Informatie Communicatie Technologie (ict) Opdrachten Periode 1 September 2011 Miriam van Kuijk / Frits van den Munckhof



Dovnload 230.64 Kb.
Pagina2/7
Datum20.08.2016
Grootte230.64 Kb.
1   2   3   4   5   6   7

1.3 Management Cockpit View


  • Terug naar hoofd menu ()





    • Snelle toegangscode UMM_PRES invullen voor opstarten van de Management Cockpit





  • Selecteer de actuele ZFON002 Management Cockpit met een bepaalde datum door hierop te dubbel klikken.

  • De actuele cockpit views zijn daarna op te vragen





  • Selecteer de button boven aan (bijvoorbeeld ) om de actuele cockpit views te openen




  • De op te vragen waarden van een voorafgaand Pulles project worden hier getoond.

  • Dit is een voorbeeld scherm. De waarden op jullie scherm kunnen anders zijn.







  • De prestatiemetingen van een Pulles project van verschillende projectgroepen worden getoond in verschillende views.

Voorbeeld˸



  • Door te klikken op een overzicht krijg je dit overzicht vergroot te zien.

  • In onderstaand scherm is van een vorig project te zien welke omzetcijfers in klas FA31 behaald zijn per projectbedrijf (CCxx) en bij welke klant.





  • Bijvoorbeeld van bedrijf CC20 zijn van de 5 klanten de bijbehorende omzetgegevens te zien in de kleur geel.

  • Ook is te zien dat bedrijf CC22 maar 4 klanten heeft gehad.

  • M.b.v. button reports and links is het bijbehorende management rapport op te vragen

  • Selecteer button reports and links()

  • Selecteer een van de bijbehorende rapporten

Voorbeelden van bijbehorende management rapporten˸

(Het is mogelijk dat jullie niet de rechten hebben om deze managementrapporten op te vragen, vandaar dat een aantal voorbeelden hier getoond worden).

In onderstaand scherm wordt per bedrijf de totale omzet weer gegeven.





  • Per bedrijf is detailinformatie van de klanten op te vragen door hierop in te zoemen.

Voorbeeld˸




  • Voor bedrijf CC20 en CC21 zijn dan de bijbehorende omzet cijfers van de verschillende klanten (sold to party) te zien. De bijbehorende klantnummers zijn in het cockpit overzicht getoond.




  • Ook kan opgevraagd worden welk artikelen per klant en bedrijf gekocht zijn.




  • Of wanneer heeft die verkoop plaatsgevonden

    (verwijder zonodig kolommen met rechtsklikken en Remove Drildown)






  • Of welke gebruiker heeft een verkooporder ingevoerd in het systeem. Wie is verantwoordelijk geweest voor deze order (vb. gebruiker fon021 of fon020-1 etc.).




  • Om een ander overzicht in detail te bekijken selecteer de bijbehorende button.




  • In bovenstaand overzicht is te zien dat bij bedrijf CC28 met verkooporganisatie SO28 alle verkopen per distributiekanaal 2 hebben plaats gevonden (groene kleur).

    • Uitleg: Distributie kanaal 1 (gele kleur) betekent directe verkopen, distributie kanaal 2 (groene kleur) zijn de internet verkopen.


Management Cockpit opdracht.
Vraag 6: Toon een actueel managementoverzicht aan de hand van een printscreen en verklaar het getoonde.

Afsluiten:



  • Terug naar hoofdscherm m.b.v. back () back etc.

  • Afsluiten met menukeuze: system →log off




1.4Datamining

Datamining is uitstekend geschikt om op een geautomatiseerde manier patronen en relaties te ontdekken in grote hoeveelheden gegevens. Datamining kan bijna letterlijk worden vertaald als het opgraven van informatie uit databases. Zonder datamining beperkt een data-analyse zich tot een klein aantal aspecten waarvan men vermoedt dat ze een rol spelen. Met datamining wordt de scope van de analyse enorm vergroot. Door het toepassen van kunstmatige intelligentie, statistische technieken en visuele rapportagemethoden worden verborgen patronen en verbanden gevonden. Zo wordt het mogelijk om grote gegevensverzameling te analyseren en complexe verbanden te ontdekken.





Afbeelding 1 – Datamining
Door datamining toe te passen op databases van bijvoorbeeld klanten, transacties of gebeurtenissen, kan snel diepgaand inzicht worden verschaft en kunnen modellen worden gebouwd die typische eigenschappen herkennen en individueel gedrag kunnen voorspellen. Deze optimale informatiepositie resulteert in betere beslissingen en meer effectiviteit op strategisch, tactisch en operationeel niveau.

Enkele voorbeelden:

  • Voorspellen van klantinteresse in bepaalde producten voor het sturen van campagnes

  • Herkennen van mogelijk frauduleuze transacties

  • Ontdekken van plaats/tijd combinaties waar bepaalde criminaliteit opspeelt, om effectief op te treden

  • Vinden van verklaringen in de totale gegevens achter een verschil in verkoopcijfers

  • Vinden van interessante deelsegmenten binnen een doelgroep voor het ontwikkelen van gerichte klantbenadering

Analysemethodes

In dit hoofdstuk worden de analysemethodes: klantanalyse, fraude en retentieanalyse achtereenvolgens uitgewerkt.













      1. Klant analyse


Een klantanalyse richt zich op het opslaan van, het analyseren en het toepassen van kennis over klanten en over manieren om klanten te benaderen. Veelal wordt hiervoor gebruik gemaakt van databases, statistische tools, datamining, Business Intelligence en rapportage methodieken.
De klant is tegenwoordig koning, waardoor focussen op een succesvolle één op één relatie noodzaak is geworden. Om de maximale klantwaarde te behalen is het van belang om te weten wat ze gaan doen, waar ze behoefte aan hebben en ze zodoende tevreden houden.
Het maximaliseren van de lifetime value van klanten is een cruciaal punt geworden voor het maximaliseren van de algehele waarde van winstgevendheid van de organisatie. De beschikking over analytische tool is essentieel om de behoeften van de klant te voorspellen zodat de klanten tevreden worden gehouden en op hetzelfde moment de klantwaarde kan worden vergroot.
      1. Doelstelling


De doelstelling van een klantanalyse is om:

  • De klanten nog beter te kennen en smallere segmenten te bedienen

  • De juiste klanten te winnen op een kosteffectievere manier

  • Klantrelaties te verbeteren door te weten wat klanten willen

  • De juiste klanten langer te behouden
      1. Voorbeeld



Tabel 1 – Beslissingslijst klantanalyse
Het voorbeeld is gebaseerd op een fictief bedrijf dat meer winstgevende resultaten in de toekomst wil bereiken door middel van de marketingcampagnes beter af te stemmen op de klant.
Het voorbeeld maakt gebruik van een beslissingslijst model om de kenmerken van klanten die het meest reageren te identificeren, gebaseerd op voorgaande acties.

In de afbeelding is een deel van de uitkomst weergegeven. In de beslissinglijst staan verschillende segmenten, waarbij in elk segment een voorwaarde wordt weergegeven met het percentage reacties erachter. Onder het eerste segment vallen klanten met een inkomen van 55.267 of meer. Van deze klanten reageerden bij voorgaande campagnes 551 personen (Frequence) van de 643 (Cover) die benaderd waren. Aan de hand van deze gegevens wordt het succes percentage berekend (Probability). Met behulp van deze tabel kan er worden bepaald welke klanten hoogstwaarschijnlijk zullen reageren en dus benaderd moeten worden voor de volgende campagne.


      1. Fraude


F
Grafiek 1 – Anomalie fraude
rauderen is niets anders dan een moderne vorm van diefstal. Waar diefstal traditioneel geassocieerd wordt met het ontvreemden van materiële goederen, met name liquide geld, wordt fraude veelal in verband gebracht met misdadigheid in kringen waar veel in omgaat. Voorbeelden zijn stelen van informatie, o.a. met het oog op chantage, of het vervreemden van geld via illegale financiële transacties.

Banken, verzekeraars en overheidsinstanties signaleren zowel een toename in het aantal als in de geraffineerdheid van frauduleuze activiteiten. Om fraude effectief te bestrijden moeten organisaties continue hun processen verbeteren om klantgedrag in verschillende accounts en systemen te monitoren. Daarbij wordt onder meer gebruik gemaakt van bedrijfsregels, voorspellende modellen en analyse van informatie uit sociale netwerken.


      1. Doelstelling


De doelstelling is om door middel van geavanceerde statistische en datamining technieken, fraude proberen te bestrijden en te voorkomen. Door deze technieken worden grote hoeveelheden data geanalyseerd om zo tijdig patronen en afwijkingen op te sporen. Hiermee worden voorspellende modellen ontwikkeld die vaststellen welke klanten of activiteiten mogelijk frauduleus zijn. De inzet van Predictive Analytics zorgt ervoor dat er automatisch voorspellingen en aanbevelingen worden gedaan waarop beleidsmakers tijdig kunnen anticiperen.


      1. Voorbeeld


Het voorbeeld heeft betrekking op het aanvragen van de landbouw subsidies. Het opsporen van gedragingen die kunnen wijzen op fraude worden in dit voorbeeld uitgewerkt door middel van anomalie (onregelmatigheden) detectie.

In de grafiek hiernaast is een anomalie detectie toegepast op de bedrijfsomvang tegenover de waarde van de claim. De rode gemarkeerde vierkantjes weergeven de afwijkende records oftewel de mogelijke fraudegevallen weer. Naast de hoge en lage claims die als mogelijke fraudegevallen worden weergeven, zijn er ook middenin de grafiek rode vierkantjes gemarkeerd. Deze onregelmatigheden zijn minder goed te plaatsen dan de andere en hebben waarschijnlijk geen betrekking op de variabele bedrijfsomvang maar te maken met een andere variabele.



      1. Retentie analyse


Hieronder worden analyses verstaan die helpen bij het vasthouden van klanten. Het is goedkoper om een bestaande klant te behouden dan om een nieuwe klant te werven. Dat maakt het tegengaan van klantverlies voor veel organisaties zinvol.

Om klantverlies tegen te gaan of in elk geval tot een minimum te beperken is kennis nodig; kennis over het klantverloop, over beweegredenen van klanten om te vertrekken en over de concurrentiepositie.

Als verdieping op standaard rapportages kan er worden ingezoomd op de probleemgroep: gechurnde (vertrokken) klanten. Een eerste stap is het maken van een klantprofiel. Hiervoor is het nodig om te identificeren welke klanten in het verleden zijn vertrokken. Dit kan worden afgeleidt uit contractopzeggingen, of uit gedaalde of verdwenen bestedingen en dergelijke. Door deze gegevens te verrijken met profielgegevens kan er achter worden gekomen wat voor soort bestaande klanten een risicogroep vormen.
Aan de hand van deze inzichten en trends wordt vervolgens een goed voorspelmodel opgesteld waarbij klantgroepen worden geselecteerd die een verhoogde kans hebben om te vertrekken.

      1. Doelstelling


Retentieanalyses moeten zich richten op klanten met een hoge klantwaarde. Als bestaande klanten de juiste aandacht krijgen, besteden ze doorgaans meer, genereren meer marge, doen aan mond-tot-mondreclame en hebben minder hulp nodig (= kostenbesparend).
      1. Voorbeeld


In dit voorbeeld wordt het verlies van klanten (churn) voorspeld. Hiervoor wordt een binominaal model gebruikt, hetgeen betekent dat er 2 verschillende categorieën worden gebruikt:
klanten die blijven en klanten die gaan.

De classificatietabel hiernaast toont de resultaten voor het model. Bij elke stap wordt er een predictor toegevoegd, op basis waarvan gegevens over de mogelijke churn worden verkregen. Na de eerste stap, waarbij er slecht één predictor is gebruikt, is de juistheid van de churn voorspelling van het model toegenomen van 0,0% naar 29,9%.

D
Grafiek 2 - Classificatiemodel churn
e laatste stap is stap 4. In dit stadium heeft het model besloten dat het niet langer nodig is om een predictor toe te voegen in het model. De nauwkeurigheid van voorspellingen voor degenen die weggaan als klant is gestegen van de oorspronkelijke 0% naar 47,1%. Dit is een belangrijke verbetering ten opzichte van de originele nul model dat geen predictors gebruikte.



1   2   3   4   5   6   7


De database wordt beschermd door het auteursrecht ©opleid.info 2017
stuur bericht

    Hoofdpagina