Logisztikai Híradó Logisztika_2018_3_jun_kicsi - Page 43

Szakértőink tollából az eddiginél alaposabban és pontosabban célozhassák meg ügyfeleiket. A költségha- tékony kampányok kidolgozásához az út az ügyfél-szegmentáción keresztül vezet. A szegmentáció bázisa a tranzakciós adatbázisokban tárolt adatok, valamint a közösségi oldalakon fellelhető információk összessége. A vállalkozások összevetik a kö- zösségi oldalak profil információit a vásárlási történeti adatokkal. Az ilyen eljáráson ala- puló szegmentációs megoldások eredmé- nyeként kialakított vevőcsoportok 30%-kal csökkenthetik a promóciós költségek nagy- ságrendjét. Talán az Amazon a legjobb példa arra, miként használják a vevőszegmentációt ko- sárérték növelésre a vállalatok. Vásárlói beje- lentkezést követően az Amazon a vevő min- den egyes lépését rögzíti – miket nézett meg a böngészőben, milyen sorrendben, mennyit időzött egy-egy terméknél, végül mit vásárolt, vagy minek a megvásárlásától állt el. Ezek- ből az adatokból hasonló viselkedésű vevői csoportokat alakít ki. Az így kirajzolódó min- ták alapján – például – egy mobil készüléket vásárló ügyfélnek azonnal kiajánl a rendszer egy po- werbank-ot is, hiszen a szeg- mensben lévő vevők többsé- ge ilyet is vásárolt új mobiljá- hoz. Az Amazon ezzel a ve- vők számára új ajánlatokkal él és további vásárlásra sar- kallja őket – ez hatékonyab- bá teszi az értékesítést. lom növelésére. A gyár folyamatosan elemzi a vásárlási, vevői és autó adatokat, valamint a szervízektől érkező, kvalitatív jellegű vissza- jelzéseket, információkat. Ezek segítségével ke- resi és győzi meg vásárlóit arról, hogy kiterjedt szervízhálózatának szolgáltatásait vegyék igénybe, mert az – például – a megvásárolt autó élettartamára kedvező hatással van. Igen érdekes megközelítést használ big da- ta elemzésre támaszkodva a Purdue Egyetem. Egy alkalmazásuk folyamatosan gyűjti és elemzi a hallgatók különböző tantárgyakból szerzett jegyeit, rögzíti teljesítményüket. Az előrejelzési algoritmus segítségével igen korán figyelmeztetik az alacsony tanulási hatékony- ságot felmutató hallgatókat arra, hogy telje- sítményük változatlan szintje mellett nagy valószínűséggel nem tudják sikeresen lezárni tanulmányaikat. akciói alapján a korábbi vásárlói szokások és viselkedési adatok alapján jelezni a kártya- tulajdonosnak és visszatartani, meggátolni további kifizetések végrehajtását a kártyáról. A VISA csalás felderítési algoritmusai mil- liárdos nagyságrendben azonosítottak poten- ciális károkozási lehetőségeket, meggátolva ezzel a kártyákhoz kapcsolódó számlapénzek rossz kezekbe kerülését. A kanadai székhelyű IBC autó, otthon és üz- leti biztosításokkal foglalkozó pénzügyi szolgál- tató az IBM csalásdetektáló alkalmazásaival nem strukturált adatok elemzésével 233 ezer reklamációt vizsgált át az elmúlt hat évben. Ennek eredményeként 41 millió kanadai dollár értékben fedezett fel csalási célú reklamációt. A pénzügyi bűntettek, a csaló követelések, az adatbázisok feltörése és a rosszindulatú adat- módosítások közös kihívást jelentenek az ezekkel szembesülő szervezetek és vállalatok A fenti példák azt mutatják, hogy a kü- lönösen nagy mennyiségű adatok megfelelő módszertannal történő elemzése a vásárlói vélemények megismerésétől, az előre jelzé- seken keresztül akár a rosszindulatú viselke- dések feltérképezéséig hatékony eszközt je- lenthet a vállalkozáso