Menggali Dolar Dengan Data Mining – Panduan Eksekutif

pengantar

Secara tradisional, organisasi menggunakan data secara taktis – untuk mengelola operasi. Untuk keunggulan kompetitif, organisasi yang kuat menggunakan data secara strategis – untuk memperluas bisnis, untuk meningkatkan profitabilitas, untuk mengurangi biaya, dan untuk memasarkan lebih efektif. Data mining (DM) menciptakan aset informasi yang dapat dimanfaatkan oleh organisasi untuk mencapai tujuan strategis ini.

Dalam artikel ini, kami membahas beberapa pertanyaan kunci yang dimiliki eksekutif tentang penambangan data. Ini termasuk:

  • Apa itu penambangan data?
  • Apa yang bisa dilakukan untuk organisasi saya?
  • Bagaimana organisasi saya bisa mulai?

Definisi Bisnis Data Mining

Penambangan data adalah komponen baru dalam arsitektur sistem pengambilan keputusan perusahaan (DSS). Ini melengkapi dan menjalin hubungan dengan kemampuan DSS lain seperti query dan pelaporan, pemrosesan analitik on-line (OLAP), visualisasi data, dan analisis statistik tradisional. Teknologi DSS lainnya umumnya bersifat retrospektif. Mereka memberikan laporan, tabel, dan grafik tentang apa yang terjadi di masa lalu. Pengguna yang tahu apa yang dia cari dapat menjawab pertanyaan spesifik seperti: "Berapa banyak akun baru yang dibuka di wilayah Midwest pada kuartal terakhir," "Toko mana yang memiliki perubahan pendapatan terbesar dibandingkan dengan bulan yang sama tahun lalu," atau "Apakah kami memenuhi tujuan peningkatan penjualan liburan sebesar sepuluh persen? "

Kami mendefinisikan penambangan data sebagai "penemuan berdasarkan data dan pemodelan pola tersembunyi dalam volume data yang besar." Penambangan data berbeda dari teknologi retrospektif di atas karena menghasilkan model – model yang menangkap dan mewakili pola tersembunyi dalam data. Dengan itu, pengguna dapat menemukan pola dan membuat model secara otomatis, tanpa mengetahui dengan tepat apa yang dia cari. Modelnya bersifat deskriptif dan prospektif. Mereka membahas mengapa hal-hal terjadi dan apa yang mungkin terjadi selanjutnya. Pengguna dapat mengajukan pertanyaan "apa-jika" ke model penambangan data yang tidak dapat diminta secara langsung dari basis data atau gudang. Contohnya meliputi: "Berapa nilai umur yang diharapkan dari setiap akun pelanggan," "Pelanggan mana yang cenderung membuka akun pasar uang," atau "Apakah pelanggan ini membatalkan layanan kami jika kami memperkenalkan biaya?"

Teknologi informasi yang terkait dengan DM adalah jaringan syaraf tiruan, algoritma genetika, logika fuzzy, dan induksi aturan. Di luar ruang lingkup artikel ini untuk menguraikan semua teknologi ini. Sebaliknya, kami akan fokus pada kebutuhan bisnis dan bagaimana solusi penambangan data untuk kebutuhan ini dapat diterjemahkan ke dalam dolar.

Memetakan Kebutuhan Bisnis terhadap Solusi dan Keuntungan

Apa yang dapat dilakukan penambangan data untuk organisasi Anda? Dalam pendahuluan, kami menguraikan beberapa peluang strategis bagi organisasi untuk menggunakan data untuk keuntungan: ekspansi bisnis, profitabilitas, pengurangan biaya, dan penjualan dan pemasaran. Mari kita pertimbangkan peluang ini secara nyata melalui beberapa contoh di mana perusahaan berhasil menerapkan DM.

Memperluas bisnis Anda: Keystone Financial of Williamsport, PA, ingin memperluas basis pelanggan mereka dan menarik akun baru melalui penawaran LoanCheck. Untuk memulai pinjaman, penerima hanya harus pergi ke cabang Keystone dan menyetorkan LoanCheck. Keystone memperkenalkan $ 5000 LoanCheck dengan mengirimkan promosi ke pelanggan yang sudah ada.

Database Keystone melacak sekitar 300 karakteristik untuk setiap pelanggan. Karakteristik ini termasuk apakah orang tersebut telah membuka pinjaman dalam dua tahun terakhir, jumlah kartu kredit aktif, tingkat saldo pada kartu-kartu itu, dan akhirnya apakah mereka menanggapi penawaran $ 5000 LoanCheck. Keystone menggunakan penambangan data untuk menyaring 300 karakteristik pelanggan, menemukan yang paling signifikan, dan membangun model tanggapan terhadap penawaran LoanCheck. Kemudian, mereka menerapkan model ke daftar 400.000 prospek yang diperoleh dari biro kredit.

Dengan mengirimkan secara selektif ke prospek terbaik yang ditentukan oleh model DM, Keystone menghasilkan $ 1.6M dalam pendapatan bersih tambahan dari 12.000 pelanggan baru.

Mengurangi biaya: Empire Blue Cross / Blue Shield adalah firma asuransi kesehatan terbesar di New York. Untuk bersaing dengan perusahaan perawatan kesehatan lainnya, Empire harus menyediakan layanan berkualitas dan meminimalkan biaya. Menyerang biaya dalam bentuk penipuan dan penyalahgunaan merupakan landasan strategi Kekaisaran, dan itu membutuhkan keterampilan investigasi yang cukup besar serta teknologi informasi yang canggih.

Yang terakhir termasuk aplikasi data mining yang profil setiap dokter di jaringan Empire berdasarkan catatan klaim pasien dalam database mereka. Dari profil, aplikasi mendeteksi penyimpangan halus dalam perilaku dokter relatif terhadap kelompok sebayanya. Penyimpangan ini dilaporkan kepada penyelidik penipuan sebagai "indeks kecurigaan". Seorang dokter yang melakukan banyak prosedur per kunjungan, biaya 40% lebih per pasien, atau melihat banyak pasien pada akhir pekan akan ditandai langsung dari skor indeks kecurigaan.

Apa upaya DM ini kembali ke Empire? Dalam tiga tahun pertama, mereka menyadari tabungan penipuan dan penyalahgunaan $ 29 juta, $ 36 juta, dan $ 39 juta masing-masing.

Meningkatkan keefektifan dan profitabilitas penjualan: Perwakilan penjualan farmasi memiliki berbagai macam alat untuk mempromosikan produk kepada dokter. Alat-alat ini termasuk literatur klinis, sampel produk, pertemuan makan malam, teleconference, golf outing, dan banyak lagi. Mengetahui promosi mana yang paling efektif dengan dokter mana yang sangat berharga karena keputusan yang salah dapat merugikan perusahaan ratusan dolar untuk panggilan penjualan dan bahkan lebih dalam pendapatan yang hilang.

Perwakilan perusahaan farmasi besar secara kolektif menghasilkan puluhan ribu panggilan penjualan. Satu produsen obat menghubungkan enam bulan kegiatan promosi dengan angka penjualan yang sesuai dalam database, yang kemudian digunakan untuk membangun model prediksi untuk setiap dokter. Model penambangan data mengungkapkan, misalnya, bahwa di antara enam alternatif promosi yang berbeda, hanya dua yang memiliki dampak signifikan pada perilaku peresepan dokter. Menggunakan semua pengetahuan yang tertanam dalam model penambangan data, bauran promosi untuk setiap dokter disesuaikan untuk memaksimalkan ROI.

Meskipun program baru ini diluncurkan baru-baru ini, tanggapan awal menunjukkan bahwa pembuat obat akan melebihi peningkatan penjualan $ 1.4M yang semula diproyeksikan. Mengingat bahwa peningkatan ini dihasilkan tanpa belanja promosi baru, laba diharapkan meningkat dengan jumlah yang sama.

Melihat kembali contoh-contoh ini, kita harus bertanya, "Mengapa diperlukan penambangan data?" Untuk Keystone, respons terhadap tawaran pinjaman tidak ada dalam basis data biro kredit baru dari 400.000 pelanggan potensial. Model memperkirakan respons yang diberikan karakteristik pelanggan lain yang tersedia. Untuk Empire, indeks kecurigaan mengukur perbedaan antara praktik dokter dan perilaku peer (model). Perilaku dokter yang tepat adalah agregat multi-variabel yang dihasilkan oleh penambangan data – sekali lagi, tidak tersedia dalam database. Untuk pembuat obat, database promosi dan penjualan berisi catatan aktivitas historis. Metode penggalian data otomatis diperlukan untuk memodelkan setiap dokter dan menentukan kombinasi terbaik dari promosi untuk meningkatkan penjualan di masa mendatang.

Mulai

Dalam setiap kasus yang disajikan di atas, penambangan data menghasilkan manfaat yang signifikan bagi bisnis. Beberapa adalah hasil teratas yang meningkatkan pendapatan atau memperluas basis pelanggan. Lainnya adalah perbaikan bottom-line yang dihasilkan dari penghematan biaya dan peningkatan produktivitas. Pertanyaan alami berikutnya adalah, "Bagaimana organisasi saya bisa mulai dan mulai menyadari keunggulan kompetitif dari DM?"

Dalam pengalaman kami, proyek percontohan adalah kendaraan paling sukses untuk memperkenalkan penambangan data. Proyek percontohan adalah upaya yang singkat dan terencana untuk membawa DM ke dalam sebuah organisasi. Proyek percontohan yang baik fokus pada satu kebutuhan bisnis yang sangat spesifik, dan mereka melibatkan pengguna bisnis di depan dan di seluruh proyek. Durasi proyek percontohan tipikal adalah satu hingga tiga bulan, dan umumnya membutuhkan 4 hingga 10 orang paruh waktu.

Peran eksekutif dalam proyek percontohan tersebut adalah dua cabang. Pada awalnya, eksekutif berpartisipasi dalam menetapkan tujuan dan sasaran strategis untuk proyek tersebut. Selama proyek dan sebelum diluncurkan, eksekutif mengambil bagian dengan mengawasi pengukuran dan evaluasi hasil. Kurangnya sponsor eksekutif dan kegagalan untuk melibatkan pengguna bisnis adalah dua alasan utama inisiatif DM terhenti atau gagal.

Dalam membaca artikel ini, mungkin Anda telah mengembangkan visi dan ingin melanjutkan – untuk mengatasi masalah bisnis yang mendesak dengan mensponsori proyek percontohan penambangan data. Memutar pepatah lama, kita mengatakan "hanya karena Anda seharusnya tidak berarti Anda bisa." Sadarilah bahwa penilaian kemampuan perlu menjadi komponen integral dari proyek percontohan DM. Penilaian ini mengambil pandangan kritis pada data dan akses data, personel dan keterampilan, peralatan, dan perangkat lunak mereka. Organisasi biasanya meremehkan dampak penambangan data (dan teknologi informasi secara umum) pada orang-orang mereka, proses mereka, dan budaya perusahaan mereka. Proyek percontohan memberikan peluang yang relatif bernilai tinggi, berbiaya rendah, dan berisiko rendah untuk menghitung potensi dampak DM.

Batasan lain untuk sebuah organisasi adalah memutuskan untuk menunda aktivitas penambangan data sampai sebuah gudang data dibangun. Pengalaman kami menunjukkan bahwa, seringkali, DM dapat dan harus didahulukan. Tujuan dari gudang data adalah untuk memberikan pengguna kesempatan untuk mempelajari perilaku pelanggan dan pasar baik secara retrospektif maupun prospektif. Proyek percontohan penambangan data dapat memberikan wawasan penting ke bidang dan agregat yang perlu dirancang ke gudang untuk membuatnya benar-benar berharga. Lebih lanjut, penghematan biaya atau penghasil pendapatan yang disediakan oleh DM dapat memberikan pendanaan bootstrap untuk gudang data atau inisiatif terkait.

Dalam tulisan ini, kami membahas pertanyaan utama yang dimiliki eksekutif tentang penambangan data – apa itu, apa manfaatnya, dan bagaimana memulainya. Berbekal pengetahuan ini, mulailah dengan proyek percontohan. Dari sana, Anda dapat terus membangun kemampuan penambangan data di organisasi Anda; untuk memperluas bisnis Anda, meningkatkan profitabilitas, mengurangi biaya, dan memasarkan produk Anda secara lebih efektif.

Hak Cipta Penemuan Corps, Inc., 2011

Leave a Reply

Your email address will not be published. Required fields are marked *

ˆ Back To Top