О подходах к моделированию и оптимизации работы с потребителями услуг

Abstract

В статье анализируются этапы моделирования поведения клиентов (потребителей услуг), включающие фильтрацию (очистку) клиентской базы, сегментирование, оценку рисков, связанных с отказом клиента от услуг и товаров, оптимизацию работы с клиентами; исследуются особенности применения методов Data Mining, в частности, решающих деревьев и решающих списков, методов кластерного анализа, генетических алгоритмов, байесовских сетей и предлагаются перспективные подходы к моделированию поведения клиентов; приводятся примеры CRM-систем.

У статті аналізуються етапи моделювання поведінки клієнтів такі, як фільтрація (очищення) клієнтської бази, сегментування клієнтів, оцінювання ризиків, що пов’язані з відмовою клієнтів від товарів та послуг, оптимізація роботи з клієнтами; досліджуються особливості застосування методів Data Mining, а саме розв’язуючих дерев і розв’язуючих списків, нейронних мереж, генетичних алгоритмів, байєсовських мереж і пропонуються перспективні напрями до моделювання поведінки клієнтів; наводяться приклади CRM-систем.

The analysis of the modeling of the customer behavior stages such as filtering (cleaning methods) of the client data base, customer segmentation, risk evaluation based on customer churn prediction, customer relationship optimization is considered in the paper. The first stage of the customer behavior understanding is the client data base preprocessing including data cleaning and data filtering. The important part of the complex data cleaning methods is outlier detection. The definitions of a clear outlier and a majority outlier are proposed. The examples of the filtering and cleaning data methods realized in SQL Server 2012 platform, IBM SPSS, analytical platform Deductor are discussed. The second stage of the customer behavior understanding is customer segmentation. The perspectives of the combined customer segmentation methods based on the RFM-analysis and Data Mining are investigated. The examples of the client segmentation based on IBM SPSS and analytical platform Deductor are considered. The third stage of the customer behavior understanding is customer churn prediction models. The possibilities of the survival analysis for customer behavior are considered. The examples of the survival analysis based on Cox Regression and Kaplan-Meier procedure realized in SPSS are considered. The fourth stage of the customer behavior understanding is fraud and anomaly detection. The perspectives of outlier detection methods for the fraud recognition are discussed. The fifth stage of the customer behavior understanding is customer preferences prediction methods and usage of CRM-systems. The perspectives of Data Mining techniques for the customer preferences prediction and examples of the well-known CRM-systems are considered.