Wykorzystanie narzędzi pozwalających na analizowanie danych o klientach jest w wielu firmach naturalną drogą dojścia do systemów CRM analitycznego.

Rozwiązania CRM operacyjnego powstały z systemów SFA (Sales Force Automation - automatyzacji działów sprzedaży). Obejmują one całą sferę bieżących kontaktów z klientami. Nie pozwalają jednak na uzyskanie spójnego obrazu klienta, tzw. skonsolidowanej informacji o nim. Ta bowiem musi powstawać na bazie danych zgromadzonych w różnych systemach informatycznych w firmie, w tym danych archiwalnych. Dane te muszą być przetworzone, by zamieniły się w wartościowe informacje.

Na długo przed upowszechnieniem się pojęcia systemów CRM, w tym CRM analitycznego, w wielu firmach budowano systemy zaliczane do szerokiego spektrum rozwiązań Business Intelligence, w tym w szczególności tematycznych hurtowni danych. W takich hurtowniach najczęściej znajdują się dane oczyszczone i zagregowane, uzyskane z systemów bazodanowych o transakcjach z klientami. Dane w przetworzonej postaci pozwalają na tworzenie raportów o klientach i ich charakterystykach. Ich dokładniejsze badanie, wykraczając poza możliwości standardowych technik raportowych, takich jak zapytania SQL (Structured Query Language) czy OLAP (OnLine Analytical Processing), wymaga stosowania bardziej zaawansowanych rozwiązań, np. data mining.

Szukajcie, a znajdziecie

Pojęcie data mining można tłumaczyć jako "drążenie danych" bądź "dogłębne przeszukiwanie danych". To badanie dużych zbiorów jednorodnych danych po to, aby odnaleźć ukryte związki i relacje, jakie między nimi zachodzą. O ile typowe analizy OLAP/ROLAP tworzą zestawienia poprzez agregację i przetworzenie danych, o tyle data mining pozwala przeszukiwać dane w sytuacji, gdy nie wiadomo, jakie pytanie można zadać.

Data mining wywodzi się ze statystyki, w pełni czerpiąc z osiągnięć tej dziedziny. Dotyczy to głównie metod estymacji i weryfikacji stawianych hipotez statystycznych. Tutaj postęp teoretyczny nie jest zbyt szybki. Dynamicznie zmienia się natomiast drugi nurt, coraz wyraźniejszy w data mining - nowe metody bazujące na technikach sztucznej inteligencji, maszynowym uczeniu się (machine learing), drzewach decyzyjnych czy asocjacjach. Niektórzy nawet postrzegają data mining jako specjalizowaną gałąź sztucznej inteligencji.

Za pomocą technik data mining nie tylko można opisać istniejące fakty (np. malejącą sprzedaż produktu), ale także odpowiedzieć na pytania (np. dlaczego maleje sprzedaż; jaka będzie wartość sprzedaży w kolejnym miesiącu; jakie czynniki mają wpływ na jej wielkość itp.).

O ile w biznesie nie stosuje się na ogół tak bardzo złożonych metod data mining jak w nauce, o tyle znacznie istotniejsza jest tutaj nawet najmniejsza poprawa efektywności, osiągnięta poprzez podjęcie decyzji na podstawie informacji uzyskanych dzięki analizie zgromadzonych danych. W praktyce stosuje się uproszczone rozwiązania, na ogół przy standardowo ustalanej konfiguracji (co świadczy o małym wyrafinowaniu użytkowników tego rodzaju systemów). Praktyczny data mining jest zazwyczaj prowadzony na potrzeby działu marketingu, sprzedaży typu cross-selling czy up-selling, na podstawie łączenia danych o klientach w obrębie grupy firm działających wspólnie np. w ramach holdingu, jak również do segmentacji rynku (np. tworzenia charakterystyk typowych klientów) czy prowadzenia analizy kosztów (określania, które usługi i klienci przynoszą największy dochód). Gdy w firmie takich analiz jest wykonywanych kilkaset w ciągu miesiąca, potrzebne są zaawansowane rozwiązania data mining, które coraz częściej są "zaszyte" w specjalizowanych systemach np. CRM analitycznego.

Analityk pilnie potrzebny

Ogromna różnorodność dostępnych technik data mining obnaża zarazem czułe punkty tej dziedziny. Posłużenie się różnymi technikami może przynieść różne wyniki! Trudno więc o jednoznaczność wniosków, o to, by maszyna udzielała konkretnych odpowiedzi. Potrzebny jest analityk, znający konkretną dziedzinę, do której obszaru należą analizowane dane, potrafiący zdecydować, jakie wyniki są wiarygodne. Techniki data mining pozwalają bowiem jedynie na udzielanie podpowiedzi, nie zaś gotowych recept. Obudowanie algorytmów data mining systemami o konkretnym przeznaczeniu (np. CRM) sprawia, że przestaje to być tak widoczne. O pożytku z wykorzystania takich systemów decyduje więc merytoryczne przygotowanie użytkownika. CRM analityczny jest techniką analizowania danych, wzbogaconą w solidną dawkę wiedzy. Ta wiedza to przede wszystkim znajomość modeli predyktywnych, za pomocą których są przetwarzane dane o zachowaniu klientów.

Kluczem do zrozumienia działań klientów jest założenie: każdy klient jest unikalny, lecz są klienci do siebie podobni. CRM analityczny ma w znacznym stopniu określić podobieństwa klientów i na tej podstawie wystąpienie pewnych zachowań. Jednym z zadań, jakie powinien realizować CRM analityczny, jest wykrycie nie zidentyfikowanych wcześniej relacji pomiędzy zarejestrowanymi faktami.

CRM analityczny powinien przede wszystkim pozwalać na wielowymiarową segmentację klientów: zarówno w tradycyjnym podejściu do ich podziału ze względu np. na współczynniki demograficzne, jak i preferencje względem poszczególnych produktów, kampanii marketingowych itp. Dokonywanie przecięć tych podziałów pozwala np. na wskazanie grupy najbardziej wartościowych klientów i ekstrapolację otrzymanych wyników na całą populację po to, by można było ocenić rzeczywistą wartość potencjalnego klienta.

CRM analityczny powinien również stwarzać mechanizmy oceny skutków wprowadzanych zmian. Zbudowane modele wartościujące powinny dawać odpowiedź na to, jak napływające dane dotyczące kontaktów i transakcji z nimi różnią się od poprzednich wyników. Wówczas taki system staje się w firmie bezcenny, daje bowiem obiektywną miarę do oceny najważniejszego elementu - całego obszaru jej interakcji i współpracy z klientami.