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]