Customer Relationship management & Data Mining

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Customer Relationship management & Data Mining"

Transcript

1 Customer Relationship management & Data Mining Dino Pedreschi, Fosca Giannotti, Mirco Nanni Pisa KDD Lab, ISTI-CNR & Univ. Pisa Master MAINS 2015

2 Outline Basic elements of CRM CaseStudy1- Redemption A real case study: Coop DW (10) Churn Analysis (30) Estimating promotion sales (40) Forecasting out-of-stock during sales (10) Customer profiling(30) Collective profiles Individual profiles Discovering Innovators (20)

3 Customer Relationship Management CRM is about acquiring and retaining customers Customer acquisition (often via targeted marketing) Customer retention (minimizing churn) Cross-sell and up-sell (extending the relationship) Customer win-back (recovering customer lost to competitors) Customer support (increasing customer satisfaction) Maximizing lifetime value (repeat purchase, subscription services).

4 CRM as a Business Strategy CRM is not just technology, but a strategy, process, and business goal that an organization must embrace on an enterprisewide level CRM can enable an organization to: Identify types of customers Design individual customer marketing campaigns Treat each customer as an individual: olistic view Understand customer buying behaviors

5 Business Benefits of CRM Organizations can find their most valuable customers through RFM - Recency, Frequency, and Monetary value How recently a customer purchased items (Recency) How frequently a customer purchased items (Frequency) How much a customer spends on each purchase (Monetary Value)

6 CRM FUNDAMENTALS CRM overview

7 Role of CRM analytics Trasform the raw data from each of the operational systems and contact point into a set of customerspecific beahavior patterns, tailored for the specific business goal at hand

8 Evolution of CRM CRM enables an organization to: Provide better customer service Make call centers more efficient Cross sell products more effectively Help sales staff close deals faster Simplify marketing and sales processes Discover new customers Increase customer revenues

9 Evolution of CRM CRM reporting technology help organizations identify their customers across other applications CRM analysis technologies help organization segment their customers into categories such as best and worst customers CRM predicting technologies help organizations make predictions regarding customer behavior such as which customers are at risk of leaving

10 Evolution of CRM Three phases in the evolution of CRM include reporting, analyzing, and predicting

11 Evolution of CRM

12 Operational and Analytical CRM Operational CRM supports traditional transactional processing for day-to-day frontoffice operations or systems that deal directly with the customers Analytical CRM supports back-office operations and strategic analysis and includes all systems that do not deal directly with the customers

13 Operational and Analytical CRM

14 USING IT TO DRIVE OPERATIONAL CRM

15 Marketing and Operational CRM Three marketing operational CRM technologies: 1. List generator compiles customer information from a variety of sources and segment the information for different marketing campaigns 2. Campaign management system guides users through marketing campaigns 3. Cross-selling and up-selling n n Cross-selling selling additional products or services Up-selling increasing the value of the sale

16 Sales and Operational CRM The sales department was the first to begin developing CRM systems with sales force automation a system that automatically tracks all of the steps in the sales process

17 OPERATIONAL, TACTICAL, AND STRATEGIC BI Claudia Imhoff, president of Intelligent Solutions, divides the Spectrum of data mining analysis and business intelligence into three categories: Operational Tactical Strategic

18 OPERATIONAL, TACTICAL, AND STRATEGIC BI

19 OPERATIONAL, TACTICAL, AND STRATEGIC BI

20 PROMORANK: INTELLIGENT TARGET MARKETING (OPTIMIZATION OF MAIL ADVERTISING CHAMPAIGNS) KDD LAB

21 Campagna pubblicitaria postalizzata Decion process steps Invent the champaign Select the target Contact the target Deliver the awards keep trace of redempts) Measure the success (evaluating the champaign) The actors Ufficio Marketing, Ufficio IT/DW, Postalizzatore, Ufficio IT/ DW, Ufficio Marketing

22 Inventare la campagna scheda TARGET brief Def. categorie clienti Marketing IT - DW statistiche sulle Categorie clienti

23 Selezionare i clienti (da postalizzare) Marketing TARGET IT - DW Def. dettagli promo promozione Postalizzazione Estrazione Categorie Clienti

24 Consegnare i premi e tenere traccia Marketing sviluppo promozione Def. dettagli promo Sistema automatico aggiornamento DATA Mart Sistema automatico attivazione mercati DATA MART PROMOZIONI Mercati

25 Analizzare i risultati Marketing analisi DATA MART PROMOZIONI analisi redemption

26 DOMANDA? DOVE POSSIAMO MIGLIORARE?

27 Dove possiamo migliorare? OTTIMIZZARE I CLIENTI DA POSTALIZZARE Se stimassimo la probabilità di redemption potremmo postare solo quelli a probabilità più alta!!! Problema Come stimare la probabilità di redemption? Quale sottoinsieme della popolazione scegliamo?

28 Ranking dei clienti Costruiamo un modello previsionale a partire dallo storico delle precedenti campagna promozionali. Ordianiamo i clienti secondo la probabilità fornita dal modello predittivo (della classe di maggioranza).

29 Selezione dei clienti da postalizzare Una volta ottenuto il ranking, occorre un criterio per scegliere: La porzione di clienti da postalizzare per raggiungere un rapporto ottimale fra n costo di postalizzazione e n raggiungimento di clienti ad alta probabilità di redemption La modulazione di postalizzazione fra le varie categorie di clienti definite per la promo n costanti, saltuari, inattivi,

30 Come ci si inserisce nel processo decisionale delle promozioni Nella preparazione della definizione della Promozione Per ogni gruppo di clienti della promozione è disponibile un meccanismo per l analisi di previsione della redemption e di ottimizzazione della postalizzazione Meccanismo di base: LIFT CHART

31 Lift Chart % clienti rispondenti % clienti postalizzati Ranking Random

32 LIFT CHART Asse X: percentuali di clienti postalizzati (rispetto al totale del gruppo) Asse Y: percentuale dei clienti rispondenti che sono raggiunti dalla postalizzazione Linea BLU: andamento di Y in funzione di X, rispetto ad una scelta casuale dei clienti Linea ROSSA: andamento di Y in funzione di X, rispetto al ranking dei clienti col modello di data mining

33 Postalizzando il primo 50% dei clienti secondo il ranking si stima di raggiungere l 80% dei clienti che redimeranno. Lift Chart % clienti rispondenti % clienti postalizzati 100 Ranking Random

34 Con la metà dei costi di postalizzazione si stima di raggiungere l 80% dei clienti che redimeranno. Lift Chart % clienti rispondenti Ranking Random % clienti postalizzati

35 Leggere il Lift Chart (1) Il Lift Chart rappresenta un aiuto grafico per ragionare sul rapporto ottimale fra costi di postalizzazione e percentuale di redemption a fronte di sostanziali riduzioni di postalizzati (=budget) permette di ridurre di poco il numero di redenti a parità di budget, permette di incrementare il numero di promozioni oppure di allargare la numerosità delle classi di clienti.

36 Leggere il Lift Chart (2) A partire dal Lift Chart è possibile costruire modelli economici della postalizzazione. A titolo di esempio: C = costo unitario di postalizzazione, es. 2,30 B = beneficio unitario di redenzione, es. 6,00 N = numero postalizzabili, es T = numero rispondenti postalizzando tutti (stima sulla base dello storico di promozioni simili), es (pari al 35% di ) Profitto = Beneficio Costo n Postalizzando una percentuale P n Beneficio = B x T x Lift(P) / 100 n Costo = C x N x P / 100

37 Postalizzando il primo 40% dei clienti secondo il ranking si stima di massimizzare il beneficio C=2,30 B=6,00 N= T= Lift Chart Profitto Ranking Random % clienti postalizzati

38 Le nuove funzionalità per l ufficio marketing Nuova funzionalità per il decisore: accedere al meccanismo di analisi previsionale mediante lift-chart separato per ogni gruppo di clienti modulare la scelta del sottoinsieme di clienti da postalizzare in base: n Al ragionamento sul lift-chart, combinato con n L obiettivo di dirigere la promozione in modo preferenziale verso determinati gruppi di clienti (fedeli vs. occasionali, etc.) verificare le conseguenze delle scelte di postalizzazione operate in termini complessivi (copertura, risparmio, etc.), ed eventualmente modificarle

39 Ma dov è il data mining?!? Risposta: dietro le quinte! Il ranking dei clienti rispetto alla probabilità di redemption è il risultato dello sviluppo di una serie di modelli predittivi che classificano i clienti come rispondenti o meno in base allo storico delle promozioni desumibile dal venduto nel datamart dei Fidelizzati

40 Dietro le quinte Il lift-chart della scheda promo e gli elenchi dei clienti da postalizzare sono calcolati, ad ogni richiesta dell utente marketing/sviluppo, a cura dell ufficio a marketing partire dai modelli predittivi che risiedono sul server (di progetto o di DW) I modelli predittivi sono riaggiornati periodicamente, ad ogni richiesta dell utente IT-DW, sulla base dei dati derivati dal contenuto attuale del DW, mediante a cura dell ufficio IT/DW tecniche di data mining On-line Off-line

41 La Grande Distribuzione

42 Qualche numero 115 Negozi in 4 regioni (Toscana, Lazio, Umbria e Campania) 3 Canali (+ e-commerce) 1 canale franchising Fatturato di c M (alimentari e non) Quarta Cooperativa in fatturato tra le «nove grandi» (Prima Unicoop Firenze con c M ) Totale fatturato 9 Grandi Cooperative: M (market share c.16,5%)

43 Qualche numero del DW Oltre 7 anni di venduto (dal 1/1/2007 fino ad Aprile 2014) ~1 M di clienti attivi e riconoscibili 138 negozi (Toscana, Umbria, Lazio, Campania) ~450K diversi tipi di prodotti ~280M di scontrini ~280G di scansioni

44 La distribuzione dei clienti e dei negozi

45 TOP BUSINESS CHALLENGES 45 Le domande più importanti relative al Pricing Quali sono le categorie/articoli è meglio investire? Qual è il posizionamento più corretto rispetto alla concorrenza (i.e.: qual è l investimento minimo necessario?) Quali e quante price zones? Quante variazioni di prezzo è necessario gestire a PV per sostenere una strategia di prezzo «raffinata»? Sono numeriche sostenibili per i nostri PV? Ci sono risorse o no nel pricing?

46 PRICE STRUCTURE 46

47 Tecnologia per BI other sources Operational DBs Metadata Extract Transform Load Refresh Monitor & Integrator Data Warehouse OLAP Server Serve Analysis Query Reports Data mining Data Marts Data Sources Data Storage OLAP Engine Front-End Tools

48 Schema dei fatti e delle dimensioni del Data Warehouse versione semplificata settore periodo mese anno giorno settimana anno trimestre reparto promozioni canale data mese categoria sottocateg prodotto scontrino ora Fascia oraria segmento salvatempo clienti soci sesso Codice marketing forme pagamento negozio anno regione provincia CAP località indirizzo decade regione provincia città CAP

49 Il Data Warehouse (1)

50 Il Data Warehouse (2)

51 Il Data Warehouse (3)

52 La gerarchia Marketing Macrosettore Area 3 valori Macrosettore 4 valori Settore 13 valori Reparto 76 valori Categoria 529 valori Sottocategoria 2665 valori Segmento 7656 valori Articolo valori Settore Reparto Categoria Categoria/ Subcategoria Segmento

53 La gerarchia Marketing - Esempi Esempio: coche decaffeinate I primi 3 livelli Area Macrose*ore Se*ore Freschi Freschi Alimentari Freschissimi Generi vari Grocery Alimentari Confezionato per vendita Altro Altro Erogazione carburan< Inizia<ve speciali Non definito Casa Chimica Non alimentari No Food Mul<media Persona Salute Stagionali e Brico Area MacroseDore SeDore Reparto Categoria SoDocategoria Segmento Alimentari Generi vari Grocery alimentari Liquidi Bibite Cole Decaffeinata COCA- COLA SENZA CAFFEINA LATTINA ML.330X6 COCA COLA SENZA CAFFEINA BOTTIGLIA PET ML.500 COCA COLA SENZA CAFFEINA LATTINA ML.330 COCA COLA SENZA CAFFEINA PET LT.1,5 COCA- COLA SENZA CAFFEINA LATTINA ML.330 COCA COLA SENZA CAFFEINA PET ML.500X4 COCA COLA SENZA CAFFEINA LATTINA ML.330 X6 COCA COLA SENZA CAFFEINA PET LT. 1,5 + ML. 250 OMAGGIO BIBITA COCA COLA SENZA CAFFEINA CLUSTER LT.1,5 X 6 COLA SENZA CAFFEINA COOP NO COLOR. NUOVA RICETTA BOTTIGLIA PET LT 1,5 COLA SENZA CAFFEINA COOP PET. LT. 1,5 COLA SENZA CAFFEINA HAPPYHAND PET LT 1,5 COLA SENZA CAFFEINA PERLA PET 1,5 L BIBITA PEPSI BOOM JUNIOR PET ML.330X4 BIBITA PEPSI BOOM PET LT.1,5 PEPSI BOOM PET LT.2 BIBITA PEPSI BOOM LATTINA ML. 330

54 Mirco Nanni KDD Lab,ISTI-CNR, Pisa DM 2013, 11 marzo 2013 Churn analysis Introduction

55 Challenge: FAST identification n n n n Churn defezione - abbandono In alcuni casi, nel momento in cui la defezione si manifesta, è troppo tardi per intervenire n n non è più possibile recuperare il defezionante, o non è più conveniente recuperarlo Fondamentale identificare il defezionante immediatamente, o addirittura in anticipo Nuova formulazione del problema: n Churn Analysis = Previsione dell'abbandono

56 Interruzione del rapporto: modalità n n Interruzione esplicita n Tipica dei rapporti che richiedono un contratto o impegni da parte del fruitore n Es.: Telefonia, nei casi in cui è previsto un canone n Es.: Tesseramenti rinnovabili non gratuiti Interruzione implicita n Tipica dei rapporti non formalizzati o privi di costi per il fruitore n Es.: Tessere sconto e carte fedeltà

57 Interruzione implicita n n E' la situazione più comune nel settore delle vendite al dettaglio n n Carte fedeltà che non richiedono rinnovi né costi Il defezionante semplicemente non la usa più Domanda: è sempre facile capire quando il cliente/fruitore ha abbandonato? n n n n Non fa acquisti per un mese? Non fa acquisti per un anno? Visita il punto vendita meno di 2 volte al mese? Spende meno del 50% di quanto faceva 3 mesi fa?

58 Abbandono soft n n Nozione alternativa di abbandono: n n Passaggio da un tipo di rapporto ad uno diverso Caso estremo: da fedele a abbandono totale Situazione naturale nella vendita al dettaglio n n Il segmento fedele fornisce (parziali) garanzie su un indotto minimo dell'attività Il degrado del cliente fedele a cliente saltuario ha effettivi negativi sulla gestione aziendale n Valgono le stesse motivazioni dell'abbandono hard

59 Previsione dell'abbandono n Il tracciamento del cliente ci consente di ricostruire la sua storia per un certo periodo Periodo monitorato (dati nel DW) oggi tempo n La nozione di abbandono adottata sarà valutata su un segmento recente di tale storia Valutazione stato di abbandono oggi tempo

60 Previsione dell'abbandono n Obiettivo: previsione dello stato di abbandono futuro, conoscendo la storia recente del cliente Periodo monitorato (dati nel DW) oggi +1 mese n La storia recente fornisce indizi sul comportamento che il cliente si presta a tenere n alcuni indizi permettono di discriminare i futuri defezionanti, altri no tempo n alcuni indizi sono espliciti nei dati a disposizione, altri vanno derivati da essi

61 Previsione dell'abbandono Previsione dell'abbandono n Come determinare oggi le correlazioni tra situazione attuale e stato futuro? n n Cerchiamo queste correlazioni nel passato Le relazioni passato oggi verranno sfruttate per predire il futuro dall'oggi Periodo monitorato (dati nel DW) oggi +1 mese tempo +1 mese oggi passato

62 Schema dell'applicazione n n n Definizione/estrazione delle variabili di lavoro n n Variabili predittive: gli indizi disponibili oggi/passato Variabile target: lo stato di abbandono futuro/oggi Estrazione del modello predittivo n Ricerca di correlazioni tra variabili predittive e variabile target, da sfruttare in fase di predizione Applicazione del modello predittivo n Le relazioni variabile predittiva target vengono applicate alla situazione odierna (in termini di variabili predittive) per stimare la var. target

63 Periodo monitorato (dati nel DW) oggi +1 mese tempo BICOOP Churn Analisys Definizione del concetto di abbandono e creazione di modelli previsionali

64 Problem Definition: Estimate the probability of churn on the base of DW evidences: Detailed buying records Demographic data Churn risk definition For a client the churn risk appears when a dramatic decrease of her/his expenditure measures: Number of visits Total amount of expenditure value Number of items bought

65 Analisi previsionale Raccolta dei dati storici per l estrazione di: ( verde Variabili di vendita e anagrafiche, i predittori (periodo ( rosso Variabili obiettivo (periodo Costruzione di un modello predittivo Addestrato in modo opportuno su dati storici Utilizzabile per ottenere informazioni previsionali oggi 9 mesi 3 mesi storico previsione Tempo

66 Data preparation

67 Preparazione dati target ( rosso (periodo Si sono estratte dal data warehouse, per il periodo di 3 mesi (Settembre 2007 Novembre 2007) le seguenti informazioni: Numero di spese Variazione di spesa rispetto al periodo verde Volume di spesa Battute di cassa Numero di visite

68 Dataset Il dataset così ottenuto presenta una riga per ogni cliente che ha effettuato almeno una spesa nei nove mesi di osservazione. In tutto abbiamo ottenuto: righe 47 attibuti

69 Data Exploration Distribuzione trend di spesa Trend dei clienti con spesa totale > 400

70

71 F. Obiettivo Thresholds Scelta una soglia di allarme per indicare un possibile cliente defezionario i rapporti si trasformano in tre indicatori di abbandono Abbiamo scelto come soglia una diminuzione sulle 3 misure del 50% Otteniamo le seguenti distribuzioni: F (Basso rischio Abbandono), V (Alto rischio Abbandoni) OB1: RAPP_SPESE OB2: RAPP_SPESA OB3: RAPP_BATTUTE

72 F. Obiettivo Sintesi Per la funzione obiettivo finale si è deciso di considerare come potenziali defezionari tutti i clienti che superato la soglia di allarme, in ognuno dei tre indicatori OB1, OB2, OB3: OB_AND: OB1 and OB2 and OB3

73 Modello previsionale e Risultati Distribuzione spesa totale vs. spesa pesata

74 Modello previsionale e Esempio di regole associative: Risultati se REGIONE = TOSCANA e NUM_SPESE <= 128 e TIPOLOGIA_01 = 7 e TIPOLOGIA_09 = 0 e TIPOLOGIA_ZERI > 2 e REGR_BATTUTE <= -0,98 ( 82,8% allora V (confidenza se DATA_ULTIMA_SPESA > 183 e NUM_SPESE <= 21 e TIPOLOGIA_ZERI > 1 e REGR_NUM_SPESE <= -0,02 e REGR_BATTUTE <= -0,98 ( 92% allora V (confidenza

75 Modello previsionale Risultati Globali Correttezza generale del modello: ( righe 81.06% sul training set (70% del dataset, ( righe 80.94% sul test set (30% del dataset, Matrici di confusione: Valori Predetti Valori Reali 66.9% Con un guadagno netto del 42.8%

76 Modello previsionale Risultati Globali Lift chart

77 Scenario d uso Esempio Creare un ambiente aperto e dinamico nel quale i dati forniti dal data warehouse vengono elaborati e trasformati in modelli di tipo previsionale. I modelli previsionali possono essere usati per arricchire il data warehouse, innestando un circolo virtuoso di informazioni utilizzabili anche direttamente in ambienti di Business Intelligence.

78 Conclusioni Per concludere: Sono stati utilizzati dati provenienti dal data warehouse, risparmiando tempo e ottenendo dati di buona qualità Abbiamo usato tecniche di mining avanzate per generare modelli predittivi, principalmente regole associative e alberi di decisione. I risultati ottenuti sono soddisfacenti e si intravedono buone prospettive di miglioramento Possibili sviluppi futuri Sperimentazione di altri tipi di analisi: sub group analysis, market segmentation, clustering ect. Consolidamento e validazione dei risultati ottenuti Incrementare la collaborazione con gli esperti del dominio per una migliore taratura del problema, delle definizioni usate e delle funzioni obiettivo Integrazione dei dati previsionali forniti dai modelli predittivi all interno della struttura di business intelligence aziendale

79 Analisi della defezione nella grande distribuzione tramite indicatori geografici e socio demografici/1

80 Analisi della defezione nella grande distribuzione tramite indicatori geografici e socio demografici/2

81 Analisi Spazio-Temporale della defezione nella grande distribuzione / Eventi individuali e fenomeni collettivi nella grande distribuzione. Analisi spazio-temporale dei dati di vendita l l l Varie tipologie di eventi individuali Abbandono Fidelizzazione ad un prodotto Ecc. Analisi spaziale e temporale alla ricerca di grandi gruppi di eventi co-localizzati e contemporanei Metodi: Clustering density-based SatScan (metodo statistico usato in epidemiologia)

82 Analisi Spazio-Temporale della defezione nella grande distribuzione / Eventi individuali e fenomeni collettivi nella grande distribuzione. Analisi spazio-temporale dei dati di vendita

83 Data Mining on Promotional Sales Data Mining on Promotional Sales

84 Study the impact of promo on sales Goal: focusing on the effects of promotions on the sales of a single product, mainly aimed at optimizing its stoking: Forecasting sales of promoted products. Forecasting out-of-stock Case study on product category = Food, Two months April 2006 & April 2007.

85 Sales volume distribution of promotions with al least 5 items sold 11.% of the promotions in a single store sold between 5 and 24 items (the leftmost bar in the figure), the 13.79% sold between 25 and 49 items, The tale is less flat

86 Model building Predictors: Product details Promo details Volume of sales in the periods befors the promotion Target Variable: Number of sales for the promoted item Variation w.r.t the month before the promotion Previsione volume di vendita 3/9

87 Mining Table Field nme Vend_Art_3_1 Description Sales of the article from 3 months to 1 month before the promotion Vend_Seg_3_1 Sales of the segment from 3 months to 1 month before the promotion Vend_Art_1_0 Sales of the article in the last month before the promotion Vend_Seg_1_0 Sales of the segment in the last month before the promotion Giorni_Promozi one data sales of 16 months in 134 stores (522,541,764 records).

88 Target variables Case1- The sales amount of the promoted item and Case2- The sales variations of the promoted item and Case3 - The number of out of stock that occurred during the promotion. MINING TASK: MULTICLASS over ORDINAL CLASSES

89 Case1: Predicting volume sale Volume is continuous, range , 80% less than 500 item Discretize (how many classes) Multiclass predictor Equal size binning: 10 binwith => 965 bin (classes) 18% in first 3 classes 100 binwith => 249 bin (classes) 64% in first 3 classes Equal frequency binning 20 bins =>..refined

90 Distribution of sales volume discretized in 20 bins refined discretization

91 Results evaluation Accuracy 55,1% on the training set, which drops to 22,45% over test set

92 Class displacement distribution of predicted class vs. real class NOTE: it holds for ordinal classifiers

93

94 Rule 1: if more than 37 articles were sold in the last month before the promotion (vent_art_1_0 37) in the category sugar (categoria = zucchero e dolcificanti), Ø and the promotion was not advertised in the advertising leaflets, Ø the promoted item will sell the same or just a slightly higher amount than before the promotion (class = 2).

95 Case2: New Target Variable: Figure 7: Percentage variation of sales under promotion

96 Case2: Variation of sales Class Meaning 1 Drop of sales (sales variation -20/%) 2 Drop of sales (sales variation -20/%) 3 Small increase 1 ( variation between + 20% and +100%) 4 Small increase 2 ( variation between +100% and 200%) 5 Small increase 3 ( variation between +200% and 300%) 6 Large increase 1 ( variation between +300% and 500%) 7 Large increase 2 ( variation between +500% and 1000%) 8 Large increase 3 ( variation between +1000% and 1500%) 9 Extreme increase 1 ( variation between +1500% and 2500%) 10 Extreme increase 2 (variation 2500%)

97

98 Results evaluation Accuracy reaches the 49.99% on the training set and 32.67% on the test set

99 Class displacement distribution of predicted class vs. real class NOTE: it holds for ordinal classifiers

100 Evaluating ordinal (multiclass) classifier

101 Evaluating Ordinal Classifiers with distance matrix

102 Weights Vector-based approach

103

104

105 Coming back

106 Our target vaiable Class Meaning 1 Drop of sales (sales variation -20/%) 2 Drop of sales (sales variation -20/%) 3 Small increase 1 ( variation between + 20% and +100%) 4 Small increase 2 ( variation between +100% and 200%) 5 Small increase 3 ( variation between +200% and 300%) 6 Large increase 1 ( variation between +300% and 500%) 7 Large increase 2 ( variation between +500% and 1000%) 8 Large increase 3 ( variation between +1000% and 1500%) 9 Extreme increase 1 ( variation between +1500% and 2500%) 10 Extreme increase 2 (variation 2500%)

107 Analisi dei risultati previsionali Accuratezza del modello Distribuzione della distanza tra classe predetta e classe effettiva Distanza Nel 75% dei casi la predizione è corretta a meno di una distanza di 2 classi Previsione volume di vendita 6/9

108 Ipotesi di utilizzo Ipotesi: Si mette in promozione di un articolo il cui venduto nei 15 gg precedenti è pari a 30 pezzi; Supponiamo che il classificatore preveda classe 5 (venderà tra il 200% e il 300% in più). Risultati: Al 32% (circa 1/3) di possibilità il prodotto venderà tra 90 e 120 pezzi (predizione corretta), Al 60% il prodotto venderà tra 60 e 180 pezzi (scarto di una classe), Al 75% il prodotto venderà tra 36 e 330 pezzi (scarto di due classi). Previsione volume di vendita 7/9

109 Rottura di Stock Due differenti tipologie di rottura di stock: A livello di magazzino; nella quale il magazzino si trova in difetto di merci durante il periodo di promozione ed è quindi impossibilitato a rifornire i negozi. A livello di negozio; in cui il negozio rimane sprovvisto di merci nell arco di una singola giornata di promozione, a causa di probabili rifornimenti insufficienti. Previsione rottura di stock 1/8

110 CASE2: OUT OF STOCK

111 Two cases Out of stock in the warehouse We would need stocking data Out of shop the on a specific day of promotion

112 Capturing out-of stock in a day

113

114 Cond1: decrease of adjacent sales 90% Cond2: no further (no adjacent) increase Cond3: minimum number BEFORE the out-stock Cond4: if no number before reduce threshold 75%

115 Distribution of out of stocks in the Super stores

116 Analisi dati Super Distribuzione del numero di giorni in cui il prodotto in promozione va in rottura di stock Previsione rottura di stock 4/8

117 Target variable: out-stocks (3 value)

118 Target variable out-stocks (2 value)

119 Es. Rule if FL_VOLANTINO = Si and CATEGORIA = ALIMENTI INFANZIA and VEND_ART_3_1 > 142 and VEND_ART_1_0 > 96 then class = 1 support = 677 confidence= 65%

120 Rule 2 if MESE = 12 and CATEGORIA = GELATI then class = 0 supp= 379 conf= 95%

121 Accuracy Se considero sbagliati solo i falsi negativi l accuratezza del modello passa all 84,31% Previsione rottura di stock 6/8

122 Esempio Regola: Caffè Distribuzione binaria rottura di stock se PRES_MKT = LEADER e VendSeg_1_0 > 479 e CATEGORIA = CAFFE' allora 1 Previsione rottura di stock 7/8 Distribuzione binaria rottura di stock ristretto ai prodotti della categoria caffè Supporto: 1643 Confidenza 58,7%

123 Esempio Regola: Caffè se PRES_MKT = LEADER e VendSeg_1_0 > 479 e CATEGORIA = CAFFE' allora 1 Supporto: 718 Confidenza 67,93% se PRES_MKT = LEADER e VendSeg_1_0 > 479 e CATEGORIA = CAFFE' allora 1 Previsione rottura di stock 8/8 Supporto: 560 Confidenza 86%

124 Deployment I modelli predittivi consentono di arricchire i dati storici con dati previsionali Interfaccia uniforme verso l'utente finale

125

126

127

128 Conclusioni Buoni risultati da affiancare con report statistici e personale con esperienza nel settore Possibilità di raffinamento del modello venendo incontro ad esigenze più specifiche (singoli negozi, ( categorie singole Miglioramento della qualità dei dati nel datawarehouse Es. ruolo ed esposizione sono valorizzati con non disponibile nel 74% dei casi, ma non sono gli unici potrebbe portare ad un significativo aumento della qualità dei risultati

129 + + + Classification Mining Profile Profile Profile Profiling

130 Profiling Determine individual behavior What is normal for the individual What separates one individual from another Gives profile of individual behavior How do we do this?

131 profiles Cluster users Develop profiles for clusters E.g., differential profiling Old customers: Do they match profile for their cluster? Allows wider range of acceptable behavior New customer: Do they match any profile?

132 Has this been done? Intrusion Detection (Lane&Brodley) Profiled computer users based on command sequences Command Some (but not all) argument information Sequence information

133 Profiling Clustering and Associations " Group behavior using a clustering algorithm " Find groups of events using the association algorithms " Identify outliers and investigate

134 PROGETTO COOL PATTERNS ANALISI DELLE VENDITE NELLA GRANDE DISTRIBUZIONE Analisi dei Dati ed Estrazione di Conoscenza 2004/2005 Federico Colla

135 Evaluation Obj 1 Regole associative Articoli [ 10 BICCH.CART.BIBO CIRC.200CC ] à [ PIATTI CART.BIBO CIRCUS D23X10 ] Support: 0,01 Confidence: 92,5 Lift: 4237,263 [ TELO 100X GR/MQ TU ] [ OSPITE 40X GR/MQ TU ] à [ ASCIUGAMANO 60X GR TU ] Support: 0,01 Confidence: 91,4 Lift: 965,993 [ BOCC.CANI POLLO/TACCH.KG1.23 ] [ BOC/NI GATTO VITELLO SIM.KG415 ] à [ BOCC.GATTI CONIGLIO SIMBA G415 ] Support: 0,01 Confidence: 91,4 Lift: 390,042 [ PIATTO FRUTTA MAZIME B.CO CM21 ] [ PIATTO F.DO MAXIME B.CO CM.17 ] à [ PIATTO P.NO MAXIME B.CO CM.25 ] Support: 0,01 Confidence: 90 Lift: 3052,386 [ LENZUOLO PIANO 150X280 RIGHE ] [ LENZUOLO ANGOLI 90X200 TU] à [ FEDERA 50X80 STAMPA RIGHE ] Support: 0,01 Confidence: 87,8 Lift: 809,222

136 Evaluation Obj 1 Regole associative Articoli [ 10 BICCH.CART.BIBO CIRC.200CC ] à [ PIATTI CART.BIBO CIRCUS D23X10 ] Support: 0,01 Confidence: 92,5 Lift: 4237,263 [ TELO 100X GR/MQ TU ] [ OSPITE 40X GR/MQ TU ] à [ ASCIUGAMANO 60X GR TU ] Support: 0,01 Confidence: 91,4 Lift: 965,993 [ BOCC.CANI POLLO/TACCH.KG1.23 ] [ BOC/NI GATTO VITELLO SIM.KG415 ] à [ BOCC.GATTI CONIGLIO SIMBA G415 ] Support: 0,01 Confidence: 91,4 Lift: 390,042 [ PIATTO FRUTTA MAZIME B.CO CM21 ] [ PIATTO F.DO MAXIME B.CO CM.17 ] à [ PIATTO P.NO MAXIME B.CO CM.25 ] Support: 0,01 Confidence: 90 Lift: 3052,386 [ LENZUOLO PIANO 150X280 RIGHE ] [ LENZUOLO ANGOLI 90X200 TU] à [ FEDERA 50X80 STAMPA RIGHE ] Support: 0,01 Confidence: 87,8 Lift: 809,222

Mirco Nanni KDD Lab,ISTI-CNR, Pisa mirco.nanni@isti.cnr.it. DM 2012, 28 marzo 2012. Churn analysis. Introduzione

Mirco Nanni KDD Lab,ISTI-CNR, Pisa mirco.nanni@isti.cnr.it. DM 2012, 28 marzo 2012. Churn analysis. Introduzione Mirco Nanni KDD Lab,ISTI-CNR, Pisa mirco.nanni@isti.cnr.it DM 2012, 28 marzo 2012 Churn analysis Introduzione Contesto generale Attività e servizi caratterizzati da un rapporto continuativo tra fornitore

Dettagli

Analisi delle Promozioni

Analisi delle Promozioni Analisi delle Promozioni Obiettivi Data mining per migliorare la qualità dello stoccaggio dei prodotti in promozione minimizzando quindi rotture di stock e giacenze di magazzino. Per ogni promozione: Predizione

Dettagli

Business Intelligence & Data Mining. In ambiente Retail

Business Intelligence & Data Mining. In ambiente Retail Business Intelligence & Data Mining In ambiente Retail Business Intelligence Platform DATA SOURCES STAGING AREA DATA WAREHOUSE DECISION SUPPORT Application Databases Packaged application/erp Data DATA

Dettagli

Marketing relazionale

Marketing relazionale Marketing relazionale Introduzione Nel marketing intelligence assume particolare rilievo l applicazione di modelli predittivi rivolte a personalizzare e rafforzare il legame tra azienda e clienti. Un azienda

Dettagli

SAP Forum: Il carrello Analytico per il Retail Management

SAP Forum: Il carrello Analytico per il Retail Management SDG SAP Forum: Il carrello Analytico per il Retail Management People Process Performance Svelare il vero valore dei «dark data» 10% Use Analytics Today Missing new insights Not utilizing all the information

Dettagli

La conoscenza del Cliente come fonte di profitto

La conoscenza del Cliente come fonte di profitto La conoscenza del Cliente come fonte di profitto Giorgio Redemagni Responsabile CRM Convegno ABI CRM 2003 Roma, 11-12 dicembre SOMMARIO Il CRM in UniCredit Banca: la Vision Le componenti del CRM: processi,

Dettagli

SIFood: Nutrire La Smart City. Jacopo Cassina - Holonix

SIFood: Nutrire La Smart City. Jacopo Cassina - Holonix SIFood: Nutrire La Smart City Jacopo Cassina - Holonix IT SOLUTIONS Prodotti Innovativi Efficienza Piattaforma IT Proprietaria Things Lifecycle Management Single item lifecycle approach Use of sensors

Dettagli

LEZIONE 3 CUSTOMER RELATIONSHIP ICT GOVERNANCE. ECONOMIA dell ICT ECONOMIA DELL ICT 1. Facoltà di Ingegneria Università di Roma Tor Vergata

LEZIONE 3 CUSTOMER RELATIONSHIP ICT GOVERNANCE. ECONOMIA dell ICT ECONOMIA DELL ICT 1. Facoltà di Ingegneria Università di Roma Tor Vergata LEZIONE 3 CUSTOMER RELATIONSHIP MANAGEMENT (CRM) ICT GOVERNANCE ECONOMIA dell ICT ECONOMIA DELL ICT 1 Sviluppo storico del CRM 50 60 Avvento dei brand items e delle agenzie di pubblicità 70 Avvento del

Dettagli

La componente analitica di un progetto CRM in banca. Aldo Borghi Banking & Finance Manager

La componente analitica di un progetto CRM in banca. Aldo Borghi Banking & Finance Manager La componente analitica di un progetto CRM in banca Aldo Borghi Banking & Finance Manager I Sistemi Transazionali Conti correnti Risorse umane CRM Titoli Anagrafe Estero Contabilità generale Il CRM rappresenta

Dettagli

CRM analitico: introduzione. Andrea Farinet

CRM analitico: introduzione. Andrea Farinet CRM analitico: introduzione Andrea Farinet 1 1. Agenda Definizione di Customer Relationship Management (CRM) Le caratteristiche strutturali di un progetto di Customer Relationship Management Il Customer

Dettagli

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Cenni al Data Mining 1 Data Mining nasce prima del Data Warehouse collezione di tecniche derivanti da Intelligenza Artificiale,

Dettagli

Dal CRM Strategy al CRM Technology: la soluzione di Banca Popolare di Bari. Convegno ABI CRM 2004-13 dicembre 2004

Dal CRM Strategy al CRM Technology: la soluzione di Banca Popolare di Bari. Convegno ABI CRM 2004-13 dicembre 2004 Dal CRM Strategy al CRM Technology: la soluzione di Banca Popolare di Bari Giovanni Ciccone Stefania De Maria 080 5274824 Marketing Strategico Sistemi Informativi Convegno ABI CRM 2004-13 dicembre 2004

Dettagli

processi analitici aziendali

processi analitici aziendali Best practises per lo sviluppo dei processi analitici aziendali Business Brief@CSC Roma, 29 maggio 2008 Tachi PESANDO Business & Management Agenda Importanza della Customer oggi Le due anime di un progetto

Dettagli

Learning session: costruiamo insieme un modello per una campagna di marketing

Learning session: costruiamo insieme un modello per una campagna di marketing Learning session: costruiamo insieme un modello per una campagna di marketing Roberto Butinar Cristiano Dal Farra Danilo Selva 1 Agenda Panoramica sulla metodologia CRISP-DM (CRoss-Industry Standard Process

Dettagli

Come utilizzare la conoscenza del cliente per incrementare la profittabilità dei servizi finanziari: le esperienze di UniCredito Italiano

Come utilizzare la conoscenza del cliente per incrementare la profittabilità dei servizi finanziari: le esperienze di UniCredito Italiano Come utilizzare la conoscenza del cliente per incrementare la profittabilità dei servizi finanziari: le esperienze di UniCredito Italiano Maurizio Perego Responsabile Comunicazione e Marketing Relazionale

Dettagli

Data warehousing Mario Guarracino Data Mining a.a. 2010/2011

Data warehousing Mario Guarracino Data Mining a.a. 2010/2011 Data warehousing Introduzione A partire dagli anni novanta è risultato chiaro che i database per i DSS e le analisi di business intelligence vanno separati da quelli operazionali. In questa lezione vedremo

Dettagli

Lezione 7. Data Warehouse & OLAP

Lezione 7. Data Warehouse & OLAP Lezione 7 Data Warehouse & OLAP Che cos'è un Data Warehouse? Termine inventato da Bill Inmon alla fine degli anni 1980. È una base di dati contenente dati provenienti da uno o più basi di dati operative

Dettagli

Next Best App Anticipare le esigenze del cliente. Luca Camporese

Next Best App Anticipare le esigenze del cliente. Luca Camporese Next Best App Anticipare le esigenze del cliente Luca Camporese i4c Analytics & Accenture Italy based software vendor focused on advanced analytics Founded in 2002 as i4c Gartner s recognizes i4c as one

Dettagli

Microsoft Dynamics CRM Live

Microsoft Dynamics CRM Live Microsoft Dynamics CRM Live Introduction Dott. Fulvio Giaccari Product Manager EMEA Today s Discussion Product overview Product demonstration Product editions Features LiveGRID Discussion Product overview

Dettagli

Famiglie di tabelle fatti

Famiglie di tabelle fatti aprile 2012 1 Finora ci siamo concentrati soprattutto sulla costruzione di semplici schemi dimensionali costituiti da una singola tabella fatti circondata da un insieme di tabelle dimensione In realtà,

Dettagli

CRM e sistema delle risorse immateriali di impresa

CRM e sistema delle risorse immateriali di impresa CRM e sistema delle risorse immateriali di impresa Il caso Metro Daniela Camellini _ Marketing Manager Milano, 21 maggio 2004 Copyright 2003 Metro Cash & Carry International GmbH Cash & Carry Wholesale

Dettagli

MICROMARKETING DI SUCCESSO SFRUTTANDO DAVVERO IL CUSTOMER DATABASE

MICROMARKETING DI SUCCESSO SFRUTTANDO DAVVERO IL CUSTOMER DATABASE MICROMARKETING DI SUCCESSO SFRUTTANDO DAVVERO IL CUSTOMER DATABASE Innovative tecniche statistiche che consentono di mirare le azioni di marketing, vendita e comunicazione valorizzando i dati dei database

Dettagli

CHI SIAMO ABOUT US. Azienda giovane fresca e dinamica ottiene immediatamente un ottimo successo conseguendo tassi di crescita a doppia cifra

CHI SIAMO ABOUT US. Azienda giovane fresca e dinamica ottiene immediatamente un ottimo successo conseguendo tassi di crescita a doppia cifra CHI SIAMO Nel 1998 nasce AGAN, societa specializzata nei servizi di logistica a disposizione di aziende che operano nel settore food del surgelato e del fresco. Azienda giovane fresca e dinamica ottiene

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI INFORMATIVI AZIENDALI SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Data Mining. Introduzione La crescente popolarità

Dettagli

"CRM - CITIZEN RELATIONSHIP MANAGEMENT NELLE AMMINISTRAZIONI"

CRM - CITIZEN RELATIONSHIP MANAGEMENT NELLE AMMINISTRAZIONI "CRM - CITIZEN RELATIONSHIP MANAGEMENT NELLE AMMINISTRAZIONI" Marco Beltrami COMPA, Novembre 2004 COMPA Bologna 2004 IBM oggi non solo Information Technology! L ottava società mondiale per dimensione 45%

Dettagli

Data Mining e Analisi dei Dati

Data Mining e Analisi dei Dati e Analisi dei Dati Rosaria Lombardo Dipartimento di Economia, Seconda Università di Napoli La scienza che estrae utili informazioni da grandi databases è conosciuta come E una disciplina nuova che interseca

Dettagli

Customer Relationship Management

Customer Relationship Management DataBase and Data Mining Group of Database and data mining group, Database and data mining group, DataBase and Data Mining Group of DataBase and Data Mining Group of Schema funzionale dei sistemi Moduli

Dettagli

Università Ca Foscari di Venezia Corso di Laurea in Informatica. Laboratorio di Informatica Applicata

Università Ca Foscari di Venezia Corso di Laurea in Informatica. Laboratorio di Informatica Applicata Università Ca Foscari di Venezia Corso di Laurea in Informatica Laboratorio di Informatica Applicata Introduzione alla Business Intelligence Marco Salvato Marzo 2003 Relatore Marco Salvato Senior manager

Dettagli

Modulo Campaign Activator

Modulo Campaign Activator Modulo Campaign Activator 1 Che cosa è Market Activator Market Activator è una suite composta da quattro diversi moduli che coprono esigenze diverse, ma tipicamente complementari per i settori marketing/commerciale

Dettagli

Database Commerciali/ Marketing. Indice: 1. Gli elementi chiave del db commerciale/ marketing 2. Come si costruisce un db commerciale/ marketing

Database Commerciali/ Marketing. Indice: 1. Gli elementi chiave del db commerciale/ marketing 2. Come si costruisce un db commerciale/ marketing Database Commerciali/ Marketing Indice: 1. Gli elementi chiave del db commerciale/ marketing 2. Come si costruisce un db commerciale/ marketing Database Commerciali/ Marketing Gli elementi chiave del db

Dettagli

Company Profile. www.valuelab.it

Company Profile. www.valuelab.it Company Profile www.valuelab.it 1 Profilo VALUE LAB è una innovativa società di consulenza di management e IT solutions specializzata in Marketing, Vendite e Retail. Aiutiamo le Aziende di produzione,

Dettagli

Apprendimento Automatico

Apprendimento Automatico Metodologie per Sistemi Intelligenti Apprendimento Automatico Prof. Pier Luca Lanzi Laurea in Ingegneria Informatica Politecnico di Milano Polo regionale di Como Intelligenza Artificiale "making a machine

Dettagli

Ottimizza le prestazioni del tuo Call Center Call center e marketing intelligence: quali le relazioni?

Ottimizza le prestazioni del tuo Call Center Call center e marketing intelligence: quali le relazioni? Ottimizza le prestazioni del tuo Call Center Call center e marketing intelligence: quali le relazioni? Milano, 4 Giugno 2002 Obiettivi dell incontro Obiettivi dell incontro Condividere alcune riflessioni

Dettagli

Dal CRM all ERM: nella condivisione degli obiettivi di business la chiave di una strategia di successo

Dal CRM all ERM: nella condivisione degli obiettivi di business la chiave di una strategia di successo Dal CRM all ERM: nella condivisione degli obiettivi di business la chiave di una strategia di successo ABI CRM 2002 Gabriella Lo Conte Marketing Manager Roma, 13 Dicembre 2002 Agenda TeleAp Customer Relationship

Dettagli

L integrazione del Data Warehouse di Marketing con applicazioni di Campaign Management nel contesto del CRM multicanale: il caso Vodafone Omnitel

L integrazione del Data Warehouse di Marketing con applicazioni di Campaign Management nel contesto del CRM multicanale: il caso Vodafone Omnitel L integrazione del Data Warehouse di Marketing con applicazioni di Campaign Management nel contesto del CRM multicanale: il caso Vodafone Omnitel CRM Conference 2003 18-19 febbraio 2003 - Milano 1 Benvenuto

Dettagli

Lezione 22. Il reporting

Lezione 22. Il reporting Lezione 22 Il reporting Perché i report Orientamento dei comportamenti (You get what you measure) Le distorsioni comportamentali Apprendere dagli errori Il feedback La correzione avviene solo se: 1. gli

Dettagli

Corso di Economia e Gestione delle Imprese e Marketing a.a. 2010-2011 Prof. Elena Cedrola

Corso di Economia e Gestione delle Imprese e Marketing a.a. 2010-2011 Prof. Elena Cedrola Lezione 8 bis Corso di Economia e Gestione delle Imprese e Marketing a.a. 2010-2011 Prof. Elena Cedrola elena.cedrola@unimc.it http://docenti.unimc.it/docenti/elena-cedrola 1 Marketing Corridor 2 3 Elena

Dettagli

Introduzione al Datamining. Francesco Passantino francesco@iteam5.net www.iteam5.net/francesco

Introduzione al Datamining. Francesco Passantino francesco@iteam5.net www.iteam5.net/francesco Introduzione al Datamining Francesco Passantino francesco@iteam5net wwwiteam5net/francesco Cos è il datamining Processo di selezione, esplorazione e modellazione di grandi masse di dati, al fine di scoprire

Dettagli

AIR MILES un case study di customer segmentation

AIR MILES un case study di customer segmentation AIR MILES un case study di customer segmentation Da: G. Saarenvirta, Mining customer data, DB2 magazine on line, 1998 http://www.db2mag.com/db_area/archives/1998/q3/ 98fsaar.shtml Customer clustering &

Dettagli

Multichannel Analytics

Multichannel Analytics Multichannel Analytics Ottimizzare gli investimenti in comunicazione, digitale e non, per la massimizzazione delle vendite quando il customer journey si conclude off line. Multichannel Marketing TV Radio

Dettagli

Corso Sistemi Informativi Aziendali, Tecnologie dell Informazione applicate ai processi aziendali. Sistemi informativi aziendali

Corso Sistemi Informativi Aziendali, Tecnologie dell Informazione applicate ai processi aziendali. Sistemi informativi aziendali Corso Sistemi Informativi Aziendali,. Sistemi informativi aziendali di Simone Cavalli (simone.cavalli@unibg.it) Bergamo, Marzo 2009 Corso Sistemi Informativi Aziendali - Il customer relationship management

Dettagli

Data Alignment and (Geo)Referencing (sometimes Registration process)

Data Alignment and (Geo)Referencing (sometimes Registration process) Data Alignment and (Geo)Referencing (sometimes Registration process) All data aquired from a scan position are refered to an intrinsic reference system (even if more than one scan has been performed) Data

Dettagli

Introduzione al data warehousing

Introduzione al data warehousing Introduzione al data warehousing, Riccardo Torlone aprile 2012 1 Motivazioni I sistemi informatici permettono di aumentare la produttività delle organizzazioni automatizzandone la gestione quotidiana dei

Dettagli

Gestione campagne di Marketing per il C.R.M.

Gestione campagne di Marketing per il C.R.M. Caratteristiche principali: Preselezione di nominativi basati scremandoli con opportuni filtri basati su informazioni di rischio provenienti da fonti esterne. Analisi grafica tramite sintetiche distribuzioni

Dettagli

Customer Relationship Management e Valore d impresa

Customer Relationship Management e Valore d impresa Customer Relationship Management e Valore d impresa Corso di Laurea in Scienze di Internet Università di Bologna Andrea De Marco 1 Il cliente ha sempre ragione? 2 Marketing, customer satisfaction, CRM:

Dettagli

KNOWLEDGE DISCOVERY E DATA MINING

KNOWLEDGE DISCOVERY E DATA MINING KNOWLEDGE DISCOVERY E DATA MINING Prof. Dipartimento di Elettronica e Informazione Politecnico di Milano LE TECNOLOGIE DI GESTIONE DELL INFORMAZIONE DATA WAREHOUSE SUPPORTO ALLE DECISIONI DATA MINING ANALISI

Dettagli

Customer Equity & Lifetime Management (CELM)

Customer Equity & Lifetime Management (CELM) Un progetto innovativo di gestione delle informazioni Customer Equity & Lifetime Management (CELM) Riccardo Rucco CRM Senior Managing Consultant GBS - IBM Italia Customer Equity & Lifetime Management L

Dettagli

Predictive Analysis e Data Mining con Microsoft SQL 2005

Predictive Analysis e Data Mining con Microsoft SQL 2005 Predictive Analysis e Data Mining con Microsoft SQL 2005 Roberto Butinar Cristiano Dal Farra Danilo Selva 1 Bisight è: Business Process Consulting Business Intelligence Data Mining 2 PentaLab è: 3 Data

Dettagli

Basi di Dati Complementi Esercitazione su Data Warehouse

Basi di Dati Complementi Esercitazione su Data Warehouse Sommario Basi di Dati Complementi Esercitazione su Data Warehouse 1. Riassunto concetti principali dalle slide della lezione di teoria 2.Studio di caso : progettazione di un Data Warehouse di una catena

Dettagli

Dal Call Center, al CRM, al Web: Strumenti e soluzioni per integrare ed analizzare le informazioni che scaturiscono dal contatto con la Clientela

Dal Call Center, al CRM, al Web: Strumenti e soluzioni per integrare ed analizzare le informazioni che scaturiscono dal contatto con la Clientela Dal Call Center, al CRM, al Web: Strumenti e soluzioni per integrare ed analizzare le informazioni che scaturiscono dal contatto con la Clientela Stefano Mino Business Intelligence Sales Development Manager

Dettagli

La fidelizzazione dei diversi segmenti di clientela nei Monitoraggi dell ABI: il caso delle Donne

La fidelizzazione dei diversi segmenti di clientela nei Monitoraggi dell ABI: il caso delle Donne Roma, Palazzo Altieri 12/13 febbraio 2007 La fidelizzazione dei diversi segmenti di clientela nei Monitoraggi dell ABI: il caso delle Donne (Centro Studi e Ricerche ABI - Associazione Bancaria Italiana)

Dettagli

Progettazione dimensionale

Progettazione dimensionale aprile 2012 1 La progettazione dimensionale riguarda la progettazione logica dei dati del data warehouse costituisce la pietra angolare della progettazione dell intero sistema DW/BI è un processo altamente

Dettagli

Compliance: La gestione del dato nel sistema di reporting e consolidamento

Compliance: La gestione del dato nel sistema di reporting e consolidamento Compliance: La gestione del dato nel sistema di reporting e consolidamento Paolo Terazzi Consolidated Financial Statement Manager Amplifon Milano, 1 dicembre 2009 Amplifon nel mondo Leader in 14 countries

Dettagli

Customer Relationship Management

Customer Relationship Management atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of B MG atabase and data mining group, M B G Customer Relationship Management - 1 Customer Relationship Management

Dettagli

Sistemi Informativi Aziendali I

Sistemi Informativi Aziendali I Modulo 6 Sistemi Informativi Aziendali I 1 Corso Sistemi Informativi Aziendali I - Modulo 6 Modulo 6 Integrare verso l alto e supportare Managers e Dirigenti nell Impresa: Decisioni più informate; Decisioni

Dettagli

Marketing Customer Relationship Management. Corso di Laurea in Informatica per il Management Università di Bologna - Andrea De Marco

Marketing Customer Relationship Management. Corso di Laurea in Informatica per il Management Università di Bologna - Andrea De Marco Marketing Customer Relationship Management Corso di Laurea in Informatica per il Management Università di Bologna - Andrea De Marco Il cliente ha sempre ragione? Marketing, customer satisfaction, CRM:

Dettagli

Copyright 2012 Binary System srl 29122 Piacenza ITALIA Via Coppalati, 6 P.IVA 01614510335 - info@binarysystem.eu http://www.binarysystem.

Copyright 2012 Binary System srl 29122 Piacenza ITALIA Via Coppalati, 6 P.IVA 01614510335 - info@binarysystem.eu http://www.binarysystem. CRWM CRWM (Web Content Relationship Management) has the main features for managing customer relationships from the first contact to after sales. The main functions of the application include: managing

Dettagli

Conoscere il cliente e le sue potenzialità: l importanza della business intelligence in banca

Conoscere il cliente e le sue potenzialità: l importanza della business intelligence in banca Conoscere il cliente e le sue potenzialità: l importanza della business intelligence in banca Luca Molteni Elena Feltrinelli Università Bocconi Milano Convegno ABI Dimensione Cliente Roma, 13 febbraio

Dettagli

4 Introduzione al data warehousing

4 Introduzione al data warehousing Che cosa è un data warehouse? Introduzione al data warehousing 22 maggio 2001 Un data warehouse è una base di dati collezione di dati di grandi dimensioni, persistente e condivisa gestita in maniera efficace,

Dettagli

Introduzione PSA: Personal Shopping Asssistant I benefici per il Retailer L esperienza Metro

Introduzione PSA: Personal Shopping Asssistant I benefici per il Retailer L esperienza Metro 6 Febbraio 2004 Roberto Falcinelli Fausto Caprini AGENDA Introduzione PSA: Personal Shopping Asssistant I benefici per il Retailer L esperienza Metro Tre Asset Fondamentali Oracle: la visione architetturale

Dettagli

PROSPETTO DEI SERVIZI PUBBLICITARI OFFERTI DA JULIET ART MAGAZINE CLIENT SPECS FOR JULIET ART MAGAZINE ADVERTISING SERVICES

PROSPETTO DEI SERVIZI PUBBLICITARI OFFERTI DA JULIET ART MAGAZINE CLIENT SPECS FOR JULIET ART MAGAZINE ADVERTISING SERVICES Juliet Art Magazine è una rivista fondata nel 1980 e dedicata all arte contemporanea in tutte le sue espressioni. Dal 2012, è anche e una rivista online con contenuti indipendenti. Juliet Art Magazine

Dettagli

Soluzioni. e CRM per Grandi Aziende

Soluzioni. e CRM per Grandi Aziende Soluzioni di LOYALTY e CRM per Grandi Aziende NEXUSCOM Nexuscom è un agenzia nata nel 2005 e focalizzata nella realizzazione di progetti che consentono alle aziende di entrare in contatto con i propri

Dettagli

Classificazione e Predizione

Classificazione e Predizione Lezione di TDM DM del 16 Aprile 2007 Francesco Bonchi, KDD Lab Pisa, ISTI-C.N.R. 1 Lezione odierna Intuizioni sul concetto di classificazione Alberi di decisione Alberi di decisione con Weka Classificazione:

Dettagli

Smart Selling Online:

Smart Selling Online: Smart Selling Online: Come migliore le vendite in periodi di crisi quando le tecniche di marketing piu diffuse non bastano piu Stefano Gargioli SEMEA Regional Manager Cosa intendiamo per Smart Selling

Dettagli

Introduzione a data warehousing e OLAP

Introduzione a data warehousing e OLAP Corso di informatica Introduzione a data warehousing e OLAP La Value chain Information X vive in Z S ha Y anni X ed S hanno traslocato Data W ha del denaro in Z Stile di vita Punto di vendita Dati demografici

Dettagli

ATTESTATO DELL ATTIVITÀ DI VOLONTARIATO CERTIFICATE OF VOLUNTARY ACTIVITIES

ATTESTATO DELL ATTIVITÀ DI VOLONTARIATO CERTIFICATE OF VOLUNTARY ACTIVITIES ASSOCIAZIONE CONSORTI DIPENDENTI MINISTERO AFFARI ESTERI ATTESTATO DELL ATTIVITÀ DI VOLONTARIATO CERTIFICATE OF VOLUNTARY ACTIVITIES ASSOCIAZIONE CONSORT I DIPENDENTI MINISTE RO AFFARI ESTER I ATTESTATO

Dettagli

Unbounce Optimization

Unbounce Optimization Unbounce Optimization Alberto Mucignat Milano, 01 dicembre 2015 Doralab - Experience Design Company User Intelligence User Experience Design Business value 2 3 Full stack UX design Architettura dell informazione

Dettagli

Data warehousing Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007

Data warehousing Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007 Data warehousing Introduzione A partire dalla metà degli anni novanta è risultato chiaro che i database per i DSS e le analisi di business intelligence vanno separati da quelli operazionali. In questa

Dettagli

SMS Strategic Marketing Service

SMS Strategic Marketing Service SMS Strategic Marketing Service Una piattaforma innovativa al servizio delle Banche e delle Assicurazioni Spin-off del Politecnico di Bari Il team Conquist, Ingenium ed il Politecnico di Bari (DIMEG) sono

Dettagli

Introduzione al Data Mining Parte 1

Introduzione al Data Mining Parte 1 Introduzione al Data Mining Parte 1 Corso di Laurea Specialistica in Ingegneria Informatica II Facoltà di Ingegneria, sede di Cesena (a.a. 2009/2010) Prof. Gianluca Moro Dipartimento di Elettronica, Informatica

Dettagli

IL PROCESSO DI DEMAND PLANNING NELLE AZIENDE ITALIANE

IL PROCESSO DI DEMAND PLANNING NELLE AZIENDE ITALIANE Logistica e supply chain management: dal dire al fare IL PROCESSO DI DEMAND PLANNING NELLE AZIENDE ITALIANE Diego Airoli Manuel Bianchi C-log- Centro di ricerca sulla Logistica Università C. Cattaneo LIUC

Dettagli

A Solar Energy Storage Pilot Power Plant

A Solar Energy Storage Pilot Power Plant UNIONE DELLA A Solar Energy Storage Pilot Power Plant DELLA Project Main Goal Implement an open pilot plant devoted to make Concentrated Solar Energy both a programmable energy source and a distribution

Dettagli

SOLUZIONI PER IL FUTURO

SOLUZIONI PER IL FUTURO SOLUZIONI PER IL FUTURO Alta tecnologia al vostro servizio Alta affidabilità e Sicurezza Sede legale e operativa: Via Bologna, 9 04012 CISTERNA DI LATINA Tel. 06/96871088 Fax 06/96884109 www.mariniimpianti.it

Dettagli

La soluzione IBM per la Busines Analytics Luca Dalla Villa

La soluzione IBM per la Busines Analytics Luca Dalla Villa La soluzione IBM per la Busines Analytics Luca Dalla Villa Cosa fa IBM Cognos Scorecards & Dashboards Reports Real Time Monitoring Supporto? Decisionale Come stiamo andando? Percezione Immediate immediata

Dettagli

Pubblicazioni COBIT 5

Pubblicazioni COBIT 5 Pubblicazioni COBIT 5 Marco Salvato CISA, CISM, CGEIT, CRISC, COBIT 5 Foundation, COBIT 5 Trainer 1 SPONSOR DELL EVENTO SPONSOR DI ISACA VENICE CHAPTER CON IL PATROCINIO DI 2 La famiglia COBIT 5 3 Aprile

Dettagli

Lezione 9. Ambienti Operativi per OLAP Casi di Studio 08/03/2010 1

Lezione 9. Ambienti Operativi per OLAP Casi di Studio 08/03/2010 1 Lezione 9 Ambienti Operativi per OLAP Casi di Studio 08/03/2010 1 Ambienti Operativi per OLAP. Casi di Studio Alfredo Cuzzocrea DEIS Dipartimento di Elettronica, Informatica e Sistemistica Università della

Dettagli

arte e personalità nel punto vendita

arte e personalità nel punto vendita arte e personalità nel punto vendita profilo aziendale company profile Venus è una società di consulenza specializzata nel settore marketing e retailing. Dal 1993 l obiettivo è divulgare la conoscenza

Dettagli

ENPCOM European network for the promotion of the Covenant of Mayors

ENPCOM European network for the promotion of the Covenant of Mayors ENPCOM European network for the promotion of the Covenant of Mayors Censimento e monitoraggio dei consumi energetici e comportamento dei cittadini Controllo Energetico dei Consumi degli Edifici Monitoraggio

Dettagli

ACQUISTI PORTALE. Purchasing Portal

ACQUISTI PORTALE. Purchasing Portal ACQUISTI PORTALE Purchasing Portal Il portale acquisti della Mario De Cecco è ideato per: The Mario De Cecco purchase portal is conceived for: - ordinare on line in modo semplice e rapido i prodotti desiderati,

Dettagli

Nell'era della Business Technology: il business e la tecnologia allineati per migliorare i risultati dell'azienda

Nell'era della Business Technology: il business e la tecnologia allineati per migliorare i risultati dell'azienda Nell'era della Business Technology: il business e la tecnologia allineati per migliorare i risultati dell'azienda Giovanni Vecchio Marketing Program Manager - Hewlett Packard Italiana S.r.l. Treviso, 13

Dettagli

Customer Relationship Management. Eleonora Ploncher 3 aprile 2006

Customer Relationship Management. Eleonora Ploncher 3 aprile 2006 Customer Relationship Management Eleonora Ploncher 3 aprile 2006 1. Gli obiettivi Gli obiettivi della presentazione sono volti a definire: 1. gli elementi fondamentali e strutturali di una strategia di

Dettagli

Introduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida

Introduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida Introduzione alle tecniche di Data Mining Prof. Giovanni Giuffrida Programma Contenuti Introduzione al Data Mining Mining pattern frequenti, regole associative Alberi decisionali Clustering Esempio di

Dettagli

La classificazione. - è intuitivo quindi associare la pratica della classificazione alla presenza di eterogeneità nel costo atteso tra assicurati

La classificazione. - è intuitivo quindi associare la pratica della classificazione alla presenza di eterogeneità nel costo atteso tra assicurati La classificazione - Che cosa significa fare un prezzo in un generico mercato assicurativo? Supponiamo per semplicità una situazione monopolistica; in questo mercato c è dunque una compagnia che si è impegnata

Dettagli

Soluzioni per gestire il dialogo digitale con i clienti. Key-One srl - via Carducci 125 - Sesto San Giovanni - sales@key-one.it - +39 02 241345.

Soluzioni per gestire il dialogo digitale con i clienti. Key-One srl - via Carducci 125 - Sesto San Giovanni - sales@key-one.it - +39 02 241345. Soluzioni per gestire il dialogo digitale con i clienti Key-One srl - via Carducci 125 - Sesto San Giovanni - sales@key-one.it - +39 02 241345.1 Tecnologie e servizi per gestire dialoghi digitali o Humanlike

Dettagli

Gruppo di lavoro 1 Metadati e RNDT. Incontro del 22 luglio 2014

Gruppo di lavoro 1 Metadati e RNDT. Incontro del 22 luglio 2014 Gruppo di lavoro 1 Metadati e RNDT Incontro del 1 Piano di lavoro 1. Condivisione nuova versione guide operative RNDT 2. Revisione regole tecniche RNDT (allegati 1 e 2 del Decreto 10 novembre 2011) a)

Dettagli

Il DataMining. Susi Dulli dulli@math.unipd.it

Il DataMining. Susi Dulli dulli@math.unipd.it Il DataMining Susi Dulli dulli@math.unipd.it Il Data Mining Il Data Mining è il processo di scoperta di relazioni, pattern, ed informazioni precedentemente sconosciute e potenzialmente utili, all interno

Dettagli

ALBERT. copyright hventiquattro

ALBERT. copyright hventiquattro ALBERT ALBERT MONETIZZARE LE SCORTE Il tuo magazzino: da deposito a risorsa Albert agisce sulle fonti di finanziamento interno. Non tanto in termini di puro taglio dei costi, quanto di recupero di flussi

Dettagli

Solutions in motion.

Solutions in motion. Solutions in motion. Solutions in motion. SIPRO SIPRO presente sul mercato da quasi trent anni si colloca quale leader italiano nella progettazione e produzione di soluzioni per il motion control. Porsi

Dettagli

Ferrara, 18 gennaio 2011. Gianluca Nostro Senior Sales Consultant Oracle Italia

Ferrara, 18 gennaio 2011. Gianluca Nostro Senior Sales Consultant Oracle Italia Ferrara, 18 gennaio 2011 Gianluca Nostro Senior Sales Consultant Oracle Italia Agenda 18 gennaio 2011 Kick Off Oracle - ICOS Business Intelligence: stato dell arte in Italia Oracle Business Intelligence

Dettagli

La Customer-Driven Retail Bank

La Customer-Driven Retail Bank Convegno ABI CRM 2003 - Roma, 11 e 12 dicembre Essere Adaptive Enterprise attraverso l estensione l dei processi di CRM: funzioni centrali e periferiche La Customer-Driven Retail Bank Michele Borgonovi

Dettagli

EVENTI INDIVIDUALI E FENOMENI COLLETTIVI NELLA GRANDE DISTRIBUZIONE: ANALISI SPAZIO TEMPORALE DEI DATI DI VENDITA

EVENTI INDIVIDUALI E FENOMENI COLLETTIVI NELLA GRANDE DISTRIBUZIONE: ANALISI SPAZIO TEMPORALE DEI DATI DI VENDITA EVENTI INDIVIDUALI E FENOMENI COLLETTIVI NELLA GRANDE DISTRIBUZIONE: ANALISI SPAZIO TEMPORALE DEI DATI DI VENDITA Mirco Nanni KDD Lab,ISTI-CNR, Pisa mirco.nanni@isti.cnr.it DM 2012, 28 marzo SOMMARIO Trend

Dettagli

Ambienti Operativi per OLAP. Casi di Studio

Ambienti Operativi per OLAP. Casi di Studio Ambienti Operativi per OLAP. Casi di Studio Alfredo Cuzzocrea DEIS Dipartimento di Elettronica, Informatica e Sistemistica Università della Calabria cuzzocrea@deis.unical.it Sommario Installazione e Configurazione

Dettagli

Luigi Scordamaglia Inalca Jbs CEO

Luigi Scordamaglia Inalca Jbs CEO Luigi Scordamaglia Inalca Jbs CEO Group s overview CREMONINI SPA Fatturato consolidato al 31/12/2007: 2.482,4 mln LEADERSHIP DI MERCATO 40%* Produzione 1.041,2 mln 42%* Distribuzione 1.064,7 mln 1 nelle

Dettagli

MISURARE E VALUTARE LE INIZIATIVE SUL WEB. Alberto Rota Ariadne Srl

MISURARE E VALUTARE LE INIZIATIVE SUL WEB. Alberto Rota Ariadne Srl MISURARE E VALUTARE LE INIZIATIVE SUL WEB Alberto Rota Ariadne Srl Obiettivi della presentazione Conoscere le basi della Web Analytics: definizioni, obiettivi e strumenti Conoscere le principali metriche

Dettagli

Risposte alle domande frequenti

Risposte alle domande frequenti Risposte alle domande frequenti 1. Gli articoli possono essere classificati per taglia e colore? 2. E necessario creare una codifica degli articoli prima di inserire i movimenti? 3. Posso inserire gli

Dettagli

CUSTOMER EXPERIENCE AND SOCIAL MEDIA ANALYTICS

CUSTOMER EXPERIENCE AND SOCIAL MEDIA ANALYTICS CUSTOMER EXPERIENCE AND SOCIAL MEDIA ANALYTICS UNIVERSITA DI ROMA TOR VERGATA 27 NOVEMBRE 2013 CONTESTO OBIETTIVI DESTINATARI IL MASTER CUSTOMER EXPERIENCE AND SOCIAL MEDIA ANALYTICS Cresce la domanda

Dettagli

Service Design Programme

Service Design Programme Service Design Programme SERVICE DESIGN - cosa è Il Service Design è l attività di pianificazione e organizzazione di un servizio, con lo scopo di migliorarne l esperienza in termini di qualità ed interazione

Dettagli

Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo

Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo Sistemi per le decisioni Dai sistemi gestionali ai sistemi di governo Obiettivi. Presentare l evoluzione dei sistemi informativi: da supporto alla operatività a supporto al momento decisionale Definire

Dettagli

E-Business Consulting S.r.l.

E-Business Consulting S.r.l. e Rovigo S.r.l. Chi siamo Scenario Chi siamo Missione Plus Offerti Mercato Missionedi riferimento Posizionamento Metodologia Operativa Strategia Comunicazione Digitale Servizi Esempidi consulenza Clienti

Dettagli

MARKETING (3 DI 3) R i v i s t a in t e r n a z i o n a l e d e l G r u p p o B a i n RESULTS. ANNO VIII NUMERO 2 (3 A parte ) Dicembre 2002

MARKETING (3 DI 3) R i v i s t a in t e r n a z i o n a l e d e l G r u p p o B a i n RESULTS. ANNO VIII NUMERO 2 (3 A parte ) Dicembre 2002 R i v i s t a in t e r n a z i o n a l e d e l G r u p p o B a i n RESULTS MARKETING (3 DI 3) ANNO VIII NUMERO 2 (3 A parte ) Dicembre 2002 Bain & Company RESULTS Dopo la prima e la seconda parte di questo

Dettagli