Применение Data Mining

Предсказание объема трафика и минут разговора в следующем месяце для клиента.

Задача регрессии. Располагая информацией об активностях клиента (связь/интернет), можно предсказать объем трафика и минут разговора, а также количество SMS-сообщений в следующем месяце. Например, с помощью алгоритма Data Mining было выявлено, что клиент в следующем месяце превысит норму по своему тарифу. Эта информация позволит заранее предложить корректировки тарифа для клиента.

Анализ ''холодной'' базы звонков для выявления потенциально возможных клиентов.

Задача классификации. В зависимости от количества звонков, их продолжительности и других известных данных о клиенте возможно классифицировать клиентов на категории по эффективности «холодных» звонков. Полученная информация позволит более качественно осуществлять поиск клиентов, не тратя время на заведомо неуспешные варианты.

Выявление лояльности клиентов.

Data Mining можно использовать для определения характеристик клиентов, которые, один раз воспользовавшись услугами данной компании, с большой долей вероятности останутся ей верными. В итоге средства, выделяемые на маркетинг, можно тратить там, где отдача больше всего.

Удержание клиента / прогнозирование оттока клиентов.

Классическая задача бинарной классификации, которая имеет следующую формулировку: ''Имея обогащенные исторические данные о транзакциях клиента, необходимо спрогнозировать, покинет ли клиент компанию в ближайший месяц или нет''. Можно проецировать задачу на некоторые разрезы: например, банк решил провести акцию по привлечению клиентов — 3 месяца льготного периода. В данной ситуации требуется спрогнозировать, продолжит ли клиент пользоваться услугами на общих условиях или покинет банк.

Выявление мошенничества с кредитными карточками.

Путем анализа прошлых транзакций, которые впоследствии оказались мошенническими, служба безопасности банка выявляет некоторые стереотипы такого мошенничества и принимает превентивные меры.

Предсказание объема POS-транзакций в следующем месяце для каждого клиента.

Задача регрессии, в которой требуется спрогнозировать объем транзакций через POS-терминал для каждого клиента. Решение этой задачи позволяет сегментировать клиентов и заранее планировать, и корректировать персональные предложения и новые акции для клиентов.

Анализ покупательской корзины.

Требуется выявить товары, которые покупатели стремятся приобретать вместе. Знание покупательской корзины необходимо для улучшения рекламы, выработки стратегии создания запасов товаров и способов их раскладки в торговых залах.

Исследование временных шаблонов.

С помощью исторических данных торговые предприятия могут принимать решения о создании товарных запасов, ориентированных на динамику покупательского спроса во временном интервале. В результате бизнес получает ответы на вопросы типа ''Если сегодня покупатель приобрел видеокамеру, то через какое время он вероятнее всего купит новые батарейки и какой процент покупателей сразу приобретет дополнительную карту-памяти''.

Создание прогнозирующих моделей

дает возможность торговым предприятиям узнавать характер потребностей различных категорий клиентов с определенным поведением, например, покупающих товары известных дизайнеров или посещающих распродажи. Эти знания нужны для разработки точно направленных, экономичных мероприятий по продвижению товаров.

Прогноз удовлетворенности.

При сборке автомобилей производители должны учитывать требования каждого отдельного клиента, поэтому им нужны возможность прогнозирования популярности определенных характеристик и знание того, какие характеристики обычно заказываются вместе.

Политика гарантий.

Производителям нужно предсказывать число клиентов, которые подадут гарантийные заявки, и среднюю стоимость заявок.

Прогнозирование проблем в определенных страховых сегментах.

Задача классификации. На основании исторических данных об активностях клиента, таких как страхование автомобиля/жизни/дома, наличия страховых выплат возможно спрогнозировать и сегментировать аудиторию. В результате с помощью полученных профилей можно будет корректировать условия страхования и давать оценку ''доверия'' каждому клиенту.

Анализ эффективности информирования клиентов.

Задача классификации. С помощью исторических данных об использовании телефонной связи для техподдержки, использования смс-сервисов и онлайн-приложений, необходимо классифицировать клиентов на категории, склонные получать информацию через предпочтительный канал связи. Полученные результаты позволят адаптировать информирование и техподдержку клиентов, учитывая их предпочтения в способе получения информации, что качественно улучшит сервис.

Постановка медицинских диагнозов.

Известно много экспертных систем для решения этой задачи, которые построены главным образом на основе правил, описывающих сочетания различных симптомов различных заболеваний. С помощью таких правил узнают не только, чем болен пациент, но и как нужно его лечить. Правила помогают выбирать средства медикаментозного воздействия, определять показания – противопоказания, ориентироваться в лечебных процедурах, создавать условия наиболее эффективного лечения, предсказывать исходы назначенного курса лечения и т. п. Технологии Data Mining позволяют обнаруживать в медицинских данных закономерности, составляющие основу указанных правил.

Прогнозирование спроса на лекарственные препараты.

Data Mining позволяет спрогнозировать спрос (вторичные продажи) на лекарственные препараты для более точного планирования отгрузок (первичные продажи), складских остатков и производства.

Определение компонентов,

влияющих на характеристики легированной стали, и получили значения их эффектов влияния. Можно построить различные регрессионные модели, решить множество важных практических задач, например, показать, как увеличивается прочность подшипников с увеличением доли молибдена, каков эффект дают уплотнительные кольца, изготовленные из нового материала и т. д.

В металлургии и машиностроении задачи, связанные с отказом оборудования,

– износ роликов, разрушение подшипников, заклинивание подшипников и т.д.