V tomto blogovom príspevku vám ukážeme, ako pomocou data miningu identifikovať koreláciu medzi plienkami a predajom piva a ako to môžete využiť na zvýšenie predaja.
Ste vedúcim predajne obchodu A v L-Mart, veľkom supermarkete. Neďaleko sa nedávno otvoril konkurent H-Mart a vy sa obávate, že tržby vášho obchodu výrazne klesli. Rozhodnete sa požiadať o pomoc ústredie. Zamestnanec z centrály vás prevedie predajňou a požiada vás, aby ste mu poslali trojmesačnú históriu predaja. O niekoľko dní vám zamestnanec odovzdá papier s pokynmi na zmenu rozloženia vašich políc. čo? Pivo vedľa detských plienok? Pivo vedľa plienok, ktoré nie sú ani vreckovkami, ani hračkami pre bábätká, nedáva žiaden rozum. Ste však príliš bojazliví na to, aby ste sa sťažovali na veliteľstve, a tak sa rozhodnete preusporiadať predmety podľa pokynov. O mesiac neskôr skontrolujete svoje tržby a uvedomíte si, že predaj piva, akoby na zavolanie, dramaticky vzrástol.
Toto nie je beletrizovaná verzia skutočného príbehu. V minulosti Walmart v Spojených štátoch analyzoval údaje a zistil, že plienky a predaj piva spolu súvisia, čo znamená, že otcovia detí často kupovali pivo, keď kupovali plienky. Dokázali to využiť tým, že dali plienky a pivo dohromady, čo viedlo k výraznému zvýšeniu predaja piva.
Vráťme sa k príkladu obchodu A. Ako pracovníci centrály zistili túto súvislosť? Odpoveďou je data mining. Data mining je proces získavania cenných informácií z veľkého množstva údajov identifikáciou spojení, podobností, vzorov atď. Údaje, ktoré každý deň zhromažďujeme, sú len hromadou čísel a je potrebné ich „spracovať“, aby boli hodnotné. Hmatateľnou analógiou je „odpadové umenie“. Nevyžiadané umenie je, keď robíte umenie z odpadu alebo odpadu. Nádherné a ohromujúce umelecké diela sú vytvorené z hromady odpadových pneumatík, ohorkov cigariet, uzáverov fliaš a iných odpadkov, na ktoré by sa väčšina ľudí ani nepozrela. Nepotrební umelci triedia a kombinujú tieto predmety, aby dosiahli farbu, textúru a lesk, ktorý hľadajú, a konečným výsledkom je umelecké dielo. Podobne veľa údajov nemá samo o sebe žiadnu hodnotu, ale keď sa roztriedia a skombinujú s nejakým zámerom, vznikne niečo hodnotné.
Existuje päť hlavných typov dolovania údajov: popis tried a diskriminácia tried, klastrová analýza, asociačná analýza, analýza odľahlých hodnôt a sekvenčná analýza vzorov. Keď sa súbor údajov, ktoré sú zoskupené podľa určitých kritérií, nazýva trieda, nájdenie charakteristík daných údajových položiek sa nazýva opis triedy, nájdenie špeciálnych charakteristík, ktoré môžu rozdeliť údaje do dvoch skupín, sa nazýva stratifikácia, používa sa zhluková analýza. na nájdenie nových tried a analýza asociácií sa používa na nájdenie prepojení medzi skupinami údajov. Nájdenie údajov, ktoré sa výrazne odchyľujú od priemeru, sa nazýva analýza odľahlých hodnôt a analýza vzorcov správania v priebehu času sa nazýva sekvenčná analýza vzorov.
Typ dolovania údajov použitý v našom príklade je asociačná analýza. Pri analýze asociácie sa na určenie stupňa asociácie používajú tri miery. Prvým je „podpora“, čo je percento všetkých transakcií, pri ktorých sa spolu obchodujú dve položky (A a B). Druhým je „dôvera“, čo je percento celkových transakcií A, ktoré sú obchodované spolu. Posledným je „vylepšenie“, čo je percento obchodovania A a B spolu (dôvera) z percenta všetkých obchodov, kde sa obchodovalo s B. Ak majú vylepšenia hodnotu 1, sú navzájom nezávislé a ak sú väčšie ako 1, sú pozitívne korelované a ak sú menšie ako 1, sú korelované negatívne. Najprv sa podpora vypočíta pre všetky položky a potom sa vypočíta spoľahlivosť pre položky, ktoré majú určitú úroveň podpory. Dataminer rozhoduje o tom, aká by mala byť úroveň podpory. Potom vypočítame vylepšenie pre položky, o ktorých si myslíme, že spolu súvisia, a zistíme, ako spolu súvisia. Takto sme zistili, že plienky a pivo spolu súvisia a pozitívne korelujú.
Aj keď sme diskutovali len o tom, ako sa dá data mining využiť v marketingu, dá sa využiť v širokej škále oblastí. Vo financiách sa používa na úverové hodnotenie, odhaľovanie podvodov s kreditnými kartami a predpovedanie cien akcií; v telekomunikáciách sa používa na predchádzanie odchodu zákazníkov, rozpoznávanie znakov a vzorov a správu bezpečnosti; v zdravotníctve sa používa na diagnostiku chorôb a genetickú analýzu; v energetike sa používa na predpovedanie dopytu po elektrine a prieskum zdrojov; a vo výrobe sa používa na vývoj nových produktov/nových služieb, predikciu chýb, automatizáciu výroby, riadenie zásob a dopytu. Okrem toho môže byť použitý ako spôsob, ako pochopiť minulú alebo súčasnú situáciu alebo predpovedať budúcnosť z daných údajov.
V súčasnosti sú veľké dáta v móde po celom svete. Pri všadeprítomnom využívaní IT zariadení sa dáta neustále generujú. Podľa jednej štatistiky sa len v roku 120 celosvetovo vyprodukovalo a spotrebovalo približne 2024 ZB (Zettabajtov) dát. Ťažba dát je nevyhnutná na to, aby boli tieto dáta užitočné namiesto toho, aby boli vyhodené, a keďže sa očakáva, že životné prostredie založené na internete sa bude v budúcnosti ďalej rozvíjať, očakáva sa, že význam dolovania dát bude ešte rásť.
Data mining môže byť použitý nielen na zvýšenie predaja, ale aj na identifikáciu nákupných vzorcov zákazníkov, vykonávanie prispôsobeného marketingu, zlepšenie efektívnosti riadenia zásob a vývoj rôznych stratégií na maximalizáciu spokojnosti zákazníkov. Dáta sú surovou ropou moderného sveta a to, ako dobre ich ťažíte a spracovávate, môže spôsobiť alebo rozbiť vaše podnikanie, a preto je také dôležité uvedomiť si dôležitosť dolovania údajov a využiť ho.
