Il Data mining a supporto dei processi decisionali in azienda

Il processo di decision making, al giorno d’oggi è molto più complesso che in passato. I decision makers necessitano quindi di strategie e di strumenti in grado di fronteggiare la nuova situazione. Il Data Mining è una risposta a questa esigenza. Le decisioni basate su informazioni esatte e attendibili sono sempre le migliori: il Data Mining fornisce questo tipo di informazioni. Il processo di Data Mining consente di estrarre conoscenza, in termini di informazioni significative ed immediatamente utilizzabili, da grandi moli di dati, tramite l’applicazione di particolari tecniche ed algoritmi. Il Data Mining porta vantaggi reali per un’azienda sia sul fronte delle entrate che su quello dei costi. Sul fronte delle entrate consente di: identificare e classificare i clienti migliori reali e potenziali, scoprire opportunità di vendita aggiuntive e incrementare la produttività commerciale. Sul fronte dei costi consente di: mantenere la clientela identificando gli elementi di fidelizzazione dei clienti, distribuire in maniera più efficace le risorse e ridurre l’esposizione ai rischi di mancato pagamento. Esistono due stili di Data Mining: supervisionato e non supervisionato. Le applicazioni di DM possono essere utilizzate a supporto del CRM e del BI. Per quanto riguarda quelle a supporto del CRM il miglior modo per catalogare le applicazioni di DM è quello di legarle al ciclo di vita del cliente (tre fasi: acquisizione, sviluppo e mantenimento, abbandono) in cui vengono utilizzate. L'obiettivo fondamentale da raggiungere in tutte e tre le fasi si può riassumere nel presentare l'offerta giusta, al momento giusto e al cliente giusto. Nella fase di acquisizione l’ applicazione è composta da due momenti distinti: il primo che consta di una cluster analysis con cui è possibile ottenere delle indicazioni sui segmenti di clienti di maggiore interesse dal punto di vista comportamentale; il secondo step in cui i segmenti vengono descritti con delle variabili oggettive (età, sesso, …). In tal modo sarà possibile, basandosi su una certa confidenza statistica, ribaltare i risultati ottenuti sui propri segmenti sull’intera popolazione d’interesse identificando quali clienti colpire con la promozione. Per la fase di sviluppo e mantenimento si ha una moltitudine di applicazioni: la cluster analysis che ha l’obiettivo di ottenere gruppi omogenei di clienti finalizzata alla conoscenza delle caratteristiche peculiari dei gruppi più redditizi, la customer profiling per tracciare il profilo del cliente in modo tale da poter capire il suo comportamento e da poter scegliere quali azioni di marketing effettuare, lo scoring promozionale che da la possibilità di trovare nei dati delle indicazioni utili per mirare al meglio le campagne di marketing. Nella fase di abbandono è interessante per l’azienda condurre ricerche di customer satisfaction per capire i motivi dell’insoddisfazione ma ancora più prevenire l’abbandono del cliente e la churn analysis ha proprio questo obiettivo. Fra le applicazioni a supporto del BI abbiamo: la Market Basket Analysis che ha l’obiettivo di analizzare i panieri di acquisto dei clienti cercando di capire come i prodotti vengono acquistati, con quali relazioni, con quali abbinamenti i e con quale sequenza; il credit scoring utilizzato in ambito finanziario e ha l’obiettivo di fornire un indicatore sulla solvibilità del cliente; il text mining e il web mining. Il text mining ha lo scopo di estrarre informazioni e ricavare evidenze interessanti e spendibili da grandi moli di dati testuali (documenti aziendali, questionari,…) e riuscire a sfruttarle può portare ad un importante vantaggio competitivo oltre che ad una migliore gestione delle attività operative. Il web mining può essere presentato come l’attività di analisi dei comportamenti di visita al sito internet da parte degli utenti, per ottenere informazioni di valore per l’azienda. Ci sono una serie di metriche ad hoc per uno studio più approfondito dei dati disponibili. Tra queste abbiamo: l’analisi RFM che studia il cliente sulla base delle componenti di recenza, frequenza e valore monetario; l’indicatore di stickness che riassume l’informazione sul tempo speso sul sito da parte del singolo cliente; la clickstream analysis che rappresenta lo studio dei percorsi di visita al sito web. Con queste metriche è possibile studiare l’attrattività del sito e l’efficacia della comunicazione.Esiste un progetto il cui obiettivo è quello di definire un approccio standard ai progetti di DM, chiamato CRISP-DM(Cross Industry Standard Process for Data Mi-ning). Quest’ultimo consiste in sei fasi la cui sequenza non è rigida ed è quasi sempre richiesto un ritorno indietro ed un proseguimento tra le differenti fasi e sono: business understanding, data understanding, data preparation, modelling, evaluation e deployment che prevede l’utilizzo del modello creato. Un significativo caso di applicazione del DM è rappresentato da quello della Divisione Banche Italia di Banca Intesa.