Система интеллектуальной сегментации клиентов. Динамическая сегментация с использованием массивов неструктурированных данных (Big Data) для увеличения входящего потока клиентов
15 ноября 2017
| Заказчик |
|
|||
| Руководитель проекта со стороны заказчика |
|
|||
| ИТ-поставщик |
|
|||
| Сроки выполнения проекта | Январь, 2016 — Декабрь, 2016 | |||
| Масштаб проекта | 63000 человеко-часов | |||
| Цели проекта | Развитие системы управления взаимоотношениями с клиентами, предполагающее аккумулирование и анализ данных о существующих и потенциальных клиентах из различных источников (см. описание ниже), а также открытой информации по конкурентам с целью осуществления узко таргетированных и персонифицированных коммуникаций и повышения эффективности маркетинговых кампаний. | |||
| Использованное ПО, оборудование и вспомогательные системы |
Модуль «Клиент 360» представляет собой алгоритм сопоставления и объединения данных о пассажирах из различных источников с целью выявления уникальных профилей клиентов. Реализация модуля предполагает аккумулирование и анализ структурированных и неструктурированных данных, поступающих из большого числа разнообразных источников информации: ежедневная выгрузка записей о полетах и пассажирах из системы бронирования и резервирования авиабилетов, развернутая характеристика посетителей сайта. Аэрофлота (которая собирается из Google Analytics Premium на основе установленных меток) и модель их поведения (поиск, просмотр, бронирование, оплата, загрузка, переход по ссылкам и др.). Регулярная автоматическая выгрузка данных о WEB-активности клиентов из Google Analytics Premium, а также данные по маркетинговым коммуникациям (e-mail, sms и др.). Кроме того, предусмотрена возможность обогащения профиля клиента данными, полученными на основании реализации других модулей. В качестве основного инструмента, позволяющего выделить уникальные клиентские записи, выступает IBM InfoSphere QualityStage Designer. Модуль «Сервис рекомендаций» реализует алгоритм, позволяющий подобрать альтернативные предложения клиенту по возможным пунктам авиапутешествия, основываясь на исторических данных о полетах пассажиров и выявленных корреляциях. Реализация модуля основывается на применении метода корреляционного анализа - выявление взаимосвязанных событий и установлении степени их родства, факторного анализа - определение структуры взаимосвязей между событиями, регрессионного анализа – определение вклада каждого независимого атрибута в изменение изучаемого признака и т.д. Также с помощью широкого инструментария data mining данный модуль способен ранжировать авиа направления по привлекательности для клиента и установить наиболее вероятный следующий выбор пассажира в контексте географических зон с возможностью визуализации результатов посредством продукта Business Intelligence. Подбор персональных предложений осуществляется в виде баннеров для демонстрации на сайте авиакомпании. В ходе проекта были протестированы несколько data mining подходов по определению потенциальных интересов клиентов, основанных на интересах клиентов с похожей историей. Методологически подход заключается в решение двух задач: 1) классификация клиентов с использованием: методов k-ближайших соседей, классификация на базе деревьев-решений, регрессии.... 2) подбор предложений, которые интересны данной группе клиентов, и могут быть интересны конкретному клиенту из группы. Реализация на SPSS Modeler с использованием: KNN node, Neural Net node, Desicion list node, Linear / Logistic node. |
|||
| Направление/область и тип работ |
Проектирование и анализ бизнес-процессов Создание платформы для бизнес-анализа и внедрение BI-инструментов Интеграция приложений и создание промежуточного слоя |
|||
| Важность проекта | Стратегическая ИС | |||
| Возможность тиражируемости | Да | |||
| Масштабируемость | Да |
Описание проекта
1. Обеспечена возможность сбора большого массива данных из ряда разнообразных источников: более 40 Тб данных загружено в систему хранения неструктурированных данных;2. Обеспечена возможность обработки данных и построения аналитических моделей;
3. Обеспечена возможность сопоставления данных о клиентах с целью идентификации уникальных пассажиров: выделено более 30 млн уникальных клиентов;
4. Произведена сегментация по более 200 атрибутам;
5. Обеспечено хранение клиентского профиля в оперативной базе данных с целью предоставления информации по клиентам внешним системам в режиме реального времени с минимальной (менее 0.5 с) задержкой;
6. Разработана методика определения средней стоимости перелета по направлениям авиалиний: на основе сопоставления полетной информации и анализа данных о бронировании будет реализована аналитическая модель, которая позволит вычислить среднюю стоимость перелета (в том числе по направлениям авиалиний и в разрезе по классам бронирования);
7. Реализована возможность скоринга предложений для соответствующей сегментации с возможностью запуска маркетинговых кампаний;
8. Реализован алгоритм, позволяющий фиксировать участие каналов в коммуникационном процессе, предшествующем покупке каждого клиента (или кластера), а также увеличение числа новых уникальных клиентских записей при осуществлении медийной активности, в т.ч. офлайн. Предоставлена возможность учета вклада каждого канала в воронке продаж различных клиентских групп для последующей оценки эффективности и маркетинговой оптимизации.
Уникальность проекта
1. Первое и единственное на текущий момент внедрение систем класса Big Data в транспортной авиаотрасли РФ;2. Кратчайшие для данного типа проекта (сложный) сроки внедрения (менее 1 года).
География проекта
Клиенты Аэрофлота по всему миру.
