Büyük Veri Analitiği 2018-03-01T01:16:17+00:00

İleri Büyük Veri Analitiği, bilişsel ve gelişmiş analitik teknolojilerini problem çözme alanına ilham veren bilişsel çağa ait bir GBS uygulamasıdır.

DATAMIND Büyük Veri Analitiği çözümü; tüm dahili, harici, yapısal, yapısal olmayan ve görsel verilerin potansiyelini açığa çıkararak rekabet avantajına dönüştürür.

DATAMIND içgörüsü, bilişsel ve bulut ortamının dönüşümsel gücünü geliştirerek, iş kararları vermenizi sağlar. İçgörüler, iş süreçlerinizi yeniden yapılandırmanızı ve otomatikleştirmenizi sağlar. Bu içgörüler büyümenin ortaya çıkmasına ve yakalanmasına olanak tanır.

Dolandırıcıların, kullanıcı kart bilgilerini ele geçirip özellikle internet gibi ortamlarda yüksek tutarlı alışveriş yapılması ve kart sahibinin mağdur edilmesi ile sonuçlanan kredi kartı dolandırıcılıkları, tüm bankaların ortak mücadele ettiği bir sorundur.

Yüksek işlem hacmine sahip kredi kartı ile harcama her geçen gün artmakta ve bunların ele geçirilip suiistimal edilmesini önlemek zorlaşmaktadır.

Kredi Kartı Sahtekarlığı Tespiti çalışmaları ile;

  • Her bir kullanıcı için olağan bir harcama örüntüsü çıkarılarak kullanıcı tanımlanası yapılmakta ve çıkarılan bu örüntüler benzer kullanıcıları da etkileyebileceği için ortak bir akıl ile tüm kredi kartı harcamalarına uygulanmaktadır.
  • Kredi kartı sahteciliğinin önlenmesinin ikinci boyutu olan anlık veri işleme ile gerçekleşen olayların saniyeler, dakikalar içinde tespiti ve uyarı mekanizmasının çalıştırılmasın sağlanmaktadır.

DATAMIND olarak;

Kredi Kartı Sahtekarlığı Tespitini, kredi kartı hareketlerinin veri madenciliği algoritmaları ve ileri analitik yöntemler ile anlık analiz ederek belirlemekteyiz. Sonuçların yorumlanması ve aksiyonlara dönüştürülmesinde farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, sürdürülebilir, başarıları ölçülebilir aksiyon planları oluşturmaktayız.

Sigorta sahtekarlığı her ne kadar sigorta şirketlerini ilgilendiren bir sorunmuş gibi görünse de aslında sigorta poliçesi sahibi herkesi olumsuz etkilemektedir. Sahtekarlıklar sigorta şirketlerin karını azalmakta bu da yeni sigorta yaptıracakların veya mevcut sigortalıların primlerinde artışına sebep olmaktadır. Sigortacılık sektöründe maliyetlerin büyük bölümünü araç hasar dosyaları oluşturmakta, bu alandaki sahtekarlık oranlarının da %5-%7 düzeyinde olduğu düşünülmektedir. Birçok sigorta şirketi kurduğu ekipler ile bu sahtekarlıkların bir bölümünü tespit edebilmekteyken, analitik yaklaşımlar ile tespit oranları çok daha yüksek seviyelere çıkarılabilmektedir.

Kasko-Trafik Sigortası Sahtekarlığı Tespiti çalışmaları ile;

  • Bir hasar dosyasındaki tüm paydaşlar (Poliçe sahibi, Eksper, Tamirhane vb.) için risk skoru ataması yapılmaktadır.
  • Alan uzmanları tarafından oluşturulan bize özgü iş kuralları dinamik olarak firma sistemine entegre edilerek riskli poliçeler daha hızlı belirlenmektedir.
  • Görsel ağ analizleri ile inceleme yapılarak organize sahtekarlık bağlantıları tespit edilebilmektedir.
  • Tüm yapıların firmanın kullandığı sisteme entegre edilerek iş birimleri tarafından rahatlıkla kullanılması sağlanmaktadır.

DATAMIND olarak

Kasko-Trafik Sigortası Sahtekarlık Tespiti çözümünde sigorta şirketleri için geliştirilen içerisinde veri madenciliği ve vaka yönetiminin de bulunduğu, suistimali analitik ve kural tabanlı yaklaşımlar ile tespit etme, ardından gerçekleşen suistimali görsel ağ analizleri ile inceleme ve bu yapılan işleri bir vaka yönetim sistemi altında yönetildiği baştan sona suistimal tespit sistemi sunmaktayız. Sonuçların yorumlanması ve aksiyonlara dönüştürülmesinde farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, sürdürülebilir, başarıları ölçülebilir aksiyon planları oluşturmaktayız.

Kredi Erken Uyarı Sistemi, kredi kayıplarının önlenmesinde, sorunlu kredilerin ve batık kredi miktarının azaltılmasında büyük rol sahibidir. Bu nedenle kredi izleme sürecinde kredi kullanan müşterilerin mali yapılarındaki ve genel ekonomik parametrelerdeki gelişmeleri değerlendiren erken uyarı sistemlerinin ihtiyacı artmaktadır.

Müşterilerine ait erken uyarı sinyallerini içeren çok yönlü veriler bir araya getirilerek veri madenciliği çalışmaları yapılmakta ve her müşteriye en uygun aksiyon belirlenerek ilgili aksiyona denk gelen yakın takip kodu müşteriye atanmaktadır.

Finans dünyasında erken uyarı sistemlerinin başarısı içinde dışsal veri kullanan çalışmaların başarısı ciddi şekilde artış göstermektedir. Dışsal veri noktasında özellikle bireysel müşterilerin kredi ödeme davranışlarını incelerken KKB ( Kredi Kayıt Bürosu ) den gelen müşterinin diğer bankalardaki durumunu yansıtan önemli veriler ve ticari müşteriler için TCMB tarafından bankalara sağlanan ve işletmenin bankalardaki toplam limit ve riskini gösteren, aynı zamanda işletmenin gecikmelerini ve çalıştığı banka sayısını da ifade eden memzuç bilgileri kullanılarak müşterinin kredi ödemedeki düzensizliği müşteri gecikmeye girmeden tahmin edilebilmektedir.

DATAMIND olarak Erken Uyarı Sistemi çözümünde finans kuruluşlarındaki mevcut kural bazlı erken uyarı sistemlerine ek olarak, veri madenciliği algoritmalarının desteğiyle analitik ve sistematik bir uygulama geliştirmekteyiz. Bu iki yaklaşımın da gücünü kullanan hibrid bir yöntem ile farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, sürdürülebilir, başarıları ölçülebilir bir sistem oluşturmaktayız.

Özellikle kredi analitiği çalışmalarında sıkça başvurulan yöntemlerden olan regresyon yöntemleri (lojistik, probit, doğrusal, … ) kategorik değişkenler üzerinde yeterince etkin olamamakta ve uzmanlar çok sağlam matematiksel yaklaşımı olmasına karşın yoğun kategorik değişken içeren veri yapılarında karar ağacı gibi yöntemlere yönelmektedir. Bu soruna çözüm için geliştirilen kategorik değişkenlerin hedef değişkene göre sayısallaştırılmasını sağlayan weight of evidence (woe) yöntemi ile sadece kredi risk analizi çalışmalarında değil regresyon vari yöntemlerin kullanıldığı her yerde kullanılabilecek bir ölçüttür.

Weight of evidence ölçütüne ek kategorik bağımsız değişkenin hedef değişkeni ne kadar etkilediğini ölçen en iyi ölçütlerden biri olan information value (IV) ölçütü ile analitik modele girecek değişkenlerin önceden seçimi yapılabilmektedir.

DATAMIND olarak;

Özellikle kredi risk analizinde çalışan uzmanlara, WoE ve IV hesaplama sistemini IBM SPSS Modeler altında kullanabilmelerine olanak sağlayacak bir işlemci sunmaktayız.

Finansal kuruluşların ne kadar yetenekli oldukları, borç verdikleri kişileri veya kurumları bilgilendirip, kontrol edebilmeleri ile ölçülür. Bankalar geçmiş dönem istatistiklerinden yola çıkarak, müşterilerin kredi derecelerine göre temerrüt halindeki kayıp oranlarını tahmin edebilmektedirler. Böylece sık gözlenmeyen temerrüde düşme olayı, temerrüde düşme olasılığı hesabı yardımı ile kantitatif hale getirilebilmektedir.

BASEL II, IRB yaklaşımını seçen bankaların kullanacakları derecelendirme notunu bir kural ile belirlemekten ziyade her finans kuruluşuna kendi değerlendirme ölçütünü seçme imkanı sunmuştur.

F-IRB için bankalardan beklenen, her bir müşterisi için temerrüt olasılığını yansıtan derecelendirmeyi yapmasıdır. A-IRB ’yi seçen bankalar ise, her bir müşterisini temerrüt olasılığına göre derecelendirebileceği gibi bir sonraki faz olan temerrüt oluşması halinde oluşacak kaybın büyüklüğüne göre de derecelendirme yapabilmesi gerekmektedir.

PD (Probability of Default) : Temerrüde Düşme Olasılığı, bir yıl içerisinde borçlunun temerrüde düşme olasılığıdır. Oran olarak ifade edilir.

LGD (Loss Given Default) : Temerrüt halinde kayıp. Borçlunun temerrüde düşmesi halinde temerrütten kaynaklanan ekonomik kayıp. Oran olarak ifade edilir.

PD ve LGD, kredi risk seviyelerinin geliştirilmesinde kullanılan temel risk parametrelerini temsil etmektedir. Bu risk parametreleri BASEL II standartlarına göre hesaplanırken, bankanın referans veri kullanması gerekli görülmüş ve PD hesaplamalarında asgari 5 yıllık bir veriye ihtiyaç duyulurken LGD hesabında bu süre 7 yıla çıkmaktadır.

PD sonucunda çıkan olasılık değeri belirli yöntemler ile kümelere dağıtılarak olayın açıklayıcılığının yüksek olması hedeflenmektedir. Bu sınıflar genelde 10-15 arasında değişen sınıf etiketleri ile yer almakta ve her finans kurumunun kendi cetveli ile AAAA-C arası veya BBB-C gibi etiketler ile nihai haline gelmektedir.

DATAMIND olarak,

PD ve LGD modelleri için, gelişmiş regresyon modelleri ve veri madenciliği algoritmalarını kullanarak, farklı sektörel deneyimlerimizi finans kuruluşlarındaki kredi derecelendirme uzmanlarının desteğiyle harmanlayarak size özel etkin, sürdürülebilir, başarıları ölçülebilir bir sistem oluşturmaktayız.

Değer Bazlı Segmentasyon; şirketlerin stratejik durumları itibari ile belirledikleri değer olgusuna göre (ciro, karlılık, vs.) benzer özelliklerdeki müşterilerin homojen gruplara ayrılmasıdır.

Potansiyel Değer Segmentasyonu ise; müşterilerin şirket içerisinde bıraktığı izlerden faydalanılarak oluşturulan ve müşterilerin gerçek değer segmentlerinin yanında potansiyellerinin de belirlenmesi amaçlanmaktadır.

Değer & Potansiyel Değer Segmentasyonu çalışmaları yapılırken veri madenciliği iş akış süreçleri, analitik modeller ve makine öğrenimi algoritmalarından yararlanılmaktadır.

Değer ve Potansiyel Değer Segmentasyonu ile;

  • Benzer özelliklere sahip müşteriler için uygun pazarlama aktiviteleri, satış aksiyonları ve hizmet standartları sağlanabilir.
  • Müşteri değerini anlamak ve müşteri profilini tanımak, şirketin uzun vadeli ihtiyaçları ile şirketin kısa vadeli ihtiyaçlarını dengeleme konusunda yardımcı olur.
  • Yeni müşteri kazanımı için kullanılacak şirket kaynaklarının, mevcuttaki yüksek değerli müşterilerin elde tutulması için kullanılmasını sağlayarak kaynakların etkin kullanımını sağlar.
  • Her bir segmentteki müşterilere özel kampanya aksiyonlarının belirlenmesi, kampanya bütçelerinin daha fazla katma değer yaratması noktasında büyük önem taşır.
  • Potansiyel değer segmentasyonu ile müşterilerin gerçek değerlerinin farkına varabilmek ve uygun pazarlama aktiviteleri ile müşterilerin şirket için bıraktığı değerlerin arttırılması amaçlanır.
  • Değer Bazlı Segmentasyon ve Potansiyel Değer Segmentasyonu ile müşteri elde tutma oranları arttırılır.
  • Zaman bazlı Değer & Potansiyel Değer matrisleri ve RFM analizleri ile müşterilerin şirket içerisindeki sıcaklığının ölçülmesi sağlanmakta ve gerektiğinde acil müdahaleler yapılabilmektedir.

DATAMIND olarak;

Değer & Potansiyel Değer segmentasyonu çalışmaları ile firmanızın değer kavramlarının analitik yöntemler ile belirlenmesine katkı sağlayıp, farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak sizin için etkin, kolay kullanılabilir, başarıları ölçülebilir aksiyon planları oluşturmaktayız.

Bugün piyasalarda rekabet düzeyi göz önüne alındığında, kurumların sadık – rekabetçi müşteri kitlesini, güncel ve potansiyel müşterilerini iyi belirleyebilmesi gerekmektedir. Belirlenen farklı müşteri gruplarında ürünlerin ve hizmetlerin nasıl kullanıldığı hakkında fikir sahibi olma isteği de firmalar için davranış segmentasyonuna olan ihtiyacı doğurmaktadır.

Davranış Segmentasyonu müşterilerin;

  • Tüketim alışkanlıkları,
  • Ürün ve hizmet kullanım kanalları,
  • Kurumlar ile iletişim kurma zamanları ve sıklığı,
  • Satın alma döngüsü,
  • Marka bağımlılığı,
  • Zaman bazlı satın almayı etkileyen unsurlar,

Alışverişin hangi aşamasında olduğu gibi etkenler bazında analiz edilmesi ve benzer özellikler gösteren grupların uygun aksiyonlarda kullanılması için kümelenmesini sağlar.

Davranış Segmentasyonu müşteri alışveriş ve ziyaret bilgilerinin, kampanya yapılarının, geçmiş eylemlerin veri madenciliği algoritmaları ve ileri analitik yöntemler ile analiz edilmesi sonucu oluşturulmaktadır.

Davranış segmentasyonu ile;

  • Müşteri ile doğru zaman ve doğru kanalda iletişim kurma imkanı sağlayarak kampanya geri dönüş oranları arttırılmakta,
  • Kişilerin davranış örüntülerinin belirlenmesi ile firmalara müşterilerini daha iyi tanıma imkanı sağlanmakta,
  • Müşterileri alışveriş döngülerinin tahmin edilmesi ile müşterinin ihtiyaçlarını ve beklentilerini önceden belirleyebilme imkanı sunmakta,
  • Tüm fiziksel veya dijital etkileşim yoluyla gelen müşteri bilgilerinin analiz edilmesi ile şirket kaynaklarını daha etkin ve verimli kullanılarak şirket stratejilerinin belirlenmesine olanak tanımakta,
  • Var olan müşteriler için belirlenen davranış örüntülerinden yola çıkarak yeni müşteri kazanımı için çok daha verimli aksiyonlar alınması sağlanmakta,
  • Müşterinin alışverişin hangi aşamasında olduğunun tahmin edilmesi ile müşteriye psikolojik motivasyon sağlayacak aksiyonlar ve uygun kampanya önerileri teklif edilebilmektedir.

DATAMIND olarak;

Davranış Segmentasyonu çalışmaları ile firmanızın mevcut müşterilerinizle olan ilişkilerini geliştirmek, bağlılıklarını arttırmak ve potansiyel müşterilerinizi mevcut müşteri portföyünüze katmak için, farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, kolay kullanılabilir, başarıları ölçülebilir aksiyon planları oluşturmaktayız.

Son dönemlerde hemen her sektörde artan rekabet ortamı ve buna bağlı olarak müşteriyi elde tutmaya çalışmanın yarattığı zorluklar ile kurumların potansiyel ve mevcut müşterilerini daha yakından tanıması zorunluluk haline dönüşmüştür. Bu noktada, günden güne gelişen analitik yöntemler ve dinamik modeller ile müşterilerin beklentilerini karşılayabilmek, ihtiyaçlarına zamanında yanıt verebilmek ve müşteriyi alışverişe yönlendirecek motivasyonun sağlanması gerekliliği doğmuştur.

Yaşam Tarzı Segmentasyonu, müşterilerin geçmişte bıraktığı izler ile müşterilerin ilgi alanlarını, ihtiyaçlarını ve isteklerini belirleyerek şirketler için müşteri hakkında daha yoğun bir anlayış oluşturmak için uygulanmaktadır.

Yaşam Tarzı Segmentasyonu ile;

Müşterilerin beklentilerini önceden tahmin ederek hızla artan rekabet ortamında şirketler için bir adım öne geçme imkanı sunar.

  • Müşteri ve firma arasındaki duygusal bağlılığın sağlanması, ihtiyaç etkeninin birleşmesi ile de alışveriş yapma noktasındaki tahrik unsuru arttırılmaktadır.
  • Kampanya hedef belirleme (target) stratejisi ile kişiye özel kampanya aksiyonları oluşturulmaktadır.
  • Kişiye özel oluşturulan kampanya aktiviteleri ile müşterilerin ihtiyaçlarına ve beklentilerine geç kalmadan cevap verilmekte ve kurum geliri önemli ölçüde arttırılmaktadır.
  • Yaşam Tarzı Segmentleri ile benzer ilgi alanlarına sahip müşterilerin kümelenmesi ve belirli örüntülerin elde edilmesi ile yeni müşteri kazanımı (acquisition) sırasında uygulanabilir aksiyonlar da oluşturulmaktadır.
  • Yaşam Tarzı Segmentlerinde zamana bağlı değişmesi gereken aksiyonlar yaşlandırma teknikleri ile dinamik bir yapıda devam etmekte ve müşteri bağlılığı önemli ölçüde arttırılmaktadır.

DATAMIND olarak;

Müşterilerinizin Yaşam Tarzı Segmentasyonlarını oluştururken, firmada bırakılan izlerden, sosyal medyadan ve gerektiğinde dış kaynak verilerinden faydalanarak veri madenciliği iş akış süreçlerini ve ileri analitik algoritmaları kullanmaktadır. Elde edilen çıktılar ile farklı sektörel deneyimlerimiz ve firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, kolay kullanılabilir, başarıları ölçülebilir aksiyon planları oluşturmaktayız.

Finans, parakende, telekomünikasyon, e-ticaret vb. her sektörde mevcut müşterileri elde tutmak, yeni müşteriler çekmekten ortalama 5 kat daha ucuz ve daha kolaydır. Bundan dolayı şirketler özellikle en iyi müşterilerini koruma ve müşteri kaybını en aza indirme konusunda çaba sarf etmektedir. Fiyatlandırma, rekabet, iletişim yetersizliği, kişisel tercihler veya müşteriyi terk etmeye iten çeşitli unsurların belirlenmesi ile müşteri terk etme profilleri oluşturulmuş ve geç kalmadan müdahale edebilme şansı doğmuş olur.

Terk etme analizi ile her bir müşterinin firmayı veya aldığı hizmeti terk etme ihtimalleri hesaplanır. Her bir müşteri için belirlenen terk etme skorları, müşterilerin ilgili kurum veya hizmeti terk etmeden önce fark edilmesine ve gerekli aksiyonların alınmasına olanak tanır. Müşteri terk etme riskleri, veri madenciliği algoritmaları ve ileri analitik yöntemler ile analiz edilmesi sonucu oluşturulmaktadır.

Müşteri Terk Etme ve Elde Tutma analizi ile,

  • Müşteri kaybının kısa periyotlar halinde takip ediliyor olması ile müşteri sadakati ve müşteriyi elde tutma kalitesi önemli ölçüde arttırılmakta,
  • Müşterileri terk etmeye iten faktörlerin belirlenmesi ve müşteri terk etme skorlarının birleştirilmesi ile kişiye özel kampanya aksiyonları oluşturularak müşteriyi elde tutma stratejileri izlenebilmekte,
  • Müşteri kaybının % 5 oranında azaltılıyor olması uzun vadede firma için çok daha yüksek oranlarda kar getirisi oluşturmakta,
  • Müşteri terk etme örüntülerinin belirlenmesi müşteri ilişkileri, fiyatlandırma ve kampanya verimliliğini de değerlendirme imkânı sunmakta,
  • Zaman bazlı terk etme skorlarının incelenmesi ile kısa vadede müşterilerin şirket için aktifliği ölçülebilmektedir.

DATAMIND olarak,

Sektör ve kurum bazlı geliştirilen Terk Etme yaklaşımları ile, kişiye özel belirlenen terk etme skorlarının yorumlanması ve aksiyonlara dönüştürülmesinde farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, sürdürülebilir, başarıları ölçülebilir elde tutma aksiyon planları oluşturmaktayız.

Hemen hemen her sektörde müşteri ilişkileri yönetimi ve müşteri analitiği çalışmalarının merkezinde müşteri yaşam boyu değer hesabı yer almaktadır. Müşteri yaşam boyu değer hesabının temel amacı, firmaların müşterilerinin önem derecelerini belirlemek istemeleridir.

Müşteri yaşam boyu değeri, şirketin müşteri ile olan ilişkilerini, etkileşimlerini inceleyen, müşterinin şirkette kalmaya devam ettiği süre boyunca elde edilmesi beklenen parasal ve parasal olmayan faydaların belirlenmesi ve belirlenen tahmini gelirlerin bugünkü değerine dönüştürülmesi işidir.

Müşteri Yaşam Boyu Değer hesabı ile,

  • Firmaların müşterileri ile olan ilişkilerine yön verebilmeleri ve birçok müşteri arasından şirket kaynaklarını hangi müşteriler için daha verimli kullanmaları gerektiğini belirlemektedir.
  • Yaşam boyu değer hesabı ile müşterilerin şirket için getirilerini belirlerken günlük aksiyonlar yerine uzun vadede elde edilecek karın belirlenmesi sağlanmaktadır.
  • Müşteri yaşam boyu değer hesabı ile uzun vadede firma için karlı müşterileri belirleme ve bu müşterileri elde tutmaya çalışma stratejileri ile de rekabet koşullarında avantaj yakalanmaktadır.

DATAMIND olarak,

Müşteri Yaşam Boyu Değer analizleri ile, kişiye özel belirlenen yaşam boyu değer skorlarının yorumlanması ve aksiyonlara dönüştürülmesinde farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, sürdürülebilir, başarıları ölçülebilir elde tutma aksiyon planları oluşturmaktayız.

Dijital dünyanın hızla gelişmesi ve günden güne değişmesi ile firmalar pazarlama stratejilerinde sıklıkla değişikliklere ihtiyaç duymaktadır. Firmaların pazarlama stratejilerinde yaptıkları değişikliklerin verimliliğinin ölçülebilmesi ve değerlendirilebilmesi noktasında müşteri deneyimlerini analiz edebilmek oldukça önemlidir.

Müşteri yolculuğu analizi, müşterilerin bir ürünü ya da servisi kullanırken attığı adımları ve geçeceği yolları ayrıntılı olarak değerlendirmeyi sağlamaktadır. Müşterinin neden bu markayı veya ürünü seçtiği, seçilen hizmet veya ürünü satın almadan önce hangi adımları izlediği, neden terk etme ihtiyacı duyduğu gibi müşterilerin firma ile yaşadığı tüm etkileşimlerin ayrıntılı olarak incelenmesidir.

Müşteri yolculuğu analizi ile,

  • Firmalar markalarını, ürün veya hizmetlerini ve pazarlama aksiyonlarını müşterilerinin gözünden görme imkanına sahip olur.
  • Müşterilerin şirket ile iletişime geçme kanalları ve etkileri değerlendirilir.
  • Müşterilerin satışa kadar geçen süre boyunca yaptığı yolculuklardan örüntüler elde ederek potansiyel müşterilerini kazanma evrelerini belirlemelerini sağlar.
  • Müşteriler ile empati yapmayı ve müşteri beklentilerini çok daha iyi karşılayabilmeyi sağlar.
  • Müşterilerin terk etmeye giden yolda attığı adımları ve müşteriyi terk etmeye iten faktörlerin belirlenmesini sağlar.
  • Müşteri temas noktalarının belirlenmesine ve gereksiz reklam maliyetlerinin düşürülmesine olanak tanır.

Müşteri yolculuğu analizi yapılırken şirketlerin sosyal medya dataları, çağrı merkezi dataları, müşteri ziyaret ve alışveriş datalarından faydalanılır. Veri madenciliği iş akış süreçleri ve ileri modelleme teknikleri ile müşteri hedef değişkenlerinin analiz edilmesi ve görsel şemalar ile sunulması sağlanır.

Pazar Sepet Analizi, müşterilerin satın aldıkları ürün veya hizmetlerin mümkün olan en iyi satın alma kombinasyonlarını belirlemek için kullanılmaktadır. Veri madenciliği uygulamalarından biri olan Birliktelik Analizi tekniği ile beraber satın alınan ürün gruplarının belirli güven düzeylerinde keşfedilmesi, bu ürünlerin hangi sıra ile satın alındığının belirlenmesi ve ürünler arasında ilk bakışta görülemeyen satın alma örüntülerinin ortaya çıkarılmasını sağlar.

Pazar Sepeti Analizi ile;

  • Promosyon analizi çalışmaları, raf dizimi, müşteri alışkanlıkları analizi, mağaza düzenlenmeleri, stok kontrolü, kupon ve kampanya önerilerinin oluşturulması, etkili satış yöntemlerinin geliştirilmesi gibi konularda kurumlar için altyapı oluşturmakta,
  • Firmalarda kullanılan öneri sistemlerine entegre edilerek gerçek zamanlı çapraz satış imkanı sunmakta,
  • Firmaların verdiği hizmetler veya sattığı ürünler arasındaki örüntüleri keşfetmesine ve ürün grupları içerisindeki benzerlikleri ortaya çıkarmasına yardımcı olmakta,
  • Daha önce alışveriş yapmış müşterilere birlikte satın alınan ürün gruplarını satın almayı teklif edecek kampanya tasarımları önermektedir.

Geleneksel pazarlama yöntemlerinin etkinliğini yitirmeye başlamasıyla ortaya çıkan bire bir kampanya (1-1) yaklaşımlarının odağında bir sonraki en iyi teklif (next best offer) çalışmaları yer almaktadır. Bir Sonraki En İyi Teklif analizi ile müşteriler hakkında bilgi toplamak ve daha sonraki satışa teşvik etmek için gelecekteki isteklerine önceden ışık tutmak amaçlanmaktadır. Her bir müşteri için satış sürecinde bir sonraki en iyi adımın ne olması gerektiği sürekli olarak değişmekte ve gerçek zamanlı aksiyon kaynakları beslenmektedir.

Satın alma olasılığı (purchase propensity) da müşterilerin belirli bir ürünü satın alma ihtimalinin skorlanması olarak tanımlanmaktadır. Müşterilerin belirli ürünleri alıp almayacağının belirlenmesi ile bir sonraki adımda müşteriye yapılacak tekliflerin optimizasyonu sağlanmaktadır.

Eğilim Modelleme çalışmaları ile;

  • Bir sonraki en iyi teklif çalışmaları ile müşterilerin hayatlarındaki değişimlerin belirlenmesi ve bu süreçte uygun aksiyonların alınması amaçlanmaktadır.( Örneğin; evlilik, hamilelik, vs.)
  • Müşteriler ile hedefe uygun ve anlamlı iletişim kurma imkanı tanır.
  • Müşteri davranışlarının, beklentilerinin ve profillerinin analizi ile tüm iletişim kanalları ile 360 derece müşteri etkileşimi sağlanır.
  • Müşterilere gerçek zamanlı kampanya aksiyonları sağlanarak rakip kuruluşlar ile etkileşimlerinin azaltılması hedeflenir.
  • Şirketler için doğru zamanda atılan doğru adımlar ile müşteri sadakati sağlama ve kampanya hedeflerine ulaşma konusunda etkili bir araç olmaktadır. DATAMIND olarak, Eğilim modelleme, müşterilerinizin firmanız ile iletişiminde bıraktığı izleri veri madenciliği algoritmaları ve ileri analitik yöntemler ile analiz ederek belirlemekteyiz.

Sonuçların yorumlanması ve aksiyonlara dönüştürülmesinde farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, sürdürülebilir, başarıları ölçülebilir aksiyon planları oluşturmaktayız.

Üretim yapan firmalar için makine ve ekipmanlar için arıza ortaya çıktıktan sonra müdahale etmek, hem maliyet hem de zaman planı açısından olumsuzluklara yol açmaktadır. Özellikle kritik öneme sahip makine ve ekipmanlardan elde edilen verilerin analiz edilmesiyle arıza ve üretim duruş problemlerinin önüne geçerek analitik bakış açısı ile bakım planları oluşturmanız amaçlanmaktadır.

Öngörüsel Bakım ile;

Arıza henüz ortaya çıkmadan, risk öngörüleri ile belirlenen bakım aksiyon planlarınızı devreye sokarak plansız üretim duruşlarını en aza indirin.

  • Birçok parametre içinden arızaların kök nedenlerine inerek makine ve ekipmana ait en iyi set değerlerini belirleyin.
  • Arıza ihtimallerini takip ederek makine ve ekipmanlar için gerekli yedek parça tedariğini önceden yaparak arızada kalma sürelerinizi aşağıya çekin.
  • Arıza ile oluşabilecek iş güvenliği sorunlarını ortadan kaldırın.

DATAMIND olarak,

Öngörüsel Bakım çalışmaları ile firmanızdaki makine ve ekipman arızalarını en aza indirmek, üretimdeki plansız duruşları azaltmak için, farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, kolay kullanılabilir, başarıları ölçülebilir bakım planları oluşturmaktayız.

Üretimde uzun vadede karlılığın en önemli unsuru ürün ve hizmetlerin kalitesidir. Üretim sürecinde değişkenlik, üründe kusurlara, maliyet ve zaman kaybına bunların yanında müşteri memnuniyetinin azalmasına yol açmaktadır.

Öngörüsel Kalite ile;

  • Kalite kontrol verileri ile üretim parametrelerini birleştirerek üretim sürecinize 360 derecelik bir bakış açısı kazandırın.
  • Kalite problemi henüz ortaya çıkmadan, risk öngörüleri ile belirlenen aksiyon planlarınızı devreye sokarak kalite problemlerini en aza indirin.
  • Birçok parametre içinden kalite probleminin kök nedenlerine inerek hatasız üretim için makine ve ekipmana ait en iyi set değerlerini belirleyin.
  • Müşteriye hatalı ürün tedarik edilmesinden kaynaklanan reklamasyon maliyetlerini düşürün.

DATAMIND olarak,

Öngörüsel Kalite çalışmaları ile firmanızın üretimde karşılaştığı hataları en aza indirmek, üretimdeki plansız duruşları azaltmak için, farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, kolay kullanılabilir, başarıları ölçülebilir üretim planları oluşturmaktayız.

Günümüz iş dünyasında markalar müşterilerin beklentilerini daha yüksek düzeyde karşılayabilmek, ürün ve hizmet kalitesini arttırmak, daha fazla satış yapabilmek adına nasıl çeşitli analizlerden faydalanıyorsa, şirketlerin IK departmanlarının da çalışan memnuniyetini arttırmak ve şirket gidişatına sayısal veriler ile yön verebilmek adına modellemeler ve analizlerden yararlanması gerekmektedir.

İnsan kaynakları yönetimi kararları, bir şirketin alması gereken en önemli ve etkili kararlardır. Ürün geliştirme, pazarlama ve kaynak dağıtımı gibi şirket stratejilerine önemli ölçüde katkısı bulunan departmanların kararları da çalışanlar tarafından alınmaktadır. Bu düşünce ile IK departmanlarında yapılacak işe alım, personel eğitim ve geliştirme, personel ücret optimizasyonu, çalışan tutma maliyetleri,  çalışan memnuniyeti gibi analizler şirket etkinliğini doğrudan etkiliyor olacaktır.

Stratejik işgücü planlama çalışmaları ile, firmaların çalışan yatırımlarının uzun vadede planlanması, çalışan kariyer planlarında belirlenecek yetenek eksikleri ve aşırılıkların yönetilmesi, olası işgücü eksikliklerinin oluşması ihtimalleri ile alternatif senaryoların belirlenmesi, çalışan performansı ve verimliliğinin belirlenmesinde etkili olan unsurların analizi gibi çalışmalar yapılmaktadır.

Şirketlerin CRM departmanlarında yapılan müşteri terk etme analizleri gibi çalışanların işten ayrılma ihtimalleri üzerine de çeşitli çalışmalar yapılmaktadır. Bu kapsamda terk etme riski altında çalışanların belirlenmesini sağlayacak analitik modeller oluşturmak, çalışanların yıpranma skorlarının belirlenmesi, çalışanların istifa etme sebeplerinin modellenmesi ile elde edilecek örüntülerin analizi ve tüm bu analizler sonucunda çalışan memnuniyetini ve verimliliğini arttırabilmek adına alınacak önlemlerin belirlenmesi için istatistiksel yöntemlerden faydalanılmaktadır.

Yöneticiler için doğru pozisyon ile eşleşen doğru yeteneklerin belirlenmesini sağlayacak analitik algoritmaların tasarlanması, her departman için işe alım sırasında aranacak gerekliliklerin analiz edilmesi ve önceliklerin belirlenmesi, kariyer havuzunda biriken başvuruların raporlanması ve analizi ile olası istifa veya pozisyon boşluğu durumlarında zaman kaybetmeden aranan adayların bulunabilmesini sağlayacak çalışmalar yapılmaktadır.

Görev, iş deneyimi, maksimum ve minimum performans, istifa kesintileri, terfi ücretleri, teşvik primleri gibi yönetilen ücret politikalarının hem çalışan memnuniyetini sağlayacak hem de şirket kaynaklarını verimli kullanacak şekilde belirlenmesini sağlayan optimizasyon çalışmaları yapılmaktadır.

Şirketler uzun ve kısa vadede stratejilerini, yeni ürün ve hizmet taleplerini, tedarik imkanlarını ve var olan ürünler için satış miktarlarını belirleyebilmek için kısa, orta ve uzun vadede ileriye yönelik tahminlere ihtiyaç duymaktadır.

Talep tahmini oluşturulurken dış kaynaklı datalar ile veri zenginleştirilmesi sağlanarak zaman serileri, makine öğrenimi algoritmaları ve meta modelleme yöntemlerinden faydalanılmaktadır.

Talep tahmini çalışmaları ile;

  • İşletmenin üretim seviyesi¬nin saptanmasında temel oluşturur.
  • Hangi ürünün üretileceği, tüketicilerin bu üründen ne kadar talep edecekleri ve bu talebin çoğunlukla hangi tarihlerde gerçekleşme olasılığının bulunduğu talep tahminleri ile yorumlanır.
  • Talep tahmini çalışmaları pazar tahmini, finansal tahmin, satış tahmini ve üretim tahmini gibi farklı kategorilerde gerçekleştirilebilmektedir.
  • Gelecekteki piyasa koşullarının etkisini göz ardı etmeden veri zenginliği sağlanarak toplam piyasa talebinin belirlenmesi ile ileriye yönelik değerli bilgiler oluşturmak mümkündür.
  • Talep tahmini şirket stok kontrollerinin sağlanması ve gereksiz stok maliyetlerinin azaltılması konusunda şirketler için oldukça yarar sağlamaktadır.
  • Yatırım, pazarlama desteği ve kaynak ayırma kararlarında kullanmak için talep tahminlerinin ve ileriye yönelik somut bilgilerin belirlenmesi gerekmektedir.
  • Talep tahmini yapılırken, önsel araştırmaların ve gerekli kontrol çalışmalarının sağlanması ile tahmin doğruluk derecesinin kontrol edilmesi şirket kaynaklarının yanlış yönlendirilmesini engellemek amacıyla çok önemlidir.

DATAMIND olarak;

Talep Tahmini çalışmaları ile tüketicilerin gelecekte talep edecekleri ürün ve hizmetlerin önceden kestirilmesi ve şirketlerin bu taleplere göre üretim, satış ve hizmet kaynaklarını optimize etmek için, farklı sektörel deneyimlerimizi firmanızdaki iş bilgisiyle harmanlayarak size özel etkin, kolay kullanılabilir, başarıları ölçülebilir tahmin yapıları oluşturmaktayız.

Şirketlerin, Analitik CRM altyapısını tamamlamasıyla oluşturulan analizlerin derlenerek kurum kârını maksimize etme amacı ile, iş biriminin hedeflerini tüm iletişim kanallarının kapasite ve maliyetlerini, müşteri iletişim kısıtlarını, müşterilerin ürün alma eğilimlerini ve ürünlerden beklenen getirileri dikkate alarak; hangi ürünlerde, ne zaman, ne kadar süre, nasıl bir kampanyaya çıkılırsa firmanın makro hedeflerine ulaşmasında daha etkili olacağının kararını veren bir optimizasyon çözümüdür.

Kampanya optimizasyonu ile;

  • Müşteri davranışlarına göre farklı senaryolar içeren kampanya tasarıları hazırlanarak hangi durumlarda hangi tasarıların kullanılacağını belirlenir.
  • Şirketlerin CRM kapsamında yaptığı birçok analitik çalışmanın tek bir koldan yönetilmesi sağlanır.
  • Reklam ve kampanya bütçelerinin firma makro hedefleri doğrultusunda en etkili şekilde kullanımı sağlanmış olur.

Kampanya optimizasyonu, talep tahmini, müşteri segment hedeflerinin belirlenmesi, eğilim modelleri, müşteri davranışları çalışmalarının sonuçlarından faydalanılarak, ileri modelleme yöntemleri ile oluşturulan kampanya tasarımlarının optimize edilmesi çalışmalarını kapsamaktadır.