Использование аналитических программ в туризме
Высокая конкуренция в турбизнесе заставляет туристские предприятия детально анализировать свою повседневную деятельность и открывать новые резервы для дальнейшего роста своих доходов. Такими резервами могут быть как внутренние резервы, которые направлены на достижение конкурентных преимуществ за счет оптимизации внутренних бизнес-процессов, так и внешние резервы, которые открываются при организации длительного взаимоотношения с клиентами, когда компании собирают огромные объемы данных о клиентах - демографические сведения, истории контактов с ними, истории поездок, индивидуальные предпочтения при проживании в отелях и т.д. Эти данные позволяют организовать наилучшее обслуживание клиентов, что способствует привлечению новых клиентов и удержанию уже имеющихся. Однако, трудность при использовании как внутренних, так и внешних резервов заключается в осмыслении данных: как найти закономерности в основе частностей. Помочь в этом может использование новых информационных технологий, предполагающих комплексный бизнес-анализ (Business Intelligence) деятельности фирмы, позволяющий обоснованно принимать управленческие решения на основе прогнозируемых данных. Современные системы комплексного бизнес-анализа позволяют получать полную информацию о клиентах и поставщиках, финансовые и итоговые операционные показатели, сводить их воедино и на основе полученных данных формировать стратегию деятельности фирмы.
Они состоят из таких аналитических приложений как ERP (Enterprise Resources Planning)- планирование ресурсов корпорации, CRM (Customer Relationship Menegtment)- управление взаимоотношениями с клиентами, а также компьютерных технологий интеллектуального анализа данных, включающих такие понятия, как Хранилище данных, OLAP (Online Analytical Programming)- системы оперативной аналитической обработки, DM (Data Mining)- исследование данных, KDD (Knowledge Discovery in Databases)- извлечение знаний из баз данных.
ERP (Enterprise Resources Planning)- информационная система, ориентированная на обеспечение согласованного решения задач учета, контроля, планирования и управления производственными и финансовыми ресурсами предприятия. Классический состав задач ERP, как правило, охватывает все сферы жизнедеятельности предприятия, причем ERP выступает как единый комплекс взаимосвязанных задач. В системах такого класса ведется операционный (управленческий) и бухгалтерский учет, осуществляются функции производственного планирования и планирования поставок. Среди наиболее известных западных систем подобного класса, представленных в России, можно назвать Axapta, Baan, J.D. Edwards, R/3.
По мере активного развития Интернет-технологий появилось новое направление деятельности - электронный бизнес (e-business), который включает в себя методики и организационные принципы, позволяющие предприятию взаимодействовать со своими контрагентами через Интернет. Информационные системы предприятий были наделены новыми функциями корпоративного обмена данными с применением специальных коммуникационных протоколов и форматов документов, что позволило повысить эффективность взаимодействия, избежать повторного ручного ввода данных и снизить риск появления ошибок. При этом возникла качественно новая организационная и управленческая среда. Концепция ERP-систем нового поколения на фоне широкого применения Интернет-технологий в практике корпоративного управления, получила название ERP II (Enterprise Resource and Relationship Processing - Управление ресурсами и внешними отношениями предприятия). ERP-системы направлены на достижение конкурентных преимуществ за счет оптимизации внутренних бизнес-процессов. При разработке и внедрении ERP-систем в компании клиент рассматривается как "элемент внешнего мира" и определяющего влияния не оказывает.
В этом отношении противоположными являются CRM (Customer Relationships Management) системы, в центре внимания которых находится клиент компании. CRM-системы позволяют "интегрировать" клиента в сферу организации - фирма получает максимально возможную информацию о своих клиентах и их потребностях и, исходя из этих данных, строит свою организационную стратегию, которая касается всех аспектов ее деятельности: производства, рекламы, продаж, дизайна, обслуживания и пр.
CRM – это направленная на построение устойчивого бизнеса концепция и бизнес стратегия, ядром которой является корпоративная идеология, предполагающая увеличение объемов продаж за счет эффективной работы с клиентами. Реализовать эту концепцию помогают CRM- системы- программные продукты для автоматизации и повышения эффективности процессов взаимодействия с клиентами.
CRM концепция призвана решить две основные задачи, связанные с повышением эффективности бизнес-процессов, сосредоточенных во фронт-офисе организации, турфирмы или отеля. Она помогает, во-первых, понять, кто такие - клиенты компании, чего они ждут для себя и что могут дать сами. Во-вторых, CRM-системы, анализируя обновляемую информацию по контактам с клиентами и транзакциям, повышают рентабельность работы за счет выработки индивидуальных стратегий. Идеология CRM предусматривает переход от стратегии масс-маркетинга и массовых продаж к индивидуальным (One-to-One) продажам или услугам, настроенным или доработанным так, чтобы они соответствовали персональным требованиям клиентов. В итоге это сделает отношения компании и партнера более комфортными и эффективными, рассчитанными на перспективу. 24.09.12
Такие системы особенно необходимы:
когда клиенты турфирмы или отеля уходят к конкурентам, а причины этого неясны;
когда фирма не в состоянии эффективно управлять процессами привлечения и обслуживания клиентов и не знает, сколько у нее потенциальных клиентов и какой предполагаемый доход они могут принести;
когда большие деньги тратятся на маркетинговые компании, которые не дают результатов;
когда клиент позвонивший в фирму вынужден несколько раз объяснять разным людям свои проблемы, а потом ему никто не перезванивает и т.д.
Кроме того, туристским предприятиям бывает очень важно иметь представление о распределении доходов по видам услуг, каналам их предоставления, о распределении доходов своих структурных подразделений. В этом случае, анализ доходов в разрезе клиентов и туруслуг позволяет формировать специальные предложения для каждого клиента с целью максимизации прибыли в долгосрочной перспективе.
CRM-система должна обеспечить оперативный доступ ко всей имеющейся информации, реализуя разную форму ее представления для различных пользователей (например, продавцу услуг нужна история покупок клиента и прогноз его предпочтений, в то время как маркетологу - данные анализа целевых групп и т. п.). До последнего времени большинство программного обеспечения класса CRM было направлено именно на организацию информации о клиентах. Такое программное обеспечение основано на использовании базы данных, хранящей данные о взаимодействии клиента с компанией. База данных о клиентах предоставляет данные таким приложениям как автоматизация продаж или автоматизация поддержки клиентов. Данный класс приложений CRM принято называть operational CRM (оперативный CRM).
Как ERP так и CRM системы связаны с аналитической обработкой огромного количества информации, хранящейся в виде баз данных. В связи с этим актуальным является разработка систем интеллектуальной поддержки принятия решений которые ориентированы на интеграцию двух связанных информационных технологий: технологии построения информационных хранилищ и технологии автоматического интеллектуального анализа данных (ИАД). Такой анализ возможен, когда у фирмы появляется большая база данных по клиентам и сопутствующая информация. Так, например, ИАД в рамках CRM позволяет:
построить модели предпочтений клиентов для снижения процента их оттока;
проанализировать предпочтения клиентов к тем или иным каналам взаимодействия и продаж;
провести анализ жизненного цикла клиента, его покупательского поведения на всех стадиях (от привлечения внимания до появления лояльности);
провести анализ жизненной ценности клиентов на всех этапах взаимодействия.
Хранилище данных (Data Warehouse)- это предметно-ориентированный, интегрированный, неизменяемый, поддерживающий хронологию набор данных, организованный для целей поддержки принятия решений. В процессе загрузки данных в хранилище данных решаются три взаимосвязанные задачи: сбор данных, их очистка, агрегирование. Типичное хранилище данных, как правило, отличается от обычной оперативной реляционной базы данных, с которыми работают различные приложения.
Во-первых, оперативные базы данных предназначены для повседневной работы пользователей, тогда как хранилища предназначены для принятия каких- либо решений, поэтому проектируются они таким образом, чтобы время выполнения запросов к ним было минимальным. Хранилища, например, могут допускать избыточность данных.
Во-вторых, обычные базы данных подвержены постоянным изменениям в процессе работы пользователей, а в хранилищах данных данные обновляются согласно расписанию. Кроме того, хранилища данных могут пополняться за счет внешних источников, например, статистических отчетов. При этом данные проходят соответствующую обработку:
очищаются для устранения ненужной информации;
вычисляются суммы, средние;
приводятся к единым форматам;
преобразуются типы данных;
синхронизируются с целью соответствия одному моменту времени.
Концепция хранилищ данных позволяет представить процесс обработки данных в виде:
Оперативная база данных -> Объекты Хранилища данных <-> Средства Интеллектуального Анализа Данных
Средства интеллектуального анализа данных предполагают:
оперативную аналитическую обработку данных OLAP (On-Line Analytical Processing), предполагающую комплексный многомерный анализ данных;;
исследование данных (Data Mining), включающее в себя методы поиска новой информации в данных, подразумевающие использование математических алгоритмов (статистика, оптимизация, корреляция и др.), позволяющих находить скрытые связи и взаимосвязи и синтезировать дедуктивную информацию;
извлечение знаний из баз данных (Knowledge Discovery in Databases), основанное на процессе поиска закономерностей в данных, который рассматривается как процесс машинного обучения. Эта технология объединяет в себе вопросы моделирования закономерностей и зависимостей в базах данных и определяет математические методы построения систем "открытия" (извлечения, добычи) новых данных на основе методов классификации, кластеризации, построения деревьев решений и др.
В основе построения хранилища данных лежит технология OLAP. При OLAP данные представлены в виде многомерных наборов данных, называемых многомерными кубами, оси которого содержат параметры, а ячейки зависящие от них многомерные данные. Многомерный гиперкуб, при этом, может быть реализован как в рамках реляционной модели или существовать как отдельная база данных специальной многомерной структуры. В зависимости от этого различают многомерный MOLAP (Multidimensional OLAP) и реляционный подходы к построению хранилищ данных (ROLAP-системы). Кроме того, могут быть гибридные системы (HOLAP), позволяющие совмещать достоинства и минимизировать недостатки предыдущих подходов.
В качестве примера для иллюстрации принципов OLAP и подходов к построению хранилищ данных используем оперативную реляционную базу данных в Access, рис . Эта база данных содержит следующие таблицы:
информация о номерах (количество номеров каждого класса и их стоимость);
стоимость дополнительных услуг (вид дополнительных услуг в гостинице и их стоимость);
поставщики (информация о поставщиках клиентов в гостиницу);
регистрация дополнительных услуг (информация о пользовании клиентами дополнительными услугами);
регистрация клиентов (информация о клиентах посетивших гостиницу)
Рис.
Пусть необходимо проанализировать доход от номеров, приносимый поставщиками клиентов в гостиницу в разные годы. В случае MOLAP модели хранилище данных может быть реализовано в виде упорядоченных многомерных массивов, рис .
Рис.
Однако, использование многомерных систем управления данными имеет ряд недостатков:
они не позволяют работать с большими базами данных;
они неэффективно используют внешнюю память, т.к. в большинстве случаев гиперкуб может быть сильно разряженным,
Для большинства хранилищ данных наиболее эффективным способом хранения данных является реляционная база данных (ROLAP- модель). Основными составляющими структуры хранилищ данных в этом случае являются таблица фактов (fact table) и таблицы измерений (dimension tables).
Таблица фактов является основной таблицей хранилища данных. Как правило, она содержит сведения об объектах или событиях, совокупность которых будет в дальнейшем анализироваться. Если проводить аналогию с многомерной моделью, то строка таблицы фактов соответствует ячейке гиперкуба. Обычно говорят о четырех наиболее часто встречающихся типах фактов. К ним относятся:
факты, связанные с транзакциями (Transaction facts). Они основаны на отдельных событиях (типичными примерами которых являются телефонный звонок или снятие денег со счета с помощью банкомата);
факты, связанные с "моментальными снимками" (Snapshot facts). Основаны на состоянии объекта (например, банковского счета) в определенные моменты времени, например на конец дня или месяца. Типичными примерами таких фактов являются объем продаж за день или дневная выручка;
факты, связанные с элементами документа (Line-item facts). Основаны на том или ином документе (например, счете за товар или услуги) и содержат подробную информацию об элементах этого документа (например, количестве, цене, проценте скидки);
факты, связанные с событиями или состоянием объекта (Event or state facts). Представляют возникновение события без подробностей о нем (например, просто факт продажи или факт отсутствия таковой без иных подробностей).
Таблица фактов индексируется по сложному ключу, составленному из ключей отдельных изменений. При этом как ключевые, так и некоторые неключевые поля таблицы фактов должны соответствовать будущим измерениям OLAP-куба. Помимо этого таблица фактов содержит одно или несколько числовых полей, на основании которых в дальнейшем будут получены агрегатные данные.
Таблица измерений содержит неизменяемые или редко изменяемые данные. В каждой таблице измерений перечислены возможные значения одного из измерений гиперкуба. В подавляющем большинстве случаев эти данные представляют собой по одной записи для каждого члена нижнего уровня иерархии в измерении. Таблицы измерений также содержат как минимум одно описательное поле (обычно с именем члена измерения) и, как правило, целочисленное ключевое поле (обычно это суррогатный ключ) для однозначной идентификации члена измерения. Каждая таблица измерений должна находиться в отношении "один ко многим" с таблицей фактов.
Основными схемами организации реляционной базы данных являются – схема звезда и схема снежинка. Однако, для большинства хранилищ данных чаще применяется схема звезда, когда каждое измерение куба содержится в одной таблице. Пример такой схемы приведен на рис.
Рис.
Для создания и работы с хранилищем данных существуют специальные программные продукты, наиболее известным из которых является Microsoft Analysis Service, входящий в состав Microsoft SQL Server 2000 Enterprise Edition. В простых случаях для создания и просмотра OLAP- кубов можно применять Excel. При этом локальные OLAP- кубы можно создавать в виде файлов на основе реляционных данных, доступных с помощью OLE DB, а в Excel их представление осуществляется в виде сводных таблиц 2-х и 3-х мерного сечения на листах рабочих книг.
Хранилище позволяет вести процесс анализа показателей собственной коммерческой деятельности фирмы и деятельности конкурентов в их взаимосвязи с внутренними и внешними факторами. Хранилище данных включает в себя ряд витрин данных, которые предназначены для различных групп пользователей и решают специфические задачи управления.
Витрины данных (Data Marts) - это небольшие хранилища с упрощенной архитектурой, которые выступают по отношению к хранилищу данных как вторичные информационные хранилища, предназначенные для проведения исследований в определенных предметных областях. Витрины данных извлекают из основного хранилища только необходимые для конкретного анализа данные, создавая эффективную структуру для запросов и отчетности.
Преимущества витрины данных в следующем, она:
оптимизирована под аналитические запросы;
предметно ориентирована;
характеризуется гибкостью в использовании OLAP-средств;
использует интуитивно-понятную модель данных.
Так, например, при решении задач CRM могут быть следующие витрины данных:
витрина маркетинга, которая позволяет решить такие маркетинговые задачи, как:
сравнительный анализ товарных групп, потребительских сегментов, каналов сбыта по прибыльности, доходности, оборачиваемости и другим финансово-экономическим показателям;
контроль эффективности сотрудников, подразделений, а также маркетинговых мероприятий;
анализ изменений и прогноз финансово-экономических и маркетинговых показателей;
построение профиля потребительских сегментов и анализ их привлекательности;
конкурентный анализ на рыночных сегментах по объемам продаж, по ценовому и ассортиментному предложению, по потребительским предпочтениям;
анализ лояльности клиентов, и т.д.
витрина анализа и сегментации клиентской базы которая позволяет решить следующие маркетинговые задачи:
сформировать целевые сегменты клиентов для продажи туристских услуг;
провести сегментацию клиентской базы для повышения отдачи от проведения маркетинговых кампаний;
сформировать сегменты важных клиентов для их последующего удержания;
сформировать туристские услуги для различных сегментов клиентской базы и т.д.
витрина анализа доходов, которая позволяет:
проводить анализ доходов, полученных от клиентов;
формировать ценовую политику;
формировать специальные предложения для важных клиентов;
выделять сегменты услуг, которые являются стратегически важными для фирмы.
Систему интеллектуальной поддержки принятия решений схематично можно представить в следующем виде, рис.
Детализированные Агрегированные Закономерности
данные показатели
Рис.
Все большее использование аналитических программ наблюдается в гостиничном бизнесе, который функционирует в условиях высокой динамичности и конкуренции на рынке. Знание информации о работе различных подразделений компании, клиентах, деятельности конкурентов и ее анализ позволяют принимать результативные управленческие решения руководством компании. Многие разработчики программного обеспечения для сферы гостеприимства включают такие программы в состав комплексных систем управления отелем. Так в состав комплексной системы epitome Enterprise разработанной компанией HIS входит модуль бизнес-аналитики, использующий общепринятые в гостиничной индустрии показатели деятельности, позволяющий гибко настраивать дополнительные, уникальные для конкретного предприятия критерии оценки информации. В таком модуле разработан стандартный комплект витрин, включающий такие предметные области, как «Бронирования» (текущие и перспективные), «Гости» (проживающие и прошлые), «Контракты», «Начисления», «Дебиторская задолженность», «Номерной фонд». Для проведения аналитических исследований используются программные средства MOLAP. В состав комплексной системы управления отелем Fidelio V8 включен модуль CRM, позволяющий иметь полную картину всех пожеланий и предпочтений гостей, и соответственно предоставлять высокий уровень сервиса. В таком модуле все данные по клиенту объединяются в профайлы, хранящиеся в центральной базе данных, причем в каждом клиентском профайле можно заводить неограниченное число данных гостя, отдельно вносить маркетинговую информацию о степени важности клиента, вид его деятельности, долю компании на рынке, информацию по кредитным картам гостя.
задача CRM – сбор и исследование информации о клиентах с целью их более полного удовлетворения и, соответственно, получение продавцом дополнительных доходов.
Еще более сложной задачей является построение прогнозов и принятие предикативных решений на основе найденных неявных зависимостей. Все это относится к области BI.
BI и CRM-систем начнут быстрое взаимопроникновение, над чем уже сегодня работают Business Objects, SAS, Teradata
Рассмотрим пример организации хранилища данных. Допустим, мы запустили CRM-проект, который решает две проблемы.
1. Помогает отделу маркетинга анализировать поведение клиентов и создавать новые маркетинговые кампании, направленные на аудитории с наиболее вероятным позитивным откликом.
2. Позволяет модифицировать процессы работы call-центра таким образом, чтобы оператор автоматически предлагал продление срока гарантии или предложения по страхованию, если клиент отвечает определенным критериям.
В рамках первой проблемы необходимо разработать банк данных корпоративных клиентов для анализа истории клиентских покупок, истории оказания услуг и демографических данных, чтобы определять, как клиенты отреагируют на новую кампанию. Необходимость иметь такую базу, которая отображала бы историю клиентов и постоянно обновлялась в реальном времени по всему предприятию, -- вещь очевидная. Банк данных корпоративных клиентов поддерживает текущую клиентскую информацию, которая обновляется по мере того как бизнес-приложения добавляют, изменяют или удаляют информацию, которая обеспечивает общее представление о клиенте. Конечным результатом нашего анализа будет целевая группа клиентов, на которых будет направлена новая кампания. Затем приложение, опирающееся на банк данных, разошлет нашей целевой группе клиентов предложение по приобретению новых продуктов или услуг компании. Для связи с клиентом мы будем использовать предпочтительный для клиента вариант контакта, будь то электронная почта, обычная почта или телефон.
Для решения второй проблемы call-центру необходима картина клиента, имеющая оперативную ценность на текущий момент (например, call-центр мог бы напрямую отслеживать покупку данным клиентом того или иного продукта). Однако наш банк данных корпоративных клиентов не может быть лучшим источником информации для поддержки этого бизнес-процесса. Здесь мы сталкиваемся с тем, что база данных, ориентированная на аналитические функции, далеко не лучшим образом подходит для решения оперативных задач.
CRM-задача №1 касается функций направленного маркетинга и управления маркетинговыми кампаниями. Аналитическая часть этого CRM-проекта предусматривает отслеживание истории покупок клиентов, истории обслуживания, демографических сведений о клиентах и их предпочтений. Операционная часть нашего CRM-проекта требует осуществления некоторых действий с учетом результатов этого анализа -- клиентская информация, имеющая ценность в текущий момент времени, используется для контакта с клиентом целью которого -- сделать ему новое предложение.
Большинство, если не все аналитические CRM-приложения, предназначенные для решения двух указанных CRM-задач, будут создавать и хранить новую информацию о взаимодействиях с клиентом (контакты, идентификаторы маркетинговой кампании, отклики клиента и т.д.). Аналитическое CRM-приложение использует исторические сведения из базы данных для получения информации, необходимой для своих аналитических функций -- обнаружения, поиска и идентификации тенденций, соотношения фактов и эвристического обучения. Но чтобы решить вторую задачу необходима еще одна база -- база оперативной информации, которая была бы структурирована под информацию, имеющую ценность на текущий момент времени. Конечно же, данные в этих двух базах не противоречат друг другу. Если требуется сохранить результат контакта, то сначала событие обновляется в базе оперативной информации, а уже потом -- в аналитической базе данных. База данных корпоративных клиентов использует в качестве источника текущей клиентской информации базу оперативной информации. Гибридная природа CRM-приложения -- поддержка как аналитических, так и операционных процессов -- обуславливает необходимость создания двух баз данных клиентов.
В общем случае внедрения CRM-системы сложность еще выше, чем в нашем примере. Некоторые аналитики даже считают все это концептуальное нагромождение чрезмерно сложным. Так, в статье "Хранение данных в 21 веке" (The Data Warehousing Institute, "Data Warehousing: What Works?", Volume 9, 2000) Вейн Экерсон утверждает: "Поскольку аналитические возможности будут встраиваться почти во все бизнес-приложения будущего, мы полагаем, что IT-отделениям будет сложно, а то и вовсе невозможно поддерживать интегрированную информационную архитектуру… Несмотря на рост объема хранилищ данных, они являются всего лишь одним из многих источников данных, доступ к которым будет нужен пользователям для выполнения своей работы".
Обсуждение преимуществ, недостатков и особенностей использования ROLAP, MOLAP и HOLAP в последнее время стало любимым делом множества авторов (одной из причин этого, возможно является завораживающая магия звучания этих сокращений). Действительно, одним из основных средств представления информации в системах, построенных в технологии хранилищ данных, являются приложения OLAP (On-Line Analytical Processing) . Поэтому вопрос о выборе способа хранения данных для этих приложений не является праздным, хотя, увлекшись обсуждением форматов хранения, часто забывают о второй составляющей эффективноq работы – какие агрегированные данные хранить, а какие вычислять "на лету".
В SAS System приложения OLAP могут работать, как с реляционными таблицами (Relational OLAP, ROLAP), так и с многомерными базами данных (Multidimensional OLAP, MOLAP). Особое место занимает смешанный подход – гибридный OLAP (Hybrid OLAP, HOLAP), который является в SAS System не промежуточным решением между ROLAP и MOLAP, а их объединением. Таким образом, использование HOLAP в построении хранилищ данных позволяет гибко использовать все достоинства различных способов хранения данных, предоставляя конечному пользователю удобный и высокоэффективный механизм работы с данными хранилища.
В процессе загрузки данных в ХД решаются три взаимосвязанные задачи: сбор данных, их очистка, агрегирование. Сбор данных состоит в организации передачи данных из внешних источников в ХД. Очистка данных - это процесс модификации данных по ходу заполнения ХД, который состоит из следующих последовательных этапов:
исключение дублирования данных,
восстановление пропущенных данных,
приведение данных к единому формату,
удаление служебной и управляющей информации,
проверка данных на целостность.
Компания Sybase предлагает свой продукт PowerStage (разработанный на базе ПО DataStage компании VMARK), упрощающий извлечение, очистку, трансформацию и агрегирование данных. Он специально оптимизирован для работы с Sybase IQ.
Готовые витрины Datagy решают такие задачи, как управление активами и пассивами, анализ эффективности операций с пластиковыми карточками, анализ и сегментация клиентской базы, анализ денежных потоков, анализ доходов, анализ и сегментация потенциальных клиентов.
Крупнейшими поставщиками систем хранения данных на российский рынок являются Oracle, IBM и SAS. Рассматривая отдельные сегменты структуры систем хранения данных, Сергей Слепцов выделил также среди поставщиков компании Microsoft и Informatica.
Хранилище позволяет вести процесс анализа показателей собственной коммерческой деятельности и деятельности конкурентов в их взаимосвязи с внутренними и внешними факторами.
Хранилище данных включает в себя ряд витрин данных, которые предназначены для различных групп пользователей и решают специфические задачи управления.