Login

 Menggali Dolar Dengan Penambangan Data – 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, meningkatkan profitabilitas, mengurangi biaya, dan memasarkan lebih efektif. Penambangan data (DM) menciptakan aset informasi yang dapat dimanfaatkan organisasi untuk mencapai tujuan strategis ini.

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

  • Apa itu data mining?
  • Apa yang bisa ia lakukan untuk organisasi saya?
  • Bagaimana organisasi saya bisa mulai?

Definisi Bisnis dari Penambangan Data

Penambangan data adalah komponen baru dalam arsitektur sistem pendukung keputusan (DSS) perusahaan. Ini melengkapi dan saling terkait dengan kemampuan DSS lainnya seperti permintaan dan pelaporan, pemrosesan analitik on-line (OLAP), visualisasi data, dan analisis statistik tradisional. Teknologi DSS lainnya ini umumnya retrospektif. Mereka memberikan laporan, tabel, dan grafik dari apa yang terjadi di masa lalu. Seorang pengguna yang tahu apa yang ia cari dapat menjawab pertanyaan spesifik seperti: "Berapa banyak akun baru yang dibuka di wilayah Midwest pada kuartal terakhir," "Toko mana yang memiliki perubahan terbesar dalam pendapatan dibandingkan dengan bulan yang sama tahun lalu, "atau" Apakah kita memenuhi target kita untuk meningkatkan penjualan liburan sebesar sepuluh persen? "

Kami mendefinisikan penggalian data sebagai "penemuan berbasis 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 tahu persis apa yang ia cari. Modelnya bersifat deskriptif dan prospektif. Mereka membahas mengapa sesuatu terjadi dan apa yang mungkin terjadi selanjutnya. Seorang pengguna dapat mengajukan pertanyaan "bagaimana-jika" ke model penambangan data yang tidak dapat ditanyakan langsung dari database atau gudang. Contohnya termasuk: "Berapa nilai seumur hidup yang diharapkan dari setiap akun pelanggan," "Pelanggan mana yang cenderung membuka rekening pasar uang," atau "Apakah pelanggan ini akan membatalkan layanan kami jika kami memperkenalkan biaya?"

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

Memetakan Kebutuhan Bisnis untuk Solusi dan Keuntungan

Apa yang dapat dilakukan penambangan data untuk organisasi Anda? Dalam pengantar, kami menggambarkan beberapa peluang strategis bagi organisasi untuk menggunakan data untuk keuntungan: ekspansi bisnis, profitabilitas, pengurangan biaya, dan penjualan dan pemasaran. Mari kita pertimbangkan peluang ini dengan sangat konkret 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 perlu pergi ke cabang Keystone dan menguangkan LoanCheck. Keystone memperkenalkan LoanCheck $ 5.000 dengan mengirimkan promosi kepada pelanggan yang sudah ada.

Basis data Keystone melacak sekitar 300 karakteristik untuk setiap pelanggan. Karakteristik-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 merespons tawaran LoanCheck senilai $ 5000 atau tidak. Keystone menggunakan data mining untuk menyaring 300 karakteristik pelanggan, menemukan yang paling signifikan, dan membangun model respons terhadap tawaran LoanCheck. Kemudian, mereka menerapkan model ke daftar 400.000 prospek yang diperoleh dari biro kredit.

Dengan mengirimkan secara selektif ke prospek dengan peringkat terbaik yang ditentukan oleh model DM, Keystone menghasilkan $ 1,6 juta laba bersih tambahan dari 12.000 pelanggan baru.

Mengurangi biaya: Empire Blue Cross / Blue Shield adalah perusahaan asuransi kesehatan terbesar di New York. Untuk bersaing dengan perusahaan layanan kesehatan lain, Empire harus memberikan layanan berkualitas dan meminimalkan biaya. Biaya serangan dalam bentuk penipuan dan penyalahgunaan adalah landasan strategi Empire, dan itu membutuhkan keterampilan investigasi yang besar serta teknologi informasi yang canggih.

Yang terakhir termasuk aplikasi penambangan data 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 teman sebayanya. Penyimpangan ini dilaporkan ke penyelidik penipuan sebagai "indeks kecurigaan." Seorang dokter yang melakukan sejumlah besar prosedur per kunjungan, mengenakan biaya 40% lebih tinggi per pasien, atau melihat banyak pasien pada akhir pekan akan ditandai segera dari skor indeks kecurigaan.

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

Meningkatkan efektivitas penjualan dan profitabilitas: Perwakilan penjualan farmasi memiliki berbagai macam alat untuk mempromosikan produk kepada dokter. Alat-alat ini termasuk literatur klinis, sampel produk, pertemuan makan malam, konferensi jarak jauh, acara golf, dan banyak lagi. Mengetahui promosi mana yang paling efektif dengan dokter mana yang sangat berharga karena keputusan yang salah dapat membuat perusahaan mengeluarkan biaya ratusan dolar untuk panggilan penjualan dan bahkan lebih banyak lagi dalam kehilangan pendapatan.

Perwakilan untuk sebuah perusahaan farmasi besar secara kolektif melakukan puluhan ribu panggilan penjualan. Seorang pembuat obat mengaitkan enam bulan kegiatan promosi dengan angka penjualan yang sesuai dalam database, yang kemudian mereka gunakan untuk membuat 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 dokter yang meresepkan resep. Menggunakan semua pengetahuan yang tertanam dalam model data mining, 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 $ 1,4 juta yang awalnya diproyeksikan. Mengingat peningkatan ini dihasilkan tanpa pengeluaran promosi baru, laba diharapkan meningkat dengan jumlah yang sama.

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

Mulai

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

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

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

Saat 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 mengambil melihat 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 tinggi, rendah biaya, dan berisiko rendah untuk mengukur potensi dampak DM.

Batu sandungan lain bagi suatu organisasi adalah memutuskan untuk menunda kegiatan penambangan data sampai gudang data dibangun. Pengalaman kami menunjukkan bahwa, seringkali, DM bisa dan harus didahulukan. Tujuan dari data warehouse adalah untuk memberikan pengguna kesempatan untuk mempelajari perilaku pelanggan dan pasar baik secara retrospektif dan prospektif. Proyek percontohan penambangan data dapat memberikan wawasan penting tentang ladang dan agregat yang perlu dirancang ke dalam gudang untuk membuatnya benar-benar berharga. Lebih lanjut, penghematan biaya atau pendapatan yang disediakan oleh DM dapat menyediakan dana bootstrap untuk data warehouse atau inisiatif terkait.

Sebagai penutup, dalam artikel ini kami membahas pertanyaan-pertanyaan kunci 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 lebih efektif.

Copyright Discovery Corps, Inc., 2011

October 21, 2019

0 responses on " Menggali Dolar Dengan Penambangan Data - Panduan Eksekutif"

Leave a Message

Your email address will not be published.

top
Template Design © VibeThemes. All rights reserved.
X
Skip to toolbar