{"id":2994,"date":"2007-04-12T17:48:49","date_gmt":"2007-04-12T17:48:49","guid":{"rendered":"http:\/\/127.0.0.1\/wordpress.1.72m\/?p=2994"},"modified":"2007-04-12T17:48:49","modified_gmt":"2007-04-12T17:48:49","slug":"ikke-glem-analysen","status":"publish","type":"post","link":"https:\/\/instantsocialsignals.com\/test\/ikke-glem-analysen","title":{"rendered":"Ikke glem analysen"},"content":{"rendered":"\n\n\n
En velpleid database med opplysninger om alle hendelser rundt hver kunde er basisen for all CRM.
\n\t\t\t<\/span><\/em><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

<\/p>\n\n\n\n\n
<\/em><\/td>\n<\/tr>\n
<\/p>\n

\n\t\t\tTekst: Seppo Salmivuori<\/span><\/u><\/a>\n\t\t\t<\/p>\n

\n\t\t\tHvis bare databasen er på plass, er det mulig å bygge nesten hvilket som helst system for å kommunisere med den enkelte kunde. Men for å kunne gjøre det, må man først se mønster og tendenser i materialet. Store og voksende datamengder og stadig raskere endringer i kundenes kjøpemønster gjør dette vanskelig. Men det fins verktøy.\n\t\t\t<\/p>\n

\n\t\t\tDatawarehouse og datamining<\/strong>\n\t\t\t<\/p>\n

\n\t\t\tMange bedrifter har samlet inn mye kundedata, men på ulike steder og i ulike format. Det kan være som kunderegistre hos forhandlere, som loggfil på webserveren, kassesystemer i butikker, salgsstøttesystemer og til og med som enkelt-lister på den enkelte selgerens bærbare PC.\n\t\t\t<\/p>\n

\n\t\t\tAlle disse dataene må samles i et felles dataregister, ett datavarehus, for at potensialet i datamengden kan utnyttes. Datamining er ordet for teknikken for å finne fram til den verdifulle informasjon som disse dataene rommer. Med de enorme data som selv et lite selskap samler opp med tiden, blir driften av databasen kostbar og analysen komplisert. Her ligger det mange fallgruver, og mange leverandører av analyseverktøy holder seg med egne definisjoner av begrepet datamining for at det skal passe med deres egne produkter.\n\t\t\t<\/p>\n

\n\t\t\tEn god definisjon som jeg har funnet er denne:
\n\t\t\t”Datamining er en metode for å analysere detaljerte data og fra disse ekstrahere og presentere funksjonell, skjult og ny informasjon med den hensikt å løse et forretningsrelatert problem.” (Ronald S Swift, Accelerating Customer Relations, Prentice Hall 2001).<\/em>\n\t\t\t<\/p>\n

\n\t\t\tTo ulike fremgangsmåter<\/strong>\n\t\t\t<\/p>\n

\n\t\t\tNår dataene er på plass og uten dubletter og andre feil, er det tid for å analysere dine data. Her fins det to fremgangsmåter. Den ene er den bekreftende analysen, dvs. at du pønsker ut en hypotese og ser etter i dataene om den stemmer. Denne fremgangsmåten er den letteste å automatisere og det fins et hav av verktøy for dette.\n\t\t\t<\/p>\n

\n\t\t\tDen andre fremgangsmåten kan vi kalle den oppdagende analysen. Den er betydelig mer komplisert og krever stor analytisk og matematisk kompetanse. Overlat denne jobben til skikkelige analytikere. Den kan dog gi mange interessante og uventede resultater som kan påvirke den langsiktige forretningsstrategien.\n\t\t\t<\/p>\n

\n\t\t\tAnalyser dine kundedata med OLAP<\/strong>\n\t\t\t<\/p>\n

\n\t\t\tFor den daglige virksomheten og de raske taktiske beslutninger i kundedialogen er dog den første fremgangsmåten best. On-Line Analytical Processing, OLAP, kalles det når man gjør raske analyser i realtime.\n\t\t\t<\/p>\n

\n\t\t\tMetoden bygger på at man velger ut relevante tabeller fra datavarehuset og setter opp disse i såkalte kuber. Med litt trening går det an å gjøre raske sammenligninger og finne interessante mønstre og sammenhenger. De fleste verktøy tilbyr dessuten muligheten for å gjøre analysen direkte over internett så man ikke behøver å sitte ved selve databasen. Kubene kan oppdateres regelmessig slik at man hele tiden har ferske data.\n\t\t\t<\/p>\n

\n\t\t\tSegmentere kundene dine<\/strong>\n\t\t\t<\/p>\n

\n\t\t\tFor en effektiv kundedialog må du vite hva dine kunder ønsker og planlegger å gjøre. Det kan du finne i ditt datalager ved hjelp av av smart segmentering. Still konkrete spørsmål til materialet av typen:\n\t\t\t<\/p>\n