Documentos de Académico
Documentos de Profesional
Documentos de Cultura
C on c e pt o del C R M
CRM es bsicamente la respuesta de la tecnologa a la creciente necesidad de las empresas de fortalecer las relaciones con sus clientes. Las herramientas de gestin de relaciones con los clientes (Customer Relationship Management CRM) son las soluciones tecnolgicas para conseguir desarrollar la "teora" del marketing relacional. El marketing relacional se puede definir como "la estrategia de negocio centrada en anticipar, conocer y satisfacer las necesidades y los deseos presentes y previsibles de los clientes". Actualmente, gran cantidad de empresas estn desarrollando este tipo de iniciativas. Segn un estudio realizado por Cap Gemini Ernst & Young de noviembre del ao 2001, el 67% de las empresas europeas ha puesto en marcha una iniciativa de gestin de clientes (CRM). En el proceso de remodelacin de las empresas para adaptarse a las necesidades del cliente, es cuando se detecta la necesidad de replantear los conceptos "tradicionales" del marketing y emplear los conceptos del marketing relacional
1.
2.
expectativas. Para convertir los datos en conocimiento se emplean bases de datos y reglas.
3.
4.
5.
6.
7.
Pensar en los clientes como un activo cuya rentabilidad muchas veces es en el medio y largo plazo y no siempre en los ingresos a corto plazo.
El cliente se convierte en referencia para desarrollar estrategias de marketing dirigidas a capturar su valor a lo largo del tiempo. Realmente, el marketing relacional es algo que se ha venido haciendo durante siglos. Si no, piense en el tendero de la esquina. Cuando va a comprar siempre le reconoce, le saluda por su nombre y le aconseja (le hace ofertas personalizadas) en funcin de sus ltimas consultas y compras. El reto actual es conseguir conocer a los clientes y actuar en consonancia cuando en lugar de tener 50 clientes como tiene el tendero, se tienen 1.000, 5.000, 50.000 o 500.000.000. Esta posibilidad la ofrece la tecnologa. Hasta que no han existido las soluciones de CRM y las bases de datos, era inviable conocer y personalizar mensajes a 50.000 clientes.
Incrementar las ventas tanto por incremento de ventas a clientes actuales como por ventas cruzadas Maximizar la informacin del cliente Identificar nuevas oportunidades de negocio Mejora del servicio al cliente Procesos optimizados y personalizados Mejora de ofertas y reduccin de costes Identificar los clientes potenciales que mayor beneficio generen para la empresa Fidelizar al cliente, aumentando las tasas de retencin de clientes Aumentar la cuota de gasto de los clientes
En este contexto, es importante destacar que Internet, sin lugar a dudas, ha sido la tecnologa que ms impacto ha tenido sobre el marketing relacional y las soluciones de CRM.
1. Importante disminucin de los costes de interaccin 2. Bidireccionalidad de la comunicacin 3. Mayor eficacia y eficiencia de las acciones de comunicacin.
o o o
4. Capacidad de comunicar con cualquier sitio desde cualquier lugar 5. Mejora de la atencin al cliente. Funcionamiento 24 horas, 365 das 6. Mejora de los procesos comerciales Sin embargo, aunque la tecnologa sea la herramienta para el desarrollo de la filosofa, nunca puede dejarse un proyecto CRM en manos de ella. Es muy importante destacar que para alcanzar el xito en este tipo de proyectos se han de tener en cuenta los cuatro pilares bsicos en una empresa: estrategia, personas, procesos y tecnologa.
2.
3.
4.
Como resumen, antes de adentrarse en un proyecto CRM es importante tener claro qu objetivos empresariales se quieren conseguir. Tras esa clara definicin, es el momento de abordar las soluciones tecnolgicas. Adems, se debe hacer un anlisis previo de la inversin y un seguimiento de los resultados de la misma.
DATA WAREHOUSE
Introduccin
Hoy en da toda empresa necesita depositar mucha confianza en la toma de decisiones sobre los negocios, para tomar dichas decisiones requerimos hechos y cifras, sabemos que la competencia crece en todo momento entonces las decisiones que debemos tomar en nuestra empresa deben ser mas aceleradas; pero que pasa si tenemos una montaa de informacin la cual debe ser analizada, lgicamente pensamos que necesitaramos mucho tiempo. Por ese motivo se requieren herramientas que nos ayuden a minimizar el tiempo para analizar mucha informacin con mayor velocidad y precisin; utilizando dichas herramientas logramos mantenernos competitivos, ya que nuestros negocios deben reaccionar al cambio del mercado. De otro modo el mercado globalizado, la presin inmensa de la competencia, los arranques tecnolgicos, etc. Debilitaran nuestra empresa. Esto nos muestra que las empresas invierten en tecnologa y soluciones con las cuales se mantienen en este mundo cambiante, ahora las empresas no dependen tan solo de factores como ubicacin, productos, etc. Sino tambin del conocimiento. Tal conocimiento basado en informacin comprensible, detallada y relevante es crucial para lograr y sostener ventaja competitiva. El poseer conocimientos correctos significa tener respuestas correctas y realizar decisiones estratgicas para la ejecucin de la empresa. Pero las tareas de recolectar, procesar, limpiar y transformar la informacin necesaria para la toma de decisiones no es una tarea sencilla mas si consideramos que una empresa tiene distintas reas que a veces se encuentran alejadas de los ejecutivos de negocios. El Componente de Bussines Intelligence que resuelve este caos de los datos es el data Warehouse.
El data Warehouse es un conjunto de procesos y acciones, es una coleccin de datos orientados a un tema, integrados y no voltiles en el soporte al proceso de toma de decisiones de la gerencia.
CONCEPTO
Es un proceso, no un producto. Es una tcnica para consolidar y administrar datos de variadas fuentes con el propsito de responder preguntas de negocios y tomar decisiones, de una forma que no era posible hasta ahora. Consolidar datos desde una variedad de fuentes. Dentro del marco conceptual de Data Warehousing los agruparemos dentro del proceso de Transformacin de Datos. Manejar grandes volmenes de datos de una forma que no era posible, o no era costo efectiva. A estos medios los agruparemos en Procesamiento y Administracin de Datos. Acceder a los datos de una forma ms directa, en "el lenguaje del negocio", y analizarlos para obtener relaciones complejas entre los mismos. Estos procesos se engloban en dos categoras que sern explicadas ms adelante: Acceso a los Datos y Descubrimiento o Data Mining. Estos desarrollos tecnolgicos, correctamente organizados e interrelacionados, constituyen lo que se ha dado en llamar un Data Warehouse o Bodega de Datos. Veamos un poco ms en detalle los grupos mencionados. Existen muchas definiciones para el DW, la ms conocida fue propuesta por Inmon [Micro St96] (considerado el padre de las Bases de Datos) en 1992: "Un DW es una coleccin de datos orientados a temas, integrados, no-voltiles y variante en el tiempo, organizados para soportar necesidades empresariales". En 1993, Susan Osterfeldt [Micro St 96] publica una definicin que sin duda acierta en la clave del DW: "Yo considero al DW como algo que provee dos beneficios empresariales reales: Integracin y Acceso de datos. DW elimina una gran cantidad de datos intiles y no deseados, como tambin el procesamiento desde el ambiente operacional clsico".
Componentes de la data Warehouse Impactos DW El xito de DW no est en su construccin, sino en usarlo para mejorar procesos empresariales, operaciones y decisiones. Posesionar un DW para que sea usado efectivamente, requiere entender los impactos de implementacin en los siguientes mbitos: Impactos Humanos. Efectos sobre la gente de la empresa: Construccin del DW: Construir un DW requiere la participacin activa de quienes usarn el DW. A diferencia del desarrollo de aplicaciones, donde los requerimientos de la empresa logran ser relativamente bien definidos producto de la estabilidad de las reglas de negocio a travs del tiempo, construir un DW depende de la realidad de la empresa como de las condiciones que en ese momento existan, las cuales determinan qu debe contener el DW. La gente de negocios debe participar activamente durante el desarrollo del DW, desde una perspectiva de construccin y creacin. Accesando el DW: El DW intenta
proveer los datos que posibilitan a los usuarios accesar su propia informacin cuando ellos la necesitan. Esta aproximacin para entregar informacin tiene varias implicancias: a) La gente de la empresa puede necesitar aprender nuevas destrezas. b) Anlisis extensos y demoras de programacin para obtener informacin ser eliminada. Como la informacin estar lista para ser accesada, las expectativas probablemente aumentarn. c) Nuevas oportunidades pueden existir en la comunidad empresarial para los especialistas de informacin. d) La gran cantidad de reportes en papel sern reducidas o eliminadas. e) La madurez del DW depender del uso activo y retroalimentacin de sus usuarios. Usando aplicaciones DSS/EIS: usuarios de aplicaciones DSS y EIS necesitarn menos experiencia para construir su propia informacin y desarrollar nuevas destrezas.
Transforma la operacin a formatos consistentes. Automatiza las tareas de la informacin para prepararla a un anlisis eficiente.
DATA MINING
INTRODUCCION
Data Mining, la extraccin de informacin oculta y predecible de grandes bases de datos, es una poderosa tecnologa nueva con gran potencial para ayudar a las compaas a concentrarse en la informacin ms importante de sus Bases de Informacin (Data Warehouse). Las herramientas de Data Mining predicen futuras tendencias y comportamientos, permitiendo en los negocios tomar decisiones proactivas y conducidas por un conocimiento acabado de la informacin (knowledge- driven). Los anlisis prospectivos automatizados ofrecidos por un producto as van ms all de los eventos pasados provistos por herramientas retrospectivas tpicas de sistemas de soporte de decisin. Las herramientas de Data Mining pueden responder a preguntas de negocios que tradicionalmente consumen demasiado tiempo para poder ser resueltas y a los cuales los usuarios de esta informacin casi no estn dispuestos a aceptar. Estas herramientas exploran las bases de datos en busca de patrones ocultos, encontrando informacin predecible que un experto no puede llegar a encontrar porque se encuentra fuera de sus expectativas. Muchas compaas ya colectan y refinan cantidades masivas de datos. Las tcnicas de Data Mining pueden ser implementadas rpidamente en plataformas ya existentes de software y hardware para acrecentar el valor de las fuentes de informacin existentes y pueden ser integradas con nuevos productos y sistemas pues son tradas en lnea (on-line). Una vez que las herramientas de Data Mining fueron implementadas en computadoras cliente servidor de alta performance o de procesamiento paralelo, pueden analizar bases de datos masivas para brindar respuesta a preguntas tales como, "Cules clientes tienen ms probabilidad de responder al prximo mailing promocional, y por qu? y presentar los resultados en formas de tablas, con grficos, reportes, texto, hipertexto, etc.
usted desconoce o que van a pasar? La tcnica usada para realizar estas hazaas en Data Mining se llama Modelado. Modelado es simplemente el acto de construir un modelo en una situacin donde usted conoce la respuesta y luego la aplica en otra situacin de la cual desconoce la respuesta. Por ejemplo, si busca un galen espaol hundido en los mares lo primero que podra hacer es investigar otros tesoros espaoles que ya fueron encontrados en el pasado. Notara que esos barcos frecuentemente fueron encontrados fuera de las costas de Bermuda y que hay ciertas caractersticas respecto de las corrientes ocenicas y ciertas rutas que probablemente tomara el capitn del barco en esa poca. Usted nota esas similitudes y arma un modelo que incluye las caractersticas comunes a todos los sitios de estos tesoros hundidos. Con estos modelos en mano sale a buscar el tesoro donde el modelo indica que en el pasado hubo ms probabilidad de darse una situacin similar. Con un poco de esperanza, si tiene un buen modelo, probablemente encontrar el tesoro. Este acto de construccin de un modelo es algo que la gente ha estado haciendo desde hace mucho tiempo, seguramente desde antes del auge de las computadoras y de la tecnologa de Data Mining. Lo que ocurre en las computadoras, no es muy diferente de la manera en que la gente construye modelos. Las computadoras son cargadas con mucha informacin acerca de una variedad de situaciones donde una respuesta es conocida y luego el software de Data Mining en la computadora debe correr a travs de los datos y distinguir las caractersticas de los datos que llevarn al modelo. Una vez que el modelo se construy, puede ser usado en situaciones similares donde usted no conoce la respuesta. Si alguien le dice que tiene un modelo que puede predecir el uso de los clientes, Cmo puede saber si es realmente un buen modelo? La primera cosa que puede probar es pedirle que aplique el modelo a su base de clientes donde usted ya conoce la respuesta. Con Data Mining, la mejor manera para realizar esto es dejando de lado ciertos datos para aislarlos del proceso de
Data Mining. Una vez que el proceso est completo, los resultados pueden ser testeados contra los datos excluidos para confirmar la validez del modelo. Si el modelo funciona, las observaciones deben mantenerse para los datos excluidos.
Prediccin automatizada de tendencias y comportamientos. Data Mining automatiza el proceso de encontrar informacin predecible en grandes bases de datos. Preguntas que tradicionalmente requeran un intenso anlisis manual, ahora pueden ser contestadas directa y rpidamente desde los datos. Un tpico ejemplo de problema predecible es el marketing apuntado a objetivos (targeted marketing). Data Mining usa datos en mailing promocionales anteriores para identificar posibles objetivos para maximizar los resultados de la inversin en futuros mailing. Otros problemas predecibles incluyen pronsticos de problemas financieros futuros y otras formas de incumplimiento, e identificar segmentos de poblacin que probablemente respondan similarmente a eventos dados. Descubrimiento automatizado de modelos previamente desconocidos. Las herramientas de Data Mining barren las bases de datos e identifican modelos previamente escondidos en un slo paso. Otros problemas de descubrimiento de modelos
incluye detectar transacciones fraudulentas de tarjetas de crditos e identificar datos anormales que pueden representar errores de tipeado en la carga de datos.
Las tcnicas de Data Mining pueden redituar los beneficios de automatizacin en las plataformas de hardware y software existentes y puede ser implementadas en sistemas nuevos a medida que las plataformas existentes se actualicen y nuevos productos sean desarrollados. Cuando las herramientas de Data Mining son implementadas en sistemas de procesamiento paralelo de alta performance, pueden analizar bases de datos masivas en minutos. Procesamiento ms rpido significa que los usuarios pueden automticamente experimentar con ms modelos para entender datos complejos. Alta velocidad hace que sea prctico para los usuarios analizar inmensas cantidades de datos. Grandes bases de datos, a su vez, producen mejores predicciones.
Las bases de datos pueden ser grandes tanto en profundidad como en ancho:
o
Ms columnas. Los analistas muchas veces deben limitar el nmero de variables a examinar cuando realizan anlisis manuales debido a limitaciones de tiempo. Sin embargo, variables que son descartadas porque parecen sin importancia pueden proveer informacin acerca de modelos desconocidos. Un Data Mining de alto rendimiento permite a los usuarios explorar toda la base de datos, sin preseleccionar un subconjunto de variables. Ms filas. Muestras mayores producen menos errores de estimacin y desvos, y permite a los usuarios hacer inferencias acerca de pequeos pero importantes segmentos de poblacin.
Redes neuronales artificiales: modelos predecible no-lineales que aprenden a travs del entrenamiento y semejan la estructura de una red neuronal biolgica. Arboles de decisin: estructuras de forma de rbol que representan conjuntos de decisiones. Estas decisiones generan reglas para la clasificacin de un conjunto de datos. Mtodos especficos de rboles de decisin incluyen Arboles de Clasificacin y Regresin (CART: Classification And Regression Tree) y Deteccin de Interaccin Automtica de Chi Cuadrado (CHAI: Chi Square Automatic Interaction Detection) Algoritmos genticos: tcnicas de optimizacin que usan procesos tales como combinaciones genticas, mutaciones y seleccin natural en un diseo basado en los conceptos de evolucin. Mtodo del vecino ms cercano: una tcnica que clasifica cada registro en un conjunto de datos basado en una combinacin de las clases del/de los k registro (s) ms similar/es a l en un conjunto de datos histricos (donde k 1). Algunas veces se llama la tcnica del vecino k-ms cercano.
Muchas de estas tecnologas han estado en uso por ms de una dcada en herramientas de anlisis especializadas que trabajan con volmenes de datos relativamente pequeos. Estas capacidades estn ahora evolucionando para integrarse directamente con herramientas OLAP y de Data Warehousing.