Data Mining

SPSS Schweiz realisierte für eine Firma folgendes Data Mining Projekt:
Automatisierung von Analyse und Präsentation regelmässiger Mitarbeiterbefragungen
SPSS erstellte für ein Dienstleistungsunternehmen ein Tool für
massgeschneiderte Angebote
Automatisieru
Cross- und Upselling sind für Unternehmen vital
Welches Angebot soll welchen Kunden unterbreitet werden? Wer könnte weitere Produkte brauchen?
Auf solche Fragen passende Antworten zu finden, ist businesskritisch. Das Thema heisst Crossselling
und Upselling: Unter den bestehenden Kunden diejenigen zu finden, die sich potenziell für weitere
Produkte interessieren, und diejenigen, die für eine vermehrte Nutzung des gleichen Produktes in
Frage kommen. Mit diesen Fragestellungen – die im Bereich Data Mining typisch sind - wandte sich
eine Schweizer Firma an SPSS (Schweiz).
Von den bisherigen guten Kunden lernen
Das Unternehmen ist
nun in der Lage,
gezielt Kunden mit
Angeboten
anzusprechen, die
sich mit einer hohen
Wahrscheinlichkeit
dafür interessieren –
oder, mit anderen
Worten, ein 1 to 1
Marketing zu
betreiben. Damit
steigt die
Abschlussquote bei
entsprechenden
Kampagnen in der
Regel massiv
Clementine eignet sich hervorragend dazu, solche Selektionen durchzuführen, indem ein Modell für
typische Cross- und Upselling Opportunities erstellt wird. Oder mit anderen Worten, Clementine soll
lernen, wie eine solche Opportunity typischerweise „aussieht“, um dann automatisch weitere selbst zu
erkennen.
Wie wurde bei dieser Firma praktisch vorgegangen? Unter den bestehenden Kunden wurde eine
Gruppe von Kunden selektioniert, deren Profil dem eines „guten Kunden“ entspricht, der beispielsweise
eine besonders attraktive Produktekombination nutzt. Dieser Gruppe wurde eine Zufallsstichprobe aus
dem Rest der Kunden gegenübergestellt.
Die beiden Datensätze wurden zu einem grossen Datensatz zusammengefügt. Dieser wird gemixt und
anschliessend nach dem Zufallsprinzip in zwei oder mehr Teildatensätze aufgeteilt, die nun alle sowohl
„Idealkunden“ wie auch andere enthalten. Diese beiden Gruppen werden üblicherweise
„Trainingssample“ (wird zur Modellerstellung genutzt) und „Testsample“ (dient der Validierung des
Modelles) genannt.
Clementine erstellt ein Profil
Die Algorithmen von Clementine wurden nun dazu eingesetzt, am Trainingsdatensatz das „typische“
Muster eines „Wunschkunden“ im Kontrast zu den übrigen Kunden zu lernen. Dazu werden
typischerweise Neuronale Netzwerke oder Decision Trees (wie C5 oder C&RT) verwendet. Resultat
dieses Lernprozesses war dann ein Profil eines typischen guten Kunden.
Dieses Profil liess sich schliesslich auf die übrigen Datensätze anwenden und mit den tatsächlichen
Merkmalen vergleichen, um zu überprüfen, ob es auch an unabhängigen Daten erfolgreich angewendet
werden kann, die nicht zum „Lernen“ verwendet wurden. Oder anders gesagt: Das Profil wurde auf
Generalisierbarkeit überprüft. Kriterium für ein gutes Modell ist nicht nur die absolute Trefferquote am
Trainingsdatensatz, sondern vielmehr eine hohe Generalisierbarkeit. Modelle, die eine extrem hohe
Genauigkeit am Trainingsdatensatz aufweisen, sind oftmals „überangepasst“ und überzeugen weniger,
wenn es um Prognosen mit neuen Daten geht.
Am Schluss des beschriebenen Prozesses konnte das Profil auf die gesamte Datenbank mit allen
Kunden angewendet werden. So erhielt jeder Kunde einen Scorewert zugewiesen, der aufzeigt, mit
welcher Wahrscheinlichkeit er zur Gruppe der „Wunschkunden“ gehört. Diejenigen, die einen hohen
Scorewert aufweisen, aber noch nicht zur „Wunschgruppe“ gehören, konnten nun ausgewählt und
gezielt mit Cross- und Upselling-Angeboten kontaktiert werden. Konkret geschah dies nicht nur mit
einem Clementine-Modell, sondern es wurde für jedes Produkt je ein Cross- und Upsell-Modell
entwickelt und allen Kunden je einen entsprechenden Scorewert zugewiesen.
Resultat
Das Unternehmen ist nun in der Lage, gezielt Kunden mit Angeboten anzusprechen, die sich mit einer
hohen Wahrscheinlichkeit dafür interessieren – oder, mit anderen Worten, ein 1 to 1 Marketing zu
betreiben. Damit steigt die Abschlussquote bei entsprechenden Kampagnen in der Regel massiv.
Data Mining
SPSS (Schweiz) AG, Schneckenmannstr. 25, 8044 Zürich, Tel 01 266 90 30, www.spss.ch, [email protected]