на сегменты, за­даваемые пользователем. Этот метод лучше всего подходит для работы с количест­венными данными и имеет ограниченное применение к данным других типов. При еще одном методе, известном как агломерация, каждая ячейка данных в базе рассмат­ривается как отдельный кластер с одной-единственной записью, сходные кластеры комбинируются до тех пор, пока не остается лишь малое число кластеров. Этот метод применяется для неколичественных данных, например, для подсчета полей с данны­ми, соответствующими тому или иному множеству данных о клиентах. Кластеры так­же могут вычисляться с применением «деревьев решений» и нейронных сетей.

Группировка по родственным признакам. Группировка по родственным признакам используется для выявления отдельных объектов, ассоциированных друг с другом. Типичное приложение, выполняющее эту функцию, способно анализировать покупки в супермаркете и выявлять среди них продукты, покупаемые вместе. По результатам анализа оптимизируется распо­ложение этих продуктов в торговом зале – по этой причине группировку по родс­твенным признакам иногда называют анализом потребительской корзины. Прием добычи данных, лежащий в основе этого метода – это генерация правил ассоциациии использование процедур анализа связей (см. выше). Правило ассоциации обычно имеет следующий вид: «Люди, покупающие по пятницам детские подгузники, чаще всего также покупают пиво или вино». Это обстоятельство подталкивает к действиям двоякого рода: размещение подгузников рядом с алкогольной секцией (по пятницам), и размещение легких закусок (чипсов и орешков) рядом с подгузниками, чтобы «на­помнить» клиентам купить пиво или вино. Эти приемы применяются либо ко всему множеству данных для поиска общих взаимозависимостей, либо к отдельным мно­жествам для поиска локальных правил (к примеру, для выяснения тенденций продаж в городских и пригородных магазинах).

 

Управление текучестью клиентов

В отраслях с плотной конкуренцией, где издержки клиента на смену поставщика малы, компании постоянно теряют одних клиентов (они уходят к конкурентам) и при­обретают других. В одних отраслях (например, телекоммуникационной) это явление называется текучкой клиентов, в других (например, банковской) — потерей кли­ентов. Для ряда отраслей эта текучка составляет серьезную проблему. Очевидно, что даже небольшое улучшение удержания клиентов или уменьшение их текучести принесет значительное снижение издержек.

Первый шаг в управлении текучестью клиентов состоит в расчете существующе­го показателя текучести и представления текучести в контексте всей сети распреде­ления, включая каналы. Цель здесь — выявить проблемные точки, которые требуют прямого вмешательства. Для этого обычно достаточно средств оперативной аналити­ческой обработки (OLAP), которые можно усилить специализированными програм­мными пакетами по управлению текучестью. Эти средства позволяют соотносить показатели текучести с географическими зонами, дилерами, сервисными планами и т.д. Тесные корреляции будут указывать, например, что у одних дилеров текучесть на­много выше, чем у других. Эти средства также позволяют находить клиентские сег­менты с высокой текучестью и одновременно с высоким потенциалом прибыльности. На эти сегменты можно направлять кампании по удержанию клиентов. Чтобы выяв­лять готовых уйти клиентов и объяснять, почему они хотят уйти, иногда задействуются нейронные сети и «деревья решений».

Есть два подхода к управлению текучестью клиентов: реактивный и проактивный. Реактивный подход состоит в предоставлении данных о текучести сотрудникам компании, обслуживающим клиентов, чтобы они придумали подходящие поощрения клиентам, готовым перейти к конкуренту. Проактивный подход касается выявления проблемных клиентских сегментов и нацеливание на них прямой почтовой рассылки или телефонных звонков.

 

Профилирование клиентов

При составлении профилей клиентов для моделирования их поведения исполь­зуются прогностические средства анализа, чтобы в будущем предложения ценнос­ти были точнее подстроены под их потребности. Модели могут основываться на за­просах клиентов, на их поведении и прибыльности, а при использовании обширных массивов данных модели –прогнозировать реакцию клиентов на новые ситуации. Например, прогностическое профилирование клиентов может использоваться в мар­кетинговых кампаниях для оценки вероятной реакции клиентских сегментов.

 

Анализ прибыльности

Традиционно, основным фокусом компании была прибыльность продуктов или услуг. С недавних пор понимание издержек на привлечение (в противовес удер­жанию) клиентов стало вести к повышению эффективности стратегии управления прибыльностью клиентов по отдельности. Отсюда возникла потребность вычислять полную прибыль от клиента. Действенный менеджмент клиентов сегод­ня обсуждается в контексте удовлетворения запросов прибыльных клиентов (чтобы они не перешли к другому поставщику) и перевода неприбыльных в ту или иную при­быльную позицию.

Анализ прибыльности требует оптимизации интеграции и сбора данных в целом ряде точек. Во-первых, интеграция баз данных обязательна для вычисления общего количества продуктов и услуг, купленных отдельным клиентом. Интеграция локальных баз обычно проходит в рамках хранилища данных. Во-вторых, должны быть собраны сведения об издержках на обслуживание каждого клиента. Эта задача может решать­ся средствами CRM, которые фиксируют количество времени, затрачиваемого опера­тором на ответы на телефонные звонки, письма и электронные письма клиентов.

В отсутствие этих специальных данных издержки на обслуживание будут просто распределяться на всех клиентов, и тот факт, что некоторые, казалось бы, ценные клиенты являются на самом деле убыточными, поскольку на их обслуживание тратит­ся непропорционально много времени, не будет обнаружен. Как только эти данные собраны, рассчитывается прибыльность каждого клиента в отдельности, и клиенты объединяются в сегменты согласно их прибыльности и прочим характеристикам. Затем, на основе этой сегментации разрабатываются стратегии миграции клиентов, а также ведется поиск особо ценных сегментов, которые должны быть защищены от конкуренции.

В ряде отраслей бурный рост онлайновых торговых площадок серьезно подорвал размеры прибыли. Настройка средств анализа прибыльности на решение этой проблемы дала поставщикам возможность определять, какие запросы о ценах и условиях будут прибыльными, а на каком уровне ставки на онлайновых аукционах перестают быть прибыльными.

 

Оперативная аналитическая обработка данных

Оперативная аналитическая обработка данных, или OLAP, – это высокораз­витое средство составления отчетов с расширенными, по сравнению с описанны­ми выше средствами составления запросов, возможностями, но, строго говоря, не средство по добыче данных, поскольку осуществляет, скорее, обобщение данных, нежели выявление в них паттернов. Тем не менее, OLAP– это набор мощных и удоб­ных в использовании инструментов. Они способны извлекать значительный объем ценной информации из базы данных, при этом не подменяя собой программы добычи данных, а усиливая их результативность.

Входящие в состав OLAPпрограммы имеют развитый графический интерфейс, благодаря которому даже пользователи, слабо знакомые со статистикой, способны анализировать огромные массивы данных. Под интерфейсом скрывается новая база данных (иногда ее называют «кубом») с информацией из репозитория данных, кото­рая хранится особым образом, облегчающим и ускоряющим продольную и попереч­ную «нарезку» данных. В случаях, когда обычные средства составления отчетов ра­ботают многие часы, программы OLAPвыдают отчеты за считанные секунды. Однако надо заметить, что такая скорость обеспечивается за счет некоторой потери точнос­ти в хранении определенных типов данных.

Отличия между программами добычи данных и OLAPлучше всего проявляются в решении управленческих задач. Программы добычи данных обращены в будущее и подсказывают оптимальные способы управления теми или иными группами клиен­тов. Они нужны для поддержки принятия решений. Отчеты OLAPбольше ориенти­рованы на события предшествующие. Они подытоживают данные, скажем, об эф­фективности последних продаж и выявляют тенденции. Например, проведенный OLAPанализ прошлых продаж может выявить, что такие-то продукты лучше всего продаются в такой-то день. Однако почему именно так, программа не поясняет. Ори­ентировочное объяснение этого могут дать средства добычи данных (скажем, груп­пирование по родственным признакам). Еще OLAPприменяется для визуализации результатов работы по добыче данных. При этом одной из самых важных черт OLAPявляется легкость использования, открывающая доступ к анализу для гораздо боль­шего числа сотрудников компании.

Аналитические средства жизненно необходимы для сортировки данных и извле­чения из них смысла, который будет полезен для разработки управленческих стра­тегий. Такие приемы, как добыча данных, выявляя тенденции на рынке и в действи­ях клиентов, способны идентифицировать неэффективное распределение средств из бюджета и определить самое выгодное направление для использования ресурсов компании. Сегментация и прогностическое моделирование применяются для выяв­ления новых групп клиентов с целью улучшить для них предложения ценности или обеспечить систему раннего предупреждения о возможной их миграции к конкурен­там. Важно, что непрерывное развитие и использование хранилища данных также облегчает обмен информацией и знаниями между компанией и клиентами.

Информационные системы

Информационные системы – это компьютерное оборудование, программы и промежуточное про­граммное обеспечение компании. Под оборудованием подразумеваются физические устройства (настольные компьютеры, лэптопы, серверы баз данных, веб-серверы, мейнфрей мы, клавиатуры и прочая периферия), на которых работают программы. Промежу­точное программное обеспечение – это программы, выступающие посредниками между программами-клиентами, запрашивающими информацию, и программами сер­веров, предоставляющими эту информацию, причем клиенты и серверы оперируют на разных компьютерных платформах.

Для эффективной работы CRMтребуется способность информационных систем предоставлять необходимую информацию о клиентах и сейчас, и в будущем, а также выполнять це­лый ряд административных задач, таких как выставление счетов, обработку данных, распределение, заказы со складов и т.д. Выполнение этих задач максимально зави­сит от технологии и предъявляет к ней такие же большие требования. По мере роста числа клиентов и трансакций способность компании масштабировать существующие системы или планировать переход, не нарушающий течения бизнеса, к другим систе­мам становится жизненно важной. То же самое касается и интеграции данных из со­вершено разных систем, таких как структурированные базы данных и насыщенные мультимедийные сети.

Обычно информационные системы компаний создаются постепенно и в ответ на конкретные нужды отделов. Разные отделы, таким образом, используют различные и часто несов­местимые компьютерные системы (как оборудование, так и программы). В то время как новые информационные системы обычно основаны на открытых технических стандартах, что уменьшает проблемы совместимости, системы старого типа поддаются интеграции с большим трудом. В некоторых случаях замена старого оборудования и программ бывает гораздо выгоднее.

Если имеются отдельные друг от друга информационные системы, то интеграция оборудования и программ должна производиться до подключения баз к хранилищу данных и от­крытия доступа к ним для сотрудников. Интеграция разрозненных систем в це­лостную архитектуру – это крупное, требующее значительных капиталовложений мероприятие. Поэтому важно, чтобы все предложения о системной интеграции основывались на ясной и грамотной стратегии CRM, которая должна учитывать IT-инфраструктуру, и тщательном стратегическом анализе систем. Выбранная ком­панией IT-архитектура должна интегрировать со старыми IT-системами или замес­тить их и быть достаточно гибкой, чтобы позволять любые изменения и расширения в будущем.

Постоянной проблемой при планировании IT-архитектуры является подстройка оборудования под запросы пользователей. Есть много путей ее решения: это систе­мы «клиент-сервер», хост-серверные системы и системы «Интернет-Интранет». Эти схемы могут комбинироваться для создания IT-сети, удовлетворяющей самые разные запросы.

 

Выбор компьютерного оборудования

При внедрении CRMесть вероятность того, что, по крайней мере, некоторым пользователям понадобится новое компьютерное оборудование. В некоторых случа­ях это будет обычный настольный персональный компьютер. Работающим в полевых условиях понадобятся лэптопы и другие мобильные устройства для работы с данными. Для повышения эф­фективности сотрудников Саll-центра может понадобиться та или иная форма ин­теграции компьютера и телефона. И без того широко представленный здесь выбор продолжает расти. При решении вопроса о выборе оборудования следует учитывать потребности пользователей, а также специфику и условия их работы.

Многим менеджерам для работы с программами CRMдостаточно имеющегося настольного компьютера, поскольку программы для CRMчаще всего имеют Интернет-под держку и большинство компьютеров с веб-браузерами обеспечат базовую работу с отчетами и анализом данных. Для бизнес-аналитики и комплексной добычи дан­ных потребуются более мощные компьютеры. Это могут быть или особо мощные компьютеры, или рабочие станции – в зависимости от объема статистической обработки и используемых средств визуализации. По сравнению с персональными компьютерами, дисплеи этих машин должны быть крупнее, а их разрешение – выше; компьютеры должны иметь больше памяти и более мощный процессор. Выбор между персональным компьютероми рабочей станцией зависит от инфраструктуры и технической поддержки, доступной для компании, поскольку многие рабочие станции в качестве операционных систем используют не Microsoft Windows, a Unix. Стоимость установки даже небольшого числа рабочих станций высока, поскольку для них потребуется иное сетевое оборудование и программис­ты компании, обученные их обслуживанию.

Выбор мобильного оборудования для полевых сотрудников еще более пробле­матичен, поскольку здесь важно и взаимодействие с клиентами, и безопасность уда­ленного соединения. Особенно значимым соображением при выборе оборудования выступает легкость взаимодействия между, скажем, продавцом и клиентом. Загрузка обычного лэптопа занимает несколько минут, и из-за своего размера он выступает препятствием для нормального общения людей. Мелкие портативные устройства намного меньше весят, не создают помех в общении, однако используют иные программы, нежели лэптоп. Это значит, что программы CRMв портативных устройствах будут оснащены меньшим количеством функций, а также следует убедиться, что уст­ройство поддерживает выполнение самых важных операций.

Благодаря быстрому прогрессу мобильной связи сегодня существует множест­во путей подключения компьютеров полевых работников напрямую к репозиторию данных компании вместо копирования себе данных о клиентах.